پایش عملکرد گندم و چغندرقند در استان خراسان: 1- تجزیه و تحلیل روش‌های پیش‌بینی عملکرد پتانسیل

سال انتشار: 1397
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 258

فایل این مقاله در 19 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JFCR-16-4_003

تاریخ نمایه سازی: 22 اسفند 1399

چکیده مقاله:

پیش‌بینی عملکرد پتانسیل در شرایط بدون محدودیت آب و عناصر غذایی و عاری از آفات، بیماری‌ها و علف‌های هرز اولین قدم در تخمین خلاء عملکرد محصولات زراعی است. عدم دسترسی به داده‌های کامل و دقیق محدودیت اصلی در استفاده از مدل‌های شبیه‌سازی برای برآورد عملکرد پتانسیل است و در این‌صورت استفاده از مدل‌های ساده شده جایگزین مناسبی محسوب می‌شود، البته پیش از استفاده از این مدل‌های ساده اطمینان از قدرت پیش‌بینی آنها در مقایسه با مدل‌های شبیه‌سازی ضروری ‌می‌باشد. در این پژوهش عملکرد پتانسیل گندم و چغندرقند در سه منطقه از استان خراسان رضوی (تربت حیدریه، مشهد و نیشابور) با استفاده از سه روش ساده محاسباتی و نیز با دو مدل شبیه‌سازی برآورد و دقت روش‌ها مورد مقایسه قرار گرفته است. محاسبات ساده بر اساس روش فائو (FAO)، مدل تغییر یافته فائو (FAO-M) و روشی مبتنی بر کارآیی مصرف نور (RUE) انجام شد که در آنها عملکرد پتانسیل به‌وسیله دو معادله و با استفاده از میانگین ماهانه داده‌های آب و هوایی برآورد می‌شود. عملکرد پتانسیل دو محصول در همان مناطق توسط مدل‌های LINTUL و SUCROS که بر اساس داده‌های روزانه آب و هوایی اجرا می‌شوند و قبلاً برای مطالعات در مقیاس منطقه‌ای واسنجی شده بودند نیز پیش‌بینی شد و قدرت پیش‌بینی 5 روش بر اساس شاخص‌های آماری مورد مقایسه قرار گرفت. میانگین عملکرد مشاهده شده گندم در سه منطقه تحت بررسی 18/7 تن در هکتار بود و در 5 روش تحت بررسی میانگین عملکرد پتانسیل گندم سه منطقه بین 92/6 تا 63/7 تن در هکتار پیش‌بینی شد. بر این اساس خطای پیش‌بینی در مورد مدل‌های شبیه‌سازی 39/1 و برای سه روش ساده کمتر از 5 درصد (64/4 %) به‌دست آمد. باوجودی‌که مقدار نسبی جذر میانگین مربعات خطا (RMSEn) برای سه روش ساده بیشتر از مدل‌های شبیه‌سازی بود ولی بین 11/7 تا 16/10 درصد و در محدوده مطلوب قرار داشت. به‌علاوه کارآیی مدل‌سازی (ME) نیز مثبت و به‌جز در روش RUE بالاتر از 60/0 بود. میانگین عملکردهای انداره‌گیری شده چغندرقند 5/82 تن در هکتار بود در حالی‌که میانگین عملکرد پتانسیل پیش‌بینی شده به روش‌های مختلف در محدوه 91-89 تن در هکتار قرار داشت. دقت پیش‌بینی عملکرد چغندر به‌وسیله روش‌های ساده کمتر از مدل‌های شبیه‌سازی بود ولی قابلیت پیش‌بینی آنها بر اساس شاخص‌های آماری قابل قبول محسوب شد به‌طوری‌که RMSEn محاسبه شده برای این روش‌ها از 5/11 درصد تجاوزر نکرد. در تعیین اعتبار متقابل روش‌های ساده با مدل‌های شبیه‌سازی نیز همبستگی معنی‌داری بین عملکردهای پیش‌بینی شده توسط روش‌های ساده و مدل‌های پیچیده به‌دست آمد که نشان‌دهنده انطباق مطلوب آنهاست. نتایج این تحقیق نشان داد که با استفاده از روش‌های محاسباتی ساده و حداقل داده‌های آب و هوایی می‌توان عملکرد پتانسیل محصولات زراعی را با دقت فابل قبولی برآورد کرد. چنین روش‌هایی در صورت عدم دسترسی به مدل‌های شبیه‌سازی که به‌طور دقیق واسنجی شده باشند و در اختیار نداشتن داده‌های کامل آب و هوایی روزانه جهت تخمین خلاء عملکرد در مقیاس منطقه‌ای و نیز در پهنه‌بندی‌های اگرواکولوژیک مفید خواهند بود.

نویسندگان

مهدی نصیری محلاتی

دانشگاه فردوسی مشهد

علیرضا کوچکی

دانشگاه فردوسی مشهد

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Batchelor, W. D., Basso, B., and Paz, J. O. 2002. ...
  • Bell, M. A., and Fischer, R. A. 1994. Using yield ...
  • Bhatia, V. S., Singh, P., Wani, S. P, Chauhan, G. ...
  • Boogaard, H. L., Van Diepen, C. A., Rouitter, R. P., ...
  • Boote, K. J., Jones, J. W., and Pickering, N. G. ...
  • Brooks, R. J., Semenov, M. A., and Jamieson, P. D. ...
  • Brooks, R. J., and Tobias, A. M. 1996. Choosing the ...
  • Brooks, R. J., and Tobias, A. M. 1999. Methods and ...
  • Caldiz, D. O., Haverkort, A. J., and Struik, P. C. ...
  • Cassman, K. G., Dobermann, A., Walters, D. T., and Yang, ...
  • Deryng, D., Sacks, W. J., Barford, C. C., and Ramankutty, ...
  • De Wit, A. J. W., Boogaard, H. L., and van ...
  • Efron, B., and Gong. G. 1983. A leisurely look at ...
  • FAO, 1978. Report on the Agro ecological Zones Project. Vol. ...
  • FAO, 1981. Report on the Agro ecological Zones Project. Vol. ...
  • Gardner, R. H. 1998. Pattern, process and analysis of spatial ...
  • Gommez, R. 2000. Crop-yield weather modeling. FAO-WMO Roving Seminar, Lecture ...
  • Goudiraan, J., and van Laar, H. H. 1993. Modeling Crop ...
  • Goudriaan, J. 1996. Predicting crop yields under global change. In: ...
  • Hoogenboom, G. 2000. Contribution of agro meteorology to the simulation ...
  • Jagtap, S. S., and Jones, J. W. 2002. Adaptation and ...
  • Jamieson, P. D., Porter, J. R., and Wilson, D. R. ...
  • Jamieson, P. D., Porter, J. R., Goudriaan, J., Ritchie, J. ...
  • Kravchenko, A. N., and Bullock, D. G. 2000.Correlation of corn ...
  • Kiniry, J. R., Bean, B., Xie, Y., and Chen, P. ...
  • Koocheki, A., Nassiri Mahallati, M., Soltani, A., Sharifi, H., and ...
  • Koocheki, A., and Nassiri Mahallati, M. 2016. Effects of climate ...
  • Koocheki, A., and Nassiri Mahallati, M. 2007. Impacts of climate ...
  • Kropff, M. J. Bouma, J., and Jones, J. W. 2001. ...
  • Licker, R., Johnston, M., Foley, J. A., Barford, C., Kucharik, ...
  • Loague, K., and Green, R. E. 1991. Statistical and graphical ...
  • Lobell, D. B., Cassman, K. G., and Field, C. B. ...
  • Mondani, F. 2012. Simulating the effect of climate change on ...
  • Muchow, R. C., and Kropff, M. J. 1997. Assessing the ...
  • Nassiri Mahallati, M., Koocheki, A., and Jahan, M. 2011 .Radiation ...
  • Nassiri Mahallati, M., Koocheki, A. Kamali, G. A., and Shahandeh, ...
  • Nassiri Mahallati, M., and Koocheki, A. 2017.Trend analysis of nitrogen ...
  • Neumann, K., Verberg, P. H., Stehfest, E., and Muller, C. ...
  • Nonhebel, S. 1997. Harvesting the sun’s energy using agro ecosystems. ...
  • Nonhebel, S. 1994. The effects of use of average instead ...
  • O’Connell, M. G., O’Leary, G. J., Whitfield, D. M., and ...
  • Parsa, S. 2008. Modeling spatial and temporal variation of sugar ...
  • Priya, S., and Shibasaki, R. 2001.National spatial crop yield simulation ...
  • Richter, G. M., Jaggard, K. W., and Mitchell, R. A. ...
  • Soltani, A., Khooie, F. R., Ghassemi-Golezani, K., and Moghaddam, M. ...
  • Soltani, A., Meinke, H., De Voil, P. 2004. Assessing linear ...
  • Stehfest, E., Heistermann, M., Priess, J. A., Ojima, D. S., ...
  • van Bussel, L. G. J., Müller, C., Van Keulen, H., ...
  • van Delden, A. 2001 Yielding ability and weed suppression of ...
  • van Ittersum, M. K., Cassman, K. G., Grassini, P., Wolf, ...
  • van Ittersum, M. K., Leffelaar, P. A., van Keulen, H., ...
  • van Laar, H. H., Goudriaan, J., and Van Keulen, H. ...
  • van Wart, J., Kersebaum, Ch., Peng, Sh., Milner, M., and ...
  • Viglizzo, E. F., Podomingo, A. J., Castro, M. G., Lertora, ...
  • Versteeg, M. N., and van Keulen, H. 1986. Potential crop ...
  • Wilmot, C. J. 1982. Some comments on the evaluation of ...
  • Wit, A. J. W., Boogaard, H. L., and Diepen, C. ...
  • نمایش کامل مراجع