Comparison Efficiency of DNDC and DAYCENT Models in Sensitivity Analysis of Greenhouse Gases Estimation

Document Type : Research Paper

Authors

Abstract

Abstract
Background and Objective: Emission of greenhouse gases and their effects on global warming is one of the most serious challenges facing developed and developing countries. Examining emissions of greenhouse gases from different countries makes it possible to determine share of countries in greenhouse gas emissions. This article tries to estimate growth rate of methane, oxidantrose and oxidantric gases, as well as the amount of global warming potential in agricultural lands of Khuzestan by using DAYCENT and DNDC models.
 
Materials and Methods: Initially, emissions were measured in rice, wheat, and sugarcane fields using a static chamber, gas chromatography to measure methane and APNA-370 analyzer for nitrous oxide and nitric oxide. DAYCENT and DNDC models were used to estimate and model gas emissions.
 
Results: Based on results data from two models, DAYCENT and DNDC, the highest amount of methane flux modeled at Baghmalek station was 1.369 and 1.094 tonnes of CO2 equivalent per hectare per year, respectively, the highest rate of nitrous oxide modeling at Shushtar station was 0.160 and 0.988 tonnes of CO2 equivalent per hectare per year, respectively. The highest global warming potential was determined based on observational data at Baghmalek station (55.074 tonnes of CO2 equivalent per hectare per year) and based on DAYCENT data at Shush station (68.059 tonnes of CO2 equivalent per hectare per year) and based on DNDC data in Shush station (47.06 tonnes of CO2 equivalent per hectare per year).
 
Conclusion: According to the statistical indicators both models showed acceptable accuracy in estimating greenhouse gases.

Keywords


مقدمه

     افزایش جمعیت و گسترش فعالیت های زیست محیطی، سبب بروز انواعی از چالش‌های محیطـی شده است. افزایش غلظت گازهـای گلخانه‌ای منجر به تغییرات اقلیمی شده که خود اثر مهمی در میـزان تولیـدات کشاورزی در جهان دارد (مرادی مجد و همکاران 2020). از اثرات اقلیم می‌توان به تغییر در فصل رشد گیاهـان زراعـی، تغییـر چرخه زندگی آفات و وقـوع تـنش خشـکی در بسیاری از مناطق دنیا اشاره کرد (روسنزوینگ وتوبیلو، 2007). عـلاوه بـر ایـن، جمـعبندی مدل‍های تجربی مورد بررسی در مورد تغییر اقلیم نشان می‌دهد که اگر میزان افزایش غلظـت گازهـای گلخانه‌ای بـه همـین طریـق افزایش یابد، میـانگین دمـا کـره زمـین در آینده‌ای نزدیـک بـه طـور خطرناکی افزایش پیدا خواهد کرد (آی پی سی سی 2007). برآوردهای اولیه نشان می‌دهند که فعالیت‌های کشاورزی عامل بروز یک چهارم از منابع انتشار گازهای آلاینده در جهان هستند (علیپور و همکاران 2014). منـابع اصلی این گازها سوخت‌های فسـیلی استفادهشده در فعالیت‌های کشاورزی، تلفات کربن خاک به دلیل عملیات خاک ورزی، سـوزاندن بقایای گیاهان زراعی و درختان جنگلی، دامداری و استفاده از کودهای دامی، ساخت و بهره‌برداری از کـود نیتـروژن و کشـت و کـار بـرنج غرقابی است (کوچکی و کمالی، 2010). با توجه به اینکه بسیاری از خاک‌ها بـیش از 100 سال است که در آن‌ها کشت و کار می‌شود، کشاورزی و خاکورزی فشرده باعث کاهش 30 تا 50 درصد کـربن خـاک شـده اسـت. از آنجایی که تولید محصولات زراعی مستقیماً به شـرایط اقلیمـی وابسته است، کشاورزی یکی از اولین بخش‌هایی است که تحت تـأثیر تغییرات اقلیمی قـرار می‌گیرد (سالینگر  2005، موتا و بایر 2005). اگرچـه کشـاورزان قـادر نیستند شرایط اقلیمی را کنترل کنند، ولی تغییر در مدیریت مربوط بـه آبیاری، خاک، رقم محصول، فعالیت‌ها و فناوری‌های مورد اسـتفاده در کشت محصولات زراعی، می‌تواند در کاهش اثرات مضر تغییـر اقلـیم بر نمو، رشد و عملکرد محصولات کشاورزی نقش بسزایی داشته باشد (ازکان و آکئوز 2002). بخش کشاورزی هم به عنوان منبع و هم به عنوان ترسیب کننده چنـد گاز گلخانه‌ای مهم ازجمله متان، اکسید نیتـروس، دی اکسـید کـربن، آمونیاک و اکسید نیتریک مطرح است (مطلبی و همکاران 2009). ایـران درحالی‌که سهم کوچکی از اقتصـاد و جمعیـت جهـان را داراسـت، امـا از نظر انتشار سرانه‌ی گازهـای گلخانه‌ای، رتبـه سی‌ام را در میـان کشورهای جهان داراست (دفتریان 2009). میزان انتشار گازهای گلخانه‌ای بخش کشاورزی ایران از طریق مصـرف کـود )کـود شـیمیایی و حیـوانی(، مدیریت فضولات حیوانی و سوزاندن ضایعات کشاورزی در مزرعه، از بسیاری از کشورهای پیشرفته مانند کانادا، ژاپن، ایتالیا بـالاتر اسـت. مقدار انتشار گازهای آلاینده و گلخانه‌ای از بخش کشاورزی در سال ۱۳۹۰ حدود ۴ هزار و ۱۳۶تن برای گاز اکسـید نیتـروس و ۱۲ میلیون تن برای گاز دی اکسید کربن، گزارش شده است (ترازنامه انرژی 2014). از رایج‌ترین محصولات کشاورزی در کشور ایران می‌توان به گندم، برنج و نیشکر اشاره کرد (مرادی مجد و همکاران 2020).

گندم از مهم‌ترین غلات است که بیش‌ترین مساحت زیر کشت محصولات غذایی را به خود اختصاص داده است. تجارت جهانی گندم به تنهایی از مجموع تمام محصولات کشاورزی دیگر بیشتر است. مسئله دیگر که اهمیت دارد این است که کشت گندم نخستین بار در ایرانمتداول شده است. شهرستان شوش واقع در استان خوزستان با تولید 270 هزار تن گندم همچنان رتبه نخست کشور را در تولید این محصول راهبُردی در اختیار دارد.  برنج نیز از مهم‌ترین غلات و اقلام غذایی جهان و به عنوان عضو‍ی از خانواده غلات پر کاربردترین  ماده غذایی مورد استفاده توسط  بخش قابل‌توجهی از جمعیت  جهان  می‌باشد. کشت برنج در نواحی شمالی استان خوزستان تاریخچه طولانی دارد. هر ساله با آغاز فصل کشت برنج، بیش از ۳ هزار هکتار از شالیزارهای این شهرستان زیر کشت برنج می‌رود. خوزستان پس از گیلان و مازندران با تأمین ۹ درصد برنج کشور، سومین استان کشور از نظر تولید برنج باکیفیت است. طبق شواهد تاریخی سابقه کشت نیشکر در خوزستان به حدود بیش از 2000 سال می‌رسد و نام خوزستان به معنی شکرستان نیز به دلیل اهمیت کشت نیشکر و تولید شکر در اقتصاد این منطقه در زمان‌های گذشته بوده است. نیشکر در بعد اقتصادی و صنعتی کشور فقط در استان خوزستان کشت می‌شود(اشتری و همکاران 2014).

     پژوهش‌های بسیاری در زمینه انتشار گازهای گلخانه‌ای صـورت گرفتـه است. علی پور و همکاران (2014) در پژوهشی ارزیابی هزینه انتشار گاز گلخانه‌ای کربن دی اکسید حاصل از توسعه بخش کشاورزی ایران را انجام دادند. بدین منظور، از مفهوم قیمت سایه‌ای انتشار این آلاینده استفاده شد. نتایج نشان داد که با انتشار کربن دی اکسید از بخش کشاورزی ایران، سالانه به طور میانگین به میزان 1744 میلیارد ریال هزینه ایجاد می‌شود. همچنین، نتایج این ارزیابی نشان داد که میانگین هزینه انتشار هر کیلوگرم از این آلاینده در فاصله این دو دهه افزایش چشمگیری داشته است. کرمی و ربانی (2013) در پژوهشی بررسی تطبیقی تأثیر کشت برنج بر تولید گاز گلخانه‍ای متان را انجام دادند. آنها بر مبنای قابلیت دسترسی به آب، کشت برنج به 4 گروه ( برنج غرقابی، برنج تغذیه با باران، برنج دیم مرتفع و برنج آب‍های عمیق) طبقه بندی کردند. نتیجه گیری شد که با توجه به مقایسه چهار الگوی کشت برنج از نظر میزان گسیل متان، برنج غرقابی (فاریاب) بیشترین مقدار تولید متان و پس از آن برنج دیم و برنج آب‍های عمیق قرار دارد. مرادی و پورقاسمیان (2017) بررسی انتشار گازهای گلخانه‍ای و پتانسیل گرمایش جهانی ناشی از مصرف نهاده‍های شیمیایی در زراعت محصولات مهم استان کرمان (گندم، جو و ذرت) را انجام دادند. نتایج نشان داد که در هـر سـه محصول مورد بررسی میزان انتشار گازهای گلخانه‍ای ناشی از مصرف کود نیتروژن بیشتر از دیگر نهاده‍ها بود. امیرنژاد و همکاران (2019) پیامدهای تغییر اقلیم در کشاورزی و ارتباط آن با شالی کاران در استان مازندران انجام دادند. در این مطالعه سعی شده است تا با تبیین تئوریک طراحی یک مدل در چارچوب رهیافت ریکاردین و با استفاده از تکنیک داده‌های پانل پویا مبتنی بر روش گشتاورهای تعمیم‌یافته، اثر تغییر اقلیم بر تولید برنج مورد بررسی قرار گیرد. نتایج نشان دادند که متغیرهای اقلیمی اثر معنی‌دار و غیرخطی بر تولید هر هکتار دارد. رافی و همکاران (2015) روش واسنجی الگوریتمی مولفه‌های مطلوب را در سطح جهانی برای شناسایی محدودیت مدل  DayCent انجام دادند. در این مطالعه از مدل‌سازی معکوس و مدل برآورد پارامتر (PEST)استفاده شد. با استفاده از داده‌های تولید اکسید نیتروس به عنوان پایه‌ای از واسنجی، نیمی از 140 پارامتر مورد استفاده در این مطالعه متفاوت بودند. نتایج نشان می‌دهد که مطالعات آینده باید دمای جوانه زنی، تعداد روزها و دمای وابسته به رشد گیاه را بهتر نشان دهند. این فرآیندها بسیار حساس است و نمی‌تواند به اندازه کافی توسط داده‌های مورد استفاده در مطالعه بررسی شود. نکپالوا و همکاران (2015) واسنجی و حساسیت سنجی مدل DayCent را از طریق مدل‌سازی معکوس انجام دادند. مدل DayCent عملکرد محصول، کربن خاک، حجم آب خاک، دمای خاک، اکسید نیتروس و اکسید نیتریک  را شبیه‌سازی کرد. مدل‌سازی معکوس به طور قابل‌ملاحظه‌ای خطای مدل را کاهش داد. استینورس و همکاران (2016) از مدل    DayCent  برای محصولات تخصصی کالیفرنیا در COMET-Farm استفاده کردند. محصولات تخصصی مورد بررسی درختان میوه چندساله مانند بادام و هلو، گردو، مرکبات و انگور و محصولات تخصصی سالانه شامل: سبزیجات فصل سرد مانند کاهو و کلم بروکلی، گوجه‌فرنگی و توت‌فرنگی بودند.  DayCentبرای این محصولات این مولفه ها را محاسبه کرد.

     استان خوزستان یکی از مهم‌ترین استان‌های تولید برنج، گندم و نیشکر در کشور است، از این رو میزان انتشار گازهای گلخانه‌ای برای این محصولات زراعی در استان قابل‌توجه به نظر می‌رسد. با توجه به اهمیت کشت‌های مذکور و با نظر به این که با توجه به بررسی های صورت گرفته در ایران مطالعات اندکی در خصوص گازهای گلخانه‌ای صورت گرفته است، همچنین استفاده از انواع مدل‍های رایج و مقایسه کارایی آن‌ها در هر منطقه، نقش مهمی در ارزیابی وضعیت انتشار گازهای گلخانه‌ای خواهد داشت. این پژوهش با هدف مطالعه انتشار گازهای متان به عنوان یکی از گازهای گلخانه‍ای است که باعث گرمایش زمین می‍شود، اکسید نیتروس از این رو که یکی از گازهای گلخانه‍ای مهم بشری اسـت کـه حدود 70 درصد گاز اکسید نیتروس منتشر شده از زیسـت تـوده در جـو زمین، از خاک حاصل می‍شود و اکسید نیتریک که یکی از عوامل بالقوه تخریب لایه ازن، گاز اکسید نیتریک است که تاکنون صدمات جبران ناپذیری را به لایه ازن وارد کرده است. مدل DAYCENT یا مدل نسخه زمان‌بندی روزانهCENTURY ، یک مدل پردازش‌شده شامل زیر مدلی در مرحله تولید گیاهان و زیر مدلی برای پویایی مرحله به مرحله روزانه جریان گاز کمیاب، گردش مواد مغذی، جریان آب و مواد آلی خاک (SOM) است (دلگرسو و همکاران 2001) و DNDC مدل شبیه‌ساز روزانه، مزرعه مقیاس و برای واکنش‌های بیوشیمیایی کربن و نیتروژن در اکوسیستم‍های کشاورزی مورد استفاده قرار گرفته است (لی و همکاران 2006). در نهایت بررسی پتانسیل گرمایش جهانی و هزینه محیط‌زیستی این گازها در بوم‌نظام‌های زراعی استان خوزستان انجام گرفت.

 

مواد و روش‌ها

منطقه مورد مطالعه: ایستگاه‌های مورد بررسی در این پژوهش شامل 4 ایستگاه شوش، باغملک، شوشتر و آبادان است. شوش در شمال غربی اهواز بین ۳۲ درجه و ۲ دقیقه عرض شمالی و ۴۷ درجه و ۱ دقیقه طول شرقی قرارگرفته و مزارع گندم ‌این شهرستان در حدود 62 هزار هکتار است. شهرستان باغملک در فاصله ۱۴۰ کیلومتری اهواز بین‌ ۴۹ و ۳۳ تا ۵۰ و ۱۵ طول‌ شرقی‌ و ۳۱ و ۱۳ تا ۳۱ و ۴۳ عرض‌ شمالی‌ است و هر ساله با آغاز فصل کشت برنج، بیش از ۳ هزار هکتار از شالیزارهای این شهرستان زیر کشت برنج می‌رود. مزارع نیشکر شرکت کشت و صنعت حکیم فارابی، میرزا کوچک خان، امیرکبیر، دعبل خزایی و سلمان فارسی با مساحت تقریبی 62 هزار هکتار در جاده اهواز- آبادان با موقعیت جغرافیایی طول ۴۸ درجه و ۱۷ دقیقه و عرض جغرافیایی ۳۰ درجه و ۲۰ دقیقه و شرکت کشت و صنعت امام خمینی، دهخدا، کارون و هفت‌تپه با مساحت تقریبی 48 هزار هکتار در جاده اهواز- شوشتر بین ۴۸ درجه و ۳۵ دقیقه تا ۴۹ درجه و ۱۲ دقیقه طول شرقی و ۳۱ درجه و ۳۶ دقیقه تا ۳۲ درجه و ۲۶ دقیقه عرض شمالی ‌است.

         نمونه‌برداری از گازهای گلخانه‌ای انتشاریافته از خاک: پژوهش حاضر در قالب نمونه‌گیری تصادفی با دو عامـل نوع کشت و تاریخ اندازه‌گیری بـر میـزان تـصاعد متان، اکسید نیتروس و اکسید نیتریک اجرا شد. جهت اندازه‌گیری گاز متان تولیدشده از سطح خاک، از روش اتاقک بسته و کروماتوگرافی گازی اسـتفاده شـد. در هـر کـشتزار سـه اتاقـک قـرار داده شـد. پس از گذشت سه ساعت از نصب اتاقک‌ها، از درون آن‌ها به کمک سرنگ نمونه‌برداری شد. نمونه‌ها بلافاصـله برای قرائت میزان گاز متان به آزمایشگاه منتقل و توسط دستگاه گـاز کرومـاتوگراف (GC) مدل UNICAM سری۶۱۰ مجهز بـه حـسگرهای ECD و FID اندازه‌گیری شد. این دستگاه مقدار پی‍پی‌ام حجمی گاز را قرائت کرد. با دخالت حجم اتاقک و مدت زمان نصب اتاقک‌ها در نهایت مقدار تصاعد گازها، بر اساس میزان تصاعد گاز مورد نظر بر حسب جـرم از واحد سطح در واحد زمان محاسـبه شد. جهت اندازه‌گیری گازهای اکسیدنیتروس و اکسیدنیتریک از اندازه‌گیری اکسیدهای نیتروژن در دستگاه آنالایزر مدل APNA-370استفاده شد. این آنالایزر غلظت اکسیدهای نیتروژن را در هوای محیطی اندازه‌گیری می‌کند. در طول دوره تحقیق پنج نمونه‌برداری از باغات مرکبات دزفول و نخلستان‌های آبادان در سه تکرار انجام شد. این مقادیر به دست آمده به کل سال تعمیم داده شدند.

مدلDAYCENT:  این مدل نسخه زمان‌بندی روزانه CENTURY ، یک مدل بوم‌نظام‌های پردازش‌شده برای شبیه‌سازی پویایی کربن، نیتروژن ، فسفر ، پتاسیم و گوگرد در سیستم‍های خاک-گیاه است (پارتون و همکاران  1998 ؛ دل گروسو و همکاران  2001). این مدل در ابتدا در دهه 1970 به منظور شبیه‌سازی تغییرات مواد آلی خاک (SOM)، بهره‌وری گیاهان، دسترسی به مواد مغذی و دیگر پارامترهای اکوسیستم در پاسخ به تغییر در مدیریت زمین و آب و هوا به طور گسترده‌ای مورد استفاده قرار گرفت و نشان داد که جهت شبیه‌سازی رشد گیاه و تغییرات مواد آلی خاک برای اکثر اکوسیستم های زمینی در سراسر جهان قابل استفاده است. افزایش توجه به انجام تجزیه و تحلیل گازهای گلخانه‌ای، به توسعه DAYCENT  در سال 1994 منجر شد. مدل DAYCENT شامل زیر مدلی در مرحله تولید گیاهان و زیر مدلی برای پویایی مرحله به مرحله روزانه جریان گاز کمیاب، گردش مواد مغذی، جریان آب و مواد آلی خاک (SOM) است. برنامه مدل DAYCENTدر زبان برنامه‌نویسی  FORTRAN و C نوشته‌شده و می‌تواند از پنجره DOS یا یک پلت فرم لینوکس استفاده شود.DAYCENT  شامل تعدادی از پوشه‍های پارامتری، پوشه برنامه، پوشه وضعیت آب و هوا و بسیاری از فایل‍های خروجی است. پوشه‌های پارامتر ورودی با یک پسوند ".100" استفاده می‌شود. پوشه‌های پارامتر ورودی منحصر به DAYCENT دارای قالب".in"  است. پوشه‌های آب و هوای روزانه دارای پسوند ".wth" هستند. همه پوشه‌های پارامتر ورودی (* .100، * .in، *.dat)، پوشه‌های هواشناسی (*.wth) و پوشه برنامه (*.sch) پوشه‌های متنی هستند که می‌توانند با هر ویرایشگر متن به روز شوند. پوشه‍های باینری خروجی با".bin" ، ".out" و ".csv" هستند. برنامه List100  برای استخراج مقادیر از پوشه باینری استفاده می‌شود و آن‌ها را به یک پوشه متنی با پسوند«.lis»  ارسال می‍کند (هارتمن و همکاران، 2016). ورودی‌های مدل DAYCENTشامل بارش روزانه مشاهده‌شده و بیشینه و کمینه دمای روزانه؛ ورودی متغیرهای خاک شامل بافت، چگالی تراکم، ضخامت، ظرفیت مزرعه، نقطه پژمردگی، pH، هیدرولیک اشباع‌شده و رسانایی برای 14 لایه خاک می‌باشد. این مدل با استفاده از داده‌های مشاهده‌شده مربوط به تولید گیاهان، ماده آلی خاک، گردش مواد مغذی و گازهای کمیاب اعتبارسنجی شده است (هارتمن و همکاران 2011). برنامه نوشته شده در محیطDAYCENT جهت کشت گندم در معادله (1)، برنج در معادله (2) و نیشکر در معادله (3) آورده شده است.

 

(رابطه 1)

1 279 CULT P   1 303 CULT S   1 304 FERT 5N   1 314 PLTM   1 354 FERT 5N   1 19 FERT 5N   1 49 FERT 5N   1 93 LAST 

(رابطه 2)

1 141 OMAD M2  1 150 CULT P   1 154 CULT H   1 155 FERT 5N   1 170 IRRI A100  1 172 PLTM   1 173 OMAD M1  1 177 IRRI A0  1 203 FERT 5N  1 314 LAST

(رابطه 3)

1 50 CULT P   1 98 FERT 3N  1 129 FERT 4N  1 180 FERT 3N   1 206 PLTM   1 211 IRRI A60  1 254 IRRI A0  1 284 LAST

 


مدل DNDC: یک مدل شبیه‌ساز روزانه[1]، مزرعه مقیاس[2]، و قابلیت استفاده در زمینه تجزیه[3] و دنیتریفیکاسیون[4] است (لی و همکاران 1992) و برای واکنش‌های بیوشیمیایی کربن و نیتروژن در اکوسیستم‍های کشاورزی مورد استفاده قرارگرفته است. DNDC دارای چهار زیر مدل شامل: 1-زیر مدل اقلیم- خاک (مجموع دمای ساعتی و روزانه خاک و رطوبت در یک بعد) 2- زیر مدل رویش محصول (مجموع شبیه‌سازی تجمع زیست توده محصول و تقسیم‌بندی آن) 3- زیر مدل تجزیه (تجزیه، نیتریفیکاسیون تبخیر NH3  و تولید CO2)4- زیرمدل دنیتریفیکاسیون (ردیابی کاهش بیوشیمیایی متوالی ازNO3  تاNO2- ،NO ،N2O  وN2) می‌باشد (لی و همکاران 1992: لی 2000:  آبدالا و همکاران 2010). مدل دارای دو حالت قابل شبیه‌سازی 1- حالت محلی [5]2- حالت منطقه‌ای[6] است. در حالت محلی ورودی‌های مدل در سه دسته تقسیم می‌شوند 1- ورودی‌های اقلیم 2- ورودی‌های خاک 3- ورودی‌های مدیریت زراعی. مدل در دو بخش گیاه و خاک امکان واسنجی دارد. برای واسنجی مدل در این منطقه مقادیر خصوصیات فیزیکی خاک شامل وزن مخصوص ظاهری، وزن مخصوص حقیقی، درصد تخلخل، ظرفیت مزرعه، نقطه پژمردگی و قابلیت نفوذ آب در خاک تعیین شد و مدل با استفاده از این داده‌ها واسنجی گردید. در بخش گیاه مدل جهت نسبت C/N اجزای مختلف گیاه و مقدار محصول بهینه منطقه واسنجی شد. با استفاده از داده‌های ورودی مدل DNDC v.9.5 در حال حاضر استفاده شده است.

 

محاسبه پتانسیل گرمایش جهانیGWP: محاسبه پتانسیل گرمایش جهانی بر اساس گزارش‌های روبرتسون و همکاران (2000) و تیلن و همکاران (2010) انجام شد. به‍منظور محاسبه این شاخص، میزان انتشار متان، اکسید نیتروس و اکسید نیتریک محاسبه‌شده بـرای محصول در نظر گرفته شـد. اثـر هـر کـدام از گازهـا بـر گرمـایش زمـین متفـاوت است، به طوری که هر واحد متان،  اکسیدنیتروس و اکسیدنیتریک به ترتیب حـدود 21 ،310 و 298 برابر دی‍اکسیدکربن در گرمایش زمین نقش دارند (آی پی سی سی 2007). بنابراین، واحد این شاخص به صورت معادل دی‍اکسیدکـربن بیان گردید. برای این منظور، میزان گاز اکسید نیتروس با ضریب310 و متان با ضریب 21 و اکسید نیتریک 298 در محاسبات وارد شد. در نهایت میزان پتانسیل گرمایش جهانی بر اساس معـادله4 محاسبه شد.

 

(رابطه 4)

   GWP= (N2O FLUX ×310)+(NO FLUX ×298)+ (CH4 FLUX×21)  

 

     در این معادله، :GWP پتانسیل گرمایش جهانی (کیلوگرم معادل دی‍اکسیدکربن در هکتار)، N2O FLUX: انتشـار اکسید نیتروس، NO FLUX: انتشـار اکسـید نیتـریک و CH4 FLUX : انتشار متان می‍باشند.

 

شاخص‌های آماری: به منظور ارزیابی دقت مدل‌سازی، از شاخص‌های آماری خطای حداکثر، ریشه­ی میانگین مربعات خطا، ضریب تعیین، کارایی مدل و ضریب جرم باقیمانده استفاده شد. برای بررسی تفاوت بین مقادیر مشاهده‌شده و پیش‌بینی‌شده از ضریبی به نام ضریب تبیین R2 استفاده می‌شود (اورت و همکاران 2005). در علم آمار این ضریب به دو صورت تعریف می‌شود. تعریف اول عبارت است از  و تعریف دیگر   R2 =  است. در بررسی کمی مدل‌ها شاخص CD در حقیقت معکوس تعریف دوم و شاخص EF همان تعریف اول از R2 است. تعریف اول همواره بین صفر و یک تغییر می‌کند و تعریف دوم، می‌تواند از 1 بزرگ‌تر شود. مقادیر بالای ME نشانگر بدترین پیش‌بینی مدل است. مقادیر RMSE بالا نشان می‌دهد که چه مقدار پیش­بینی­ها دست پایین یا دست بالا بوده‌اند و به طور کلی میزان خطای مدل را در برآورد داده­ها عنوان می­کند (دشتکی و همکاران 2010) در این پژوهش برای محاسبه RMSE از روش نزدیک‌ترین همسایه مارکواردت (Marquardt, 1963) استفاده شد. مقادیر CD نیز معرف نسبت بین پراکندگی مقادیر پیش‌بینی‌شده و مقادیر اندازه­گیری شده است. حد پایینی ME، RMSE و CD صفر است. مقایسه­ی بین مقادیر اندازه­گیری شده و متوسط مقادیر مشاهده‌شده توسط شاخص EF انجام می­گیرد. هر چه این شاخص به یک نزدیک‌تر باشد مدل پیش‌بینی بهتری داشته است. شاخص CRM میل مدل به پیش برآوردی و کم برآوردی را نشان می­دهد (خداوردی لو و همکاران 2011). میزان CRM منفی یعنی مدل مقادیر را بیشتر و CRM مثبت یعنی مدل داده‌ها را کمتر از داده­های مشاهده‌شده پیش‌بینی کرده است. اگر مقادیر مشاهده‌شده و پیش‌بینی‌شده مدل برابر باشند، ME = 0، RMSE = 0، CD = 1،  EF = 1 و CRM = 0 است. تفسیر ریاضی شاخص‌های آماری بالا به صورت زیر است ( همایی و همکاران 2002: کوتگودا و روسو 2008).

(رابطه 5)

 

(رابطه 6)

 

(رابطه 7)

 

(رابطه 8)

 

(رابطه 9)

              

 

که در روابط فـوق، Pi مقـادیر شبیه‌سازی شـده، Qi مقـادیر اندازه‌گیری شده و n تعداد نمونه‌های به‌کاررفته است.

 

نتایج و بحث

      نتایج حاصل از مدل‌سازی گازهای متان، اکسید نیتروس و اکسید نیتریک بر اساس دو مدل DAYCENT و DNDC در جدول 1 آورده شده است. نتایج نشان داد که برای گاز متان اندازه‌گیری شده بیش‌ترین مقدار در ایستگاه باغملک و کمترین مقدار در ایستگاه‌های شوشتر و آبادان بود. درمورد گاز اکسید نیتروس نیز بیش‌ترین و کمترین مقدار به ترتیب مربوط به ایستگاه‌های شوشتر و باغملک مشاهده گردید. در مورد گاز اکسید نیتریک نیز بیش‌ترین و کمترین شار به ترتیب مربوط به ایستگاه شوش و شوشتر بود.

      با در نظر گرفتن الگوی نرخ شار گاز در چهار ایستگاه، میزان تصاعد سالانه بر اساس نمونه‌های مشاهداتی محاسبه شد. بیش‌ترین نرخ تصاعد متان مدل شده از ایستگاه باغملک (11/2 تن در هکتار در سال)، بیش‌ترین نرخ شار اکسیدنیتروس مدل شده ایستگاه شوش (104/0 تن در هکتار در سال) و بیش‌ترین شار اکسید نیتریک مدل شده ایستگاه شوش(058/0 تن در هکتار در سال) تعیین شد. کمترین نرخ تصاعد متان مدل شده از ایستگاه‌های شوشتر و آبادان، (007/0 تن در هکتار در سال) کمترین نرخ شار اکسیدنیتروس مدل شده ایستگاه باغملک، (003/0 تن در هکتار در سال) و کمترین شار اکسیدنیتریک مدل شده ایستگاه شوشتر و باغملک (033/0 تن در هکتار در سال) به دست آمد.

     نتایج مدل‌سازی مدل DAYCENT، در هر چهار ایستگاه نشان داد که بیش‌ترین میزان شار متان مدل شده در ایستگاه باغملک (369/1 تن در هکتار در سال)، بیش‌ترین میزان تصاعد اکسیدنیتروس مدل شده در ایستگاه شوشتر(160/0 تن در هکتار در سال) و همچنین بیش‌ترین شار اکسیدنیتریک مدل شده در ایستگاه شوش (111/0 تن در هکتار در سال) به دست آمد. کمترین میزان شار متان مدل شده ایستگاه‌های شوشتر و آبادان، (002/0 تن در هکتار در سال) ، کمترین میزان تصاعد اکسیدنیتروس مدل شده در ایستگاه باغملک، (010/0 تن در هکتار در سال) و همچنین کمترین شار اکسیدنیتریک مدل شده در ایستگاه شوشتر (004/0 تن در هکتار در سال) تعیین شد.

      نرخ شار گازهای متان، اکسید نیتروس و اکسید نیتریک توسط مدلDNDC نیز در چهار ایستگاه در سال شبیه‌سازی شد. بیش‌ترین نرخ تصاعد متان مدل شده از ایستگاه باغملک، (014/1 تن در هکتار در سال)، بیش‌ترین نرخ شار اکسید نیتروس مدل شده ایستگاه شوشتر، (098/0 تن در هکتار در سال) و بیش‌ترین شار اکسیدنیتریک مدل شده ایستگاه شوش (081/0 تن در هکتار در سال) تعیین شد. کمترین نرخ تصاعد متان مدل شده از ایستگاه‌های شوشتر و آبادان، (001/0 تن در هکتار در سال) کمترین نرخ شار اکسیدنیتروس مدل شده ایستگاه باغملک، (00/0 تن در هکتار در سال) و کمترین شار اکسیدنیتریک مدل شده ایستگاه شوشتر و آبادان (003/0 تن در هکتار در سال) به دست آمد (جدول1).

       مقایسه بین دو مدل نشان داد که شار گاز متان در هر دو مدل کمتر از مقدار اندازه‌گیری شده به دست آمده است، درحالی‌که تصاعد گاز اکسید نیتروس در مدل DAYCENT بیشتر و در مدل DNDCکمتر از مقدار اندازه‌گیری شده برآورد شد. همچنین شار گاز اکسید نیتریک فقط در ایستگاه شوش در دو مدل بیشتر از مقدار اندازه‌گیری شده به دست آمد، ولی در بقیه ایستگاه‌ها در هر دو مدل کمتر از میزان اندازه‌گیری شده تعیین شد.

 

 

جدول 1- میانگین شار گازهایمتان، اکسید نیتروس و اکسید نیتریک (تن در هکتار در سال) در ایستگاه‌های مورد نظر

اندازه‌گیری شده

DNDC

DAYCENT

ایستگاه

شار گاز

2.110

1.014

1.369

باغملک

متان

0.248

0.088

0.101

شوش

0.007

0.001

0.002

شوشتر

0.007

0.001

0.002

آبادان

0.003

0.000

0.010

باغملک

اکسید نیتروس

0.104

0.068

0.106

شوش

0.102

0.098

0.160

شوشتر

0.095

0.077

0.120

آبادان

0.033

0.003

0.010

باغملک

اکسید نیتریک

0.058

0.081

0.111

شوش

0.033

0.003

0.004

شوشتر

0.036

0.003

0.006

آبادان

 

 

 

عوامل متعددی بر روی میزان انتشار یک گاز در محیط کشاورزی اثر گذار است و برآورد مدل نیز به تبع آن تغییر می کند، بگام و همکاران (2018) نیز به این نتیجه رسیدند که انتشار گاز متان در زمین های مختلف و در فصول رشد مختلف متفاوت است و مدل DAYCENT برآوردی مناسبی از انتشار گاز متان داشته است. در پژوهش حاضر نیز شار گازهای مورد بررسی زمین‍های مختلف و با مراحل رشد متفاوت اندازه‍گیری شد که مدل DAYCENT این نکته را به خوبی نشان داد. در پژوهش شفرد و همکاران (2019 ) نتایج نشان داد که تفاوت در تصاعد گاز به عملکرد محصول، کودهای اعمال شده، آمونیوم خاک و نیترات در خاک و آب و رطوبت خاک بستگی دارد. همچنین در این تحقیق این تفاوت ها به دلیل محصول و سیتم آبیاری متفاوت (دیم در گندمزار، غرقآبی در شالیزار و آبیاری مکانیزه در کشت نیشکر) است. زلقی و  لندی(2008) نیز به این نتیجه مشابه رسیدند که اختلاف بین مزارع از نظر تصاعد گاز متان می‍تواند با وضعیت هوازی بودن این خاک‍ها مرتبط باشد. در مزرعه برنج با آبیاری غرقابی شرایط بی‍هوازی طی مدت زمان طولانی و در مکان‍هـای زیـادی از خـاک مشاهده می‍شود و بر میزان تصاعد متان افزوده می‍شود. در حالیکه در مزارع دیگر شرایط هوازی غالـب اسـت و میزان تصاعد متان کمتر است. بخت فیروز و همکاران (2010) نیز در پژوهش خود به این نتیجه رسیدند مدیریت آب نقش مهمی در کاهش انتشار متان از شالیزارهای برنج دارد. همچنین این محققان نیز اشاره دارند که در حالت غرقابی، اکسید نیتروس قابل کشف نیست و بیشترین مقدار اکسید نیتروس از خاک‍های شالیزاری دارای مواد آلی نسبتا زیاد انتشار یافته است. در این پژوهش نیز به نتایج مشابه دست یافتیم.

       به منظور ارزیابی دقت مدل‌های DAYCENT و DNDC از شاخص‌های آماری مختلفی استفاده شد. در جدول 2 نتایج شاخص‌های آماری مورد استفاده به تفکیک سه گاز اکسید نیتروس، متان و اکسید نیتریک آورده شده است. نتایج جدول 2 نشان داد که بر اساس شاخص­های آماری مدل DAYCENT، ضریب تعیین (R2) متان بیش‌ترین دقت را داشته است. با این وجود هر سه گاز دامنه دقتی مناسب و بالاتر از 50/0 را دارند. بر اساس شاخص آماری DNDC ضریب تعیین (R2) اکسید نیتروس و متان بیش‌ترین دقت را داشته با این وجود هر سه گاز دامنه دقتی مناسب و بالاتر از 50/0 را دارند. ضریب تعیین متان در مدل DAYCENT بالاتر می‌باشد در حال که اکسید نیتروس در هر دو برابر و ضریب تعیین اکسید نیتریک در مدل DNDC بالاتر تعیین شد.

شاخص RPD (نسبت انحراف کارایی) مدل DAYCENT نشان داد که برای اکسید نیتروس، مقدار 6/2 است ولی در تمامی در دامنه دقتی مناسب قرار دارند. شاخص RPD مدل DNDC نشان داد که برای اکسید نیتروس، مقدار 1/5 در دامنه دقتی مناسب و اکسید نیتریک با مقدار13/1 در دامنه دقتی قابل‌قبول و برای متان با مقدار 87/0 در دامنه دقتی ضعیف تعیین شد. بر اساس شاخص آماری SD (انحراف معیار) مدل DAYCENT در متان با 54/0 بیش‌ترین مقدار و در اکسید نیتریک با میزان 06/0کمترین مقدار تعیین شد. بر اساس شاخص آماری SD مدل DNDC در متان با 68/4 و اکسید نیتریک با 53/2 جزء داده‌های پرت و در اکسید نیتریک با میزان 08/1 کمترین مقدار تعیین شد. در شاخصCRM (ضریب جرم باقیمانده) مدل DAYCENT برای اکسیدنیتروس با 31/0 بیش‌ترین مقدار و در اکسیدنیتریک با میزان 22/0کمترین مقدار به دست آمد. CRM در این مدل در تمامی در دامنه دقتی مناسب و نشان‌دهنده کم برآوردی مدل است. در شاخص  CRMمدل DNDC برای متان با 49/0 بیش‌ترین مقدار و در اکسید نیتروس با میزان 14/0کمترین مقدار به دست آمد. CRM در تمامی در دامنه دقتی مناسب و نشان‌دهنده کم برآوردی مدل است.

بر اساس شاخص آماری  EF (کارایی مدل) مدل DAYCENT در تمامی موارد مورد بررسی در تمامی در دامنه دقتی مناسب تعیین شد. از این میان اکسید نیتروس با میزان 62/0 مناسب‌ترین مقدار را نشان داد. شاخص آماری  EF مدل DNDC در تمامی موارد مورد بررسی در تمامی در دامنه دقتی مناسب به دست آمد. در حال که متان با میزان 68/0 مناسب‌ترین مقدار را نشان داد. بر اساس شاخص آماری  CD(ضریب تبیین) مدل DAYCENT اکسید نیتروس با میزان 44/0مناسب‌ترین مقدار تعیین شد. طبق  CDبیش‌ترین پراکندگی مربوط به گاز متان به دست آمد. همچنین بر اساس شاخص آماری  CDمدل DNDC در تمامی موارد بالاتر از حد مناسب است. طبق  CDبیش‌ترین پراکندگی مربوط به گاز متان تعیین شد.

      در مدل DAYCENT در تمامی موارد مقدار RMSE قابل‌قبول و از میانگین مقادیر واقعی کمتر به دست آمد. در گاز متان با مقادیر 31/0 دارای بیش‌ترین مقدار و در اکسیدنیتریک با میزان 03/0کمترین مقدار تعیین شد. در همه موارد این آماره زیر یک بوده و در دامنه دقتی مناسب به دست آمد. در مدل DNDC نیز در تمامی موارد مقدار RMSE قابل‌قبول و از میانگین مقادیر واقعی کمتر تعیین شد. در گاز متان با مقادیر 45/0 دارای بیش‌ترین مقدار و در اکسید نیتروس با میزان 01/0کمترین مقدار به دست آمد. در همه موارد این آماره زیر یک بوده و در دامنه دقتی مناسب تعیین شد. مقدار ME (خطای ماکسیمم) در مدل DAYCENT در متان با 74/0بیش‌ترین مقدار و در اکسید نیتریک با میزان 05/0کمترین مقدار (بدترین حالت) تعیین شد. در حال که مقدارME در مدل DNDC در متان با 96/1بیش‌ترین مقدار و در اکسیدنیتروس با میزان 03/0کمترین مقدار (بدترین حالت) تعیین شد.

در مجموع کلی بر اساس R2  مدل DNDCدقت بیشتری را نشان می‌دهد. نسبت انحراف کارایی نیز نشان‌دهنده دقت بیشتر در سنجش گاز اکسید نیتروس در این مدل می‌باشد. همچنین در این مدل انحراف معیار دقت بیشتری را نشان می‌دهد. ضریب جرم باقیمانده به جز در مورد مقدار گاز اکسید نیتروس در مدل DAYCENT دقت بیشتری دارد. ضریب تبیین نیز در مدل DAYCENT با دقت بالاتر تعیین شد. در حالی که خطای بیشینه نشان‌دهنده دقت بالاتر مدل DNDC می‌باشد. شکل های 1 تا 6 مقایسه مقادیر اندازه‌گیری و  برآورد شده گازهای متان، اکسید نیتروس و اکسید نیتریک بر مبنای دو مدل­   مورد استفاده را نشان می دهد

 

 

جدول2- شاخص‌های آماری برآورد سه گاز اکسید نیتروس ، متان و اکسید نیتریک بر مبنای دو مدل­DAYCENT و DNDC

ME

RMSE

CD

EF

CRM

SD

RPD

R2

گاز

مدل

121/0

055/0

44/0

62/0

36/0

1/0

5/2

98/0

اکسید نیتروس

DAYCENT

741/0

31/0

45/2

85/0

34/0

54/0

7/1

99/0

متان

053/0

03/0

45/1

76/0

22/0

07/0

8/1

77/0

اکسید نیتریک

036/0

02/0

07/1

95/0

15/0

09/0

1/5

98/0

اکسید نیتروس

DNDC

096/1

45/0

68/4

68/0

49/0

40/0

9/0

98/0

متان

076/0

04/0

53/2

63/0

40/0

05/0

1/1

8/0

اکسید نیتریک

 

 

 

 

شکل 1- مقایسه مقادیر اندازه‌گیری و  برآورد شده گاز اکسید نیتروس بر مبنای مدل­DAYCENT

 

شکل2- مقایسه مقادیر اندازه‌گیری و برآورد شده گاز متان بر مبنای مدل­DAYCENT

 

 

 

شکل 3- مقایسه مقادیر اندازه‌گیری و  برآورد شده اکسید نیتریک بر مبنای مدل­DAYCENT

 

شکل 4- مقایسه مقادیر اندازه‌گیری و  برآورد شده گاز اکسید نیتروس بر مبنای مدل­ DNDC

 

 

 

شکل 5- مقایسه مقادیر اندازه‌گیری و  برآورد شده گاز متان بر مبنای مدل­ DNDC

 

 

شکل 6- مقایسه مقادیر اندازه‌گیری و  برآورد شده گاز اکسیدنیتریک بر مبنای مدل­ DNDC

 


نتایج حاصل از پتانسیل گرمایش جهانی (GWP): نتایج به دست آمده از محاسبات ضریب پتانسیل گرمایش جهانی (جدول 3) متان، اکسیدنیتروس و اکسیدنیتریک نشان داد که بیش‌ترین پتانسیل گرمایش جهانی بر اساس داده‌های مشاهداتی074/55  تن معادل دی اکسید کربن و کمترین پتانسیل گرمایش جهانی بر اساس داده‌های DNDC 188/22تن معادل دی اکسید کربن از هر هکتار هر دو در ایستگاه باغملک تعیین شد. همچنین بیش‌ترین پتانسیل گرمایش جهانی در ایستگاه شوش بر اساس داده‌های DAYCENT، 059/68 تن معادل دی اکسید کربن و کمترین پتانسیل گرمایش جهانی بر اساس داده‌های DNDC، 066/47 تن معادل دی اکسید کربن از هر هکتار به دست آمد. در ایستگاه شوشتر نیز، بیش‌ترین پتانسیل گرمایش جهانی در بر اساس داده‌های DAYCENT، 834/50 تن معادل دی اکسید کربن و کمترین پتانسیل گرمایش جهانی در این ایستگاه بر اساس داده‌های DNDC 295/31 تن معادل دی اکسید کربن از هر هکتار تعیین شد. در نهایت بیش‌ترین پتانسیل گرمایش جهانی در ایستگاه آبادان بر اساس داده‌های مشاهداتی325/40 تن معادل دی اکسید کربن و کمترین پتانسیل گرمایش جهانی در این ایستگاه بر اساس داده‌های DNDC785/24 تن معادل دی اکسید کربن از هر هکتار به دست آمد. همچنین بیش‌ترین میزان پتانسیل گرمایش جهانی بر اساس داده‌های DAYCENT  در ایستگاه شوش (059/68 تن معادل دی اکسید کربن) و کمترین میزان پتانسیل گرمایش جهانی بر اساس داده‌های DNDC در ایستگاه باغملک (188/22 تن معادل دی اکسید کربن) تعیین گردید.

      در جمع‍بندی کلی همانطور که در جدول 3 نشان داده شده است، بیش‌ترین سهم پتانسیل گرمایش جهانی از تصاعد گاز اکسید نیتروس، به دلیل استفاده بی رویه از کودهای شیمیایی و ضریب بالای این گاز در میزان پتانسیل گرمایش جهانی می باشد. گرمای زیاد و بالا بودن سطح آب های زیرزمینی در استان خوزستان نیز باعث تصاعد بیشتر گازها می شود. همینطور مطابق با نتایج تحقیق دلگرسو و همکاران (2005) و (2008) نشان داده شد که نرخ شار گاز با فاکتور تنش آبی، همبستگی قوی‍ دارد. در این تحقیق نیز با افزایش میزان بارش ها تصاعد گازها بیشتر و در نتیجه میزان پتانسیل گرمایش جهانی افزایش یافت. در حالی که با کاهش میزان بارش ها تصاعد گازها کمتر و در نتیجه میزان پتانسیل گرمایش جهانی کاهش پیدا کرد.

 

 

جدول 3- پتانسیل گرمایش جهانی سه گاز مورد نظر در ایستگاه‌های مورد مطالعه بر اساس داده‌های مشاهداتی،

 DAYCENT و DNDC

DNDC

DAYCENT

داده‌های مشاهداتی

ایستگاه

متغیر

پتانسیل گرمایش جهانی GWP

محاسبه‌شده در ضریب GWP

پتانسیل گرمایش جهانی GWP

محاسبه‌شده در ضریب GWP

پتانسیل گرمایش جهانی GWP

محاسبه‌شده در ضریب GWP

188/22

294/21

829/34

749/28

074/55

31/44

باغملک

 

شار متان

0

1/3

93/0

شار اکسید نیتروس

894/0

98/2

834/9

شار اکسید نیتریک

066/47

848/1

059/68

121/2

732/54

208/5

شوش

شار متان

08/21

86/32

24/32

شار اکسید نیتروس

138/24

078/33

284/17

شار اکسید نیتریک

295/31

021/0

834/50

042/0

601/41

147/0

شوشتر

شار متان

38/30

6/49

62/31

شار اکسید نیتروس

894/0

192/1

834/9

شار اکسید نیتریک

785/24

021/0

03/39

042/0

325/40

147/0

آبادان

شار متان

87/23

2/37

45/29

شار اکسید نیتروس

894/0

788/1

728/10

شار اکسید نیتریک

 

 

        در ایـن پژوهش بـرای بـرآورد هزینه‌ی محیط‌زیستی انتشار گازهای متان، اکسید نیتروس و اکسید نیتریک از مزارع مورد بررسی از مطالعات گذشته (قربانی و مطلبی 2009: جمالی پور و همکاران 2015) استفاده شده اسـت. در واقع قیمـت سایه‌ای گازهای گلخانه‌ای متان، اکسید نیتروس و اکسید نیتریک با به‌روزرسانی آن، بـه ترتیـب معـادل 09/11661-، 30299- و 5/2994 - ریال، تعیین گردید (جدول4).

       بر اساس میانگین خروجی، هزینه انتشار محیط‌زیستی سه گاز مورد نظر بر اساس سه روش مشاهداتی، DAYCENT و DNDC در شالیزارهای باغملک بیشتر از بقیه مزارع مورد بررسی می‌باشد، بعد از آن به ترتیب گندمزارهای شوش، کشت و صنعت‌های شوشتر و آبادان قرار می‌گیرند. بیش‌ترین هزینه زیست‌محیطی بر اساس داده‌های مشاهداتی در ایستگاه باغملک و کمترین هزینه زیست‌محیطی بر اساس داده‌های DNDC در ایستگاه آبادان به دست آمد. بیش‌ترین سـهم از هزینه‌ی انتشـار گـاز گلخانه‌ای در ایستگاه باغملک از انتشار گاز متان به دست آمد، زیرا متان به وسیله باکتری‍های متانوژنیک و از تجزیه بی‍هوازی شلتوک‍های برنج شناور در آب به وسیله ارگانیزم‌های میکروسکوپی که دی اکسید کربن را تنفس می‍کنند، تولید می‍شود. در حالی که، در ایستگاه شوش، شوشتر و آبادان بیش‌ترین هزینه زیست‌محیطی از تصاعد گاز اکسید نیتروس تعیین شد. شار زیاد این دو گاز از مزارع از اثرات مصرف بی رویه کودهای شیمیایی می‌باشد. متأسفانه در سال‌های اخیر تولیدکنندگان محصولات کشاورزی در کشور به جای بهره‌گیری از دانش روز کشاورزی برای تولید بیشتر، مصرف کودهای شیمیایی را در واحد سطح افزایش داده‌اند.

 

 

جدول 4- هزینه محیط‌زیستی سه گاز مورد نظر از اراضی زراعی

DNDC

DAYCENT

داده‌های مشاهداتی

ایستگاه

متغیر

118243452

159640322

246048999

باغملک

شار متان

1026175

1177770

2891950

شوش

11661

23322

81627

شوشتر

11661

23322

81627

آبادان

0

30299

90897

باغملک

شار اکسید نیتروس

2060332

3211694

3151096

شوش

2969302

6847840

3090498

شوشتر

2333023

3635880

2878405

آبادان

10835

69945

98818

باغملک

شار اکسید نیتریک

2425545

3323895

1736810

شوش

10835

11978

98818

شوشتر

10835

17967

107802

آبادان

118254287

159740566

246238714

باغملک

مجموع هزینه‌ها

در هکتار

5512052

7713359

7779856

شوش

2991798

6883140

3270943

شوشتر

2355519

3677169

3067834

آبادان

 

 


نتیجه‌گیری کلی

      در این پژوهش انتشار گازهای متان، نیتروس اکسید و نیتریک اکسید در اراضی زراعی برنج، گندم و نیشکر خوزستان با استفاده از دو مدل DAYCENT و   DNDC برآورد شد و سپس میزان پتانسیل گرمایش جهانی بر اساس داده‌های مشاهداتی، نتایج مدل DAYCENT وDNDC و هزینه انتشار زیست‌محیطی انتشار گازهای متان، اکسید نیتروس و اکسید نیتریک در چهار ایستگاه به دست آمد. بر اساس نتایج مقایسه سه روش استفاده‌شده، بیش‌ترین میزان تصاعد متان در ایستگاه باغملک (برنج)، بیش‌ترین میزان تصاعد اکسید نیتروس در ایستگاه شوشتر (نیشکر) بیش‌ترین میزان شار گاز اکسید نیتریک از ایستگاه شوش (گندم) به دست آمد. در ادامه بیش‌ترین ضریب پتانسیل گرمایش جهانی  از ایستگاه شوش (گندم) و کم‍ترین از ایستگاه باغملک (برنج) به دست آمد. نشان داده شد بیش‌ترین سهم پتانسیل گرمایش جهانی از تصاعد گاز اکسید نیتروس و کمترین از شار گاز متان می‌باشد. هزینه انتشار محیط‌زیستی نیز نشان‌دهنده بیش‌ترین سـهم از تصاعد گاز اکسید نیتروس در اراضی کشت گندم و نیشکر و متان در مزارع برنج بود. در نهایت، بر اساس شاخص‌های آماری، سه گاز گلخانه‌ای اکسید نیتروس، متان و اکسید نیتریک در دو روش DAYCENT و DNDC دقت قابل‌قبولی داشتند.

 

سپاسگزاری

      بدین‍وسیله از تمامی حمایت‍ها و مساعدت‍های گروه خاکشناسی دانشکده کشاورزی دانشگاه شهید چمران اهواز جهت فراهم نمودن امکانات موردنیاز برای اجرای این پژوهش، تشکر و قدردانی به‍عمل می‍آید.



[1] Daily simulator

[2] Field scale

[3] Decomposition

[4] Denitrification

[5] Site Mode

[6] Regional Mode

Ashtari F, Sharififard H, Shabankari M, Kikavousi A, Hashemifard A, Afshan A and Darvish N. 2014. Khuzestan Province, Green Book. (In Persian).
Aali Magham SM, Soltani A and Zeinali E. 2014. Comparison of Fuel and Energy Consumption and Greenhouse Gas Emissions in Different Soil Preparation and Cultivation Systems in Gorgan. Journal of Plant Production Research, 21 (1): 131 -148. (In Persian).
Amirnejad H, Amoee A and Majavourian S M. 2019. Consequences of climate change in agriculture and its relationship with rent-seeking paddy farmers (Case study: Mazandaran province). Agricultural Economics Research, 11 (1): 131-148. (In Persian).
Abdalla M, Jones M, Yeluripati J, Smith P, Burke J and Williams M. 2010. Testing DAYCENT and DNDC model simulations of N2O fluxes and assessing the impacts of climate change on the gas flux and biomass production from a humid pasture. Atmospheric Environment. 44 (25), 2961–2970.
Alipour A, Mousavi S H and Khalilian S. 2014. Evaluation of carbon dioxide greenhouse gas emissions from the development of Iran's agricultural sector. Agricultural Economics, 8 (1): 63-81. (In Persian).
Bakht Firooz A, Raeini Sarjaz M and Ghasemi Sahebi F. 2010. The effect of drainage systems on methane emissions in paddy fields, National conference on coastal water resources management, Sari university of Agricultural Sciences and Natural Resources. (In Persian).
Begum K, Kuhnert M, Yeluripati  J, Ogle S, Parton W, Kader  M A and Smith P. 2018. Model based regional estimates of soil organic carbon sequestration and greenhouse gas mitigation potentials from rice croplands in Bangladesh, Land, 7, 82; doi:10.3390/land7030082.
Dashtaki SG, Homaee M and Khodaverdiloo H. 2010. Derivation and validation of pedotransfer functions for estimating soil water retention curve using a variety of soil data. Soil Use and Management, 26(1): 68-74.
Del Grosso SJ, Parton WJ, Mosier AR, Hartman MD, Brenner J, Ojima DS and Schimel DS. 2001. Simulated interaction of carbon dynamics and nitrogen trace gas fluxes using the DAYCENT model. In: Schaffer, M., Ma, L., Hansen, S. (Eds.), Modeling Carbon and Nitrogen Dynamics for Soil Management. CRC Press, Boca Raton, Florida, pp. 303–332.
Del Grosso S, Holland E A, Parton WJ, Mosier Pendall E A, Schimel D S and Ojima D S. 2005. Modeling soil CO2 emissions from ecosystems, Biogeochemistry, 73(2005):71-91.
Del Grosso  S, Parton W J, Stohlgren T, Zheng D, Bachelet D, Prince S, Hibbard K and Olson R. 2008. Global potential net primary production predicted from vegetation class, precipitation, and temperature, Ecology, 89(8):2117–2126.
Dftarian M. 2009. Location and pattern use of clean energy for all life on earth by continuing to use coal gas. New Energy Journal, 2: 56-57. (In Persian).
Ewert F, Rounsevell MDA, Reginster I, Metzger MG and Leemans R. 2005. Future scenarios of European agricultural land use. Estimating changes in crop productivity, Agricultura Ecosystem Environmental, 107:101–116.
Ghorbani M and Motallebi M. 2009. The Study on Shadow Price of Greenhouse Gases Emission in Iran: Case of Dairy Farms. Research Journal of Environmental Sciences, 3: 466-475. )in Persian.(
Hartman M, Merchant ER, Parton WJ, Gutmann MP, Lutz S and Williams SA. 2011. Impact of historical land-use changes on greenhouse gas exchange in the U.S. Great Plains, 1883–2003. Ecological applications, 21(4):1105–1119.
Hartman  MD, Parton WJ, Del Grosso  SJ, Easter M, Hendryx  J, Hilinski T, Kelly R, Keough, CA, Killian K, Lutz S, Marx E, McKeown R, Ogle S, Ojima DS, Paustian  K and Swan AWS. 2016. DayCent Ecosystem Model. Colorado State University.
Homaee M, Dirksen C and Feddes R. 2002. Simulation of root water uptake: I. Non-uniform transient salinity using different macroscopic reduction functions. Agricultural Water Management, 57(2): 89-109.
IPCC. 2007. Summary for Policy Makers. Climate Change 2007: The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report. Cambridge University Press, Cambridge.
Jamali Pour M, Ghorbani M, Kouchaki A and Shahnoshi N. 2016. Estimation of economic cost of greenhouse gas emissions of cereals in Iran, Iranian Beans Research Journal, 7 (2): 59-77. )in Persian.(
Karami F and Rabbani F. 2013. A Comparative Study of the Effect of Rice Cultivation on Methane Greenhouse Gas Production, First National Conference on Meteorology, Kerman, Graduate University of Industrial and Advanced Technology, (In Persian).
Khodaverdiloo H, Homaee M, Van Genuchten MT and Dashtaki SG. 2011. Deriving and validating pedotransfer functions for some calcareous soils. Journal of Hydrology, 399(1): 93-99.
Koocheki A and Kamali GhH. 2010. Climate change and dryland wheat production in Iran. Iranian Field Crop Research. 8: 508-502. (In Persian).
Kottegoda NT and Rosso R. 2008. Applied statistics for civil and environmental engineers. Wiley-Blackwell.
Li C. 2000. Modelling trace gas emissions from agricultural ecosystems. Nutrient Cycling in Agroecosystems, 58, 259–276.
Li C, Frolking S and Frolking TA. 1992. A model of nitrous oxide evolution from soil driven by rainfall events: 2. Applications. Journal of Geophysical Research: Atmospheres, 97 (D9): 9777–9783.
Li C, Farahbakhshazad N, Jaynes D B, Dinnes D L, Salas W and McLaughlin D. 2006. Modeling nitrate leaching with a biogeochemical model modified based on observations in a row-crop field in Iowa. Ecological Modelling, 196 (1), 116–130.                                                    
Necpalova M, Anex RP, Fienen MN, Del Grosso SJ, Castellano MJ, Sawyer JE, Iqbal J, Pantoja JL and Barker DW. 2015. Understanding the DayCent model: Calibration, sensitivity, and identifiability through inverse modeling. Environmental Modelling & Software, 66 (2015) 110-130.
Moradi R and Pour Ghasemian N. 2017. Investigation of greenhouse gas emissions and global warming potential due to the use of chemical inputs in the cultivation of important crops in Kerman province: - Cereals, Journal of Agricultural Ecology, 9 (2): 405-389. (In Persian).
Moradi majd N, Falah Ghalhari  GA and Chatrenor M. 2020. Prediction of greenhouse gases and global warming potential in agricultural lands of Khuzestan province using DAYCENT model, Water and soil Iran, 51(9): 2259-2273. (In Persian).
Motallebi M, Ghorbani M, Danesh Sh, Darijani A, Koocheki AR and Danesh Mesgaran M. 2009. Estimation and Valuation of greenhouse gases in Khorasan Razavi Dairy farms and recognition of its influencing factors (Case Study Mashhad). MS Thesis, University of Mashhad.
Ozkan B and Akcaoz H. 2002. Impacts of climate factors on yields for selected crops in Turkey. Mitigation and Adaptation Strategy for Global Change, 7: 367–380.
Parton WJ, Hartman MD, Ojima DS and Schimel D.S. 1998. DAYCENT: its land surface submodel: description and testing. Global and Planetary Change, 19: 35–48
Rafique R, Kumar S, Luo Y, Kiely G and Asrar G. 2015. An algorithmic calibration approach to identify globally optimal parameters for constraining the DayCent model. Ecological Modelling, 297 (2015) 196–200.
Robertson GP, Paul EA and Harwood RR. 2000. Greenhouse gases in intensive agriculture: contributions of individual gases to the radiative forcing of the atmosphere. Science, 289: 1922-1935.
Rosenzweig C and Tubiello FN. 2007. Adaptation and mitigation strategies in agriculture: an analysis of potential synergies. Mitigation and Adaptation Strategy for Global Change, 12: 855–873.
Salinger MJ. 2005. Climate variability and change: past, present and future- an overview. Climate Change, 70: 9-29.
Shepherd A and Cardenas L M. 2019. Metrics of biomass, live- weight gain and nitrogen loss of ryegrass sheep pasture in the 21st century, Sience of the total environment, 685; 428-441.
Steenwerth K LBarker X Z, Carlson MKillian K, Easter M, Swan A, Thompson L, Williams S. 2016. Developing COMET-Farm and the DayCent Model for California Specialty Crops. American Geophysical Union.
Tate KR, Ross DJ, Saggar S, Hedley CB, Dando J, Singh BK and Lambie SM. 2007. Methane uptake in soils from Pinus radiata plantations, a reverting shrubland and adjacent pastures: Effects of land-use change, and soil texture, water and mineral nitrogen. Soil Biology and Biochemistry. 39: 1437–1449.
Thelen KD, Fronning BE, Kravchenko A, Min DH and Robertson GP. 2010. Integrating livestockmanure with a corn–soybean bioenergy cropping system improves short-term carbon sequestration rates and net global warming potential. Biomass Bioenerg. 34: 960-966
Trazname energy. 2014. Department of Energy. Power and Energy Affairs.
Zalghi R and Landi A. 2008. Investigation of CH4, CO2 and CO emissions from lands under common agricultural uses in Khuzestan province, The second conference and specialized exhibition of environmental engineering, Tehran university, 1-6. (In Persian).