پیش‌بینی اثر تغییر اقلیم بر تناسب اراضی کشت کلزا (Brassica napus L.) در استان مازندران با استفاده از مدل‌های ریز مقیاس نماییSDSM و Lars-WG

بوم شناسی کشاورزی

مقاله 12، دوره 15، شماره 4 - شماره پیاپی 58، دی 1402، صفحه 843-862   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/agry.2022.76858.1112

نویسندگان

محسن آب شناس¹؛ بهنام کامکار^{* 2}؛ افشین سلطانی³؛ حسین کاظمی³

¹گروه زراعت، دانشکده تولید گیاهی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران.

²گروه اگروتکنولوژی، دانشکده کشاورزی، دانشگاه فردوسی مشهد،مشهد، ایران

³گروه زراعت، دانشکده تولید گیاهی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران.

چکیده

تغییرات اقلیمی در سال­های اخیر به‌دلیل افزایش هرچه بیشتر گازهای گلخانه­ای بیشتر از گذشته مشهود است. بنابراین، پیش­بینی بلندمدت متغیرهای اقلیمی جهت اطلاع از میزان تغییرات آن‌ها و در نظر گرفتن تمهیدات لازم به‌منظور تعدیل اثرات سوء ناشی از تغییرات اقلیمی بیش از قبل مورد توجه است. راهکار پیش­بینی تغییرات اقلیمی در مقیاس محلی استفاده از مدل­های ریز مقیاس نمایی است. مدل­هایی چون SDSM و Lars-WG مثال­هایی از این ریز مقیاس نماها می­باشند که در این مطالعه به آن پرداخته شده است. از آنجا که تغییر اقلیم شرایط کشت گیاه کلزا (Brassica napus L.) که یکی از گیاهان راهبردی و ارزشمند در ایران است را نیز دستخوش تغییر خواهد کرد، بنابراین انجام پژوهشی جهت مدیریت هرچه بهتر تولید این محصول در شرایط تغییر اقلیم، ضروری به نظر می­رسد. در این تحقیق، با استفاده از مدل­های پیش‏بینی دما و بارش و بهره­گیری از ابزارهایی چون سامانه اطلاعات جغرافیایی (GIS) و فرایند تجزیه و تحلیل سلسله مراتبی  (AHP)به پهنه­بندی زراعی گیاه کلزا بر اساس شرایط پیش­بینی شده برای سال 2050 میلادی در استان مازندران پرداخته شده است. در این تحقیق از داده­های 37 ایستگاه­ هواشناسی و سینوپتیک استفاده شد و به تولید داده‌های اقلیمی (دماهای اصلی و بارش) در سه سناریوی RCP (2.6, 4.5, 8.5) پرداخته شد. مقایسه مدل­های پیش­بینی تغییر اقلیم نشان داد که مدل SDSM در پیش‏بینی دماهای اصلی موفق­تر بوده است، امّا برای پیش­بینی میزان بارش مدلLars-WG  عملکرد بهتری داشت. خروجی نقشه تناسب اراضی نشان داد که تغییر متغیرهای اقلیمی در آینده موجب تغییر در تناسب اراضی زراعی خواهد شد. همچنین با اجرای سناریوی تغییر اقلیم، پراکندگی مکانی و مساحت طبقات مختلف کمی دچار تغییر شد، به‏گونه­ای که با اجرای سناریوی RCP 2.6 مساحت اراضی طبقه خیلی مناسب افزایش یافته و گسترش آن به‌سمت مرکز استان بوده است. در سناریو‌های RCP 8.5 و RCP 4.5 اراضی با طبقه تناسب خیلی مناسب وجود نخواهد داشت و به‌سمت طبقات با تناسب ضعیف سوق داده خواهند شد. به‌طور کلی، در سناریوی خوش­بینانه تناسب اراضی برای کشت کلزا شرایط بهتر و پهنه وسیع­تری خواهد یافت و در سناریوهای دیگر شرایط برای کشت کلزا در اراضی مازندران نسبت به زمان حال ضعیف‌تر خواهد شد و این کاهش کیفیت در اراضی غربی و جنوبی استان مشهودتر است. بنابراین، راهکارهایی چون استفاده از ارقام سازگارتر و تغییر در مدیریت زراعی در رویارویی با شرایط جدید در این مناطق باید مورد توجه قرار گیرد.

کلیدواژه‌ها

بارش؛ پهنه‏بندی؛ دما؛ سامانه اطلاعات جغرافیایی (GIS)

مراجع

1. Aguiar, F., Bentz, J., Silva, J., Fonseca, A., Swart, R., DuarteSantos, F., & Lopes, G. (2018). Adaptation to climate change at local level in Europe: An overview. Environmental Science and Policy, (86), 38-63. https://doi.org/10.1016/j.envsci.2018.04.010
2. Ajamzadeh, A., & Mollainia, M. (2014). Comparison of performance of SDSM and Lars-WG microscopic methods Case study: Tangab Dam Station, Fars province, First National Environmental Conference, Isfahan, Iran. (In Persian with English Summary)
3. Bidadi, M., Kamkar, B., Abdi, O., & Kazemi, H. (2015). Land suitability analysis on rainfed wheat cropping using geospatial information systems (A case study: Qaresoo basin). Journal of Agricultural Science (University of Tabriz), (25), 131-143. (In Persian with English Summary)
4. Darzi Naftchali, A., Karandish, F. (2016). Rice Cultivation management in Mazandaran province under climate change. Formerly Soil and Water Science, (3), 333-346. (In Persian with English Summary)
5. Everest,, Koparan, H., Sungur, A., & Ozcan, H., (2021). An important tool against combat climate change: Land suitability assessment for canola (a case study: Çanakkale, NW Turkey). Environment, Development and Sustainability, (171), 1-14. https://doi.org/10.1007/s10668-021-01985-x
6. Favi, G.A., Dassou, G.H., Agounde, G., Marie-Ange, J., Ouachinou, S., Djidohokpin, D., Cossi Adomou, A., Yédomonhan, H., Tossou, G., & Akoègninou, A. (2022). Current and future distribution pet tern of Cochlospermum planchonii and Cochlospermum tinctoriumin Benin (West Africa), in response to climate change. scenarioModeling Earth Systems and Environment. (8), 773–786. https://doi.org/10.1007/s40808-021-01109-4
7. Hajarpoor, A., Yousefi, M., & Kamkar, B. (2014). Accuracy Assessment Of Weat her Assimilators Of Climgen, Lars-Wg and Weet her Man In Assimilation Of Three Different Climatic Parameters Of Three Different Climate (Gorgan, Gonbad and Mashhad). Geography and Development, (35), 201-216. (In Persian with English Summary)
8. Hashemi, S., Kiani, F. (2018). Qualitative Land Suitability Evaluation For Canola and Sugar Beet Cultivations With Fao Different Methods (Gyan Area, Hamadan Province). Applied Soil Research, (5), 16-30. (In Persian with English Summary)
9. Hashemi, M., Shamseldin, A., & Melville, B. (2011). Comparison of SDSM and LARSWG for simulation and downscaling of extreme precipitation events in a watershed. Stochastic Environmental Research and Risk Assessment, (25), 475-484.
10. Kazemi, H., Tahmasebi Sarvestani, Z., Kamkar, B., Shetaee, S., & Sadeghi, S. (2012). Agroecological Zoning Of Agricultural Lands In Golestan Province For Canola Cultivation By Geographic Information System (Gis) and Analytical Hierarchy Process (Ahp). Electronic Journal Of Crop Production, (5), 123-139.
11. Kazemi, , Akinci, H. (2018). A land use suitability model for rained farming by Multi-criteria Decision-making Analysis (MCDA) and Geographic Information System (GIS). Ecological Engineering, (166), 1-6. https://doi.org/10.1016/j.ecoleng.2018.02.021
12. Khan, M.S., Coulibaly, P., & Dibike, Y. (2016). uncertainty Analysis of statistical Downscaling Methods, Journal of Hydrology, (319), 357-382
13. Khorshiddoust, A., Hosseini, A., & Mohammadpour, K. (2011). Suitable site selection for canola cultivation in Kurdestan province using geographical information system (Gis). Water and Soil Science, (21), 37-48. (In Persian with English Summary)
14. Koocheki, A., Nassiri Mahalleti, M., and Jafari, L. (2015). Evaluation of climate change effect on agricultural production of Iran: I. Predicting the future agroclimatic conditions. Iranian Journal of Field Crops Research, (13), 651-664. (in Persian with English Summary)
15. Makhdoom, M., Darvish Sefet, A., Jafarzadeh, H., & Makhdoom, A. (2011). Environmental evaluation and planning by geographic information system. University of Tehran Press, Iran. 304 p
16. Martin, D., Saha, S.K. (2009). Land evaluation by integrating remote sensing and GIS for cropping system analysis in a watershed. Current Science, (96), 569-575.
17. Mozaffari, G., Mir Mousavi, H., & Khosravi, M. (2012). The assessment of geostatistic methods and linear regression in order to specify the spatial distribution of annual precipitation case study: Boushehr province. Journal of Geography and Development, (27), 93-79. (In Persian with English Summary)
18. Shahmoradi, I. (2011). Agro-climatic zonation of canola cultivation using AHP in GIS environment in Ilam province, M.Sc. Thesis in Natural Geography, Mohaghegh Ardabili University, Ardabil, Iran. (In Persian with English Summary)
19. Sobhani, B., Roshanali, M. (2018). Land suitability assessment of Mazandaran Province for Canola Cultivation Based On Multi-Criteria Decision Making Evaluation Methods In GIS Environment. Geography and Territorial Spatial Arrangement, (8), 129-148. (In Persian with English Summary)
20. Whitley, E., Ball, J. (2002). Statistics review 1: Presenting and summarising data. Crit Care, (6), 66–71. https://doi.org/1186/cc1455