واسنجی و تعیین اعتبار مدل APSIM برای شبیه‌سازی رشد، نمو و عملکرد دو هیبرید ذرت دانه‌ای در مقادیر مختلف نیتروژن

پژوهشهای زراعی ایران

مقاله 1، دوره 20، شماره 4 - شماره پیاپی 68، دی 1401، صفحه 363-379   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/jcesc.2022.71744.1071

نویسندگان

محمد مددی زاده^{* 1}؛ سیدرضا امیری²؛ جعفر کامبوزیا¹؛ سعید صوفی زاده¹

¹گروه کشاورزی اکولوژیک، پژوهشکده علوم محیطی، دانشگاه شهید بهشتی، تهران، ایران

²گروه تولیدات گیاهی، دانشکده کشاورزی، مجتمع آموزش عالی سراوان، ایران

چکیده

هدف از این مطالعه، اعتبارسنجی مدل APSIM در رابطه با قدرت شبیه‌سازی رشد و عملکرد ذرت دانه‌ای در استان کرمان با استفاده از دو هیبرید رایج ذرت در پاسخ به مقادیر مختلف نیتروژن بود. به‌منظور واسنجی و اعتبارسنجی مدل APSIM (version, 7.8) تحت شرایط مختلف فراهمی نیتروژن در راستای شبیه‌سازی و کمی‌سازی مراحل رشد فنولوژیک، زیست‌توده اندام‌های مختلف گیاهی و عملکرد دانه ارقام ذرت دانه‌ای، آزمایشی مزرعه‌ای طی دو سال زراعی 1393 و 1394 در مزرعه تحقیقاتی مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان کرمان انجام گرفت. این تحقیق در قالب طرح بلوک‌های کامل تصادفی با آرایش فاکتوریل در سه تکرار انجام شد. فاکتورها شامل دو هیبرید ذرت دانه‌ای (سینگل‌کراس 704 و ماکسیما) و چهار مقدار نیتروژن (0، 92، 220 و 368 کیلوگرم در هکتار) بودند. نتایج حاصل از شبیه‌سازی توسط مدل APSIM نشان داد که مقدار جذر میانگین مربعات خطای نرمال (nRMSE) در رابطه با پیش‌بینی فنولوژی گیاه (تاریخ گلدهی و رسیدگی فیزیولوژیک) برای هر دو رقم به‌ترتیب برابر با 13/6 و 35/2 بود اما ضعف اصلی مدل در این قسمت، عدم حساسیت مدل نسبت به تأثیر کمبود نیتروژن بر فنولوژی گیاه بود. مقادیر میانگین nRMSE طی اعتبارسنجی مدل برای شاخص سطح برگ بیشینه دو هیبرید سینگل‌کراس 704 و ماکسیما 6/14 درصد بود. مقادیر مذکور در برداشت نهایی در رابطه با بیوماس کل و عملکرد دانه به‌ترتیب 3/9 و 7/11 درصد بود. به‌طورکلی نتایج نشان داد این مدل قادر است به‌عنوان ابزاری قابل‌اعتماد برای پیش‌بینی صفات مهم گیاهی مانند عملکرد محصول قبل از انجام آزمایش‌های مزرعه‌ای، کاهش هزینه‌های تحقیقاتی و تخمین صحیح میزان سازگاری هیبریدهای رایج و جدید ذرت در استان کرمان و درعین‌حال شرایط مختلف تغذیه‌ای نیتروژن به‌کار گرفته‌شده و همچنین نقش بسیار مهمی در اتخاذ تصمیمات خرد و کلان مدیریتی در راستای مدیریت پایدار مزارع ذرت در استان کرمان ایفا نماید.

کلیدواژه‌ها

اعتبارسنجی؛ رسیدگی فیزیولوژیک؛ شاخص سطح برگ؛ گلدهی

مراجع

1. Abera, K. (2013). Growth, productivity and nitrogen use efficiency of maize (Zea mays ) as influenced by rate and time of nitrogen fertilizer application in Haramaya District. Eastern Ethiopia. Haramaya University. MSc Thesis.
2. Afzali, M., Taei Semiromi, J., & Amirinezhad, M. (2018). Evaluation of WOFOST model for growth and development simulation of maize under summer cropping system conditions in sub-tropical region of Southern Kerman. Iranian Journal of Field Crop Science, 49, 57-64. (in Persian with English abstract). https://doi.org/10.22059/ijfcs.2017.205678.654112
3. Ahmed, M., & Hassan, F. (2011). APSIM and DSSAT models as decision support tools. 19^th International Congress on Modelling and Simulation, Perth, Australia.
4. Alley, M., Martz Jr, M. E., Davis, P., & Hammons, J. (2009). Nitrogen and Phosphorous Fertilization of Corn. Virginia Cooperative Extension. Virginia Tech, and Virginia State University. Publ. 424-027.
5. Amjed, A., Sanjani, S., Hoogenboom, G., Ahmad, A., Khaliq, T., Wajid, S., Noorka, I., & Ahmad, S. (2012). Application of crop growth models in agriculture of developing countries: a review. New Horizons Science Technology, 1, 95-99.
6. Anonymous. (2020). Agricultural Statistics. Iranian Ministry of Agricultural Jihad. Department of Planning and Economic Affairs. Center of Statistics and Information Technology. Iran. p. 158. (in Persian)
7. Antonietta, M., Acciaresi, H., & Guiamet, J. (2015). Responses to N deficiency in stay green and non-stay green argentinean hybrids of maize. Journal of Agronomy and Crop Science, 202(3), 231-242. http://doi.org/10.1111/jac.12136
8. Archontoulis, S. V., Miguez, F. E., & Moore, K. J. (2014). Evaluating APSIM maize, soil water, soil nitrogen, manure, and soil temperature modules in the Midwestern United States. Agronomy Journal, 106, 1025-1040. doi:10.2134/agronj2013.0421
9. Choukan, R. (2013). Final Report of Yield Trial and Adaptability of Late and Medium Maturing promising Hybrids of Maize (Final Stage). In: Seed and Plant Improvement Institute (Ed.), Agricultural Research, Education and Extension Organization, Iran, pp. 50 (in Persian with English abstract).
10. Delve, R. J., Probert, M. E., Cobo, J., Ricaurte, J., Rivera, M., Barrios, E., & Rao, I. M. (2009). Simulating phosphorus responses in annual crops using APSIM: model evaluation on contrasting soil types. Nutrient Cycling in Agroecosystems, 84, 293-306. https://doi.org/10.1007/s10705-008-9243-6
11. Ebrahimi, M., Rezaverdinejad, V., & Majnoni Haris, A. (2015). Simulation of corn growth under different water and nitrogen management with AquaCrop model. Iranian Soil and Water Research, 46, 207-220. (in Persian with English abstract).
12. FAO Statistical Database. Agriculture statistics. 2008. Retrived on 27 March 2008 from: http://URL: faostat,fao.org/faostat.
13. FAO Statistical Database. Agriculture statistics. 2015. Retrived on 13 May 2015 from: http://URL: faostat,fao.org/faostat.
14. Gungula, D., Kling, J., & Togun, A. (2003). CERES-Maize predictions of maize phenology under nitrogen-stressed conditions in Nigeria. Agronomy Journal, 95, 892-899.
15. Heng, L., Asseng, S., Mejahed, K., & Rusan, M. (2007). Optimizing wheat productivity in two rain-fed environments of the West Asia–North Africa region using a simulation model. European Journal of Agronomy, 26, 121-129. https://doi.org/10.1016/j.eja.2006.09.001
16. Hoogenboom, G., Jones, J. W., Porter, C. H., Wilkens, P. W., Boote, K. J., Batchelor, W. D., Hunt, L. A., & Tsuji G. Y. (2021). Decision Support System for Agrotechnology Transfer Version, 10(6), 117-124.
17. Hopkins, B., Rosen, C., Shiffler, A., & Taysom, T. (2008). Enhanced efficiency fertilizers for improved nutrient management: potato (Solanum tuberosum). Crop Management, 7(1), 1-16.
18. Kaur, H., Jalota, S., Kanwar, R., & Bhushan, B. (2012). Climate change impacts on yield, evapotranspiration and nitrogen uptake in irrigated maize (Zea mays)-wheat (Triticum aestivum) cropping system: A simulation analysis. Indian Journal of Agricultural Sciences, 82, 213.
19. Keating, B. A., Carberry, P. S., Hammer, G. L., Probert, M. E., Robertson, M. J., Holzworth, D., Huth, N. I., Hargreaves, J. N., Meinke, H., & Hochman, Z. (2003). An overview of APSIM, a model designed for farming systems simulation. European Journal of Agronomy, 18, 267-288.
20. Kpongor, D. S. (2007). Spatially explicit modeling of sorghum (Sorghum bicolor (L.) Moench) production on complex terrain of a semi-arid region in Ghana using APSIM. Universitäts-und Landesbibliothek Bonn. PhD Thesis.
21. Liu, H.,Yang, J., Drury, C. A., Reynolds, W., Tan, C., Bai, Y., He, P., Jin, J., & Hoogenboom, G. (2011). Using the DSSAT-CERES-Maize model to simulate crop yield and nitrogen cycling in fields under long-term continuous maize production. Nutrient Cycling in Agroecosystems, 89, 313-328. https://doi.org/10.1007/s10705-010-9396-y.
22. McCown, R., Hammer, G., Hargreaves, J., Holzworth, D., & Freebairn, D. (1996). APSIM: a novel software system for model development, model testing and simulation in agricultural systems research. Agricultural Systems, 50, 255-271. https://doi.org/10.1016/0308-521X(94)00055-V
23. Mendenhall, W., Sincich, T., & Boudreau, N. S. (1996). A second course in statistics: regression analysis. Prentice Hall Upper Saddle River, New Jersey.
24. Miao, Y., Mulla, D. J., Batchelor, W. D., Paz, J. O., Robert, P. C., & Wiebers, M. (2006). Evaluating management zone optimal nitrogen rates with a crop growth model. Agronomy Journal, 98, 545-553.
25. Moriasi, D. N., Arnold, J. G., Van Liew, M.W., Bingner, R. L., Harmel, R. D., & Veith, T. L. (2007). Model evaluation guidelines for systematic quantification of accuracy in watershed simulations. Transactions of the ASABE, 50, 885-900.
26. Paknejad, F., Moayeri por, S., Aghayari, F., & Nabi Ilkaei, M. (2017). Simulation of maize yield with different levels of nitrogen by using DSSAT model. Journal of Crop Ecophysiology, 43, 503-518. (in Persian with English abstract).
27. Prescott, J. A. (1940). Evaporation from a water surface in relation to solar radiation. Transactions of the Royal Society of South Australia, 64, 114-118.
28. Rafiee Manesh, S., Aynehband, A., & Nabati Ahmadi, D. (2010). Investigating the effect of irrigation water amount and irrigation depletion time in different stages of growth on yield and yield components of the SC704 maize hybrid under Ahwaz climatic conditions. Crop Physiology Journal, 7, 93-105. (in Persian).
29. Rahimi-Moghaddam, S., Kambouzia, J., & Deihimfard, R. (2019). Optimal genotype× environment× management as a strategy to increase grain maize productivity and water use efficiency in water-limited environments and rising temperature. Ecological Indicator, 107, 1-17.
30. Rahimi-Moghaddam, S., Kambouzia, J., & Deihimfard, R. (2018). Adaptation strategies to lessen negative impact of climate change on grain maize under hot climatic conditions: a model-based assessment. Agricultural and Forest Meteorology, 253, 1-14.
31. Seyoum, S., Rachaputi, R., Chauhan, Y., Prassana, B., & Fekybelu, S. (2017). Application of the APSIM model to exploit G×E×M interactions for maize improvement in Ethiopia. Field Crops Research, 217, 113-124.
32. Shamudzarira, Z., & Robertson, M. (2002). Simulating response of maize to nitrogen fertilizer in semi-arid Zimbabwe. Experimental Agriculture, 38, 79-96.
33. Soler, C. M. T., Sentelhas, P. C., & Hoogenboom, G. (2007). Application of the CSM-CERES-Maize model for planting date evaluation and yield forecasting for maize grown off-season in a subtropical environment. European Journal of Agronomy, 27, 165-177.
34. Soltani, A. (2012). Modeling physiology of crop development, growth and yield. CABI. Wallingford.
35. Tscharntke, T., Clough, Y., Wanger, T. C., Jackson, L., Motzke, I., Perfecto, I., Vandermeer, J., & Whitbread, A. (2012). Global food security, biodiversity conservation and the future of agricultural intensification. Biological Conservation, 151, 53-59.
36. Wilks, D. S. (2011). Statistical methods in the atmospheric sciences. Elsevier. Amsterdam.
37. Willmott, C., Robesonb, S., & Matsuuraa, K. (2012). Short Communication: A Refined Index of Model Performance. International Journal of Climatology, 32, 2088-2094.
38. Wu, Y., Liu, W., Li, X., Li, M., Zhang, D., Hao, Z., Weng, J., Xu, Y., Bai, L., & Zhang, S. (2011). Low-nitrogen stress tolerance and nitrogen agronomic efficiency among maize inbreds: comparison of multiple indices and evaluation of genetic variation. Euphytica, 180, 281-290.
39. Zsubori, Z. T., Pinter, J., Spitko, T., Hegyi, Z., & Marton, C. L. (2013). Yield and chemical composition of plant parts of silage maize (Zea mays) hybrids and their interest for biogas production. Maydica, 58, 34-41.