اثر تغییر اقلیم و تاریخ کشت بر ردپای آب سبز در گندم پاییزه 2100-2021 (مطالعه موردی: دشت قزوین)

آب و خاک

مقاله 1، دوره 38، شماره 1 - شماره پیاپی 93، فروردین و اردیبهشت 1403، صفحه 1-21   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.2024.84991.1349

نویسندگان

فاطمه برزو؛ هادی رمضانی اعتدالی^* ؛ عباس کاویانی

گروه علوم و مهندسی آّب، دانشکده کشاورزی و منابع طبیعی، دانشگاه بین‌المللی امام خمینی)ره(، قزوین، ایران

چکیده

تغییر اقلیم یکی از چالش­های مهم برای آینده کشاورزی است که نتیجه بی‌توجهی به آن، به خطر افتادن امنیت غذایی جوامع است. از این رو پیش­بینی تغییرات اقلیمی ضروری به‌نظر می­رسد. در این مطالعه مقادیر ردپای آب سبز گیاه گندم پاییزه (رقم پیشگام) در شرایط اقلیمی حاصل از مدل LARS-WG و پایگاه اطلاعاتی DKRZ تحت سناریو‌های 5/4 و 5/8 و در تاریخ‌های کشت متفاوت (15 مهر، 1 آبان، 15 آبان، 30 آبان و 15 آذر)، در 4 دوره آتی (2040-2021، 2060-2041، 2080-2061 و 2100-2081)  با استفاده از مدل Aquacrop برآورد گردید. نتایج به‌دست آمده نشان داد؛ اگر تاریخ کشت 15 مهر ماه انجام شود، در شرایط اقلیمی حاصل از مدل LARS-WG و تحت سناریوهای 5/4 و 5/8، در تمام دوره‌های آتی ردپای آب سبز نسبت به مقدار آن در دوره پایه، افزایش می‌یابد و اگر کشت در بقیه تاریخ‌ها صورت گیرد، در هر 4 دوره آتی میانگین ردپای آب سبز نسبت به مقدار آن در دوره پایه کاهش خواهد داشت. نتایج به‌دست آمده برای پایگاه اطلاعاتی DKRZ نشان می­دهد، ردپای آب سبز بدست آمده برای تاریخ­های کشت و دوره­های مورد بررسی در سناریوهای 5/4 و 5/8، از روند خاصی برخوردار نیست. در تاریخ­های کشت 15 مهر و 1 آبان برای دوره­های 2080-2061 و 2100-2081، ردپای آب سبز کاهش خواهد داشت و در سه تاریخ دیگر (15 آبان، 30 آبان و 1 آذر) برای این دوره­ها، روند افزایشی و کاهشی خواهد داشت و در تاریخ 15 آذر برای پایگاه اطلاعاتی DKRZ در هر دو سناریو تعریف شده برای همه دوره­ها، افزایش رد پای آب سبز نسبت به دوره پایه گزارش می­شود؛ به‌جز دوره 2100-2081 در سناریو 5/8 که شاهد کاهش آن نسبت به دوره پایه خواهیم بود. بیشترین مقدار ردپای آب سبز در تمام این دوره‌ها و مدل‌ها برای دوره 2060-2041 تحت شرایط اقلیمی پایگاه اطلاعاتی DKRZ در سناریو 5/4 در صورتی‌که تاریخ کشت 15 مهرماه انجام شود، تخمین زده می‌شود که مقدار مصرف آب در آن برابر 4272 متر مکعب بر تن با انحراف معیار 5018 متر مکعب بر تن پیش‌بینی می‌شود. کم‌ترین ردپای آب سبز نیز برای دوره 2100-2081 تحت شرایط اقلیمی حاصل از مدل LARS-WG در سناریو 5/8 در صورتی‌که تاریخ کشت 15 آذر ماه انجام شود، گزارش می‌شود که مقدار آن برابر 232 متر مکعب بر تن با انحراف معیار 3/52 متر مکعب بر تن است.

کلیدواژه‌ها

ردپای آب سبز؛ شبیه‌سازی؛ DKRZ؛ LARS_WG

مراجع

1. Ababaei, B., & Ramezani Etedali, H. (2014). Estimation of water footprint components of Iran’s wheat production: Comparison of global and national scale estimates. Environmental Processes. https://doi.org/1007/s40710-014-0017-7
2. Ababaei, B., & Ramezani Etedali, H. (2017). Water footprint assessment of main cereals in Iran. Agricultural Water Management. https://doi.org/10.1016/j.agwat.2016.07.016
3. Ajamzadeh, A., & Mollaeinia, M.R. (2016). Assessment of impact of climate changhe on Firoozabad river runoff with downscaling of atmospheric circulation models output by SDSM and LARS-WG softwares. Journal Iran-Water Resources Research, 109-95(1), 12. (In Persian with English abstract)
4. Aligholinia, T., Sheibany, H., Mohamadi, O., & Hesam, M. (2019). Comparison and evaluation of blue, green and gray water footprint of wheat in different climates of Iran. Iran-Water Resources Research, 15(3), 234-245. (In Persian with English abstract). https://doi.org/1001.1.17352347.1398.15.3.18.9
5. Bocchiola, D., Nana, E., & Soncini, A .(2013). Impact of climate change scenarios on crop yield and water footprint of maize in the Po valley of Italy. Agricultural Water Management, 116, 50-61. https://doi.org/1016/j.agwat. 2012.10.009
6. Ene, A.S., Teodosiu, C., Robu, B., & Volf, I .(2013). Water footprint assessment in the winemaking industry: A case study of office paper. Cleaner Production, 24, 30–35. https://doi.org/1016/j.jclepro.2012.11.051
7. Govere, S., Nyamangara, J., & Nyakatawa, E.Z. (2020). Climate change signals in the historical water footprint of wheat production in Zimbabwe. Science of the Total Environment. https://doi.org/1016/j.scitotenv.2020.140473
8. Ghorbani, Kh., Aligholinia, T.H., Rezaie, H., & Ghorbani Nasrabad, G. (2020). Evaluation and simulation of agricultural crops water footprint in different climates of Iran considering climate change scenarios. Iran-Water Resources Research, 16(3), 80-61. (In Persian with English abstract)
9. Golabi, M.R., Radmanesh, F., Akhoond-Ali, A.M., & Niksokhan, M.N. (2019). Choosing a suitable area for wheat production through the concept of water footprint and social decision-making methods (case study: Esfahan province). Iranian Journal ECO Haydrology. (In Persian with English abstract). https://doi.org/10.22059/ IJE.2019.284889.1156.
10. Hajjarpour, A., Yousefi, M., & Kamkar, B. (2014). Precision test of simulators LARS-WG, weather Man and CLIMGE Ninthree different climatessimulated (Gorgan, Gonbad and Mashhad). Geography Development, 35(59), 201–16. (In Persian with English abstract)  
11. Hashemi, M.Z., Asaad, Y.SH., & Bruce, W.M. (2011). Comparison of SDSM and LARS-WG for simulation and downscaling of extreme precipitation events in a Watershed. Journal Stochastic Environmental Research and Risk Assessment, 25(4), 475–84.
12. Hoekstra, A.Y., & Chapagain, A.K .(2007). Water footprints of nations: Water use by people as a function of their consumption pattern. Water Resources Management, 21, 35–48. https://doi.org/1007/978-1-4020-5591-1_3
13. Kashyap, D., & Agarwal, T. (2020). Temporal trends of climatic variables and water footprint of rice and wheat production in Punjab, India from 1986 to 2017. Journal of Water and Climate Change. https://doi.org/2166/ wcc.2020.093
14. Kyani, A. (2017). "Using saline water for wheat irrigation. Publication of Agricultural Engineering and Technical Research Institute - Office of the National Television Network of Agriculture and Knowledge Management, first edition. (In Persian)
15. Morillo, J.G., Díaz, J.A., Camacho, E., & Montesinos, P. (2015). Linking water footprint accounting with irrigation management in high value crops. Journal of Cleaner Production, 87, 594-602.
16. Muratoglu, A. (2020). Assessment of wheat’s water footprint and virtual water trade: a case study for Turkey. Ecological Processes. https://doi.org/1186/s13717-020-0217-1
17. Nana, E., Corbari, C., & Bocchiola, D. (2014). A model for crop yield and water footprint assessment: Study of maize in the Po valley. Agricultural Systems, 127, 139-149. https://doi.org/1016/j.agsy.2014.03.006
18. Obuobie, E., Mwangi Gachanja, P., & Cristina Dörr, A. (2005). The role of green water in food trade. Bonn: Zentrum Für Entwicklungsforschung (ZEF)(Term Paper for the Interdisciplinary Course, International Doctoral Studies)
19. Parlange, M.B., & W Katz, R. (2000). An extended version of the Richardson model for simulating daily weather variables. Journal of Applied Meteorology, 39(5), 610–22. https://doi.org/1175/1520-0450-39.5.610
20. Racsko, P., Szeidl, L., & Semenov, M. (1991). A serial approach to local stochastic weather models. Ecological Modelling. https://doi.org/10.1016/0304-3800(91)90053-4
21. Sadrabadi Haghighi, R., & Sakhavati, Sh. (2018). Studying the effect of foliar application of zinc, iron and manganese elements on the yield and yield components of Pishgam bread wheat. New findings of agriculture.
22. Semenov, M.A. (2008 ). Simulation of extreme weather events by a Stochastic weather Generator. Climate Research, 35(3), 203–12. https://doi.org/3354/cr00731
23. Semonov, M.A., & Stratonovith, P. (2010). Use of multi- model ensembles from global models for assessment of climate change impacts. Journal Climate Research, 41, 1-14.
24. Wang, Ch., Zhao, J., & Tian, B. (2021). Assessment of water footprint for crop production: a case study in North China. IOP Conf. Series: Earth and Environmental Science. https://doi.org/10.1088/1755-1315/831/1/012047