Assessment of WOFOST Model for Yield Prediction of Rice in Paddy Lands of Shaft City Using Spatial Analysis of Geographic Information System (GIS)

Document Type : Research Paper

Authors

Abstract

Background & Objective: The present study was conducted to quantify rice yield in Shaft city, located in Gilan province, crop production zoning map was prepared through the Geographic Information System (GIS) approach.
 
Materials & Methods: Therefore, farm information of 100 points from the paddy fields of the region was received in two crop years (2012 and 2013) for simulation by WOFOST model. The available data were measured for two categories of local and high-yielding varieties in the region.
 
Results: The results of the model did not show a significant difference between the observed values of rice grain yield with the simulated values (Sig <0.05). The value of coefficient of determination (R2) was obtained for both groups of varieties was about 0.80, and the root mean square of normalized error (NRMSE) was 13% and 7% for local and high-yielding varieties, respectively. Evaluation of statistical results indicates the favorable similarity of real and estimated data. Also, statistical indicators show that the model has less error in estimating yields of paddy fields with local varieties than high-yield varieties. In large-scale studies, the estimation error is mostly due to differences in crop management. The spatial distribution of yield has intensities and fluctuations in the study area, which can be in response to different amounts of inputs, delay in planting date, off-season rainfall and soil variability and soil physiographic status.
 
Conclusion: Therefore, the use of simulation models can be effective in achieving sustainable rice production and economic savings of agricultural inputs in the region and provide a landscape of production conditions for farmers and managers.
 

Keywords

Full Text

مقدمه

رشد و توسعه پایدار کشاورزی در گرو سلامت و امنیت غذایی است و این مهم در سایه تأکید بر حفظ، احیاء و بهره‌برداری متعادل از منابع پایه یعنی آب و خاک، پوشش گیاهی، محیط زیست و هوا تحقق می­یابد. کشت برنج با تأمین دو سوم از نیاز کشور جایگاه ویژه­ای در اقتصاد دارد، به طوری که در سال 2016 سطح زیر کشت آن 560000 هکتار و مقدار تولید دو میلیون و 300 هزار تن بوده­است (فائو 2018). چالش حفاظت از پایداری زراعت برنج همگام با رقابت برای منابع آبی، کاهش عملکرد دانه و افزایش هزینه تولید به واسطه وابستگی به نهاده­های ورودی رو به فزونی است (باغی تبار و همکاران 2019). لذا عوامل موثر بر عملکرد برنج از جمله، عوامل ژنتیکی (اله قلی­پور و همکاران 2014)، خاک (آقایی پور و همکاران 2018)، شرایط تغذیه­ای (شکری واحد و همکاران 2018، موسوی و همکاران 2015)، اقلیم (کاظم زاده و همکاران 2017)، آبیاری (باغی تبار و همکاران 2019) و شیوه های مدیریت (علیزاده و همکاران 2016، وحدتی­راد و همکاران 2016) در مناطق شالیزاری ایران مورد ارزیابی قرار گرفته­است.

در سال­های اخیر مدل­های گیاهی برای پیش­بینی عملکرد، نیازهای گیاهی، ارزیابی اقلیم در شرایط مدیریتی و محدودیتی مختلف و درک بهتر پاسخ محصول در این شرایط به کار می­روند (سیدجلالی و همکاران 2016، رسوپ و همکاران 2012). در واقع مدل­سازی اجازه می­دهد تعامل پیچیده­ بین این عوامل مورد بررسی قرار گیرد (دویت و همکاران 2019). در این میان مدل WOFOST به­عنوان ابزاری برای ارزیابی عملکرد، به مدت 25 سال است که روی محصولات زراعی و باغی بسیاری به کار گرفته شده­است. همانند همه مدل­های ریاضی شبیه­سازی، WOFOST[1] ساده­سازی واقعیت است و در چارچوب مطالعات جهانی امنیت غذا و پتانسیل جهانی تولید غذا، توسط مرکز جهانی مطالعات غذایی در همکاری با دانشگاه واگنینگن[2] هلند و مرکز بیولوژیکی کشاورزی و حاصلخیزی خاک واگنینگن ایجاد گردیده است (بوگارد و همکاران 1998). کارایی بالای مدل WOFOST برای محصولاتی نظیر گندم، جو، سویا و ذرت مورد تأیید بسیاری از محققین قرار گرفته است (ثگلار و همکاران 2019، شاهین رخسار و همکاران 2016، احمدی و همکاران 2014، بافکار و همکاران 2012). کارشناسان در سال­های اخیر، به مدل­سازی تخمین عملکرد و استفاده از آن برای پیش­بینی عملکرد مزارع به منظور برنامه­ریزی دقیق و آینده­نگرتر توجه نشان داده­اند. در خصوص شبیه­سازی برنج، ون زی­ا و همکاران (2006) در چین رشد پتانسیل برنج را با استفاده از مدل WOFOST شبیه­سازی و اعتبار سنجی نمودند. برای واسنجی مدل از داده­های سال 2003 و برای اعتبارسنجی از داده­های سال 2004 استفاده شد. نتایج حاکی از نزدیکی داده­های برآورد شده برای شبیه­سازی پتانسیل رشد با داده­های واقعی بوده است.

در ایران نیز امیری و همکاران (2011) مدل رشد گیاهی WOFOST را برای برنج، در شرایط مدیریت آبیاری ارزیابی کردند. نتایج ارزیابی آماری و گرافیکی نشان داد مدل در شبیه­سازی بیوماس کل و بیوماس پانیکول از دقت مناسبی برخوردار است. در همین راستا و جهت شبیه­سازی عملکرد دو رقم برنج محلی استان گیلان، سعادتی و همکاران (2012) از مدل WOFOST، تحت رژیم­های مختلف آبیاری استفاده کردند. یافته­ها حاکی از آن است که مدل WOFOST در شبیه­سازی فرآیند رشد و تأثیر آب بر عملکرد و بهره­وری در مناطق مرطوب دارای کارایی مطلوبی است.

کمی­ نمودن عملکرد محصول از طریق مدل­های شبیه­سازی نیازمند نظارت جامع بر مزارع در واکنش به روش­های مدیریتی و تحت شرایط متغیرهای محیطی است. ادغام مدل­های گیاهی با داده­های جغرافیایی در GIS، در دوره­های زمانی مختلف کاربران را قادر می­سازد، نتایج عملکرد مدل ­را در سطح منطقه مورد ارزیابی  قرار دهند (رسوپ و همکاران 2012). سیستم پایش رشد گیاهی CGMS[3] (ون دیپن و همکاران، 2004) جهت پیش­بینی عملکرد محصولات کشاورزی قبل از برداشت، توسط موسسه  JRCایتالیا تهیه گردیده است (بارث و همکاران، 2007) و این همراهی در سیستم اطلاعات جغرافیایی امکان تهیه نقشه های تخمین عملکرد از طریق روش­های درون­یابی[4] را فراهم می­کند (سوزو و همکاران 2016).

نتایج پژوهش وو و همکاران (2006) در چین با هدف استفاده از مدل WOFOST برای تعیین عملکرد پتانسیل گندم تحت شرایط محدودیت آب نشان داد، در مناطق شمالی بارندگی عامل محدود کننده عملکرد بوده است. ایشان همچنین از روش وزن­دهی معکوس فاصله (IDW)[5] جهت پهنه­بندی توان تولیدی منطقه بهره­بردند. همچنین کومی بوتنگ و یاکوبو (2010) با تلفیق GIS و داده­های GPS به پیش­بینی عملکرد نخل روغنی پرداختند. ارائه نقشه توزیع عملکرد با روش درون­یابی IDW،  بیانگر مطابقت نواسانات عملکرد با عوامل مکانی مورد نظر بود. مطالعه دیگری در سطح اروپا، برای ترسیم نقشه برآورد عملکرد گندم به کمک مدل WOFOST در قالب سیستم CGMS انجام شد و بر لزوم واسنجی مدل پیش از اجرا در سطح وسیع تأکید گردید (بوگارد و همکاران 2013). سرگردی و همکاران (2013) در اصفهان تغییرات زمانی- مکانی نیاز آبی گندم و ذرت علوفه­ای مدل WOFOST را در فضای جغرافیایی مورد بررسی قرار دادند. خروجی مدل، بیانگر آن است که تغییرات زمانی در نیاز آبی محصول، بیش از تغییرات مکانی می­باشد. همچنین مطالعات سوزو و همکاران (2016) در تخمین عملکرد محصولات زراعی نشانگر برتری روش وزن­دهی معکوس فاصله بر کریجینگ می­باشد. به منظور پهنه­بندی سیستم­های زراعی تولید گندم در بروجن، طایی و همکاران (2013) طرحی را در شرایط پتانسیل و محدودیت آبیاری به اجرا درآوردند و در آن از مدل WOFOST که قبلاً واسنجی شده­ بود برای شبیه­سازی میزان عملکرد در محیط GIS استفاده کردند. یافته­ها نشان از کارآیی مطلوب مدل جهت تحلیل سیستم زراعی منطقه داشت. در خصوص گیاه برنج تحقیقاتی با استفاده از سایر مدل­های شبیه­سازی در سطح وسیع انجام پذیرفته­است (رضایی و همکاران  2015، مختاری و همکاران 2013). با عنایت به نیازمندی­های دمایی و فیزیکی برنج، بهره­گیری از قابلیت فن­آوری GIS همراه با مدل­های شبیه­سازی همچون WOFOST، در شرایط استان گیلان ضروری به نظر می­رسد. لذا امکان شناسایی مناطق مستعد کشت، محدودیت­ها و توانمندی­های تولید در مطالعات پهنه­بندی برنج فراهم خواهد­شد. هدف از این تحقیق در سطح شهرستان شفت ترسیم نقشه­های عملکرد دانه به منظور برآورد و شبیه­سازی عملکرد دانه در مناطق فاقد اطلاعات مشاهده­ای می­باشد.

 

مواد و روش­ها

منطقه مورد مطالعه و داده­های میدانی

شهرستان شفت در جنوب غربی استان گیلان، بین عرض­های جغرافیایی ´56  °36  تا ´18  °37 شمالی و طول جغرافیایی ´10  °49  تا ´31  °49 شرقی، در شمال ایرن واقع شده ­است. مساحت منطقه مورد مطالعه حدود 14 هزار هکتار از مجموع مساحت شهرستان می­باشد که زیر کشت برنج قرار دارد. اقلیم این منطقه معتدل و مرطوب بوده و فعالیت عمده کشاورزی در بخش جلگه­ای و کوهپایه­ای، زراعت برنج می­باشد (شکل 1).

 

 

 

 

 

 

 
   

شکل 1- موقعیت مزارع پایش شده در سطح شهرستان شفت

 


داده مزرعه ای

اطلاعات 100 نقطه شالیزار، نحوه مدیریت زراعی، نوع رقم، ضدعفونی بذر، زمان کاشت، مسائل مربوط به برداشت (کود و مبارزه با آفات و بیماری­ها)، تعداد و میزان آبیاری، شیوه­های آبیاری (سنتی و مدرن) و زمان و ادوات برداشت در دو سال زراعی 1391 و 1392، اندازه­گیری شد. لازم به ذکر است ارقام برنج مزارع منطقه به دو دسته، ارقام محلی (بومی) شامل هاشمی، علی­کاظمی و ارقام پرمحصول (اصلاح شده) مانند خزر و گوهر تقسیم می­شوند. البته ارقام محلی حدود دو سوم از اراضی شالیزاری را به خود اختصاص می­دهد. در پژوهش حاضر سعی شد تا ضمن توزیع مناسب موقعیت مزارع در سطح منطقه، نسبت ارقام در جامعه آماری حفظ گردد (جدول1).

طول دوره کشت برنج در منطقه برای ارقام مختلف بین 120 تا 150 روز می­باشد، و شالیزارها طی 90 روز از ابتدای کاشت می­باید غرقاب باشند، این زمان در شمال ایران مصادف با نیمه دوم فروردین تا نیمه دوم تیر است. جدول 2، وضعیت بارندگی و دمای هوای منطقه را در بازه زمانی کشت برنج نشان می­دهد، لازم به ذکر است برای آبیاری اراضی از کانال آب­بری فومن استفاده می­شود.

 

مدل شبیه­سازی WOFOST

این مدل براساس چرخه کربن و پیچیده می­باشد، ساختار و روش محاسبات در منابع مختلف ارائه شده­است (بوگارد و همکاران 1998، امیری و همکاران 2011). مدل WOFOST اجازه شبیه­سازی پویا فنولوژیکی از جوانه زنی تا رسیدگی را براساس خصوصیات ژنتیکی محصول و شرایط محیطی فراهم می­کند. این برنامه ماده خشک گیاه را به­عنوان تابعی از تشعشع، دما و خصوصیت­های گیاه در مراحل زمانی یک روز شبیه­سازی می­کند. اصول محاسبه تولید ماده خشک، میزان سرعت ناخالص جذب CO2 توسط پوشش گیاهی است، که به انرژی تابشی جذب شده بستگی دارد و تابعی از تشعشع روزانه، سطح برگ گیاه و ضریب خاموشی نور در پوشش گیاهی است (تودورویس و  همکاران 2009).

 

 

جدول1-معرفی شاخص­های آماری عملکرد دانه ارقام برنج در اراضی شالیزاری (کیلوگرم در هکتار)

 

رقم

سال زراعی 1391(Kg.ha-1)

 

سال زراعی 1392 (Kg.ha-1)

میانگین

 

حداقل

 

حداکثر

 

انحراف معیار

ضریب تغییرات

(%)

میانگین

 

حداقل

 

حداکثر

 

انحراف معیار

ضریب تغییرات

(%)

محلی

3415

2390

4205

36/515

1/15

 

3502

2190

4380

3/653

6/18

پرمحصول

4574

4009

5243

33/394

6/8

 

4649

4022

5280

63/362

8/7

 

 

جدول2-میانگین دما )درجهسلسیوس) و بارش تجمعی (میلی­متر) ماهانه در بازه زمانی کشت برنج

شهریور

مرداد

تیر

خرداد

اردیبهشت

فروردین

پارامتر

سال

 

2/23

6/27

7/24

4/24

2/21

7/14

(c°) دما

1391

 

4/184

8/39

2/136

4/77

5

4/96

(mm)بارش

 

 

4/24

1/24

2/25

1/23

4/18

2/14

(c°)دما

1392

 

2/92

1/105

2/4

9/6

4/46

9/37

(mm)بارش

 

 

 

 

در این تحقیق از نسخه 7.1 مدل WOFOST برای شبیه­سازی عملکرد دانه برنج استفاده شد. اطلاعات ورودی مورد نیاز برای اجرای مدل در چندین بخش (اطلاعات کلی، گیاه، هواشناسی، خاک، موادغذایی) توصیف می­شوند. برای شبیه­سازی با مدل WOFOST، لازم است که داده­های مورد نیاز، تحت فایل­های خاصی سازماندهی و به مدل ارائه شوند. این فایل­ها هر کدام جنبه خاصی از رشد و نمو گیاه و یا شرایط محیطی را نشان می­دهند.

اطلاعات هواشناسی مورد نیاز، از ایستگاه سینوپتیک مرکز تحقیقات هواشناسی کشاورزی رشت، در دو سال مورد نظر (1392-1391) دریافت گردید، که شامل بارندگی، درجه حرارت حداکثر، درجه حرارت حداقل، تشعشع روزانه (ساعات آفتابی)، سرعت باد در ارتفاع دو متری، رطوبت نسبی و فشاربخار صبحگاهی هوا در طول دوره رشد به صورت روزانه می­باشد. همچنین اطلاعات مدیریت زراعی شامل رقم محصول (اطلاعات ژنتیکی)، تاریخ کاشت و فعالیت­های مدیریتی نظیر زمان و مقدار آبیاری در قالب فایل اطلاعات گیاهی برای هر یک از مزارع تهیه گردید.فایل خاکشناسی از داده­های آزمون خاک و اطلاعات مزرعه شامل رطوبت در نقاط ظرفیت زراعی[6]، پژمردگی دائم[7]، اشباع[8] و رطوبت بحرانی[9] و هدایت هیدرولیکی اشباع[10] در محدوده توسعه ریشه وارد مدل گردید.

هرچند استفاده از مدل­های شبیه­سازی رشد گیاه مفید است، ولی اجرای آن­ها مستلزم انجام آزمایش­های متعددی در قالب واسنجی و سپس تعمیم به کل مزرعه می­باشد. از این­رو، استفاده از مدل­هایی که بتواند در مقیاس­های بزرگ عملکرد محصول را با دقت قابل قبولی برآورد کند، اجتناب ناپذیر است (صدوقی و همکاران 2017).

تلفیق با GIS و روش درون­یابی

مدل WOFOST به عنوان شبیه­ساز رشد گیاه در سیستم­ اطلاعات جغرفیایی به­کار گرفته می­شود، و از این طریق می­توان مدل شبیه­سازی را در کل منطقه اجرا نمود و تغییرات مکانی رشد گیاه را که در اثر تغییرات بیوفیزیکی ایجاد می­شود، بررسی کرد (سرگردی و همکاران 2013). براساس مختصات جغرافیایی نقاط نمونه­برداری ثبت شده با GPS، لا­یه­ وکتور نقطه­ای در محیط ArcGIS 10.3  ساخته شد و این لایه همراه با شماره، حاوی اطلاعات خا­ک­شناسی و عملکرد می­باشد. مقادیر عملکرد برآورد شده از مدل WOFOST نیاز به تعمیم از طریق توابع درون­یابی در سطح منطقه شالیزاری دارد. در روش­های مبتنی بر درون­یابی، ارزش عددی مکان­هایی که دارای ارزش ناشناخته­اند، به­وسیله داده­های شناخته شده مکان­های مجاور شناخته میشوند (محمدی احمد محمودی و همکاران 2015). روش درون­یابی IDW بر این فرض استوار است که تاثیر پدیده مورد نظر با افزایش مسافت کاهش می­یابد. در این روش، از فاصله به عنوان وزن متغیر معلوم برای پیش­بینی نقاط اندازه­گیری نشده استفاده می­شود (جوهستون و همکاران 2001).

سپس به منظور ارزیابی عملکرد مدل WOFOST، به مقایسه نتایج و داده­های مشاهدات مزرعه­ای با نرم افزار SPSS پرداخته شد. در صحت­یابی نتایج حاصل از مدل در برابر مقادیر مشاهده­ای سطح مزرعه از آزمون تی (P(t)) استفاده گردید. برای بررسی بهتر کارایی مدل در تخمین عملکرد، علاوه بر ترسیم نمودارهای اندازه­گیری شده در مقابل مقادیر برآورد شده، از شاخص­های آماری زیر استفاده شد. معادله­های این شاخص­ها به شرح زیر است:

 

 

-درصد خطای نسبی (Er)

Eri =                                        [رابطه 1]

- ریشه میانگین مربعات خطا (RMSE)

RMSE =                                  [رابطه 2]

- ریشه میانگین مربعات خطای نرمال شده (NRMSE)

NRMSE =                                 [رابطه 3]

-ضریب تبیین (R2)

R2 =                                               [رابطه 4]

 

 

در این روابط Pi مقادیر برآورد یا همانند­سازی‌شده، Oi مقادیر مشاهده‌ای (اندازه‌گیری‌شده)، Ō میانگین مقادیر اندازه‌گیری شده (مشاهده‌شده)، n تعداد نمونه‌ها (رقم­های مشاهده، محاسبه و یا برآورد شده) است. همچنین ضریب (R2) معیار پراکنش بین مقادیر پیش­بینی و اندازه­گیری شده است. براساس تعریف، قدرت پیش­بینی مدل در صورتی که مقدار NRMSE کمتر از 10% باشد عالی، اگر بین 10 تا 20 درصد باشد، خوب و اگر بین 20 تا 30 درصد باشد، متوسط ارزیابی می­گردد، مقادیر بالاتر از 30% از توانایی ضعیف مدل حکایت دارد (جوهستون و همکاران 2001).

 

نتایج و بحث

واسنجی مدل

برای استفاده از مدل­های گیاهی، واسنجی مدل در هر منطقه ضروری است. با توجه به اینکه در اغلب مطالعات مزرعه­ای اندازه­گیری تمامی پارامترهای گیاهی میسر نیست، لذا از فایل گیاهی تهیه شده توسط امیری و همکاران (2011) که برای مدل، در استان گیلان تنظیم گردیده، استفاده شد. همچنین مدل با استفاده از داده­های اندازه­گیری شده سطح وسیع در سال 1391، برای ارقام بومی و پرمحصول منطقه واسنجی شد، اطلاعات در جدول 3 ارائه شده است.


جدول3 - واسنجی مدل شبیه­سازی عملکرد برنج برای ارقام بومی و پرمحصول شالیزارهای شفت (1391)

رقم

متغیر گیاهی

میانگین

(Kg.ha-1)

دامنه

(Kg.ha-1)

R2

P(t)

RMSE

(Kg.ha-1)

NRMSE (%)

محلی

مشاهداتی

تخمینی

3362

3722

2223

1926

-

73/0

-

53/10

-

452

-

13

پرمحصول

مشاهداتی

تخمینی

4602

5031

1500

1170

-

67/0

-

75/9

-

464

-

11

 

 

 
   

 

شکل 2- مقایسه مقادیر عملکرد واقعی و شبیه­سازی شده با مدل WOFOST در سال 1391. برای ارقام بومی(A)

و ارقام پرمحصول (B)

 

 

با توجه به ضرایب تبیین به دست آمده (جدول 3)، به نظر می­رسد مدل WOFOST به دلیل داشتن ضریب تبیین 73/0 برای پیش­بینی عملکرد دانه ارقام محلی بهتر عمل می­کند. ضریب تبیین معیار همبستگی قابل قبول مقادیر دانه پیش بینی و اندازه­گیری شده می­باشد. برای آزمون قدرت پیش­بینی مدل، از شاخص RMSE، استفاده شد. جدول 3 و شکل 2، به ترتیب معادله خط 1:1 و RMSE مدل­های بومی و پرمحصول را نشان می­دهد.

اعتبارسنجی مدل WOFOST 

ارزیابی مدل WOFOST با داده­های سال 1392 انجام گرفت. مقادیر عملکرد دانه مشاهده شده برای ارقام محلی و پرمحصول به ترتیب در محدوده 3812 و 4935 کیلوگرم در هکتار است. نتایج حاصل از آزمون Paird t-test دودامنه­ای نشان داد بین مقادیر مشاهده شده عملکرد با مقادیر شبیه سازی شده تفاوت معنی داری وجود ندارد (P>0.05). مقدار میانگین مربعات خطا برای هر متغیر در محدوده مطلوب قرار داشت و از 13 درصد تجاوز نکرد (جوهستون و همکاران 2001). ضریب تبیین نیز همبستگی بالایی بین مقادیر شبیه سازی شده با مقادیر واقعی نشان می­دهد (Sig<0.05). نتایج پژوهش امیری و همکاران (2011) با ضریب تبیین عملکرد دانه در محدوده 98/0-95/0 و طایی و همکاران (2013) با ضریب تبیین 72/0 برای دانه گندم، مشابه نتایج تحقیق حاضر بود.

 

 

 

جدول 4- نتایج اعتبارسنجی مدل در شبیه­سازی عملکرد برنج برای دو رقم بومی و پرمحصول شالیزارهای شفت (1392)

رقم

متغیر گیاهی

میانگین

(Kg.ha-1)

دامنه

(Kg.ha-1)

R2

P(t)

RMSE

(Kg.ha-1)

NRMSE (%)

محلی

مشاهداتی

تخمینی

3502

3812

2190

1317

-

82/0

-

78/6

-

446

-

13

پرمحصول

مشاهداتی

تخمینی

4649

4935

1258

1006

-

80/0

-

78/8

-

328

-

7

 

شکل 3- مقایسه مقادیر عملکرد واقعی و شبیه­سازی شده با مدل WOFOST در سال 1392. برای ارقام بومی(A) و ارقام پرمحصول (B)

 

 

سعادتی و همکاران (2012) در ارزیابی نتایج مدل از NRMSE استفاده نمودند، که بین 14-5 درصد گزارش شد و با نتایج تحقیق حاضر مطابقت دارد. مدل WOFOST در بسیاری از مطالعات و در مناطق مختلف برای ارزیابی میزان تولید و شبیه سازی رشد غلات با موفقیت مورد استفاده قرار گرفته است (ثگلار و همکاران 2019، احمدی و همکاران 2014، شاهین رخسار و همکاران 2016). تحقیقات ون زی­ا و همکاران (2006) و امیری و همکاران (2011) در پیش­بینی عملکرد برنج بر توانایی این مدل صحه می­گذارد.

نکته­ای که حائز اهمیت است، عملکرد مدل در اعتبارسنجی از واسنجی بهتر ارزیابی گردید، زیرا مدل در واسنجی برای شرایط منطقه تعریف می­شود. این مطلب با تحقیقات بوگارد و همکاران (2013) مبنی بر واسنجی مدل­های شبیه­سازی پیش از اجرا در سطح وسیع مطابقت دارد. چنانکه ضریب تبیین مجموعه داده­های سال دوم برای ارقام محلی 82/0 و ارقام پرمحصول 80/0 بود که نسبت به سال اول (ارقام محلی 73/0 و ارقام پرمحصول 67/0) به مراتب مطلوب­تر می­باشد. همچنین با در نظر گرفتن آماره­های مختلفی که محاسبه شد، مشخص گردید مدل برای تخمین عملکرد ارقام محلی در منطقه مورد مطالعه کارایی بهتری دارد. همانطور که تودورویس و همکاران (2009) نیز در تحقیقات خود اشاره کردند، استفاده از این تعداد پارامترهای ورودی می­تواند دقت نتایج شبیه­سازی را افزایش دهد، ضمن اینکه لازم است مراحل واسنجی و اعتبارسنجی مدل در منطقه انجام پذیرد. شکل 3 نتایج ارزیابی آماری وگرافیکی مدل WOFOST در تخمین عملکرد برنج منطقه را نشان می­دهد.

 

 

 

 
   

 

شکل 4- رابطه خطا با مقدار عملکرد واقعی (Kg/ha) در سال 1392. برای ارقام بومی(A) و ارقام پرمحصول (B)

مقایسه پهنه­بندی عملکرد برنج واقعی و مقادیر پیش­بینی شده

 

 

آنگونه که از شکل 4 و رابطه خطا با مقدار عملکرد واقعی به نظر می­رسد، شیب خط در معادله رگرسیونی موید این مورد است که مدل از اعتبار بالایی برای ارزیابی صفت عملکرد دانه برخوردار می­باشد. میزان دامنه خطای برآورد عملکرد در شالیزارهای با ارقام پرمحصول 20 درصد، و برای ارقام محلی زیاد بوده و تا 60 درصد می­رسد این مطلب در شبیه­سازی ارقام می­تواند تاثیرگذار باشد. لذا می­باید عوامل خطا شناسایی و نسبت به کاهش اثر آن تلاش نمود.

با بررسی ساختار مکانی داده­های موجود، به منظور برآورد مقادیر عملکرد برنج در نقاط نمونه­برداری نشده از روش­ وزن­دهی معکوس فاصله (IDW) استفاده گردید. توان کاربردی در این روش 2 و تعداد نقاط همسایگی 12 لحاظ گردید. نتایج حاصل از اجرای مدل که در قالب نقشه برنج در محیط GIS تولید شد از نظر توزیع مکانی دارای شدت و نوساناتی در سطح محدوده مورد مطالعه بوده است.

شکل (A-5) نمایی از گستره عملکرد واقعی را نشان می­دهد، در شمال و غرب شهرستان عملکرد بالاتری نسبت به سایر مناطق وجود دارد و عملکردهای بیش از 5000 کیلوگرم در هکتار برنج در نقاطی محدود در حاشیه شمال، شرق و غرب دیده می­شود. نقشه حاصل از مدل (شکل B-5) بیانگر توسعه مساحت عملکردهای بیش از 4000 کیلوگرم در هکتار (رده سوم و چهارم) می­باشد. علی­رغم اینکه رودخانه­ها در نیمه شرقی قرار دارند، علت عملکرد پایین­تر را می­توان به مشکلات ناشی از طغیان رودخانه، آبگرفتگی و پیامدهای پس از آن نسبت داد. در حالیکه اراضی سایر قسمت­ها به جهت وجود شبکه آبیاری کمتر تحت نوسانات آبی قرار گرفته­اند.

 

 

 

       
       
 

شکل 5- پهنه­بندی عملکرد واقعی(A)  و شبیه سازی شده در محدودیت آب با مدل

WOFOST (B) برنج در سطح شهرستان

 

 

از مقایسه نقشه­ها اینگونه استنباط می­شود در مناطقی که مدل تولید بیش از 5000 کیلوگرم در هکتار را برآورد کرده، تا حدودی عملکرد واقعی نیز بیشتر است. در سطوحی از عملکرد دانه، که مقدار شبیه­سازی شده بیش از مقدار مشاهده شده است، عمدتاً مربوط به تاریخ کشت­های تأخیری است. این تاریخ­ها خارج از محدوده تاریخ کاشت مطلوب در منطقه بوده و غیر معمول هستند.

طایی و همکاران (2013) در مطالعات پهنه­بندی عملکرد گندم روش درون­یابی Spline را برای تخمین عملکرد به­کار بردند. پژوهش­های محمدی احمد محمودی و همکاران (2015) و سیدجلالی و همکاران (2016) جهت درون­یابی عملکرد گندم از روش­های کریجینگ همراه با متغیر کمکی انجام شد. بر پایه پژوهش­های صدوقی و همکاران (2017)، کومی بوتنگ و یاکوبو (2010) و وو و همکاران (2006) مدل IDW جهت درون­یابی داده­های عملکرد محصول رضایت بخش بوده­است. همچنین سوزو و همکاران (2016) با ارزیابی روش­های وزن­دهی معکوس فاصله بیان کردند، استفاده از تعداد بهینه نقاط همسایگی، مقدار خطای پیش­بینی را به حداقل می­رساند.

در مطالعاتی که در مقیاس بزرگ انجام می­گیرد، تنوع و تغییرات مکانی عوامل موثر بر عملکرد مانند مدیریت زراعی و نوع خاک می­تواند در خطای برآورد عملکرد تاثیر داشته باشد، مطلبی که در تحقیق رضایی و همکاران (2015) نیز به آن اشاره شده است. چنانچه از بررسی نقشه­های بالا و وضعیت فیزیوگرافی منطقه می­توان دریافت، کاستی­های عملکرد واقعی در مقایسه با آنچه مدل WOFOST برآورد نموده­است، ناشی از بارندگی­های خارج از فصل و آبگرفتگی اراضی در انتهای فصل زراعی بوده، که می­تواند بر افت عملکرد تاثیرگذار باشد. در حالی که صدوقی و همکاران (2017) مقدار کم برآورد مدل را به کاهش بارندگی و زیادی تشعشع ورودی نسبت دادند، در تحقیقات وو و همکاران (2006) از بارندگی به عنوان عامل محدودیت در تولید نام برده شده­است.

با توجه به تاثیر عوامل زمان آبیاری، مقدار آبیاری، دما، بارندگی، و تعداد روزهای آفتابی در کشت برنج می­توان گفت که عوامل مذکور در مناطق خاصی محدودیت ایجاد کرده و در مناطقی دیگر فرصت توسعه را فراهم ساخته­است. نظر به اینکه دوره رویش گیاه برنج در فصل گرم می­باشد، بارندگی بهاره می­تواند مقدار آب دوره جوانه­زنی و نشاکاری را تامین کند، اما در دوره پنجه­زنی، خوشه زنی و گلدهی نیاز به آبیاری وجود دارد (فرج زاده و پورنصیر 2010 ). علاوه بر این، کاظم نژاد و همکاران (2017) در مناطق جلگه­ای گیلان، نقش عوامل غیر اقلیمی مانند خاک، کود و نهاده­های کشاورزی را بر میزان عملکرد برنج بیش ازعوامل اقلیمی می­دانند. با توجه به خصوصیات خاک­های محدوده مطالعاتی به خصوص اراضی واقع درحاشیه رودخانه­ها که از رسوبات بسیار جوان شکل گرفته­اند، نیاز به عناصرحاصلخیزکننده وجود دارد. علیرغم کشت و کار شالیزارها طی سالیان متمادی که فقط عمق معینی از خاک را گلخراب و آماده کشت برنج می­کنند، استفاده از کودهای شیمیایی معین موجب کمبود عناصر کم مصرف گردیده­است. این مشکل ناشی از وسعت کم سطح زیر کشت و عدم توجیه اقتصادی آزمون خاک از نظر کشاورزان می­باشد (شکری واحد و همکاران 2018). اگرچه در این پژوهش تأثیر محدودیت آب بر عملکرد پتانسیل مدل در نظر گرفته شد، اما این نکته را باید در نظر گرفت که خاک مزارع شالیزاری ممکن است شرایط بهینه از نظر حفظ رطوبت و عمق مناسب مانند آن چه که در مدل وارد شده است، را نداشته باشد و از نقطه ای به نقطه دیگر متغیر باشد.

در پژوهش­های مزرعه­ای با وسعت کم، عملکرد واقعی به عملکرد شبیه­سازی نزدیک­تر است، ولی در مقیاس بزرگ (شالیزارهای یک شهرستان) تفاوت بین مقادیر مشاهده شده و شبیه­سازی شده عملکرد محصول، ناشی از خطاهای اندازه­گیری، ناهمگنی مکانی داده­های اندازه­گیری شده و اختلاف در مدیریت زراعی، عدم دقت مدل در شرایط خشکی و نوع خاک است. افزون براین، برخی عوامل موثر بر عملکرد تولید از جمله بیماری­ها، آفات و کمبود مواد مغذی در مدل در نظر گرفته نشده­است.

 

نتیجه­گیری

بطورکلی پیش­بینی عملکرد محصول دورنمایی از شرایط تولید در اختیار کشاورزان و مدیران قرار می­دهد. یافته­های تحقیق حاضر حاکی از عدم وجود اختلاف معنی­دار بین مقادیر مشاهده شده عملکرد دانه برنج با مقادیر شبیه­سازی مدل WOFOST می­باشد. شاخص­های آماری نشان می­دهد مدل در برآورد عملکرد شالیزارهای با ارقام محلی از خطای کمتری نسبت به ارقام پرمحصول برخوردار است. همچنین نتایج حاصل از اجرای مدل در قالب نقشه در محیط GIS از نظر توزیع مکانی دارای شدت و نوساناتی در سطح محدوده مورد مطالعه بوده است، که می­تواند در پاسخ به مقادیر مختلف نهاده­ها، تاخیر در تاریخ کاشت، بارندگی­های خارج از فصل و تنوع در خاک و وضعیت فیزیوگرافی اراضی ­باشد. امروزه کمبود آب زراعی از مشکلات کشت برنج در استان گیلان، می­باشد. لذا بکارگیری مدل­های شبیه­سازی در دستیابی به تولید پایدار برنج و صرفه­جویی اقتصادی نهاده­های کشاورزی در منطقه می­تواند کارگشا ­باشد. لازم است در آینده برای افزایش اعتماد به مدل­های گیاهی تحقیقات طی سال­های متوالی انجام گیرد و کارایی مدل در واکنش به دیگر تیمارهای مدیریتی و کاشت سایر ارقام پرمحصول ارزیابی گردد.

 

سپاسگزاری

بدین وسیله از همکاری کارشناسان جهاد کشاورزی شهرستان شفت و استان گیلان در اجرای این طرح  تشکر و قدردانی به عمل می­آید.


[1] World Food Studies

[2] Wageningen

[3] Crop Growth Monitoring System

[4] Interpolation

[5] Inverse Distance Weighting

[6]Field capacity

[7] Permanent wilting point

[8] Saturation

[9] Critical Moisture

[10] Saturated hydraulic conductivity

References

Aghaeipour N, Pirdashti H, Zavare M, Asadi H and Bahmanyar MA. 2018. Yield gap analysis of rice in relation to soil properties in Foumanat plain. Journal of Crop Production, 10(4): 159-172. (In Persian).
Ahmadi M, Farhadi Bansouleh B and Ghobadi M. 2014. Spatial and Temporal Variations of Barley Yield under Deficit Irrigation Management (Case study: Kermanshah province, Mahidasht region). Water and Soil Science, 23(4): 19-32. (In Persian).
Alizadeh M, afrasiab P, Yazdani M, Liaghat A and Delbari M. 2016. The Effect of Depth and Space Subsurface Drainage on Paddy Field Drainage Intensity (Case Study: Fields of Rice Research Institute of Iran). Journal of Water and Soil Conservation, 23(4), 219-233. (In Persian).
Allahgholipour M, Farshadfar E, Rabiei B. 2014. Morphological and Physico-Chemical Diversity in Different Rice Cultivars by Factor and Cluster Analysis. Cereal Research, 4(4): 293-307. (In Persian).
Amiri E, Rezaei M, Motammed K and Emami S. 2011. Evaluation of the crop growth model WOFOST under irrigation management. Applied field crops research (Pazhohesh & Sazandegi), 24(1): 9-17. (In Persian).
Bafkar A, Boroumandnasab S, Behzad M and Farhadi Bansouleh B. 2012. Estimation of Potential Yield of Grain Maize in Mahidasht, Kermanshah Using WOFOST, a Crop Growth Simulation Model. Iranian Journal of Field Crop Science, 42(4): 799-808. (In Persian).
Baghitabar Firozjaii S, Abbasi R and Mousavi Toghani SY. 2019. Comparison of Irrigation Regimes and Seedling Age Effects on Yield and Yield Components of Rice (Oryza sativa L. var. Tarom Hashemi). Journal of Agricultural Science and Sustainable Production, 29(2): 67-78. (In Persian).
Baruth B, Genovese G, and Leo O, 2007. CGMS version 9.2 User manual and technical documentation. European Commission Joint Research Centre Institute for the Protection and Security of the Citizen, Italy.
Boogaard H, Wolf J, Supit I, Niemeyer S and Van Ittersum M. 2013. A regional implementation of WOFOST for calculating yield gaps of autumnsown wheat across the European Union. Field Crops Research, 143: 130-142.
Boogaard HL, Van Diepen CA, Roller RP, Cabrera JM and Van Laar HH. 1998. User’s guide for the WOFOST 7.1 crop growth simulation model and WOFOST Control Center 1.5. Technical document 52, DLO Winand Staring Centre, Wageningen, Netherlands.
Ceglar A, Van der Wijngaart R, de Wit A, Lecert R, Boogaard H, Seguini L, Van den Berg M, Toreti A, Zampieri M, Fumagalli D and Baruth B.  2019. Improving WOFOST model to simulate winter wheat phenology in Europe: Evaluation and effects on yield. Agricultural Systems, 168: 168-180.
De Wit A, Boogaard H, Fumagalli D, Janssen S, Knapen R, van Kraalingen D, Supit I, van der Wijngaart R, van Diepen K. 2019. 25 years of the WOFOST cropping systems model. Agricultural Systems, 168, 154–167.
Fao. 2018. Food and Agriculture Organization of the United Nations.
Farajzadeh M and Pournasir F. 2010. Feasibility of rice cultivation in the Lorestan using geographic information system. Journal of GIS & RS Application in Planning, 1(1): 33-39. (In Persian).
Jamieson PD, Porter JR and Wilson DR. 1991. A test of the computer simulationmodel ARC-WHEAT1 on wheat crops grown in New Zealand. Field Crop. Res. 27: 337–350.
Johnston K, Ver Hoef JM, Krivoruchko K and Lucas N. 2001. Using arcGIS geostatistical analyst. ESRI, Redlands, CA.
Kazemnezhad Z, Farajzade Asl M and Borna R. 2017. Variable analysis of rice crop yield with climate change approach (Case study: Guilan province). Journal of Physical Geography, 10(38): 45-64. (In Persian).
Kumi-Boateng B and Yakubu I. 2010. Predicting the yield of crops using Gis/Gps integration- A case study at Benso oil palm plantation limited. Eur. J. Sci. Res. 42(2): 314- 325.
Mohammadi ahmad mahmoudi E, Kamkar B, Abdi O. 2015. Comparison of geostatistical- and remote sensing data-based methods in wheat yield predication in some of growing stages (A case study: Nemooneh filed, Golestan province). Journal of Crop Production: 8(2), 51-76. (In Persian).
Mokhtari S, Pirmoradian N, Vazifehdoost M, Davatgar N. 2013. Increasing accuracy of regional rice yield estimation by improvement of spatial resolution of leaf area index maps in VSM vegetative model. Cereal Research, 2(3): 209-221. (In Persian).
Moosavi SGh, Mohamadi O, Seghatolesami and Amiri E. 2015. Effect of Nitrogen Fertilizer Rates on Morphological Traits, Yield and Yield Components of Three Cultivars of Rice. 13(1): 146-152. (In Persian).
Resop JP, Fleisher DH, Wang Q, Timlin DJ and Reddy VR. 2012. Combining explanatory crop models with geospatial data for regional analyses of crop yield using field-scale modeling unit. Computers and Electronics in Agriculture, 89:51-61.
Rezaei M, Shahnazari A, Raeini Sarjaz M and Vazifedoust M. 2015. Large-scale Simulation of Rice yield and Water Productivity Using CERES-Rice Model. Iranian Journal of Irrigation & Drainage, 9(2): 283-291. (In Persian).
Saadati Z, Pirmoradian N, Amiri E and Rezaei M. 2012. Assessment of WOFOST Model in Simulating Yields of Two Rice Varieties under Different Irrigation Regimes. Journal of Water Research in Agriculture, 26(3): 323-337. (In Persian).
Sadooghi L, Homaee M, Noroozi A, Asadi Kapourchal S. 2017. Estimating rice yield using VSM model and satellite images in Guilan province. Cereal Research, 6(3): 397-410. (In Persian).
Sargordi F, Farhadi Bansouleh B, Sharifi MA and Van Keulen H. 2013. Spatio-temporal variation of wheat and silage maize water requirement using CGMS model. International Journal of Plant Production, 7(2): 207-223.
Seyed Jalali SA, Sarmadian F, Shorafa M and Mohamadesmaeil Z. 2016. Application of Kriging and Cokriging in Predicting Wheat Yield using Principle Component Analysis. Journal of Crop Production, 9(2): 213-224. (In Persian).
Shahin rokhsar P, Amiri E, Raeesi S and Asadi M. 2016. Response Simulation of Two Soybean Cultivars Response to Deficit Irrigation by WOFOST Model. Journal of Water Research in Agriculture, 30(1): 13-24. (In Persian).
Shokri Vahed H, Davatgar N, Kavoosi M and Babazade Sh. 2018. Evaluation of Rice Plant Response to Nitrogen, Phosphours and Potassium Based on Site-Specific Nutrient Management (SSNM). Journal of Agricultural science and sustainable production, 28(1): 235-248. (In Persian).
Souza EG, Bazzi CL, Khosla R, Uribe-Opazo MA and Reich RM. 2016. Interpolation type and data computation of crop yield maps is important for precision crop production. Journal of Plant Nutrition, 39(4):531-538.
Taei Semiromi J, Ghanbari A, Amiri E, Ghaffari A, Siahsar B and Ayobi Sh. 2013. Agroecological Zoning of Wheat in the Borujen Watershed: Rianfed and Irrigated Wheat Cropping System Evaluation. 22(4): 1-12. (In Persian).
Todorovice M, Albrizio R, Zivotic L and Saab MT. 2009. Assessment of AquaCrop, CropSyst, and WOFOST Models in the simulation of sunflower growth under different water regimws. Agronomy Journal, 101 (3): 509-521.
Vahdati-Rad A, Esfahani M, Mohsenabadi G, Sabouri A and Aalami A. 2016. Effect of Transplanting Times on Rate and Duration of Grain Filling, Final Grain Weight and Grain Yield of Rice Cultivars. Journal of Crop Production and Processing, 6 (19):137-149. (In Persian)
Van Diepen K, Boogaard HL, Supit I, Lazar C, Orlandi S, Van der Goot E and Schapendonk, AHCM. 2004. Methodology of the MARS crop yield forecasting system. Vol. 2: Agro meteorological data collection, processing and analysis. European Commission (EC), Luxembourg, Luxembourg.
Wen-xia X, Li-jiao Y and Guang-huo W. 2006. Simulation and validation of potential growth process in Zhejiang province of China by utilizing WOFOST model. Rice Science, 13(2): 125-130.
Wu D, Yu Q, Lu C and Hengsdijk H. 2006. Quantifying production potentials of winter wheat in the North China Plain. Agronomy, 24: 226-235.
JOURNAL OF AGRICULTURAL SCIENCE AND SUSTAINABLE PRODUCTION
Volume 31, Issue 1
January 2021
Pages 193-207

Files

Share

How to cite

Statistics