Forecasting the Yield of Rainfed Wheat Cultivars under Climate Change in Khorramabad Province Using the APSIM Model

. مقدمه

وقوع پدیده تغییر اقلیم در بیشتر مناطق جهان، به دلیل افزایش دما، تغییر در الگوهای بارندگی و وقوع حوادث شدید آب و هوایی، میزان تولیدات بخش کشاورزی را تحت تأثیر قرار داده است (IPCC, 2016). در سال‌های اخیر زراعت دیم کشور ایران نیز باتوجه­به کاهش بارندگی و افزایش دما با چالش جدی روبه‌رو شده است (Karandish et al., 2017)، از­این­رو بررسی میزان تغییرات تولید مناطق دیم و اثر تغییرات آب و هوایی بر آن در تهیه برنامه پیشگیری و اقدامات سازگاری برای کشاورزان و سیاست‌گذاران امری ضروری است (Wang et al., 2018).

یک راهبرد مهم برای پیش­بینی اثرات تغییر اقلیم استفاده از مدل­های شبیه­سازی است که می‌تواند با صرفه‌جویی در زمان و هزینه، برآورد تقریبی از تولید و اثر تغییر اقلیم را ارائه دهد (Hochman et al., 2016; Matin et al., 2014). مدل اپسیم (APSIM)، به عنوان یک شبیه­ساز مکانیستیک، با استفاده از پارامترهای گیاهی و محیطی از جمله آب و هوا، خاک و مدیریت‌های زراعی می‌تواند رشد و نمو گیاهان مختلف ازجمله گندم را شبیه‌سازی کند. همچنین این مدل می‌تواند با کمک به بهبود مدیریت در زمینه‌های مختلف ازجمله انتخاب رقم مناسب، تعیین خصوصیات مطلوب گیاهی، مدیریت کود نیتروژن، پیش‌بینی اثر تغییر اقلیم بر رشد و عملکرد محصول، موجبات افزایش عملکرد واقعی گیاهان زراعی در اقلیم فعلی و تغییریافته را فراهم نماید
(Holzworth et al., 2014)؛ بنابراین با استفاده از مدل‌ها و با کمک آمار هواشناسی بلندمدت می‌توان ضمن شبیه‌سازی و ارزیابی رفتار گیاه در شرایط تنش (Rezaei et al., 2015)، عوامل خلأ بین عملکرد واقعی و عملکرد پتانسیل را شناسایی و کاهش داد.

به‌رغم پیشرفت‌های قابل ‌ملاحظه در مکانیزاسیون تولید و اصلاح ارقام پرمحصول، شرایط اقلیمی ازجمله مهم‌ترین عوامل تعیین‌کننده عملکرد محصولات زراعی می‌باشد (Innes et al., 2015). مطالعه اثرات تغییراقلیم بر تولید محصولات زراعی معمولاً به‌وسیله مدل‌های گردش عمومی (GCMs) [1]  و براساس سناریوهای مختلف انجام می‌گیرد و تلفیق این نتایج با مدل‌های شبیه‌سازی رشد امکان پیش‌بینی عملکرد گیاهان زراعی را در شرایط اقلیمی آینده فراهم می‌سازد (Devkota et al., 2015). بر این اساس، می‌توان محدودیت‌های محیطی، ژنتیکی و مدیریتی در تولید گیاهان زراعی در هر نقطه‌ای را با کمک مدل‌های شبیه‌سازی گیاهان زراعی تجزیه‌وتحلیل کرد و با استفاده از مدل‌های شبیه‌سازی می‌توان اثرات اقلیم بر کشاورزی را از طریق استراتژی‌های مختلف کاشت کاهش داد (Frank et al., 2015).

افزایش دما و تنش گرمایی در طول دوره رشد گیاهان زراعی طی پدیده تغییر اقلیم باعث کاهش عملکرد گیاهان زراعی می‌شود (Innes et al., 2015). مدل‌های APSIM–Wheat و CERES–Wheat در شرایط دیم برای پنج رقم گندم پاییزه در پاکستان کالیبره و ارزیابی شده‌اند (Ahmed et al., 2016). هر دوی این مدل‌ها توانستند تاریخ‌های فنولوژیک، شاخص سطح برگ، عملکرد دانه و ماده خشک کل را با دقت قابل قبولی (RMSE ˂ 10)، پیش‌بینی کنند و مقادیر اندازه‌گیری­شده این شاخص‌ها در آزمایش مزرعه‌ای با مقادیر پیش‌بینی­شده توسط مدل تطابق داشت (D-nidex= 0.8). نتایج این محققان نشان داد که اگرچه با افزایش غلظت گاز دی‌اکسید کربن عملکرد گندم افزایش یافت، ولی با افزایش هم‌زمان دی‌اکسید کربن و دما از صفر تا پنج درجه سانتی‌گراد عملکرد آن بسته به شرایط محیطی می‌تواند تا 60 درصد کاهش یابد.

با توجه به اهمیت گیاه گندم [2]  به‌عنوان محصول استراتژیک و نقش مهم آن در تأمین امنیت غذایی مردم ایران، تحقیق حاضر با هدف برآورد میزان تولید گندم دیم در شرایط تغییر اقلیم در شهرستان خرم‌آباد با استفاده از زیرمدل APSIM-Wheat انجام و میزان تغییرات تولید ارقام مورد مطالعه تحت سناریوها و دوره‌های اقلیمی مختلف با استفاده از زیرمدل مذکور پیش‌بینی شد.

2. روش‌شناسی پژوهش

جهت پیش‌بینی تولید برخی از ارقام گندم دیم در شرایط تغییر اقلیم در شهرستان خرم‌آباد از نسخه 1/7 زیر مدل APSIM-Wheat استفاده شد. ورودی‌های این مدل شامل داده‌های اقلیمی، خاکی، گیاهی و اطلاعات مدیریتی می‌باشد. به‌منظور پارامتریابی و تعیین ضرایب ژنتیکی مدل در شرایط بهینه مدیریتی از داده‌های آزمایش مزرعه‌ای سال زراعی 1401-1400 و جهت ارزیابی مدل در شرایط مختلف اقلیمی و مدیریتی از داده‌های آزمایش‌های مزرعه‌ای (10 مزرعه منتخب) استفاده شد.

1-2. پارامتریابی مدل

جهت شبیه‌سازی عملکرد دانه و عملکرد زیستی گندم دیم، ابتدا زیر مدل APSIM-Wheat برای ارقام مورد مطالعه کالیبره شد. برای انجام عمل کالیبراسیون نیاز به داده‌های هواشناسی، مدیریت رایج در منطقه و پارامتر یا ضرایب ژنتیکی ارقام بود که بر پایه داده‌های جمع‌آورری­شده از آزمایش مزرعه‌ای این امر صورت پذیرفت. پارامترهای ژنتیکی مربوط به ژنتیک گیاه بوده و محیط روی آن‌ها تأثیری نداشته و تغییر آن‌ها در دامنه خاص خود می‌باشد. این ضرایب به‌طور کلی بیان می‌کنند که چگونه یک رقم خاص به فاکتورهای محیطی پاسخ می‌دهند. مقادیر این پارامترها قبل از استفاده از مدل، از طریق آزمایش‌ مزرعه‌ای اندازه­گیری شد. رشد و نمو گیاه زراعی در مدل APSIM-Wheat به‌وسیله‌ی ضرایب مختلفی ازجمله: Vern_sens، Photop_sens، Startgf_to mat، Grains_per_gram_stem، Potential_grain_filling_rate و Phylochron، کنترل می‌‌شوند (Ahmed et al., 2016;
Zhao et al., 2014). در پژوهش حاضر مدل براساس اطلاعات جمع‌آوری­شده از آزمایش مزرعه‌ای سال زراعی 1401-1400 و در شرایط بدون تنش، پارامتریابی شد. بدین منظور با استفاده از روش آزمون و خطا که یک روش مرسوم برای تعیین ضرایب ژنتیکی محسوب می‌شود، عملکرد دانه، عملکرد زیستی و مراحل فنولوژیک گلدهی و رسیدگی فیزیولوژیک ارقام گندم برآورد شد
 (Chen et al., 2010).

جهت ثبت اطلاعات عملکردی گندم دیم در شرایط بدون تنش، آزمایشی در قالب بلوک‌های کامل تصادفی با سه تکرار در مزرعه تحقیقاتی اداره‌کل هواشناسی استان لرستان واقع در شهرستان خرم‌آباد اجرا شد. شهرستان خرم‌آباد در طول جغرافیایی 48 درجه و 21 دقیقه شرقی و عرض جغرافیایی 33 درجه و 29 دقیقه شمالی واقع شده است. ارتفاع آن 1250 متر از سطح دریا می‌باشد. تیمارهای آزمایش، سه رقم گندم دیم (کوهدشت، آفتاب و قابوس) شهرستان خرم‌آباد بودند. ارقام بر اساس غالبیت و سطح زیر کشت قابل‌ توجه آن‌ها در منطقه مورد مطالعه انتخاب شدند که میانگین میزان تولید ارقام مربوطه در منطقه نشان­دهنده تولید منطقه است. براساس گزارش مؤسسه تحقیقات کشاورزی دیم کشور، ارقام قابوس و آفتاب جزء ارقام جدید و زودرس گندم برای مناطق گرمسیری و نیمه­گرمسیری محسوب می‌شوند. لازم به ذکر است که هدف از آزمایش مزرعه‌ای ثبت ویژگی‌های عملکردی و فنولوژیک ارقام غالب گندم دیم در منطقه مورد هدف بود. از این رو مدل اپسیم براساس اطلاعات سه رقم گندم بومی‌سازی شده و میانگین عملکرد ارقام مذکور به‌عنوان عملکرد گندم دیم منطقه مدنظر قرار گرفت.

عملیات آماده‌سازی زمین در نیمه دوم شهریورماه صورت گرفت. بدین منظور پس از عملیات دیسک‌زنی جهت تسطیح خاک با استفاده از فارور جوی و پشته احداث شد. هر واحد آزمایشی دارای شش خط کاشت به طول شش متر با فاصله 22 سانتی‌متر بود که با اعمال فاصله‌ی حدود 5/1 سانتی‌متر روی ردیف، تراکم 300 بوته در متر مربع در نظر گرفته شد. قبل از کاشت حدود 150 کیلوگرم در هکتار کود اوره، 100 کیلوگرم در هکتار نیز کود فسفات آمونیوم و 100 کیلوگرم در هکتار سوپرفسفات تریپل مصرف شد. در طول فصل رشد نیز متناسب با نیاز کودی، 150 کیلوگرم در هکتار کود اوره در مرحله اوایل ساقه‌دهی به‌صورت سرک مصرف شد. عملیات کاشت بذور در 15 آبان‌ماه (تاریخ کاشت بهینه) با استفاده از دستگاه کارنده انجام شد. علف‌های هرز مزرعه نیز به‌صورت دستی وجین شد و مزارع مورد مطالعه عاری از هرگونه آفات و بیماری بودند؛ لذا هیچ کنترلی انجام نشد. در طول فصل رشد تاریخ‌های فنولوژیک گلدهی و رسیدگی فیزیولوژیک ارقام ثبت و در انتهای فصل رشد نیز از دو ردیف وسط به ‌اندازه یک متر برای تعیین عملکرد استفاده شد. معیار رسیدن بوته‌ها به مرحله‌ی بلوغ فیزیولوژیک و برداشت نهایی، سخت و سفت­شدن بیش از 50 درصد بذور و طلایی‌رنگ­شدن بوته‌های مورد نظر بود. بدین منظور بوته‌های مورد نظر به مدت 48 ساعت در آون با دمای 75 درجه سانتی‌گراد قرار گرفته و درنهایت با ترازوهای دیجیتالی عملکرد دانه و عملکرد زیستی ارقام توزین شد.

2-2. ارزیابی مدل

بدین منظور جهت جمع‌آوری داده‌های خاکی، گیاهی و مدیریتی در شرایط واقعی (مدیریت مزرعه توسط کشاورزان)، اطلاعات تعداد 10 مزرعه گندم در شهرستان خرم‌آباد، انتخاب و اقدام به تکمیل پرسش‌نامه شد. از طریق پرسش‌نامه اطلاعات تاریخچه مزرعه، عملیات کاشت، داشت، برداشت و چگونگی مدیریت مزرعه ثبت شد. همچنین به‌منظور بررسی وضعیت رشد ارقام در مزارع انتخاب­شده، اطلاعات خاکی و گیاهی نیز ثبت شد.

اطلاعات مدیریتی: شامل تاریخ کاشت، تراکم کاشت، فاصله بین ردیف، زمان و مقدار کوددهی، رقم و زمان برداشت بود که این اطلاعات طی اجرای طرح.

اطلاعات خاکی: شامل بافت خاک (درصد رس، سیلت و شن)، جرم مخصوص ظاهری، ضریب نگهداری آب در خاک، اسیدیته، ظرفیت تبادل کاتیونی، میزان ماده آلی، قابلیت هدایت الکتریکی و غلظت‌های نیتروژن معدنی، فسفر و پتاسیم.

اطلاعات گیاهی: شامل مراحل اصلی فنولوژیک گیاه (تاریخ‌های سبز شدن، گلدهی و برداشت نهایی) و عملکردی (دانه و زیستی).

اطلاعات اقلیمی: جهت پیش‌بینی اقلیمی، آمار بلندمدت داده‌های هواشناسی (از سال 1987 تا 2023) شهرستان خرم‌آباد شامل درجه حرارت حداقل و حداکثر (درجه سانتی‌گراد)، میزان بارندگی روزانه (میلی‌متر) و شدت تشعشع روزانه خورشیدی (مگاژول در متر مربع در روز)، از بانک داده‌های سازمان هواشناسی کشور تهیه شد. از آن‌جایی­که شدت تشعشع روزانه در بسیاری از ایستگاه‌های هواشناسی کشور ثبت نمی‌شود، لذا برای دست­یابی به مقادیر این متغیر با در اختیار داشتن طول ساعات آفتابی شبیه‌سازی آن با استفاده از رابطه آنگستروم (رابطه 1) انجام شد.

رابطه 1                                                           Rs= [a+b (n/N)]×Ra

در رابطه بالا، RS نشان­دهنده تشعشع، n ساعات آفتابی، N طول روز و Ra تابش فرازمینی می‌باشد. پارامترهای a و b ضرایب آنگستروم کالیبره­شده محلی هستند (Almorox et al., 2005). همچنین به‌دلیل این‌که در بعضی از ایستگاه‌ها داده‌ها به‌طور کامل ثبت نمی‌شود و یا داده‌های پرت و گمشده وجود دارد با استفاده از میان‌گیری به‌صورت دستی بازسازی و اصلاح این داده‌ها انجام شد. در این تحقیق از دورۀ 35 ساله به‌عنوان دورۀ پایه به‌منظور شبیه‌سازی رشد و عملکرد گیاه زراعی گندم دیم در نرم‌افزار
 LARS GW استفاده شد. در نهایت در ایستگاه مذکور با استفاده از مدل و سناریوهای HADCM3-RCP2.6، HADCM3-RCP4.5 و HADCM3-RCP8.5 و داده‌های دورۀ پایه، شبیه‌سازی برای دوره‌های زمانی آینده، با استفاده از مدل اقلیمی LARS-WG انجام شد. بــرای ارزیابــی کارکرد مدل، نتایج شبیه‌سازی­شده با داده‌های مشــاهده­شــده با اســتفاده از داده‌های آزمایش‌های میدانی (10 مزرعه منتخب) صحت‌سنجی شد. بدین منظور مدل اجرا، و مراحل رشد، نمو و عملکرد ارقام گندم مورد مطالعه شبیه‌سازی شد، ســپس نتایج شبیه‌سازی­شده با داده‌های مشاهده­شــده مقایســه و اعتبار مدل با آزمون‌های آماری و رگرسیونی ارزیابی شد. در این آزمایش عملکرد دانه و عملکرد زیستی، تاریخ‌های فنولوژیک گلدهی و رسیدگی فیزیولوژیک به‌عنوان صفات مورد هدف برای ارزیابی مدل اپسیم در نظر گرفته شدند. همچنین از شاخص‌های ضریب تبیین [3]  (R²)، جذر خطای میانگین مربعات نرمال­شده [4]  (nRMSE)، (رابطه 2)، Bannayan et al., 2009)، ضریب جرمی خطا [5]  (CRM)، (رابطه 3)،1991)  Loague & Green,)، و ضریب هم‌خوانی [6]  (D-index)، (رابطه 4)،Willmott, 1982) )، به‌منظور تجزیه آماری نتایج حاصل از شبیه‌سازی استفاده شد.

در نهایت عملکرد دانه و عملکرد زیستی ارقام مورد مطالعه گندم دیم، در دوره‌های اقلیمی (2040-2024، 2060-2041 و 2080-2061) و سناریوهای اقلیمی خوش‌بینانه (RCP2.6)، متوسط (RCP4.5) و بدبینانه (RCP8.5) پیش‌بینی شد. بدین منظور از داده‌های خروجی مدل LARS-WG، به‌عنوان ورودی اقلیمی مدل APSIM استفاده شد. با استفاده از ضرایب ژنتیکی شناسایی­شده نیز در شرایط قابل دسترس میزان تغییرات عملکردی گیاهان مذکور نسبت به دورۀ پایه ارزیابی شد.

3. یافته‌های پژوهش و بحث

3-1. پارامتریابی و ارزیابی مدل اپسیم برای شبیه‌سازی عملکرد و مراحل فنولوژیک گندم دیم

نتایج نشان داد که در شهرستان خرم‌آباد برای گیاه گندم دیم، مقدار شاخص ضریب جرمی خطا (CRM) برای شبیه‌سازی عملکرد دانه و عملکرد زیستی مثبت و تاریخ‌های فنولوژیک منفی بود (جدول 1). علامت‌های مثبت و منفی ضریب جرمی خطا نشان­دهنده آن است که مدل اپسیم به‌ترتیب برآورد کمتر و بیشتری نسبت به مقادیر مشاهده­شده داشت؛ بنابراین نتایج نشان داد که مدل اپسیم عملکرد ارقام مورد مطالعه را به‌طور جزئی کمتر و تاریخ‌های فنولوژیک گلدهی و رسیدگی فیزیولوژیک را بیشتر از مقدار مشاهده­شده برآورد کرد. مقدار عددی شاخص ضریب هم‌خوانی (D-index) برای عملکرد دانه ارقام گندم دیم 62/0 و عملکرد زیستی 38/0 بود که نشان­دهنده تطابق بین داده‌های شبیه‌سازی و مشاهده­شده می‌باشد. مقدار عددی شاخص ضریب هم‌خوانی برای تاریخ گلدهی 77/0 و رسیدگی فیزیولوژیک 44/0 بود. محققان گزارش کردند که چنان‌چه مدل، شبیه‌سازی را به‌طور کامل انجام دهد، یعنی مقادیر شبیه‌سازی­شده برابر با مقادیر مشاهده­شده باشد، مقدار شاخص D-index برابر با یک و اگر مقادیر شبیه‌سازی­شده برای تمامی داده‌ها برابر با میانگین داده‌های مشاهده­شده باشد، مقدار این شاخص برابر با صفر خواهد بود (Zhao et al., 2020). در خصوص تاریخ گلدهی اختلاف بین داده‌های شبیه‌سازی­شده و مشاهده­شده کم بوده، ولی در خصوص رسیدگی فیزیولوژیک مقادیر شبیه‌سازی­شده با میانگین داده‌های مشاهده­شده ارقام گندم اختلاف کمتری داشتند، لذا شاخص تطابق به سمت صفر میل نموده است.

جدول 1.

Mean: میانگین ارقام، nRMSE: جذر میانگین مربعات نرمال­شده، CRM: ضریب جرمی خطا که علامت مثبت و منفی به­ترتیب نشان‌دهنده برآورد کمتر و بیشتر مدل نسبت به مقادیر مشاهده‌شده است، D-index: شاخص ضریب هم‌خوانی و R^2: ضریب تبیین.

بنابراین به‌طور کلی در گندم دیم، بین مقادیر شبیه‌سازی­شده عملکرد با مقدار مشاهده­شده اختلاف چندانی وجود نداشت که مقدار ضریب R² نیز گویای این امر است. مقدار جذر میانگین مربعات نرمال­شده (nRMSE) برای صفات عملکرد دانه و عملکرد زیستی و تاریخ گلدهی کمتر از پنج درصد و برای رسیدگی فیزیولوژیک کمتر از 10 درصد بود، لذا مدل توانست صفات مورد مطالعه را با کیفیت پیش‌بینی کند. محققان مختلفی نیز کارایی مدل اپسیم را در پیش‌بینی عملکرد گیاهان گندم و جو قابل قبول برآورد کردند (Zhao et al., 2020; Gaydon et al., 2017; Zheng et al., 2014).

3-2. ارزیابی مدل اپسیم برای شبیه‌سازی عملکرد دانه و عملکرد زیستی

در مزارع مورد مطالعه شهرستان خرم‌آباد، برخلاف نتایج پارامتریابی مدل، در صفات عملکرد دانه، عملکرد زیستی و تاریخ گلدهی ضریب جرمی خطا (CRM) منفی بود (جدول 2). این نشان­دهنده آن است که مدل به‌طور جزئی صفات مذکور را در شرایط واقعی بیشتر از حد واقعی برآورد نموده است. در شرایط واقعی مقدار ضریب هم‌خوانی (D-index) داده‌های مشاهده­شده و شبیه‌سازی­شده بیشتر از 70/0 بود و همچنین مقدار جذر میانگین نرمال­شده (nRMSE) مدل اپسیم برای عملکرد دانه گندم در بازه 10 تا 15 درصد و برای عملکرد زیستی و صفات فنولوژیک کمتر از 10 درصد بود؛ لذا مدل توانست در شرایط واقعی عملکرد دانه گندم دیم را با کیفیت قابل قبول (خوب) و سایر صفات را با دقت مناسب شبیه‌سازی نماید.

با توجه به دست­یابی به ضرایب ژنتیکی برخی از ارقام گندم دیم که سطح زیر کشت قابل توجهی در ایران دارند، می‌توان با استفاده از زیرمدل اپسیم (APSIM–Wheat)، عملکرد دانه و عملکرد زیستی گندم را در شرایط بدون تنش و واقعی (سطوح مختلف رژیم‌های رطوبتی، کودی، تاریخ کاشت‌های مختلف و ...)، بدون اجرای آزمایش‌های زمان‌بر و پر هزینه برآورد نمود. بنابراین به‌کارگیری مدل اپسیم در دست­یابی به تولید پایدار و صرفه‌جویی اقتصادی نهاده‌های کشاورزی در منطقه می‌تواند کارگشا باشد و دورنمایی از شرایط تولید گندم را در اختیار کشاورزان، مدیران و برنامه‌ریزان قرار دهد. از سویی دیگر، با توجه به این‌که در شهرستان خرم‌آباد معیشت کشاورزان وابستگی زیادی به تولید غلاتی هم‌چون گندم دارد، لذا کاهش عمده عملکرد می‌تواند تولید را غیر اقتصادی نموده و موجب افزایش نیاز به واردات این محصولات شود. استفاده از مدل‌های گیاهان زراعی هم‌چون اپسیم در برنامه‌ریزی‌های مدیریتی در شرایط بحران نقش داشته و می‌تواند جهت کاهش اثرات نامطلوب تغییرات اقلیمی از مدل‌ها برای اتخاذ تصمیم‌های مدیریتی مانند انتخاب تاریخ کاشت مناسب، انتخاب ارقام مقاوم به تنش‌های محیطی و برنامه‌ریزی آبیاری بهینه مورد استفاده قرار گیرد.

محققان طی بررسی کارایی شش مدل گیاهی (APSIM-Wheat، APSIM-Nwheat، CAT-Wheat، CropSyst، OLEARY-CONNOR و SALUS)، برای پیش‌بینی عملکرد گندم در شرایط تغییر اقلیم گزارش کردند که همه مدل‌ها قادر به پیش‌بینی با دقت مناسب بودند (Oleary et al., 2015). برخی دیگر از محققان طی بررسی قابلیت چهار مدل CropSyst، SSM، APSIM و DSSAT گزارش کردند که مدل‌های ساده (CropSyst و SSM) در پیش‌بینی عملکرد گندم قوی‌تر از مدل‌های پیچیده (APSIM و DSSAT) بودند (Soltani & Sinclair, 2015). گایدون و همکاران (Gaydon et al., 2017) طی ارزیابی مدل اپسیم در پیش‌بینی سیستم‌های زراعی آسیا گزارش کردند که این مدل در آینده می‌تواند یکی از بهترین ابزارهای مدیریتی محسوب شود و می‌تواند در ارزیابی اثر عوامل اقلیمی (تغییرات دما، بارش و غلظت دی­اکسید کربن) و مدیریتی (استفاده از عناصر و کودهای مختلف و آب) بر تولیدات محصولات زراعی نقش بسزایی ایفا کند. ژائو و همکاران (Zhao et al., 2014)، طی بررسی حساسیت و تأثیر عوامل ژنتیکی (رقم)، محیطی و مدیریتی بر عدم قطعیت آنالیزهای مدل APSIM-Wheat، در استرالیا گزارش کردند که ارقام مختلف یک گیاه ممکن است در شرایط مختلف آب و هوایی و رشدی پاسخ‌های متفاوتی نشان دهند و در بین شاخص‌های مورد مطالعه، عملکرد دانه و مراحل فنولوژیک گندم نسبت به ضرایب ژنتیکی بسیار حساس بودند، لذا برای کاهش خطا و عدم قطعیت مدل که ناشی از ضرایب ژنتیکی رقم است، بایستی مدل برای ارقام جدید و شرایط آب و هوایی مختلف کالیبره شود.

3-3. شبیه‌سازی عملکرد ارقام گندم دیم در شرایط تغییر اقلیم

نتایج متغیرهای اقلیمی طی دوره‌ها و سناریوهای اقلیمی مختلف نشان داد که با افزایش غلظت دی‌اکسید کربن از 18 تا 89 درصد در سناریوها (RCP2.6، RCP4.5 و RCP8.5)، و دوره‌های اقلیمی آینده (2040-2024، 2060-2041 و 2080-2061)، دماهای کمینه و بیشینه، میزان بارش سالانه و تشعشع افزایش و تعداد روزهای یخبندان منطقه کاهش خواهد یافت (جدول 3). در این راستا در این بخش از پژوهش، تأثیر توأم عوامل اقلیمی مذکور تحت سناریوهای اقلیمی خوش‌بینانه (RCP2.6)، متوسط (RCP4.5) و بدبینانه (RCP8.5) در دوره‌های اقلیمی پایه (2023-1987)، آینده نزدیک (2040-2024)، آینده متوسط (2060-2041) و آینده دور (2080-2061) بر عملکرد دانه و عملکرد زیستی برخی از ارقام گندم دیم بررسی شد. لازم به ذکر است که سایر فاکتورهای آزمایش ازجمله بخش مدیریتی و خاکی در این بخش به‌صورت بهینه در نظر گرفته شده است.

در شرایط بهینه مدیریتی متوسط عملکرد دانه و عملکرد زیستی گندم دیم در شهرستان خرم‌آباد در دورۀ پایه (2023-1987)، به‌ترتیب 3738 و 9571 کیلوگرم در هکتار بود (جدول 4). در تمام دوره‌ها و سناریوهای اقلیمی مورد مطالعه، عملکردهای زیستی و دانه گندم دیم نسبت به دورۀ پایه کاهش خواهد یافت (جدول 4).

جدول 2. ارزیابی مدل اپسیم برای شبیه‌سازی عملکرد دانه و عملکرد زیستی گندم دیم در شراط واقعی.

Mean: میانگین عملکرد ارقام، nRMSE: جذر میانگین مربعات نرمال­شده، CRM: ضریب جرمی خطا که علامت مثبت و منفی به­ترتیب نشان‌دهنده برآورد کمتر و بیشتر مدل نسبت به مقادیر مشاهده‌شده است، D-index: شاخص ضریب هم‌خوانی و R^2:ضریب تبیین.

جدول 3. پیش‌بینی درصد تغییرات متغیرهای اقلیمی در دوره‌ و سناریوهای اقلیمی مختلف در شهرستان خرم‌آباد.

* علامت‌های منفی (-) و مثبت (+) به‌ترتیب نشان­دهنده کاهش و افزایش متغیرهای اقلیمی مورد مطالعه در دوره‌های آینده نسبت به دورۀ پایه می‌باشد.

جدول 4. میزان و درصد تغییرات عملکرد دانه و عملکرد زیستی ارقام گندم دیم در شهرستان خرم‌آباد در دوره‌ها و سناریوی اقلیمی مختلف.

* علامت‌های منفی (-) و مثبت (+) به‌ترتیب نشان­دهنده کاهش و افزایش عملکرد در دوره‌های آینده نسبت به دورۀ پایه (2023-1937) می‌باشد.

در دوره‌ها و سناریوهای اقلیمی خوش­بینانه تا بدبینانه، میزان کاهش عملکرد دانه گندم دیم 3/7 تا 0/57 درصد و عملکرد زیستی 6/2 تا 9/27 درصد خواهد بود. همچنین نتایج نشان داد که درصد کاهش عملکرد دانه و عملکرد زیستی در دورۀ اقلیمی دور (2080-2061) و سناریوی بدبینانه (RCP8.5) بیشتر خواهد بود. در سناریوی بدبینانه با وجود افزایش بارش‌ها، باتوجه به افزایش بیشتر دماهای کمینه و بیشینه، میزان تعرق و تنفس گیاه افزایش یافت و از سویی دیگر نیز با توجه به کاهش طول دوره رشد گیاه، عملکرد گیاهان به‌طور قابل ملاحظه‌ای کاهش یافت.

تحقیقات نشان داد که تأثیر تغییر اقلیم بر کشاورزی، تنها محدود به افزایش متوسط مقادیر درجه حرارت و بارش نمی‌شود و فراوانی و شدت تغییر متغیرهای هواشناسی در فصل رشد از اهمیت بیشتری برخوردار می‌باشد که بدون تردید درجه حرارت هوا مهم‌ترین پارامتر هواشناسی است که فرآیندهای مختلف رویشی و زایشی گیاهان را کنترل می­کند (Pradhan et al, 2018). در حالت کلی، افزایش درجه حرارت تا یک حد بهینه با افزایش سرعت رشد و توسعه گیاه توأم بوده، اما اگر درجه حرارت فراتر از حد آستانه گیاه شود، رشد گیاه روند کاهشی به خود می‌گیرد و در چنین شرایطی عملکرد گیاهان احتمالاً به‌علت کوتاه­شدن چرخه فنولوژیک در گیاه، افزایش سرعت تنفس شبانه، کاهش جذب مواد غذایی، افزایش احتمال ناباروری سنبلچه، تشکیل دانه‌های کمتر و کاهش ظرفیت مخزن هنگام پر شدن دانه، کاهش خواهد یافت (Wahid et al., 2007).

4. نتیجه‌گیری

جذر میانگین مربعات نرمال­شده (nRMSE)، برای صفات عملکرد دانه و عملکرد زیستی و مراحل فنولوژیک گلدهی و بلوغ فیزیولوژیک ارقام گندم دیم کمتر از 10 درصد بود، لذا زیرمدل APSIM-Wheat توانست با دقت مناسب صفات مذکور را برآورد نماید. سایر شاخص‌های ارزیابی مدل (CRM، D-index و R²) نیز کارایی زیرمدل مذکور را تأیید کردند. در شرایط تغییر اقلیم در شهرستان خرم­آباد، ارقام گندم دیم در سناریوها و دوره‌های اقلیمی مختلف تولید متفاوتی خواهند داشت. میزان کاهش عملکرد دانه رقم قابوس در شرایط مذکور 8/5 تا 8/50 درصد، کوهدشت 6/15 تا 4/34 و آفتاب 2/9 تا 8/56 درصد خواهد بود. عملکرد زیستی ارقام قابوس، کوهدشت و آفتاب نیز به‌ترتیب 8/3 تا 5/18 درصد، 2/14 تا 3/23 درصد و 5/2 تا 5/22 درصد کاهش خواهد یافت. نتایج حاصل از شبیه‌سازی نشان داد که به‌طور متوسط در شهرستان خرم‌آباد بسته به نوع سناریو و دورۀ‌ اقلیمی، عملکرد دانه گندم دیم 3/7 تا 0/57 درصد و عملکرد زیستی 6/2 تا 9/27 درصد کاهش خواهد یافت.در دورۀ اقلیمی دور (2080-2061) و سناریوی بدبینانه (RCP8.5) با وجود افزایش بارش‌ها، باتوجه به افزایش بیشتر دماهای کمینه و بیشینه نسبت به دورۀ پایه و کاهش طول دوره رشد گیاه، عملکرد گیاهان به‌طور قابل ملاحظه‌ای کاهش خواهد یافت. با توجه به تغییرات عملکردی ارقام گندم دیم در شرایط اقلیمی مختلف، جهت سازگاری با شرایط محیطی و کاهش اثرات منفی تغییر اقلیم بر تولیدات غذایی و علوفه‌ای منطقه، بسته به هدف می‌توان تدابیر مدیریتی مناسب منطقه (از جمله انتخاب رقم، تاریخ کشت، تراکم کشت، روش آبیاری مناسب و ...) را اتخاذ نمود. با توجه به دست­یابی به ضرایب ژنتیکی برخی از ارقام گندم دیم در تحقیق حاضر، می‌توان از زیرمدل APSIM-Wheat به‌عنوان ابزار کم­هزینه و سریع در برنامه‌ریزی‌ها به‌عنوان ابزار پیش‌بینی و اتخاذ تصمیم‌های مدیریتی بهره جست.

5. تعارض منافع

بنابر اظهار نویسندگان این مقاله تعارض منافع ندارد.

6. منابع

Ahmed, M., Akram, M.N., Asim, M., Aslam, M., Hassan, F. Higgins, S., Stockle, C., & Hoogenboom, G. (2016). Calibration and validation of APSIM-Wheat and CERES-Wheat for spring wheat under rainfed conditions: Models evaluation and application. Computers and Electronics in Agriculture, 123, 381-401. https://doi.org/10.1016/j.compag.2016.03.015.

Bannayan, M., Hoogenboom, G., & Crout, N.M.J. (2009). Photothermal impact on maize performance: A simulation approach. Ecological Modeling, 180, 277-290. https://doi.org/10.1016/j.ecolmodel.2004.04.022.

Chen, C., Wang, E., & Yu, Q. (2010). Modelling the effects of climate variability water management on crop water productivity and water balance in the China Plain. Agricultural Water Management, 97(8), 1175-1184. https://doi.org/10.1016/j.agwat.2008.11.012.

Devkota, K.P., Hoogenbom, G., Boote, K.J., Singh, U., Lamers, J.P.A., Devkota, M., & Velk, P.L.G. (2015). Simulating the impact of water saving irrigation and conservation agriculture practices for rice – wheat systems in the irrigated semi-arid drylands of Central Asia. Agricultural and Forest Meteorology, 214, 266-280. https://doi.org/10.1016/j.agrformet.2015.08.264.

Frank, S., Schmid, E., Havilk, P., Schneider, U.A., Bottcher, H., Balkovic, J., & Obersteiner, M. (2015). The dynamic soil organic carbon mitigation potential of European cropland. Global Environmental Change, 35, 269-278. ttps://doi.org/10.1016/j.gloenvcha.2015.08.004.

Gaydon, D.S., Wang, E., Poulton, P.L., Ahmad, B., Ahmed, F., Akhter, S., Ali, I., Amarasingha, R., Chaki, A.K., & Chen, C. (2017). Evaluation of the APSIM model in cropping systems of Asia. Field Crops Research, 204, 52-75. https://doi.org/10.1016/j.fcr.2016.12.015.

Hatfield, J. (2014). Radiation interception, extinction coefficient and use efficiency of wheat crop at various irrigation and nitrogen levels in a semiarid location. Agronomy Journal, 106(5), 1820-1827.

Hochman, Z., Gobbett, D., Horan, H., & Garcia, J.N. (2016). Data rich yield gap analysis of wheat in Australia. Field Crops Research, 197, 97-106. https://doi.org/10.1016/j.fcr.2016.08.017.

Holzworth, D.P., Huth, N.I., Dvoil, P.G., Zurcher, E.G., Herrmann, N.I., Mclean, G., Chenu, K., Voonstrom, E., Snow, V., Murphy, C., Moore, A.D., Brown, H., Wish, J.P., Verral, S., Fainges, J., Bell, L.W., Peake, A.S., Poulton, P.L., & Keating, B.A. (2014). APSIM– evolution towards a new generation of agricultural systems simulation. Environmental Modelling & Software, 62, 327-350.

Innes, P.J., Tan, D.K.Y., Van Ogtrop, F., & Amthor, J.S. (2015). Effects of high-temperature episodes on wheat yields in New South Wales, Australia. Agricultural and Forest Meteorology, 208, 95-107. https://doi.org/10.1016/j.agrformet.2015.03.018.

IPCC. 2014. Climate Change Impacts, Adaptation and Vulnerability: Regional Aspects: Cambridge University Press.

Karandish, F., Mousavi, S., & Tabari, H. (2017) Climate change impact on precipitation and cardinal temperatures in different climatic zones in Iran: analyzing the probable effects on cereal water-use efficiency. Stochastic Environmental Research and Risk Assessment, 31, 2121–2146. https://doi.org/10.1007/s00477-016-1355-y.

Loague, K., & Green, R.W. (1991). Statistical and graphical methods for evaluating solute transport models: Overview and application. Journal of Contaminant Hydrology, 7, 51-73. http://dx.doi.org/10.1016/0169-7722(91)90038-3.

Matin, M.M., Olesen, J.E., & Porter, J.R. (2014). A genotype, environment and management analysis of adaption in winter wheat to climate change in Denmark. Agricultural and Forest Meteorology, 187, 1-13. http://dx.doi.org/10.1016/j.agrformet.2013.11.009.

Oleary, G.J., Christy, B., Nuttall, J., Huth, N., Cammarano, D., Stockle, C., Basso, B., Shcherbak, I., Fitzgerald, G., Luo, Q., Farre-Codina, I., Palta, J., & Asseng, S. (2015). Response of wheat growth, grain yield and water use to elevate CO₂ under a free-air CO₂ enrichment (FACE) experiment and modelling in a semi-arid environment. Global Change Biology, 21(7), 2670-2686. http://dx.doi.org/10.1007/978-981-15-4728-7_6.

Rezaei, E.E., Siebert, S., & Ewert, F. (2015). Intensity of heat stress in winter wheat phenology compensates for the adverse effect of global warming. Environmental Research Letters, 10(2), 12-24. http://dx.doi.org/10.1088/1748-9326/10/2/024012.

Soltani, A., & Sinclair, T.R. (2015). A comparison of four wheat models with respect to robustness and transparency: Simulation in a temperate, sub-humid environment. Field Crops Research, 175, 37-46. http://dx.doi.org/10.1016/j.fcr.2014.10.019.

Wahid, A., Gelani, S., Ashraf, M., & Foolad, M.R. (2007). Heat tolerance in plants: An overview. Environmental and Experimental Botany, 61(3), 199-223. https://doi.org/10.1016/j.envexpbot.2007.05.011.

Wang, J., Enli, W., & De, L. (2018). Modelling the impacts of climate change on wheat yield and field water balance over the Murray–Darling Basin in Australia. Theoretical and Applied Climatology, 104(4), 285-300. https://doi.org/10.1007/s00704-010-0343-2.

Willmott, C.J. (1982). Some comments on the evaluation of model performance. Bulletin of the American Meteorological Society, 63, 1309-1313. https://doi.org/10.1175/1520-0477(1982)063%3C1309:SCOTEO%3E2.0.CO;2.

Zhao, G., Bryan, B., & Song, X. (2014). Sensitivity and uncertainty analysis of the APSIM – Wheat model: Interaction between cultivar, environment and management parameters. Ecological Modelling, 279, 1-11. https://doi.org/10.1016/j.ecolmodel.2014.02.003.

Zhao, P., Zhou, Y., Li, F., Ling, X., Deng, N., Peng, S., & Man, J. (2020). The adaptability of Apsim-Wheat model in the middle and lower reaches of the Yangtze River plain of China: A case study of winter wheat in Hubei province. Agronomy, 10, 981-995. https://doi.org/10.3390/agronomy10070981.

Zheng, B., Chenu, K., Doherty, A., Doherty, T., & Chapman, L. (2014). The APSIM-Wheat Module. APSRU Australia, 1-44. https://doi.org/10.1016/j.agwat.2008.11.012.

1. General Circulation Model
2. Triticum aestivum (L.)
3. 3. Coefficient of Determination
4. 4. Normalized Root Mean Square Error
5. 5. Coefficient of Residual Mass
6. 6. Agreement Index