Reducing Environmental Impacts through Redesigning Cropping Pattern Using LCA and MOP (Case study: East Lorestan Province)

Document Type : Research Paper

Authors

Abstract

Abstract
Background and Objective: One of the major problems at present time is the pollution of aquatic and terrestrial ecosystems due to the introduction of pollutants of human origin. Agricultural management to maximize resources utilization and reduce environmental impacts, in addition to protecting resources, will increase the incomes of local farmers.
 
Materials and Methods: The present research, using nonlinear multi-objective programming (MOP) with aimed to maximize net profit and minimize environmental impacts, including the aquatic ecotoxicity, terrestrial ecotoxicity, terrestrial acid/nutrition, land occupation, aquatic acidification and aquatic eutrophication through optimum cropping pattern for the east of Lorestan Province.
 
Results: In the proposed MOP cropping pattern, urea under cultivation of sugar beet increased by 22% and bean 2% compared to the current pattern and urea under cultivation of canola reduced by 50%, potato 34%, chickpea 21%, barley 4% and lentil 3% compared to the current pattern. The implementation of this model in the region reduced the emissions of heavy metals and pesticides into the aquatic ecosystem (19669315 ton) and terrestrial ecosystem (57807822 ton), SO2 to the air (3627 ton) and PO4 to the soil (1003 kg) compared to the existing situation.
 
Conclusion: According to the results of this study, the conservation of ecosystems is necessary to optimize the cropping pattern. Using the proposed model, in addition to selecting the appropriate model and optimizing the use of water and land resources, we can take steps to increase profits and reduce environmental impacts on the ecosystem.
 



Keywords


مقدمه

توسعه کشاورزی در مواجه با نیاز روزافزون غذا برای جمعیت در حال رشد امری اجتناب­ناپذیر است، ولی در کنار آن پیامدهای نامطلوب زیست‌محیطی از جمله سمیت آب، سمیت خشکی، اسیدی شدن/غنی شدن خشکی، اشغال زمین، اسیدی شدن آب و غنی شدن آب رخ می­دهد که نیازمند چاره­جویی است (پریچزل و همکاران 2017، جعفری و همکاران 2018 و امیری و همکاران 2019 و 2020). مطالعه جنبه­های محیطی تولید محصولات کشاورزی بر کیفیت اکوسیستم از اهمیت بالایی برخوردار است (مک ویلیام و همکاران 2014). جهت دستیابی به پایداری در بخش کشاورزی لازم است تا منابع تولید از جمله آب و زمین به بهترین وجه ممکن استفاده شوند تا ضمن کاهش مصرف منابع، سودآوری و رفاه کشاورزان افزایش یابد (مردانی نجفی و همکاران 2019).

محققان ابزارهای پژوهشی مختلف را توسعه داده­اند تا ضمن تحلیل چرخه تولید محصول پیشنهاد‌هایی برای بهبود تمام مراحل تولید به جهت ارتقاء کارایی محیطی داشته باشند (یو و همکاران 2016 و کراپ و همکاران 2019). ارزیابی چرخه حیات (LCA[1]) از روش­های ارزیابی اثرات محیطی است که بر مبنای ارزیابی اثرات ناشی از تولید یک محصول، فرآیند و یا یک فعالیت به‌وسیله تشخیص و کمی‌سازی انرژی و مواد استفاده شده، و ضایعات و پسماندهای تولیدی یافته است (نس و همکاران 2007، رفیعی و همکاران 2016، اسماعیل­زاده و همکاران 2020). ترکیب LCA با دیگر روش­های مدیریتی از جمله برنامه­ریزی چندهدفه (MOP[2]) به تصمیم‌گیر کمک خواهد کرد تا بتواند نتایج کاربردی­تر و تفسیر پذیرتر از تحقیق ارائه دهد (یو و همکاران 2016). این روش پس از محاسبه کارایی واحد­های تولیدی، اثرات محیطی تولید محصول را در حالتی نشان می­دهد که تمام واحدها با تعدیل اثرات محیطی به صورت کارا عمل کنند (خوشنویسان و همکاران 2015). بنابراین، استفاده از رهیافت‌های برنامه­ریزی ریاضی از جمله MOP برای ارائه الگوی کشت بهینه از مزیت­های قابل توجهی برخوردار است (گروت و همکاران 2012، شی و همکاران 2018 و نی و همکاران 2019).

الگوی کشت به تعیین نظام کشت مبتنی بر بهره‏برداری بهینه از منابع و عوامل تولید (مردانی نجفی و همکاران 2019)، متناسب با پتانسیل‌های منطقه‌ای (مانوس و همکاران 2010 و لوندبرگ و همکاران2015) و مزیت اقتصادی (هویت و همکاران 2009 و مردانی نجفی 2019) با رعایت اصول پایداری تولید محصولات کشاورزی (مصلح و همکاران 2017) و ملاحظات محیطی (امامزاده و همکاران 2016 ، پدرو مونزونیس و همکاران 2016) در راستای سیاست‌های کلان کشور (گالن مارتن و همکاران 2015) و تأمین امنیت غذایی (لوندبرگ و همکاران 2015) می‌پردازد. این تعریف به پتانسیل‌های منطقه‌ای در استفاده از عوامل تولید، نگرشی متفاوت از تعیین الگوی کشت و چگونگی ارتباط مناطق مختلف برای تولید محصولات کشاورزی اشاره دارد. اهمیت و ضرورت برنامه‌ریزی منطقه‌ای کشت را می‌توان ناشی از لزوم استفاده بهینه از ظرفیت­های تولید منطقه‌ای و ارائه راهکارهایی جهت نیل به توازن عرضه و تقاضا در تصمیم‌گیری‌ها و تخصیص منابع تولید کشاورزی دانست (دلموت و همکاران 2013، مردانی نجف‌آبادی و همکاران 2019). افزایش یا کاهش سطح زیر کشت محصولات در مناطق مختلف باید با توجه به محدودیت منابع، زمین‌های حاصلخیز کشاورزی و اثرات زیست‌محیطی صورت گیرد. این مسئله لزوم طراحی یک مدل فراگیر الگوی کشت محصولات کشاورزی را آشکار می‌کند. بنابراین مدل تصمیم‌گیری چندهدفه برداری در تعیین الگوی کشت از متغیرهای تصمیم، توابع هدف و محدودیت­ها را شامل می­شود و هدف تصمیم­گیر ماکزیمم کردن یا مینیم کردن توابع هدف است. از آن­ جاییکه این مسائل به ندرت راه‌حل منحصر به فرد دارند، تصمیم‌گیر جوابی را از میان مجموعه جواب­های کارا انتخاب می­کند (لوئیس و همکاران 2017 و فرانسیسکو و علی 2006).

در زمینه بهینه‌سازی تخصیص زمین­های قابل‌کشت در مناطق مختلف دنیا مطالعات زیادی انجام شده است. در بسیاری از این مطالعات از مدل برنامه‌ریزی چندهدفه استفاده شده است (ژی و همکاران 2018). در مطالعه مانوس و همکاران (2010) به طراحی یک مدل برای تعیین الگوی کشت مناطق شمالی مصر پرداخته و از مدل­های برنامه­ریزی چندهدفه جهت حل آن استفاده کردند. نتایج کلی حاصل از این مطالعه بیانگر توانایی بیشتر مدل­های چندهدفه نسبت به مدل­های تک هدفه بود. در بررسی مصلح و همکاران (2017) تعیین الگوی کشت با مدل­های برنامه­ریزی چندهدفه در شهرکرد گزارش شد. در حالت بهینه سطح زیر کشت در برنامه‌ریزی چندهدفه، سیب‌زمینی نسبت به یونجه و ذرت سطح بیشتری به خود اختصاص داد. پارساپور و همکاران (2017) در مطالعه­ای نشان دادند که با اجرای الگوی کشت بهینه در اراضی شهرستان فریمان تربیت جام مصرف مواد زیان‌آور از جمله کودها و سموم شیمیایی نیز به حداقل خود خواهد رسید.

سطح زیر کشت زراعت‌های آبی شرق استان لرستان (شامل شهرستان‌های ازنا، الیگودرز و دورود) به ترتیب 47991 هکتار، با تولید 960830 هزار تن محصولات زراعی است (سازمان جهاد کشاورزی استان لرستان 1395). در زراعت آبی گندم، عدس، جو، نخود، لوبیا، سیب‌زمینی و چغندرقند جزء محصولات تولیدی هستند. نبود الگوی کشت مناسب در منطقه، باعث کاهش عملکرد محصولات، تخریب محیط‌ و آلودگی محیطی اکوسیستم این منطقه شده است (سازمان جهاد کشاورزی استان لرستان 1395). بنابراین تلفیق LCA با MOP در منطقه شرق لرستان با لحاظ کردن حداکثر سود خالص، کاهش اثرات محیطی بر کیفیت اکوسیستم از جمله کاهش کاربری زمین و یوتریفیکاسیون و محدودیت­های زمین و آب برای تخصیص بهینه به محصولات کشاورزی برای ارائه الگوی کشت مناسب، از مزیت قابل توجهی برخوردار است. در این مطالعه با توجه به اهمیت تعیین الگوی کشتی که تأمین‌کننده اهداف چندگانه تصمیم گیران است، سعی شده با استفاده از روش برنامه­ریزی ریاضی، امکان برقراری مصالحه­ای بین تأمین افزایش بازده خالص و کاهش سمیت آب، سمیت خشکی، اسیدی شدن/غنی شدن خشکی، اشغال زمین، اسیدی شدن آب و غنی شدن آب به­عنوان مشکلات محیطی بر اکوسیستم بررسی شود؛ به این امید که اطلاعات سودمندی جهت تدوین استراتژی‌های مناسب برای کاهش اثرات محیطی بر اکوسیستم در منطقه شرق لرستان فراهم آورد.

 

مواد و روش­ها

این مطالعه به منظور بهینه‌سازی الگوی کشت در راستای افزایش سود خالص و کاهش اثرات محیطی موثر بر کیفیت اکوسیستم با استفاده از تلفیق تکنیک‌های LCA و MOP در شرق استان لرستان و در سطح شهرستان‌های ازنا، الیگودرز و دورود اجرا شد (شکل 1). این منطقه بین "22 '1032 تا "44 '74 33 عرض شمالی و "21 '8049 تا "19 '96 50 طول شرقی قرار گرفته است. اقلیم حاکم بر این منطقه در تمام طبقه­بندی‌های اقلیمی نیمه­مرطوب با تابستان معتدل و زمستان بسیار سرد است. میانگین دمای سالانه ازنا، الیگودرز و دورود به‌ترتیب 8/12، 6/11 و 3/14 درجه‌ی سانتی‌گراد، و میانگین بارش سالیانه به ترتیب 304، 264 و 375 میلی­متر است. این سه شهرستان رتبه اول تا سوم تولید محصولات زراعی استان لرستان را دارند. داده‌های مورد نیاز پژوهش، از طریق بررسی نشریه‌ها، سالنامه‌های آماری کشاورزی سال 96-1395 و مصاحبه با کارشناسان هر شهرستان و بررسی میدانی و تکمیل پرسشنامه از کشاورزان منطقه گردآوری شد. برای تعیین حجم نمونه از فرمول کوکران استفاده شد (معادله 1).

 

(معادله 1)

 

 

 

 

که در آن n: حجم نمونه، N: حجم جمعیت آماری کشاورزان منطقه، Z: درصد خطای معیار ضریب اطمینان قابل قبول که 95 درصد در نظر گرفته شد. P: نسبتی از جمعیت کشاورزان دارای صفت معین، q: نسبتی از جمعیت فاقد صفت معین، d درجه اطمینان یا خطای استاندارد با سطح خطای ۵ درصد (یامان 1967).

 

 

 

شکل 1- موقعیت منطقه مورد مطالعه (منبع: مطالعه حاضر)

 


ارزیابی چرخه حیات (LCA)

براساس تعریف استاندارد ایزو 14040، LCA ابزاری است برای سنجش پیامدهای محیطی یک محصول، فرآیند یا عملیات ویژه در طی چرخه حیات آن یا به عبارت دیگر آغاز تا انجام روند شکل‌گیری آن محصول یا فرآیند LCA دارای چهار مرحله تعیین هدف و حوزه مطالعه، صورت­برداری، ارزیابی اثر و تفسیر نتایج است (والیانت و همکاران 2019).

در مرحله تعیین هدف و حوزه مطالعه، اهداف، محصول نهایی مورد انتظار، مرزهای سیستم، واحد کارکردی و در نهایت پیش فرض­های مطالعه مشخص می­شود. مرزهای سیستم به وسیله ورودی­ها و خروجی­های نظام تولیدی مشخص می­شود (سهل و پوتینگ 2013 و گوسن و همکاران 2017). در این مطالعه هدف از LCA بررسی اثرات محیطی ناشی از تولید گندم، جو، لوبیا، نخود، عدس، چغندرقند، سیب­زمینی و کلزا در کشت آبی اراضی ازنا، الیگودرز و دورود و تعیین نقاط بحرانی تولید آن­ها و ارائه راهکارهای مناسب برای کاهش اثرات محیطی مربوطه بود. مرز سیستم در این مطالعه "دروازه مزرعه" و یک تن محصول تولیدی به عنوان "واحد عملکردی" تعیین شد.

بعد از تعریف هدف و مرز سیستم، صورت‌برداری زنجیره تولید هر محصول جداگانه صورت گرفت. این مرحله از LCA نسبت به مراحل دیگر بیشتر زمان‌بر است. بخش اول مرحله صورت‌برداری شامل استخراج مواد اولیه، فرآوری و حمل‌ونقل آن­ها و بخش دوم شامل داده­های ثانویه برای تحلیل اثرات ‌محیطی است که از پایگاه داده­ای Ecoinvent 3.0 گرفته شد (آی پی سی سی 2006 و کوپر و همکاران 2011). در مرحله ارزیابی اثرات در LCA باید طبقات اثر و روش­های ارزیابی آن­ها برای هر محصول مشخص گردد. برای برآورد این اثرات، داده­های مرحله صورت‌برداری وارد نرم‌افزار SimaPro version 8.3 گردید و در این نرم‌افزار براساس سطوح استاندارد در پایگاه داده­ای Ecoinvent3.0 اثرات محیطی بر کیفیت اکوسیستم به روشImpact 2002+  محاسبه شد (نمیک و همکاران 2010). فاکتورهای مشخص سازی برای محاسبه سمیت آبی مربوط به انتشار آلاینده­ها به هوا، آب و خاک است. این فاکتورها سمیت را در آب­های سطحی و آب­های جاری نشان می­دهد و به صورت انتشار تری اتیلن گلایکول به آب محاسبه می­شود. شاخص سمیت خاکی نیز مانند سمیت آبی به انتشار فلزات سنگین در آب، خاک و هوا مربوط می­شود و به صورت معادل تری اتیلن گلایکول در خاک محاسبه می­شود. اسیدی‌سازی آبی از انتشار آلاینده­ها به آب ناشی شده و به صورت معادل SO2 منتشر شده به هوا بیان می­شود. فاکتورهای مشخص‌سازی برای یوتریفیکاسیون آبی از انتشار آلاینده­ها به آب به دست آمده و محاسبه آن به صورت معادل PO4 منتشر شده در آب است. فاکتور مشخص‌سازی اسیدی‌سازی خاکی تنها بر اساس آلاینده­های منتشر شده در خاک بوده و به صورت SO2 منتشر شده در هوا محاسبه می­شود (هومبرت و همکاران 2011). شاخص کاربری زمین در روش IMPACT 2002+ مستقیما از روش اکو-ایندیکاتور99[3] اقتباس شده و اشاره به زمین­های قابل کشت کاربری شده و همچنین تغییر کاربری زمین دارد و بصورت زمین قابل کشت بر حسب مترمربع بیان می­شود (جومو و همکاران 2015).

 

برنامه‌ریزی چندهدفه (MOP)

ساختار اصلی برنامه‌ریزی ریاضی، مبتنی بر مطالعات اخیر صورت گرفته در خصوص تعیین الگوی منطقه‌ای کشت می‌باشد (برای نمونه: (پال و همکاران 2003، بیسوا و پال 2005 ، گالن مارتن و همکاران ۲۰۱۵ و امامزاده و همکاران 2016). این الگو شامل قسمت‌های توابع هدف و محدودیت‌های مربوط به آن بوده که متعاقباً بررسی می‌گردد.

 

الف) اهداف مدل

اهداف متفاوتی از مدل کشت ارائه شده می­توان متصور شد. به علت انعطاف در مدل و تقابل آن با افراد تصمیم‌گیر می‌توان اهداف متفاوت اقتصادی و محیط زیستی در مدل مورد نظر گنجانده شود. فرم جبری این اهداف به ترتیب اهمیت آن‌ها در معادله 2 تا 7 تبیین می‌گردد (جدول 1):

 

 

(معادله 2)

 

 

(معادله 3)

 

 

(معادله 4)

 

 

(معادله 5)

 

(معادله 6)

 

 

(معادله 7)

 

 

(معادله 8)

 

 

 

 

در این روابط Z1 حداکثر سود؛ Z2 حداقل سمیت آبی،  Z3سمیت خاکی،  Z4اسیدی‌سازی خاکی، Z5 کاربری زمین، Z6اسیدی‌سازی آبی و Z7 یوتریفیکاسیون است.

دستیابی به اهداف اصلی الگوی کشت با توجه به تعریفی که از آن در قسمت قبل شد، مستلزم توجه به اهداف متفاوت و گاهاً متضادی شامل حداکثرسازی سود خالص و حداقل­سازی سمیت آبی و خاکی، اسیدی‌سازی آبی و خاکی، کاربری زمین و یوتریفیکاسیون است. معیارهای اندازه‌گیری در اهداف مذکور کاملا متفاوت است. به‌عنوان نمونه هدف حداکثرسازی سود که با واحد پولی اندازه­گیری شده متفاوت از هدف حداقل‌سازی تخلیه لایه ازون با واحد وزنی است. استفاده از روش­های MOP مستلزم استفاده از روش­های همگون­سازی است. در مطالعه حاضر جهت متجانس کردن اهداف برنامه‌ریزی غیرخطی فازی چندهدفه از الگوی جونز و بارنز (2000) استفاده شد.

محدودیت­های الگو شامل محدودیت زمین، محدودیت آب و محدودیت خاص روش حل مقید MOP شامل محدودیت سطح بازده برنامه­ای مشخص و میزان معین از مصرف آب است. برای تشکیل توابع عضویت اهداف یاد شده، ابتدا باید مقادیر بهینه یا آرمانی برای هر یک از اهداف را تعیین نمود.

ب) محدودیت­های مدل

1-مجموعه محدودیت مربوط به مقدار زمین قابل دسترس: در این مجموعه محدودیت مقدار کل زمین تخصیص داده شده به محصولات در شرایط آبی نباید از کل زمین قابل کشت برای محصولات برای هر شهرستان (در هر منطقه) و در هر ماه بیشتر باشد.

 

 

(معادله 9)

 


2- مجموعه محدودیت مربوط به حداکثر و حداقل مقدار زمین: در این مجموعه محدودیت حداکثر و حداقل مقدار زمین جهت کشت هر محصول در هر شهرستان ارائه شده است.

 

(معادله10)

 

 

(معادله11)

 

 

 

 


 

 

 


3-مجموعه محدودیت مربوط به آب در منطقه: در این مجموعه محدودیت­ها به موازنه سطوح متفاوت میزان مصرف آب آبیاری به تفکیک ماه، شهرستان، محصولات در الگوی کشت آبی و منابع آبی پرداخته شد. در این میان توجه به عدم انحراف مدل از مقدار آب قابل دسترس برای منابع و ماه­های مختلف مد نظر قرار گرفت.

 

 

 

(معادله12)

 

(معادله13)

 

 

مقدار آب خالص مورد نیاز برای کشت یک هکتار از محصول j برای شهرستان d با استفاده از نرم افزار Cropwat8 محاسبه شد.

4- مجموعه مربوط به عوامل اقتصادی: در این مجموعه محدودیت سود خالص نباید از سود خالص شرایط کنونی محصولات اصلی کشاورزی منطقه کمتر شود.

 

 

 

             )(معادله4

 

 

 

5- مجموعه مربوط به سمیت آبی: در این مجموعه محدودیت سمیت آبی نباید از سمیت آبی در شرایط کنونی محصولات اصلی کشاورزی منطقه بیشتر شود.

 

                                           (معادله15)

 

6- مجموعه مربوط به سمیت خاکی: در این مجموعه محدودیت سمیت خاکی نباید از سمیت خاکی در شرایط کنونی محصولات اصلی کشاورزی منطقه بیشتر شود.

 

                                           (معادله 16)


7-مجموعه مربوط به اسیدی‌سازی خاکی: در این مجموعه محدودیت اسیدی‌سازی خاکی نباید از اسیدی‌سازی خاکی در شرایط کنونی محصولات اصلی کشاورزی منطقه بیشتر شود

 

.

 

                                           (معادله 17)

 


8-مجموعه مربوط به کاربری زمین: در این مجموعه محدودیت کاربری زمین نباید از کاربری زمین در شرایط کنونی محصولات اصلی کشاورزی منطقه بیشتر شود.

 

 

                                           (معادله 18)

9-مجموعه مربوط به اسیدی‌سازی آبی: در این مجموعه محدودیت اسیدی‌سازی آبی نباید از اسیدی‌سازی آبی در شرایط کنونی محصولات اصلی کشاورزی منطقه بیشتر شود.

 

                                           (معادله 19)


10-مجموعه مربوط به یوتریفیکاسیون: در این مجموعه محدودیت یوتریفیکاسیون نباید از یوتریفیکاسیون در شرایط کنونی محصولات اصلی کشاورزی منطقه بیشتر شود.

 

                                           (معادله 20)


جدول 1- فهرست نمادهای مورد استفاده در مدل برای تعریف مجموعه‌ها و متغیرها

شرح

نماد

نوع

سطح دوم تقسیمات سیاسی (شهرستان)

 

مجموعه

گروه اصلی محصولات

 

ماه‌های سال

 

مقدار زمین تخصیص داده شده به محصول j در شهرستان d به محصولات آبی

 

متغیر

مقدار آب تخصیص داده شده به ماه m برای شهرستان d

 

 

سود خالص کل برای کشت محصول j برای شهرستان d

 

سمیت آبی برای کشت محصول j برای شهرستان d

 

سمیت خاکی برای کشت محصول j برای شهرستان d

 

 اسیدی‌سازی خاکی برای کشت محصول j برای شهرستان d

 

کاربری زمین برای کشت محصول j برای شهرستان d

 

 اسیدی‌سازی آبی برای کشت محصول j برای شهرستان d

 

یوتریفیکاسیون برای کشت محصول j برای شهرستان d

 

 

تابع هدف و مربوط به سود خالص کل در الگو

 

سمیت آبی کل برای کشت محصول j برای شهرستان d

 

تابع هدف و مربوط به سمیت آبی

 

سمیت خاکی کل برای کشت محصول j برای شهرستان d

 

تابع هدف و مربوط به سمیت خاکی

 

اسیدی‌سازی خاکی کل برای کشت محصول j برای شهرستان d

 

تابع هدف و مربوط به اسیدی‌سازی خاکی

 

کاربری زمین کل برای کشت محصول j برای شهرستان d

 

تابع هدف و مربوط به کاربری زمین

 

اسیدی‌سازی آبی کل برای کشت محصول j برای شهرستان d

 

تابع هدف و مربوط به اسیدی‌سازی آبی

 

یوتریفیکاسیون آبی کل برای کشت محصول j برای شهرستان d

 

تابع هدف و مربوط به یوتریفیکاسیون

 

 

 

 

پس از مشخص شدن الگوی مورد استفاده برای بهینه‌سازی فعالیت­ها در چارچوب تامین اهداف یاد شده، باید محدودیت­ها و معیارهای تصمیم‌گیری برای رسیدن به اهداف مشخص در هر گزینه را مشخص کرد (جدول 2). به طور کلی، این فرآیند ذهنی است و کاملاً مشخص و مستند نیست. وابسته به ترجیحات تصمیم‌گیر، بر حسب اهمیت اهداف رقیب وزن­هایی به معیارهای تصمیم‌گیری داده می­شود (چاکرابورتی و همکاران 2002).

 

 

جدول2- فهرست نمادهای مورد استفاده در مدل برای تعریف پارامترها

شرح

نماد

ضریب کاربری زمین برای محصول j، ماه m در شهرستان d

 

مقدار زمین قابل کشت در شهرستان d محصولات آبی

 

حداکثر سطح زیر کشت هر محصول در منطقه

 

حداقل سطح زیر کشت هر محصول در منطقه

 

راندمان آبیاری محصول j در شهرستان d،

 

مقدار آب خالص مورد نیاز برای کشت یک هکتار از محصول j برای شهرستان d

 

مقدار آب قابل دسترس در ماه m برای شهرستان d

 

 سود خالص شرایط کنونی برای کشت محصول j برای شهرستان d

 

سمیت آبی شرایط کنونی برای کشت محصول j برای شهرستان d

 

سمیت خاکی شرایط کنونی برای کشت محصول j برای شهرستان d

 

اسیدی‌سازی خاکی شرایط کنونی برای کشت محصول j برای شهرستان d

 

کاربری زمین شرایط کنونی برای کشت محصول j برای شهرستان d

 

اسیدی‌سازی آبی شرایط کنونی برای کشت محصول j برای شهرستان d

 

یوتریفیکاسیون شرایط کنونی برای کشت محصول j برای شهرستان d

 

 

 

با فرض اینکه  مناطق (شهرستان­ها) و  که j شماره معیار (هدف) مورد نیاز را مشخص می­کند و همچنین  مقداری است که معیار j برای بهربردار n اختیار می­کند، آنگاه روش کار برای به دست آوردن تابع عضویت شاخص j را برای منطقه n در شرایطی که کمترین مقدار شاخص به عنوان حد آرمانی در نظر گرفته می­شود (در اینجا، حداکثرسازی سود، حداقل‌سازی اسیدی‌سازی آبی، اسیدی‌سازی خاکی، سمیت آبی، سمیت خاکی، کاربری زمین، و یوتریفیکاسیون) را می­توان بصورت زیر تعریف نمود (برنگر و وردیر-چوچان ۲۰۰۷ و مردانی نجف آبادی و همکاران 2019):

 

                           (معادله 22)

 

 

 

 

که در آن تابع (n) jʎ درجه برخورداری nامین بهره‌بردار را نسبت به معیار j اندازه گیری می­کند. به همین ترتیب اگر بیشترین مقدار اهداف به عنوان حد آرمانی تعریف شود (در اینجا، بازده برنامه­ای و اشتغال) تابع عضویت (n) jʎ به‌صورت زیر تعریف خواهد شد:

 

                     (معادله 23)

 

توابع یاد شده توابعی افزایشی از درجه برخورداری الگو بوده و مقادیر بین صفر و یک اختیار می­کنند. در مطالعه حاضر این توابع عضویت برای رتبه‌بندی اهداف مدنظر بهره‌برداران مطالعه جاری استفاده شد و با استفاده از روش میانگین وزنی هندسی برای توابع عضویت اهداف مناطق بصورت زیر تعیین گردید:

 

                                                              (معادله 24)

مقادیر وزن اهداف باید حداکثر و حداقل باشد و بر این اساس وزن اهداف بصورت زیر تعریف می­گردد (چیاپرو 1966):

                                                        (معادله 25)

 

 

 

در روابط فوق wj تابعی معکوس از میانگین سطح اهداف نسبت به j است. تابع لگاریتمی نیز بیانگر آن است که اولویت هر الگوی بهینه تابعی غیر خطی از اهداف مورد استفاده است.

به دلیلی غیر خطی بودن تابع مسافت مرکب آرمانی جاری، از روش برنامه­ریزی غیرخطی برای حل آن استفاده شد. به این ترتیب، با توجه به فازی‌سازی اهداف مطالعه و تلاش تحقق یک آرمان کلی براساس حداکثر کردن مقدار تابع مسافت مرکب آرمانی آن­ها، ساختار مدل تصمیم‌گیری به شکل یک مدل برنامه‌ریزی غیرخطی فازی چندهدفه که امکان مصالحه چند هدف را به‌طور توام، مشروط بر محدودیت منابع فراهم می­نماید طراحی شد. در نهایت الگوریتم­های ریاضی الگوی برنامه­ریزی منطقه­ای مورد استفاده در محیط بسته نرم افزاری GAMS v24.1.2 توسعه داده شد (گمز 2010).

 

نتایج و بحث

اثرات محیطی محصولات آبی در الگوی کشت جاری منطقه

اثرات محیطی محصولات آبی کشت شده در الگوی جاری منطقه بر کیفیت اکوسیستم در جدول 3 نمایش داده شده است. بیشترین اثرات محیطی موثر بر کیفیت اکوسیستم در نظام‌های آبی در مزارع کلزا، لوبیا، نخود، گندم و عدس مشاهده شد. فیگیریرو و همکاران (2017) با بررسی اثرات زیست‌محیطی نظام­های تولید محصولات کشاورزی بیان کردند که با افزایش میزان مصرف نهاده اثرات زیست‌محیطی نیز افزایش می‌یابد

 

.

 

 

 

 

 

 

 

 

جدول 3- اثرات زیست‌محیطی بر سلامت انسان در الگوی کشت جاری محصولات آبی

محصول

NB ($.ha-1)

AC

(kg TEG water ha-1)

TE

(kg TEG soil ha-1)

TA

(kg SO2 eq ha-1)

LO (m2org.arable ha-1)

AA

(kg SO2 eq ha-1)

AE

(kg PO4 P-lim ha-1)

گندم

395

93/5E+10

58/5E+10

03/1E+06

23/2E+07

43/1E+05

64/5E+02

جو

304

87/3E+10

44/3E+10

16/8E+05

60/3E+07

15/1E+05

32/5E+02

عدس

294

54/8E+10

50/7E+10

73/9E+05

22/8E+07

35/1E+05

96/6E+02

نخود

280

11/1E+11

76/9E+10

26/16E+06

06/1E+08

77/17E+05

32/9E+02

چغندرقند

455

71/1E+10

86/1E+10

08/5E+05

77/1E+04

13/7E+04

04/5E+02

سیب زمینی

282

20/3E+10

43/5E+10

78/7E+05

07/1E+05

13/1E+05

16/1E+03

کلزا

114

21/21E+11

94/1E+11

98/1E+05

21/6E+04

67/1E+04

25/2E+03

لوبیا

336

16/2E+11

07/2E+11

36/9E+05

07/7E+07

88/1E+05

18/2E+03

NB: سود خالص، AC: سمیت آبی، TE سمیت خاکی، TA: اسیدی‌سازی خاکی، LO: کاربری زمین،  AA: اسیدی‌سازی آبی،AE: یوتریفیکاسیون

 

همچنین بیشترین سود خالص در محصولات آبی به‌ترتیب مربوط به چغندرقند، گندم، لوبیا، جو بود. به‌طور کلی، نتایج مطالعه آثار زیست‌محیطی نظام‌های آبی منطقه، بیان­گر این بود که محصولاتی که سود بالایی دارند اثرات محیطی قابل توجهی ایجاد می‌کنند. توجه صرف به اهداف اقتصادی در طراحی الگوی کشت باعث افزایش مصرف سموم و کودهای شیمیایی می­شود (مردانی و نجف آبادی 2019)، که این امر اثرات محیطی از جمله سمیت آبی و خاکی، اسیدی‌سازی و یوتریفیکاسیون در بوم نظام­های کشاورزی را تشدید خواهد کرد (آکوستا آلبا و همکاران 2019). از این رو تعیین الگوی کشت سودآور ضمن استفاده بهینه از منابع و کاهش مصرف آب و کودهای شیمیایی، مشکلات محیطی را به حداقل می‌رساند (ال-گفی و همکاران 2017). بنابراین رویکرد نوین طراحی الگوی کشت منطقه باید با لحاظ کردن اثرات محیطی بر کیفیت اکوسیستم از جمله کاهش انتشار آلاینده­ها به هوا، خاک و آب تعیین شود.

 

 

سطح زیر کشت محصولات آبی در الگوهای کشت با اهداف مختلف

اثرات محیطی محصولات آبی در الگوهای کشت مختلف پیشنهادی به تفکیک محصول و اهداف مورد مطالعه در جدول 4 ارائه شده است. مجموع سطح زیر کشت الگوهای کشت محصولات آبی در تمامی اهداف نسبت به الگوی جاری محصولات آبی کمتر بود. در الگوی کشت MOP محصولات آبی، سطح زیر کشت چغندرقند 22 و لوبیا 2 درصد نسبت به الگوی جاری افزایش یافت (جدول 4). ارزیابی الگوی MOP نسبت به الگوی جاری به تفکیک شهرستان نشان داد سطح زیر کشت چغندرقند در الگوی MOP نسبت به الگوی جاری الیگودرز 96 درصد، ازنا 5 درصد و دورود 4 درصد افزایش داشت (جدول 5).

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

جدول 4- سطح زیر کشت محصولات کشاورزیدر الگوی کشت آبی در شرق استان لرستان به تفکیک اهداف

 مورد مطالعه (واحد: هکتار)

 

Current

MNB

MAC

MTE

MTA

MLO

MAA

MAE

MOP

گندم

26761

26839

26534

26637

26592

26878

26673

26885

26732

جو

2898

2770

2811

2702

2702

2707

2702

2697

2782

عدس

703

921

1064

1064

1020

703

1064

762

682

نخود

623

478

507

464

464

465

464

464

491

چغندرقند

3380

3645

4111

4102

4105

4128

4102

4066

4118

سیب زمینی

3038

1518

1992

1975

1975

1995

1975

1975

1995

کلزا

209

104

104

104

212

104

104

104

104

لوبیا

10379

11480

10430

10470

10520

10419

10470

10495

10559

کل

47991

47754

47553

47517

47590

47427

47517

47447

47462

CU:الگوی جاری، MNB: حداکثرسازی سود خالص، MAC: حداقل­سازی سمیت آبی، MTE: حداقل­سازی سمیت خاکی، MTA: حداقل­سازی اسیدی‌سازی خاکی، MLO: حداقل­سازی کاربری زمین،  MAA: حداقل­سازی اسیدی‌سازی آبی،MAE: حداقل­سازی یوتریفیکاسیون، MOP: برنامه ریزی چندهدفه

 

 

 

این افزایش سطح زیر کشت چغندرقند در الگوی MOP در تمام اهداف مورد بررسی مشاهده شد که نشان دهنده کم بودن طبقات اثر این محصول در بین محصولات کشت آبی منطقه بر کیفیت کوسیستم بود. همچنین افزایش سطح زیرکشت لوبیای الیگودرز در الگوی MOP نسبت به الگوی جاری 4 درصد بود، ولی سطح زیر کشت لوبیای ازنا و دورود در الگوی MOP نسبت به الگوی جاری به ترتیب 2 و یک درصد کاهش یافت. سطح زیر کشت لوبیای دورود در تمامی اهداف بجز هدف حداکثرسازی سود با کاهش روبه رو شد، زیرا عملکرد و سود بیشتر نظام­های پرنهاده قادر به جبران اثرات محیطی بر کیفیت اکوسیستم نبود (گوسن و همکاران 2017 و فانتین 2017). از دیگر موارد قابل توجه الگوی کشت بهینه پیشنهادی کاهش 50 درصدی سطح زیر کشت کلزا، 34 درصدی سیب­زمینی، 21 درصدی نخود، 4 درصدی جو و 3 درصدی عدس در الگوی MOP نسبت به الگوی جاری بود (جدول 4). این کاهش‌ها در الگوی کشت MOP در تمامی اهداف مشاهده شد که بیانگر بالا بودن شاخص­های اثرات محیطی موثر بر کیفیت اکوسیستم و پایین بودن سود این محصولات نسبت به سایر محصولات منطقه است (جدول 3). تغییرات سطح زیر کشت محصولات آبی در الگوی MOP سه شهرستان مورد مطالعه آهنگ منظمی نداشت (جدول 5)، به‌طوریکه در الگوی MOP سطح زیر کشت سیب­زمینی دورود و الیگودرز 50 درصد و ازنا 6 درصد نسبت به الگوی جاری کاهش یافت. همچنین سطح زیر کشت نخود در الگوی MOP دورود و الیگودرز 50 درصد کاهش و در ازنا 38 درصد نسبت به الگوی جاری افزایش یافت.

 

 

 

 

 

جدول 5- برنامه­ریزی منطقه­ای پیشنهادی در الگوی کشت محصولات آبی نسبت به الگوی کشت جاری به تفکیک شهرستان

شهرستان

کشت

Current

MNB

MAC

MTE

MTA

MLO

MAA

MAE

MOP

ازنا

گندم

11500

11482

11407

11509

11509

11504

11509

11509

11472

جو

750

783

863

754

754

759

754

754

780

عدس

146

158

73

73

73

73

73

73

73

نخود

203

268

297

254

254

255

254

254

281

چغندر

1200

1067

1266

1257

1257

1260

1257

1257

1254

سیب زمینی

1077

538

1012

995

995

1015

995

995

1015

کلزا

63

31

31

31

31

31

31

31

31

لوبیا

4882

5494

4582

4892

4892

4871

4892

4892

4878

الیگودرز

گندم

8500

8572

8579

8579

8535

8579

8579

8579

8466

جو

900

738

720

720

720

720

720

720

774

عدس

500

650

579

579

535

553

579

579

509

نخود

350

175

175

175

175

175

175

175

175

چغندر

650

1047

1225

1225

1228

1280

1225

1225

1280

سیب زمینی

1800

900

900

900

900

900

900

900

900

کلزا

26

13

13

13

13

13

13

13

13

لوبیا

4800

5212

4927

4927

4977

4876

4927

4927

4998

دورود

گندم

6761

6786

6548

6548

6548

6749

6548

6797

6794

جو

1248

1249

1228

1228

1228

1228

1228

1222

1228

عدس

57

112

413

413

413

104

413

110

100

نخود

70

35

35

35

35

35

35

35

35

چغندر

1530

1532

1620

1620

1620

1589

1620

1584

1584

سیب زمینی

161

80

80

80

80

80

80

80

80

کلزا

120

60

60

60

60

60

60

60

60

لوبیا

679

773

651

651

651

673

651

676

683

CU:الگوی جاری، MNB: حداکثرسازی سود خالص، MAC: حداقل­سازی سمیت آبی، MTE: حداقل­سازی سمیت خاکی، MTA: حداقل­سازی اسیدی‌سازی خاکی، MLO: حداقل­سازی کاربری زمین،  MAA: حداقل­سازی اسیدی‌سازی آبی،MAE: حداقل­سازی یوتریفیکاسیون، MOP: برنامه ریزی چندهدفه

 

 

 

 

سطح زیر کشت عدس در الگوی MOP الیگودرز و دورود به ترتیب 74 و 2 درصد نسبت به الگوی جاری افزایش و در ازنا سطح زیر کشت عدس 50 درصد نسبت به الگوی جاری کاهش یافت. سطح زیر کشت جو در الگوی MOP ازنا 4 درصد نسبت به الگوی جاری افزایش یافت و در الیگودرز و دورود به‌ترتیب 14 و 2 درصد کاهش یافت. سانچیس و فیجو- بلو (2009) گزارش کردند محصولاتی که اثرات زیست‌محیطی بالایی دارند میزان سطح زیر کشت آن­ها در الگوی کشت بهینه کاهش می‌یابد. نتایج حاصل از این مطالعه حاکی از اختلاف زیاد الگوی MOP محصولات نسبت به الگوی جاری بود. جهت کاهش اثرات ناشی از تولید محصولات بر اکوسیستم باید سطح کشت محصولات کشاورزی که اثرات محیطی بالایی دارند کاسته شده و در عوض با تغییراتی در الگوی کشت، استراتژی به سوی تولید محصولاتی با اثرات کمتر بر اکوسیستم تغییر داده شود. تدوین الگوی کشت می­تواند بهره‌وری از ظرفیت­های بخش کشاورزی را به حداکثر برساند و در عین حال پیامد­های مخرب تولید محصول را تقلیل دهد (وست و همکاران 2019). همچنین با توجه به مغایرت الگوی پیشنهادی با الگوی جاری هر سه شهرستان می‌توان اظهار کرد که طراحی یک الگوی کشت مناسب برای هر منطقه به‌طور مجزا امری ضروری است و نمی­توان الگوی کشت یک منطقه را به مناطق دیگر تعمیم داد.

 

متغیرهای مهم در تعیین الگوی کشت محصولات آبی

جدول‌های 6 سود خالص و طبقات اثر موثر بر کیفیت اکوسیستم برای کشت محصولات کشاورزی آبی را به تفکیک مدل­های مورد بررسی برای شهرستان‌های مورد مطالعه نشان می­دهد. سود خالص کلیه الگوهای محصولات آبی به جز الگوی حداکثرسازی سود خالص در حد الگوی جاری باقی ماند. در الگوی حداکثرسازی سود محصولات آبی به ازای 4754285 دلار سود خالص بیشتر در کل منطقه، میزان سمیت آبی 4.11E+09 kg TEG water، سمیت خاکی 4.11E+12 kg TEG soil، اسیدی‌سازی خاکی 4.04E+04 kg SO2 eq اسیدی‌سازی آبی 5.73E+03 kg SO2 eq و یوتریفکاسیون 1.32E+02 kg PO4 P-lim نسبت به وضع موجود کاهش یافت (جدول 6). پان و همکاران (2014) اظهار کردند یکی از سیاست­های مورد استفاده در زمینه بهبود نقش اقتصادی بخش کشاورزی و کاهش اثرات محیطی تهیه و اجرای الگوی کشت مناسب است. نتایج نشان داد در کلیه الگوهای طبقات اثر موثر بر کیفیت اکوسیستم محصولات آبی، امکان کاهش اثرات وجود دارد. بیشترین کاهش سمیت آبی در کشت آبی مربوط به الگوها با اهداف حداقل­سازی سمیت آبی، سمیت خاکی و اسیدی‌سازی آبی بود که با اجرای این الگوها سمیت آبی به میزان 2.60E+10 kg TEG water نسبت به الگوی جاری کاهش خواهد یافت. بیشترین کاهش سمیت خاکی در کشت محصولات آبی مربوط به الگوها با اهداف حداقل­سازی سمیت خاکی و اسیدی‌سازی آبی با کاهش6.55E+10 kg TEG soil  و اسیدی‌سازی خاکی با کاهش6.35E+10 kg TEG soil  نسبت به الگوی جاری بود. همچنین در الگوی MOP میزان سمیت آبی محصولات آبی به میزان 1.97E+10 kg TEG water و سمیت خاکی به میزان5.78E+10kg TEG soil  نسبت به الگوی جاری کاهش یافت. سمیت اکولوژیک در اکوسیستم­های آبی و خاکی عمدتا مربوط به انتشار فلزات سنگین، انرژی مصرف شده در تولید نهاد­ه­ها و مصرف نهاده­های شیمیایی از جمله کودهای شیمیایی و آفت­کش­ها است (لیانگ و همکاران 2018). بنابراین با اجرای الگوی MOP انتشار فلزات سنگین و آفت­کش­ها به اکوسیستم آبی 19669315 تن و اکوسیستم خاکی 57807822 تن کاهش خواهد یافت. بیشترین کاهش اسیدی‌سازی خاکی و اسیدی‌سازی آبی در کشت محصولات آبی در الگوها با اهداف حداقل­سازی سمیت خاکی و اسیدی‌سازی آبی و اسیدی‌سازی خاکی با کاهش 4.00E+05 و 5.22E+04 kg SO2 eq نسبت به الگوی جاری مشاهده شد. SO2 موجود در هوا به صورت باران اسیدی به سطح زمین می­رسد که دارای اثرات زیانباری برای گیاهان و حیوانات بوده و به اکوسیستم و ساختمان‌ها خسارت وارد می­کند (بوریز و همکاران 2018). میزان اسیدی‌سازی آبی در الگوی MOP محصولات آبی به میزان 3.54E+04 و اسیدی‌سازی خاکی به میزان 2.81E+05 kg SO2 eq نسبت به الگوی جاری کاهش یافت. بنابراین اجرای الگوی MOP در منطقه از انتشار 3627 تن SO2 به هوا می­کاهد. بیشترین کاهش کاربری زمین در الگوی کشت محصولات آبی در مدل­های با هدف حداقل­سازی کاربری زمین با 9.24E+05 m2org.arable و حداکثرسازی سود 5.36E+07 m2org.arable مشاهده شد. بیشترین کاهش یوتریفیکاسیون در کشت محصولات آبی مربوط به الگوها با هدف‌های حداقل­سازی یوتریفیکاسیون، اسیدی‌سازی‌ آبی و اسیدی‌سازی خاکی مشاهده شد، که نشان می‌دهد با اجرای این الگو­ها میزان انتشار PO4- در منطقه به ترتیب 1153، 1137 و 1111 کیلوگرم کاهش می­یابد. همچنین در مدلMOP  نیز میزان 1003 کیلوگرم انتشارPO4-  در منطقه کاهش یافت (جدول 6). سرانه اراضی زراعی برای تغذیه مردم جهان 24/0 هکتار است (ترامبرند و همکاران 2019). بنابراین در آینده زمین زراعی بیش از سایر منابع محدود کننده تولید غذا در جهان خواهد بود (کارلسون و روسی2019). در نتیجه افزایش بهره­برداری از آن از اهمیت ویژه­ای برخودار است (تیچنور و همکاران 2019). لذا بهینه سازی الگوی کشت باعث بهینه­سازی مصرف کودهای شیمیایی، کاهش هزینه‌ها و کاهش یوتریفیکاسیون خواهد شد (مردانی نجف آبادی 2019). لازم است برای به دست آوردن سود بیشتر و کاهش اثرات محیطی موثر بر اکوسیستم سطح زیر کشت بیشتری را به چغندرقند و لوبیا نسبت به سایر محصولات از جمله نخود، سیب‌زمینی و کلزا در الگوی کشت محصولات آبی اختصاص داد. نتایج مطالعات دیگر نیز نشان داد که در طراحی الگوی کشت، اهداف تولیدکننده نقش مهمی در انتخاب نوع و سطح زیرکشت گیاه زراعی دارد (وست 2019). به بیانی دیگر الگوی کشتی که براساس اهداف اقتصادی طراحی شود مانند الگوی جاری در منطقه تنها اهداف سودمحور را سرلوحه اهداف خود قرار خواهد داد. در حالیکه با اجرای الگوی کشت پیشنهادی اثرات سوء مواد آلاینده بر آب، خاک و هوا و هزینه­های مربوط به تولید از جمله کودهای شیمیایی در بلندمدت می­تواند کاهش می‌یابد.

 

 

 


 

جدول 6 - متغیرهای مهم در تعیین الگوی کشت محصولات آبی به تفکیک اهداف و شهرستان­های مورد مطالعه

توضیحات

شهرستان

متغییر

 

Current

MNB

MAC

MTE

MTA

MLO

MAA

MAE

MOP

 

NB

($)

ازنا

922/8 E+08

924/8 E+08

922/8 E+08

922/8 E+08

922/8 E+08

922/8 E+08

922/8 E+08

922/8 E+08

922/8 E+08

 

الیگودرز

623/7 E+08

648/7 E+08

623/7 E+08

623/7 E+08

623/7 E+08

623/7 E+08

623/7 E+08

623/7 E+08

623/7 E+08

 

دورود

934/4 E+08

950/4 E+08

934/4 E+08

934/4 E+08

934/4 E+08

934/4 E+08

934/4 E+08

934/4 E+08

934/4 E+08

 

 

جمع

148/2 E+09

152/2 E+09

148/2 E+09

148/2 E+09

148/2 E+09

148/2 E+09

148/2 E+09

148/2 E+09

148/2 E+09

 

AC

(kg TEG water)

ازنا

86/5 E+11

81/5 E+11

8/5 E+11

8/5 E+11

8/5 E+11

82/5 E+11

8/5 E+11

8/5 E+11

81/5 E+11

 

الیگودرز

05/4 E+11

94/3 E+11

91/3 E+11

91/3 E+11

93/3 E+11

92/3 E+11

91/3 E+11

91/3 E+11

94/3 E+11

 

دورود

79/2 E+11

75/2 E+11

73/2 E+11

73/2 E+11

73/2 E+11

75/2 E+11

73/2 E+11

75/2 E+11

75/2 E+11

 

 

جمع

27/1 E+12

25/1 E+12

24/1 E+12

24/1 E+12

25/1 E+12

25/1 E+12

25/1 E+12

25/1 E+12

25/1 E+12

 

TE

(kg TEG soil)

ازنا

35/6 E+11

27/6 E+11

26/6 E+11

25/6 E+11

25/6 E+11

28/6 E+11

25/6 E+11

25/6 E+11

27/6 E+11

 

الیگودرز

63/4 E+11

20/4 E+11

17/4 E+11

17/4 E+11

19/4 E+11

18/4 E+11

17/4 E+11

17/4 E+11

20/4 E+11

 

دورود

83/2 E+11

75/2 E+11

73/2 E+11

73/2 E+11

73/2 E+11

75/2 E+11

73/2 E+11

75/2 E+11

75/2 E+11

 

 

جمع

38/1 E+12

32/1 E+12

32/1 E+12

32/1 E+12

32/1 E+12

32/1 E+12

32/1 E+12

32/1 E+12

32/1 E+12

 

TA

(kg SO2 eq)

ازنا

60/9 E+06

54/9 E+06

54/9 E+06

51/9 E+06

51/9 E+06

55/9 E+06

51/9 E+06

51/9 E+06

54/9 E+06

 

الیگودرز

24/6 E+06

08/6 E+06

99/5 E+06

99/5 E+06

99/5 E+06

99/5 E+06

99/5 E+06

99/5 E+06

06/6 E+06

 

دورود

68/5 E+06

64/5 E+06

63/5 E+06

63/5 E+06

63/5 E+06

65/5 E+06

63/5 E+06

64/5 E+06

64/5 E+06

 

 

جمع

15/2 E+07

13/2 E+07

12/2 E+07

11/2 E+07

11/2 E+07

13/2 E+07

11/2 E+07

11/2 E+07

12/2 E+07

 

LO

(m2org.arable)

ازنا

60/1 E+08

60/1 E+08

60/1 E+08

60/1 E+08

60/1 E+08

59/1 E+08

60/1 E+08

60/1 E+08

60/1 E+08

 

الیگودرز

02/1 E+08

02/1 E+08

02/1 E+08

02/1 E+08

02/1 E+08

01/1 E+08

02/1 E+08

02/1 E+08

02/1 E+08

 

دورود

26/7 E+07

26/7 E+07

26/7 E+07

26/7 E+07

26/7 E+07

26/7 E+07

26/7 E+07

26/7 E+07

26/7 E+07

 

 

جمع

34/3 E+08

34/3 E+08

34/3 E+08

34/3 E+08

34/3 E+08

34/3 E+08

34/3 E+08

34/3 E+08

34/3 E+08

 

AA

(kg SO2 eq)

ازنا

37/1 E+06

36/1 E+06

36/1 E+06

36/1 E+06

36/1 E+06

36/1 E+06

36/1 E+06

36/1 E+06

36/1 E+06

 

الیگودرز

03/9 E+05

84/8 E+05

72/8 E+05

72/8 E+05

72/8 E+05

82/8 E+05

72/8 E+05

72/8 E+05

82/8 E+05

 

دورود

93/7 E+05

87/7 E+05

85/7 E+05

85/7 E+05

85/7 E+05

88/7 E+05

85/7 E+05

87/7 E+05

87/7 E+05

 

 

جمع

06/3 E+06

03/3 E+06

02/3 E+06

01/3 E+06

01/3 E+06

03/3 E+06

01/3 E+06

01/3 E+06

03/3 E+06

 

AE

(kg PO4 P-lim)

ازنا

40/9 E+03

26/9 E+03

25/9 E+03

20/9 E+03

20/9 E+03

27/9 E+03

20/9 E+03

20/9 E+03

26/9 E+03

 

الیگودرز

23/7 E+03

49/6 E+03

40/6 E+03

40/6 E+03

43/6 E+03

47/6 E+03

40/6 E+03

40/6 E+03

50/6 E+03

 

دورود

63/4 E+03

50/4 E+03

52/4 E+03

52/4 E+03

52/4 E+03

51/4 E+03

52/4 E+03

50/4 E+03

50/4 E+03

 

 

جمع

13/2 E+04

03/2 E+04

02/2 E+04

01/2 E+04

01/2 E+04

02/2 E+04

01/2 E+04

01/2 E+04

03/2 E+04

 

 

CU : الگوی جاری، MNB: حداکثرسازی سود خالص، MAC: حداقل­سازی سمیت آبی، MTE: حداقل­سازی سمیت خاکی، MTA: حداقل­سازی اسیدی‌سازی خاکی، MLO: حداقل­سازی کاربری زمین،  MAA: حداقل­سازی اسیدی‌سازی آبی،MAE: حداقل­سازی یوتریفیکاسیون، MOP: برنامه ریزی چندهدفه

NB: سود خالص، AC: سمیت آبی، TE سمیت خاکی، TA: اسیدی‌سازی خاکی، LO: کاربری زمین،  AA: اسیدی‌سازی آبی،AE: یوتریفیکاسیون

 

 

 

                         

 


نتیجه­گیری

      در این مطالعه الگوی بهینه برای کشت‌های آبی منطقه شرق لرستان بر اساس تاثیرات شاخص­­های محیطی موثر بر کیفیت اکوسیستم ارزیابی شد. نتایج این مطالعه نشان داد با در نظر گرفتن الگوی MOP بر اساس مسائل اقتصادی و محیطی سطح زیر کشت محصولات آبی کلزا، سیب زمینی، نخود، جو کاهش قابل توجه­ای داشت. به بیان دیگر برای دستیابی به اهداف کسب حداکثر سود و دریافت حداقل اثرات محیطی بر کیفیت اکوسیستم سطح زیر کشت کلزا، سیب زمینی، نخود، جو و عدس در نظام‌های آبی کاهش و سطح زیر کشت چغندرقند، لوبیا و گندم در سیستم­های آبی افزایش یابد.مطالعه‏ی شاخص‌های­ اقتصادی، سمیت اکوسیستم، اسیدی­سازی، کاربری زمین و یوتریفیکاسیون در الگوی کشت ازنا، الیگودرز و دورود نشان داد که تاکید بر معیارهای مختلف نتایج متفاوتی را در بر دارد. لذا تصمیم‌گیری و استفاده از شاخص­های مختلف باید منطبق بر اهمیت هر گزینه در منطقه مورد مطالعه صورت گیرد. لحاظ کردن الگوی بهینه به دست آمده در این مطالعه به کشاورزان این امکان را می­دهد که همزمان با حفظ درآمد اقتصادی، ملاحظات محیطی را نیز برای کاهش اثرات سوء بر اکوسیستم را در الگوی کشت رعایت کنند. بنابراین تعیین الگوی کشت بهینه با تلفیق LCA و MOP در منطقه می­تواند به عنوان یک رویکرد پایدار در مدیریت اثرات محیطی بر کیفیت اکوسیستم مطرح باشد که ریسک­های اقتصادی و محیطی را کاهش داده، و در عین حال وضعیت مطلوبی از لحاظ اقتصادی برای منطقه فراهم کند.

 

سپاسگزاری

      این مطالعه در قالب رساله دکتری تخصصی و با حمایت مالی معاونت پژوهشی دانشگاه زابل با پژوهانه شماره 8-9517 انجام گردید.



[1] Life Cycle Assessment

[2] Multiple Objective Programming

[3] Eco-indicator99        

Acosta-Alba I, Chia E and Andrieu, N. 2019. The LCA4CSA framework: Using life cycle assessment to strengthen environmental sustainability analysis of climate smart agriculture options at farm and crop system levels. Agricultural Systems, 171: 155-170.
Amiri Z, Asgharipour MR, Campbell DE and Armin M. 2019. A sustainability analysis of two rapeseed farming ecosystems in Khorramabad, Iran, based on emergy and economic analyses. Journal of Cleaner Production 226: 1051-1066.
Amiri Z, Asgharipour MR, Campbell DE and Armin M. 2020. Extended exergy analysis (EAA) of two canola farming systems in Khorramabad, Iran. Agricultural Systems, 180: 102789.
Berenger V and Verdier-Chouchane A. 2007. Multidimensional measures of well-being: Standard of living quality of life across countries. World Development, 35:1259- 76.
Biswas A and Pal BB. 2005. Application of fuzzy goal programming technique to land use planning in agricultural system. Omega, 33: 391–398.
Bories C, Barrera NIG, Peydecastaing J, Etxeberria I, Vedrenne E, Garcia CV and Sablayrolles, C. 2018. LCA case study: comparison between independent and coproduction pathways for the production of ethyl and n-butyl acetates. The International Journal of Life Cycle Assessment, 23(2): 251-266.
Chakraborty M and Gupta S. 2002. Fuzzy mathematical programming for multi objective linear fractional programming problem. Fuzzy Sets and Systems, 125(3): 335-342.
Chiappero ME. 1996. Standard of living evaluation based on Sen’s Approach: Some methodological suggestions, Notizie di Politeia, 12: 37–53.
Cooper JM, Butler G and Leifert, C. 2011. Life cycle analysis of greenhouse gas emissions from organic and conventional food production systems, with and without bio-energy options. NJAS Wagening. Life Sciences, 58: 185-192.
Crop I, Nejadhashemi AP, Deb K, Abouali M, Roy PC, Adhikari U and Hoogenboom, G. 2019. A multi-objective approach to water and nutrient efficiency for sustainable agricultural intensification. Agricultural Systems, 173: 289-302.
Delmotte S, Lopez-Ridaura S, Barbier JM and Wery, J. 2013. Prospective and participatory integrated assessment of agricultural systems from farm to regional scales: Comparison of three modeling approaches. Journal of Environmental Management, 129: 493-502
Djomo SN, Witters N, Van Dael M, Gabrielle B, and Ceulemans, R. 2015. Impact of feedstock, land use change, and soil organic carbon on energy and greenhouse gas performance of biomass cogeneration technologies. Applied Energy, 154: 122-130.
El Gafy I, Grigg N and Reagan W. 2017. Water-food-energy nexus index to maximize the economic water and energy productivity in an optimal cropping pattern. Water international, 42(4): 495-503.
Emamzadeh SM, Forghani MA, Karnema A and Darbandi S. 2016. Determining an optimum pattern of mixed planting from organic and non-organic crops with regard to economic and environmental indicators: A case study of cucumber in Kerman, Iran. Information Processing in Agriculture, 3(4): 207-214.
Esmaeilzadeh S, Asgharipour MR and Khoshnevisan B. 2020. Water footprint and life cycle assessment of edible onion production-A case study in Iran. Scientia Horticulturae, 261: 108925.
Fantin V, Righi S, Rondini I. and Masoni, P. 2017. Environmental assessment of wheat and maize production in an Italian farmers' cooperative. Journal of cleaner production, 140: 631-643.
Figueiredo F, Castanheira ÉG and Freire F. 2017. Life-cycle assessment of irrigated and rainfed sunflower addressing uncertainty and land use change scenarios. Journal of Cleaner Production, 140: 436-444.
Francisco SR and Ali M. 2006. Resource allocation tradeoffs in Manila’s peri-urban vegetable production systems: An application of multiple objective programming. Agricultural Systems, 87(2): 147-168.
Galán-Martín Á, Pozo C, Guillén-Gosálbez G, Antón Vallejo A and Jiménez Esteller, L. 2015. Multi-stage linear programming model for optimizing cropping plan decisions under the new Common Agricultural Policy. Land Use Policy, 48: 515-524.
GAMS/CONOPT3. 2010. Bagsvaerdvej 246A, DK-2880 Bagsvaerd, Denmark: ARKI Consulting and Development.
Goossens Y, Annaert B, De Tavernier J, Mathijs E, Keulemans W and Geeraerd A. 2017. Life cycle assessment (LCA) for apple orchard production systems including low and high productive years in conventional, integrated and organic farms. Agricultural Systems, 15: 81-93.
Groot JC, Oomen GJ and Rossing WA. 2012. Multi-objective optimization and design of farming systems. Agricultural Systems, 110: 63-77.
Howitt R, Medellin-Azuara J and MacEwan D. 2009. Estimating the economic impacts of agricultural yield related changes for California. Final Paper, A Paper From California Climate Change Center.
Humbert S, De Schryver A, Margni M and Jolliet, O. 2012. IMPACT 2002+: User Guide. Draft for Version Q. 2.
IPCC. 2006. Guidelines for national greenhouse gas inventories. In: Eggleston, H.S., Buendia, L., Miwa, K., Ngara, T., Tanabe, K. (Eds.), Prepared by the National Greenhouse Gas Inventories Programme. IGES, Japan
Iran Statistical Yearbook 1396 (Iranian Year), [2017-2018]. (2018). Publisher: Statistical Centre of Iran.
Jafari M, Asgharipour MR, Ramroudi M, Galavi M and Hadarbadi G. 2018. Sustainability assessment of date and pistachio agricultural systems using energy, emergy and economic approaches. Journal of cleaner production, 193, pp.642-651.
Jones D and Barnes, E M. 2000. Fuzzy composite programming to combine remote sensing and crop models for decision support in precision crop management. Agricultural Systems, 65(3): 137-158.
Karlsson J O and Röös, E. 2019. Resource-efficient use of land and animals—Environmental impacts of food systems based on organic cropping and avoided food-feed competition. Land Use Policy, 85: 63-72.
Khoshnevisan B, Bolandnazar E, Shamshirband S, Shariati H M, Anuar NB and Kiah, M L M. 2015. Decreasing environmental impacts of cropping systems using life cycle assessment (LCA) and multi-objective genetic algorithm. Journal of Cleaner Production, 86: 67-77.
Lewis A and Randall, M. 2017. Solving multi-objective water management problems using evolutionary computation. Journal of Environmental Management, 204: 179-188.
Liang L, Lal R, Ridoutt BG, Du Z, Wang D, Wang L and Zhao G. 2018. Life cycle assessment of China’s agroecosystems. Ecological Indicators, 88: 341-350.
Lundberg L, Jonson E, Lindgren K, Bryngelsson D and Verendel, V. 2015. A cobweb model of land-use competition between food and bioenergy crops. Journal of Economic Dynamics and Control, 53: 1–14.
MacWilliam S, Wismer M and Kulshreshtha, S. 2014. Life cycle and economic assessment of Western Canadian pulse systems: the inclusion of pulses in crop rotations. Agricultural Systems, 123: 43-53.
Manos B, Papathanasiou J, Bournaris T, and Voudouris, K. 2010. A multicriteria model for planning agricultural regions within a context of groundwater rational management. Journal of Environmental Management, 91:1593- 600.
Mardani  Najafabadi MM, Ziaee S, Nikouei A and Borazjani, MA. 2019. Mathematical programming model (MMP) for optimization of regional cropping patterns decisions: A case study. Agricultural Systems, 173: 218-232.
Mosleh Z, Salehi MH, Fasakhodi AA, Jafari A, Mehnatkesh A and Borujeni, IE. 2017. Sustainable allocation of agricultural lands and water resources using suitability analysis and mathematical multi-objective programming. Geoderma, 303: 52-59.
Nemecek T, Dubois D, Huguenin-Elie O and Gaillard, G. 2010. Life cycle assessment of Swiss farming systems: I. Integerated and organic farming. Agriculture Systems, 104: 217-232.
Ness B, Urbel-Piirsalu E, Anderberg S and Olsson, L. 2007. Categorising tools for sustainability assessment. Ecological economics, 60(3): 498-508.
Nie Y, Avraamidou S, Xiao X, Pistikopoulos EN, Li J, Zeng Y and Zhu M. 2019. A Food-Energy-Water Nexus approach for land use optimization. Science of the Total Environment, 659: 7-19.
Pal BB, Moitra BN and Maulik U. 2003. A goal programming procedure for fuzzy multiobjective linear fractional programming problem. Fuzzy Sets System. 139: 395–405.
Pan Y, Yu Z, Holst J and Doluschitz R. 2014. Integrated assessment of cropping patterns under different policy scenarios in Quzhou County, North China Plain. Land Use Policy, 40: 131-139.
Parsapour S, Soltani S and Shahnoushi, N. 2017. 'Sustainable Management of Water Resources Based on Optimizing of Agricultural, Environmental and Economic Factors Using Multi Objective Linear Fractional Programming Approach: Fariman-Torbat Jam Plain. Journal of Agricultural Science and Sustainable Production, 27(1): 147-163. (In Persian).
Pedro-Monzonis M, Jimenez-Fernandez P, Solera A and Jimenez-Gavilan, P. 2016. The use of AQUATOOL DSS applied to the System of Environmental- Economic Accounting for Water SEEAW. Journal of Hydrology, 533: 1–14.
Prechsl UE, Wittwer R, van der Heijden MG, Lüscher G, Jeanneret P and Nemecek, T. 2017. Assessing the environmental impacts of cropping systems and cover crops: Life cycle assessment of FAST, a long-term arable farming field experiment. Agricultural Systems, 157: 39-50.
Qureshi MRN, Singh RK and Hasan, MA. 2018. Decision support model to select crop pattern for sustainable agricultural practices using fuzzy MCDM. Environment, Development and Sustainability, 20(2): 641-659.
Rafiee S, Khoshnevisan B, Mohammadi I, Aghbashlo M, Mousazadeh H and Clark, S. 2016. Sustainability evaluation of pasteurized milk production with a Life Cycle Assessment approach: An Iranian case study. Science of the Total Environment, 562: 614-627.
Sahle A and Potting, J. 2013. Environmental life cycle assessment of Ethiopian rose cultivation. Science of the Total Environment, 443: 163-172.
Sanchis FM and Feijoo-Bello, ML. 2009. Climate Change and Its Marginalizing Effect on Agriculture. Ecological Economics, 68(3): 896-904.
Tichenor NE, van Zanten HH, de Boer IJ, Peters CJ, McCarthy, AC and Griffin TS. 2017. Land use efficiency of beef systems in the Northeastern USA from a food supply perspective. Agricultural Systems, 156: 34-42.
Tramberend S, Fischer G, Bruckner M and van Velthuizen, H. 2019. Our Common Cropland: Quantifying Global Agricultural Land Use from a Consumption Perspective. Ecological Economics, 157: 332-341.
Valiante D, Sirtori I, Cossa S, Corengia L, Pedretti M, Cavallaro L, and Boccardelli, A. 2019. Environmental impact of strawberry production in Italy and Switzerland with different cultivation practices. Science of the Total Environment, 664: 249-261.
West J. 2019. Multi-criteria evolutionary algorithm optimization for horticulture crop management. Agricultural Systems, 173: 469-481.
Xie Y, Xia D, Ji L and Huang, G. 2018. An inexact stochastic-fuzzy optimization model for agricultural water allocation and land resources utilization management under considering effective rainfall. Ecological Indicators, 92: 301-311
Xie YL, Xia DX, Ji L and Huang, GH. 2018. An inexact stochastic-fuzzy optimization model for agricultural water allocation and land resources utilization management under considering effective rainfall. Ecological Indicators, 92: 301-311.
Yamane T. 1967. Elementary Sampling Theory. Englewood Cliks, NJ, USA: Prentice-Hall.
Yue D, Pandya S, You, F. 2016. Integrating hybrid life cycle assessment with multi-objective optimization: a modeling framework, Environmental Science & Technology, 50: 1501-1509.