Lentil genotypes Selection for freezing tolerance by fluorescence chlorophyllEstimating the potential and yield gap of forage maize in Iran based on the Global Yield Gap Atlas Protocol

Document Type : Research Paper

Authors

1 Gorgan University of Agricultural Sciences and Natural Resources

2 Associate Professor of Agronomy Department, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran

3 Proffesor of Agronomy Department, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran

Abstract

Maize (Zea mays L.) is the most important silage plants in the world because of its high yield, energy and quality of forage and low fiber. Due to the severe water deficit in Iran and the high water demand of maize plant, the only way to increase maize production is to increase the yield per unit area and reduce the yield gap by optimizing production management. Therefore, this study was aimed to estimate the yield potential and gap in the main forage maize production areas of Iran. For this purpose, GYGA protocol method was used. Yield potential based on the data from a 15-year period (2001-2015) was calculated using the SSM-iCrop2 simulation model. First, parameterization and evaluation of the simulation model for the studied plant were performed using data from all over the country. In the major maize production regions of Iran, 27 reference weather stations (RWS) and 11 main climatic zones (CZ) were selected. The average Ya and Yp of maize in Iran was estimated at 49.3 and 85.6 T/ha-1, respectively. Furthermore, in the major climatic zones was 9.9 T/ha-1yield gap in the country. In fact, forage yield and production in Iran can be increased from current 49 T/ha-1and 11.2 million tons to 68 T/ha-1 and 15.6 million tons through optimized management and elimination of exploitable yield gap.

Keywords

Main Subjects


مقدمه

 

ذرت (Zea mayz L.) یکی از مهم‏ترین گیاهان زراعی ایران است که با دو هدف تولید دانه و علوفه کشت می‏شود و بیشترین مصرف این گیاه در تغذیه دام و طیور به‏صورت دانه، علوفه تازه و  سیلو شده می‏باشد. به این ترتیب، ذرت بیشتر به‏طور غیرمستقیم از طریق تولید فرآورده‏های دام و طیور ( گوشت، تخم‏مرغ و لبنیات) در تغذیه انسان نقش دارد (Densley et al., 2006). این گیاه به دلیل دارا بودن ویژگی‏هایی همچون تولید زیاد علوفه در واحد سطح، کیفیت بالای علوفه‏ی سیلو شده، میزان انرژی بالا (قابلیت هضم و جذب بالا) و فیبر کم، به‌عنوان یکی از بهترین گیاهان علوفه‏ای به شمار می‏رود (Densley et al., 2006). عملکرد ذرت علوفه‏ای در ایران حدود 45 تن در هکتار است که سالانه از حدود 8/4 هزار هکتار از زمین‏های زیر کشت این محصول، 3/0 میلیون تن علوفه تولید می‏شود (Ministry of agricultural Jihad statistics, 2017). سطح زیر کشت ذرت علوفه‏ای در جهان یک میلیون هکتار با تولید 3/8 میلیون تن علوفه می‏باشد (FAO, 2019).

حداکثر عملکردی که از یک رقم در یک محیط مشخص در شرایط محیطی مطلوب و بدون محدودیت منابع آب و عناصر غذایی به‏دست می‏آید، پتانسیل عملکرد[1] نامیده می‏شود ((Fischer, 2015. عواملی مانند کمبود آب، عناصر غذایی و وجود آفات، بیماری‏ها، علف‏های هرز و آلاینده‏های محیطی، باعث کاهش عملکرد به‌دست آمده نسبت به پتانسیل عملکرد می‏شود که عملکرد واقعی[2] نامیده می‏شود.  خلأ عملکرد[3] به‌عنوان اختلاف بین پتانسیل عملکرد و عملکرد واقعی تعریف می‏شود (Marin et al., 2015). در صورت فراهم بودن آمار هواشناسی بلند مدت، مدل‏های شبیه‏سازی گیاهان زراعی، برآورد بهتری از پتانسیل عملکرد را نشان می‏دهند، زیرا در این مدل‏ها، اثر نوسانات دمایی، تششع و بارندگی در طی زمان بهتر تخمین زده می‏شود (Van Ittersum et al., 2013). مدل‏های گیاهی علاوه بر کاهش هزینه و زمان مورد نیاز برای انجام مطالعات مزرعه‏ای، به‌عنوان مفیدترین ابزار برای برآورد پتانسیل عملکرد و مباحث مربوط به  خلأ عملکرد در نظر گرفته می‏شوند، زیرا امکان ارزیابی اثرات متقابل اقلیم، خاک، رقم و مدیریت زراعی برای رشد و نمو گیاه را فراهم می‏کند (Soltani et al., 2009; Godfray et al., 2011; Meng et al., 2013; Grassini, 2015). در این گونه مطالعات به طور معمول از ترکیب مدل‏های گیاهی و سامانه اطلاعات جغرافیایی (GIS[4]) استفاده می‏شود. برای شبیه‏‏سازی عملکرد به‌وسیله مدل‏های گیاهی، به یک‏سری حداقل‏هایی از ورودی‏ها نیاز است که از مدلی به مدل دیگر می‏تواند متفاوت باشد، اما به‌طورکلی شامل آمار روزانه حداکثر و حداقل دما، تششع خورشیدی، بارندگی، تاریخ، عمق و تراکم کاشت و ویژگی‏های ژنتیکی گیاه می‏باشند. برای عملکرد پتانسیل آب محدود عوامل دیگری مانند بافت خاک، مقدار رطوبت اولیه و عمق مؤثر ریشه نیز به‌عنوان ورودی مدل مورد استفاده قرار می‏گیرد. امروزه مدل‏های متفاوتی برای برآورد پتانسیل عملکرد توسعه داده شده است که توسط محققین مختلف به‏کار رفته‏اند. از جمله این مدل‏ها می‏توان به EPIC[5]، CERES[6]، WOFOST[7]، CropSyst[8]، MSM[9]، اشاره کرد (Williams et al., 1984; Jones & Kinery, 1986; Van Diepen et al., 1989; Stockle et al., 1994; Zand Parsa et al., 2006). در مطالعه‏ای با استفاده از مدل SSM-iCrop2 و بر اساس دستورالعمل گیگا، میانگین پتانسیل عملکرد و  خلأ عملکرد گندم آبی در ایران برای دوره زمانی 1380 تا 1394 به‏ترتیب 8/8 و 4/5 تن در هکتار محاسبه شد (Zahed et al., 2020). در تحقیق دیگری با استفاده از این مدل SSM-iCrop2 و روش گیگا، پتانسیل و  خلأ عملکرد و عملکرد نسبی سیب‏زمینی در استان گلستان به ‏ترتیب 52 و 33 تن در هکتار و 38 درصد برآورد شد (Dadrasi et al., 2020). Soltani et al (2016) در پژوهشی با استفاده از مدل شبیه‏سازی SSM-Chickpea، میانگین پتانسیل عملکرد و  خلأ عملکرد برای پنج منطقه اصلی تولیدکننده نخود در ایران به‏ترتیب یک و 5/0 تن در هکتار تخمین زدند. در بررسی انجام گرفته بر روی ذرت در سه مکان از کشور اتیوپی با استفاده از دو مدل DSSAT و WOFOST پتانسیل عملکرد برای ارقام زودرس به‌ترتیب 1/7-8/6 و برای ارقام دیررس 2/9-2/8 تن در هکتار گزارش شد (Kassiea et al., 2014). شبیه‌سازی میزان  خلأ عملکرد ذرت بهاره و تابستانه به‌وسیله مدل CERES-Maize در شمال دشت چین نشان داد که میزان عملکرد برای ذرت تابستانه و بهاره به‌ترتیب 8/4 و 7/5 تن در هکتار است؛ آن‌ها عملکرد کمتر ذرت تابستانه نسبت به ذرت بهاره را به طول دوره رشدی آن نسبت دادند (Binder et al., 2008).

دستورالعمل گیگا (GYGA[10]) یکی از روش‏های محاسبه  خلأ عملکرد محسوب می‏شود که توسط Van Ittersum et al. (2013) تهیه شده است. هدف گیگا، در دسترس قرار دادن اطلس آنلاینی است که شامل اطلاعات پتانسیل عملکرد، عملکرد واقعی و  خلأ عملکرد گیاهان زراعی می‏باشد و عملکردها در سطح ملی و پهنه‏های اقلیمی نمایش داده می‏شوند. در پژوهشی بر روی گندم در استرالیا با استفاده از دستورالعمل گیگا، شش منطقه اقلیمی اصلی و 22 ایستگاه مرجع انتخاب شد. در این پژوهش، مقدار  خلأ عملکرد در استرالیا حدود دو تن در هکتار و عملکرد نسبی ‏حدود 47 درصد برآورد شد (Gobbett et al., 2016). در تحقیق دیگری که بر روی برنج در آمریکا انجام شد، با استفاده از دستورالعمل گیگا و مدل شبیه‏سازی ORYZA، 14 منطقه اصلی تولیدکننده برنج شناسایی شد. در این تحقیق، پتانسیل عملکرد برای یک دوره 13 تا 15 ساله بین 5/11 تا 5/14 تن در هکتار و  خلأ عملکرد بین 1/1 تا 5/3 تن در هکتار برآورد شد (Espe et al., 2016). در مطالعه‏ای در آرژانتین، پتانسیل عملکرد ذرت (با مدل CERES-Maize)، گندم (با مدل CERES-Wheat) و سویا (با مدل CROPGRO-Soybean) به‌ترتیب 6/11، 2/5 و 9/3 تن در هکتار محاسبه شد. در این مطالعه، خلأ عملکرد سویا، ذرت و گندم به‌ترتیب 3/1، 8/4 و 1/2 تن در هکتار گزارش شد (Merlos et al., 2015).

با توجه به محدودیت منابع در ایران و نیاز آبی زیاد گیاه ذرت، امکان افزایش تولید ذرت از طریق افزایش سطح زیر کشت وجود ندارد؛ بنابراین به‌نظر می‏رسد که تنها راه افزایش تولید ذرت، افزایش عملکرد در واحد سطح و کاهش  خلأ عملکرد از طریق بهینه‌سازی مدیریت تولید ‌باشد. پژوهش حاضر با هدف برآورد پتانسیل عملکرد و  خلأ عملکرد ذرت علوفه‌ای بر اساس پروتکل اطلس جهانی  خلأ عملکرد (GYGA) و با استفاده از سامانه اطلاعات جغرافیایی (GIS) و مدل SSM-iCrop2 برای اولین بار در ایران انجام شد.

 

مواد و روش‏ها

برای محاسبه مقادیر  خلأ عملکرد بر اساس دستورالعمل جهانی گیگا، ابتدا وضعیت فعلی گیاه ذرت علوفه‏ای از نظر سطح زیر کشت، عملکرد و تولید با استفاده از اطلاعات سال‏های 1380 تا 1394 دریافت شده از وزارت جهاد کشاورزی مورد بررسی قرار گرفت. همچنین، سهم استان‏های مختلف کشور در تولید ذرت علوفه‏ای آبی که حداقل 85 درصد تولید کشور را در بر می‏گیرند، بر اساس آمار سال‏های 1393 تا 1395 تعیین شد (Ministry of agricultural Jihad statistic, 2017). نقشه پراکنش سطح زیر کشت ذرت علوفه‏ای با استفاده از اطلاعات سطح زیر کشت شهرستانی (از سال 1393 تا 1395)، نقشه پراکنش زمین‏های زراعی آبی و همچنین، نقشه مرز شهرستانی کشور تهیه شد. مرحله بعدی، اجرای دستورالعمل گیگا تعیین بافر (محدوده‏ای به شعاع 100 کیلومتر به مرکزیت ایستگاه هواشناسی) بود. محدوده هر ایستگاه باید به گونه‏ای در نظر گرفته می‏شد که تا حد ممکن، دارای اقلیم مشابهی باشد (Van Bussel et al., 2015). برای این منظور نیاز به مشخصات جغرافیایی محل قرارگیری ایستگاه‏های هواشناسی در کشور بود. اطلاعات مربوط به داده‏های هواشناسی (حداقل و حداکثر دمای روزانه، تابش خورشیدی و بارندگی) و محل قرارگیری این ایستگاه‏ها در کشور از سازمان هواشناسی کشور تهیه شد. ایستگاه‌های هواشناسی که بیش از یک درصد سطح زیر کشت در داخل بافر را پوشش می‏دادند، به‌عنوان ایستگاه‌های هواشناسی مرجع ([11]RWS) انتخاب شدند. بر اساس پروتکل گیگا، اگر در مناطقی که زمین‏های زراعی محصول مورد نظر موجود باشد اما ایستگاه هواشناسی در آن‏جا نباشد و یا ایستگاهی حاوی اطلاعات ثبت نشده و یا غیر قابل قبولی در آن منطقه وجود داشته باشد، در این صورت می‏توان از ایستگاه جایگزینی که حاوی اطلاعات دراز مدت (حداقل 20 سال) و با کیفیت مناسب است و در نزدیکی آن ایستگاه (درون آن پهنه با کد اقلیمی یکسان) قرار دارد استفاده کرد و آن را به‌عنوان ایستگاه هواشناسی مرجع فرضی[12] (RWS) در نظر گرفت (Van Wart et al., 2013). بنابراین در این مطالعه، با رعایت شرایط دستورالعمل گیگا برای ذرت علوفه‏ای، ایستگاه هواشناسی بهبهان به‌عنوان ایستگاه فرضی در نظر گرفته شد و از اطلاعات هواشناسی این ایستگاه به‏جای ایستگاه انتخابی دهلران (کد 23) استفاده و به صورت HYP RWS نمایش داده شد. برای تعیین پهنه‏های اصلی کشت بر اساس دستورالعمل گیگا، ابتدا مناطق اقلیمی مهم ([13]CZ) شناسایی شدند و در نهایت از بین آن‏ها، مناطق اقلیمی که بیش از پنج درصد سطح زیر کشت ذرت علوفه‏ای را در برمی‏گیرند ([14]DCZ) انتخاب شدند. برای نامگذاری (یا کدگذاری) هر پهنه اقلیمی از یک عدد چهار رقمی استفاده شد. هر یک از پهنه‏های اقلیمی بر اساس اطلاعات، سه متغیر از هم تفکیک شدند; الف) متغیر واحد دمایی ([15]GDD)، ب) متغیر شاخص خشکی سالیانه ([16]AI) و ج) متغیر نوسانات دمای فصلی[17]. برای اطلاعات بیشتر به سایت (www.yieldgap.org/web/guest/cz-ted) مراجعه شود. در این مطالعه به‌منظور تهیه نقشه خاک، از اطلاعات HC-27 (حاصل دو پایگاه مهم اطلاعات جهانی خاک HWSD و WISE) در سطح کشور استفاده شد که نوع خاک بر اساس سه معیار بافت، عمق و حاصلخیزی (درصد کربن آلی) خاک در هر منطقه شماره گذاری شده‏اند (Van Bussel et al., 2015).

رابطه 1          

رابطه 2     

                                                                       

                                                             

نتایج و بحث

وضعیت جاری و استان‏های مهم تولید کننده ذرت علوفه‏ای

نتایج به‏دست آمده در ایران طی سال‏های 1394-1380 نشان داد که بیشترین و کمترین میانگین عملکرد علوفه به‏ترتیب 9/59 و 5/42 تن در هکتار بود که در سال‏های 1389 و 1380 مشاهده شد (جدول 1).

 

 

جدول 1- تغییرات عملکرد، سطح زیر کشت و تولید ذرت علوفه‏ای در ایران در سال‌های 1380 تا 1394 بر اساس آمار دریافت شده از وزارت کشاورزی.

Table 1- Changes in yield, harvested area and production of forage maize in Iran during 2001 to 2015 bases on the Agricultural Ministry figure.

Production

(million ton)

Harvest area (1000 ha)

Yield (ton ha-1)

Year

2.0

48

42.5

1380

3.4

70

48.6

1381

3.5

81

43.2

1382

4.2

96

44.2

1383

6.2

132

46.7

1384

6.5

136

47.8

1385

7.7

168

46.1

1386

7.3

161

45.2

1387

7.4

147

50.2

1388

7.7

129

59.9

1389

7.4

145

51.3

1390

7.4

149

50.1

1391

7.5

128

58.4

1392

9.8

201

48.6

1393

11.1

242

45.9

1394

6.6

135

48.6

Mean

 

 

در مجموع متوسط میزان سطح زیر کشت، عملکرد و تولید ذرت علوفه‏ای طی سال‏های یاد شده به‌ترتیب 137 هزار هکتار، 49 تن در هکتار و هفت میلیون تن برآورد شد. (جدول 1). همچنین بر اساس آمار موجود در سال‏های 95-1393، متوسط سطح زیر کشت ذرت 198206 هکتار و میزان تولید علوفه 3/1 میلیون تن بوده است. استان‏های مهم تولید کننده ذرت علوفه‏ای بر روی نقشه کشور به تفکیک رنگ در شکل 1 نشان داده شده است. این استان‏ها شامل، خوزستان (14 درصد)، فارس (14 درصد)، تهران (13 درصد)، قزوین (11 درصد)، اصفهان (هشت درصد)، خراسان‏رضوی (هشت درصد)، اردبیل (چهار درصد)، آذربایجان غربی (سه درصد) و البرز (سه درصد) می‏باشند. این استان‏ها در مجموع حدود 84 درصد تولید را در برمی‏گیرند و سایر استان‏های کشور، 16 درصد باقی مانده را شامل می‏شوند (شکل 1).

 

 

 

 

شکل 1- سهم استان‏های مختلف کشور در تولید ذرت علوفه‏ای بر اساس آمار سال‏های 1393 تا 1395.

Figure 1. The contributions of different provinces in maize production during 1393 to 1395.

 

 

مناطق اقلیمی و ایستگاه‏های هواشناسی مرجع

بر اساس نتایج به‏دست آمده، کشت ذرت علوفه‏ای در ایران در 11 منطقه اقلیمی اصلی صورت می‏گیرد. کل سطح زیر کشت ذرت علوفه‏ای در این مناطق 200314 هکتار است. مناطق انتخاب شده در مجموع 88 درصد از کل سطح زیر کشت ذرت علوفه‏ای را پوشش می‏دهند (جدول 3). بیشترین سطح زیرکشت ذرت علوفه‏ای به مساحت حدود 46711 هکتار مربوط به اقلیم با کد 5003 می‏باشد که چهار ایستگاه هواشناسی (کرج، سبزوار، ساوه و شهرکرد) را به خود اختصاص داده است و کمترین سطح زیر کشت به مساحت 2839 هکتار مربوط به اقلیم 4102 با یک ایستگاه (نهاوند) می‏باشد (جدول 3). تعداد 27 ایستگاه هواشناسی مرجع بر اساس دستورالعمل گیگا در DCZهای کشت ذرت علوفه‌ای مشخص شد (جدول 2). بیشترین و کمترین سطح زیر کشت داخل بافر به‌ترتیب در ایستگاه کرج با 27408 هکتار (12 درصد) و ایستگاه ساوه با 2005 هکتار (9/0 درصد) مشاهده شد (جدول 2). بر اساس نتایج حاصل از این مطالعه، پنج نوع کد خاک برای تهیه نقشهHC27 به‌دست آمد (شکل 2ج، جدول 2). بیشترین سطح زیر کشت ذرت علوفه‏ای به‌ترتیب مربوط به خاک های رسی با حاصلخیزی متوسط و عمق خاک 120 سانتی‏متر (کد خاک پنج) و خاک های لومی با حاصلخیزی ضعیف و عمق خاک 120 سانتی متری (کد خاک 17) بود (جدول 2).

پارامتریابی و ارزیابی مدل

تعداد روز از کاشت تا رسیدگی (مرحله خمیری دانه) مشاهده شده (استخراج شده از مقالات) بین 132-71 (با میانگین 100) روز و شبیه‏سازی شده توسط مدل بعد از انجام پارامتریابی و واسنجی بین 141-74 (با میانگین 101) روز به‏دست آمد (شکل 2الف). دامنه عملکردهای علوفه مشاهده شده بین 46 تا 109 (با میانگین 62) تن در هکتار و دامنه عملکرد شبیه‏سازی شده بین 95-47 (با میانگین 62) تن در هکتار بود (شکل 2ب). در مرحله پارامتریابی، جذر میانگین مربعات خطا، ضریب تغییرات و ضریب همبستگی برای روز تا رسیدگی به‌ترتیب هفت روز، هفت درصد و 93/0 (شکل 2الف) و برای عملکرد علوفه به‏ترتیب 7/1 تن در هکتار ، هشت درصد و 98/0 محاسبه شد (شکل 2ب).

برای ارزیابی مدل و با استفاده از داده‏های مستقل، مقادیر روز تا رسیدگی شبیه‏سازی شده در برابر مقادیر مشاهده شده قرار گرفت. مقادیر به‌دست آمده از مقالات بین 84 تا 132 با میانگین 101 روز و شبیه‏سازی شده توسط مدل 79 تا 141 با میانگین 103 روز برآورد شد (شکل 2- ج). در این مرحله، مقدار RMSE نتایج شبیه‏سازی شده توسط مدل در مقابل مقادیر مشاهده شده برابر 9/5 و ضریب تغییرات شش درصد بود. مقدار همبستگی مقادیر شبیه‏سازی شده و مشاهده شده برای این صفت برابر 96/0 محاسبه شد (شکل 2ج). عملکرد علوفه در مقالات مورد استفاده برای ارزیابی مدل بین 45 و 109 با متوسط 72 تن در هکتار و عملکرد علوفه شبیه‏سازی شده توسط مدل بین 47 و 108 با متوسط 73 تن در هکتار بود (شکل 2د).

 

 

 

جدول 2- ایستگاه‏های هواشناسی انتخاب شده و اطلاعات مورد نیاز آن‏ها برای ذرت علوفه‏ای در ایران.

Table 2. Selected reference weather stations and their information for forage maize in Iran.

The area under cultivation in each (ha-1) ((Percentage of the whole country)

Soil code (Percentage of soil code within the buffer)

Height

(m)

Latitude

Longitude

RWS

CZ code

Number of station

5100 (2.2%)

5 (15.4%), 12 (37.5%), 17 (42.1%)

1279

36.26

50.06

 GHAZVIN

4003

1

2094 (0.9%)

5(65.4%)

1287

37.12

58.45

 GHOOCHAN

4003

2

2242 (1.0%)

5 (38%), 14 (28.7), 17 (32%)

1741

34.71

49.31

 KOMIJAN

4003

3

2285 (1.0%)

12 (31.6%), 14 (35.9%), 17 (32.5%)

2365

32.46

50.13

KOOHRANG

4003

4

3004 (1.3%)

17 (58.2%)

1590

35.11

49.83

 GHARGHABAD

4003

5

2228 (1.0%)

5 (22.7%), 12 (32.7%), 17 (42.2%)

1678

34.14

48.41

NAHAVAND

4102

6

6236 (2.7%)

14 (69%)

1676

29.93

53.28

ARSANJAN

5002

7

4324 (1.9%)

5 (36.2%), 14 (48.7%), 17 (15.1%)

1642

30.21

52.42

DORODZAN

5002

8

3010 (1.3%)

17 (90%)

950

35.29

60.56

 TORBATEJAM

5002

9

27408 (12.0%)

5 (50.7%)

1293

35.81

50.95

 KARAJ

5003

10

3231 (1.4%)

5 (76.7%)

962

36.21

57.65

 SABZEVAR

5003

11

2005 (0.9%)

5 (62.3%)

1112

35.08

50.37

 SAVEH

5003

12

3128 (1.4%)

5 (72.2%)

2049

32.29

50.84

SHAHREKORD

5003

13

3550 (1.6%)

5 (80%)

73

39.60

47.78

 PARSABAD

5102

14

8492 (3.7%)

5 (90.8%)

101

39.37

48.32

BILESOWAR

5202

15

5531 (2.4%)

5 (68.9%)

1596

29.78

52.70

 ZARGHAN

6002

16

2676 (1.2%)

5 (62%)

37

37.27

55.21

GONBAD

6002

17

17017 (7.5%)

5 (91.3%)

900

35.24

52.36

GARMSAR

6003

18

9470 (4.2%)

5 (64.3%)

879

34.77

50.86

GHOM

6003

19

4655 (2.0%)

5 (79.9%)

1543

32.52

51.83

KABOOTARABAD

6003

20

4023 (1.8%)

5 (34.2%), *8 (19.3%), 14 (36%)

13

36.85

54.27

HASHMABAD

6102

21

2722 (1.2%)

5 (66.9%)

313

30.61

50.22

BEHBAHAN

7003

22

2295 (1.0%)

5 (67.9%)

232

32.68

47.28

 DEHLORAN (HYP)

7003

23

2052 (0.9%)

17 (61.7%)

489

31.09

61.54

 ZABOL

7003

24

5447 (2.4%)

17 (51%)

23

31.34

48.74

 AHWAZ

8003

25

15732 (6.9%)

17 (63.1%)

83

32.25

48.43

 DEZFUL(SAFIABAD)

8003

26

3598 (1.6%)

5 (25.2%), 8 (32%), 17 (42.8%)

35

30.83

49.55

OMIDIYEH (PAYGHAH)

8003

27

153555 (67.5%)

 

 

 

 

 

 

( (SUM

5=Clay soil, medium fertility, 120 cm depth

8= Clay soil, low fertility, 120 cm depth

12= Loam soil, high fertility, 60 cm depth

14=Loam soil, medium fertility, 120 cm depth

17=Loam soil, low fertility, 120 cm depth

26= Sand soil, low fertility, 120 cm depth

 

 

 

جدول 3- سطح زیر کشت (HA) (198206هزار هکتار)، نسبت سطح کشت شده به کل کشور(CA/WC) (درصد)، عملکرد واقعی (Ya) (تن در هکتار)، پتانسیل عملکرد (Yp) (تن در هکتار)،  خلأ عملکرد (Yg) (تن در هکتار)، عملکرد نسبی (Ry%) (درصد)، درصد  خلأ عملکرد (Rg%) (100 منهای درصد عملکرد نسبی)، عملکرد قابل حصول (YAtt) (80 درصد پتانسیل عملکرد)،  خلأ قابل مدیریت (YE) (تن در هزار)، تولید واقعی (Pa) (هزار تن در هکتار) و تولید قابل حصول (PAtt) (هزار تن در هکتار) در اقلیم‏های اصلی کشت (CZ) ذرت علوفه‌ای در ایران. پتانسیل عملکرد توسط مدل SSM برای سال‏های 1380 تا 1394 بر اساس رطوبت 70 درصد شبیه‏سازی شده است. HYP پس از نام هر ایستگاه هواشناسی مرجع فرضی آمده است.

Table 3. Harvested area (1000 ha), cultivated area/to the whole country (%), actual and yield potential (Ya and Yp), yield gap (Yg), Relative yield (RY), yield gap percentage (Rg%), attainable yield (YAtt), exploitable yield gap (YE), Actual production (Ap) and Attainable production (PAtt) in the main climate zonese of forage maize in Iran. Yield potential is simulated by SSM during 2001-2015 and is adjusted with 70% moisture content. –HYP hypothetical reference stations.

PAtt

(1000 ton ha-1)

Ap

 (1000 ton ha-1)

YE

 (ton ha-1(

YAtt

(ton ha-1)

Ry

(%)

Rg

 (%)

Yg

(ton ha-1)

Yp

(ton ha-1)

Ya

(ton ha-1)

CA/WC (%)

HA

(1000 ha)

Stations in CZ

CZ

1608

1236

15.2

65.8

61

38.6

31.7

82.2

50.6

10.7

48

GHAZVIN-GHOOCHAN-KOMIJAN-KOOHRANG-GHARGHABAD

4003

236

148

30.7

83.0

50

49.6

51.4

103.7

52.3

1.2

70

NAHAVAND

4102

1588

1157

21.2

78.0

58

41.7

40.7

97.5

56.8

9.0

81

ARSANJAN-DORODZAN-TORBATEJAM

5002

3377

2401

20.9

72.3

57

43.1

39.0

90.4

51.4

20.5

96

KARAJ-SABZEVAR-SAVEH-SHAHREKORD

5003

232

175

13.6

54.6

60

39.8

27.2

68.3

41.0

1.9

132

PARSABAD

5102

464

358

12.3

53.9

62

38.3

25.8

67.4

41.5

3.8

136

BILESOWAR

5202

1012

710

22.6

75.7

56

43.9

41.5

94.6

53.1

5.9

168

SHIRAZ-ZARGHAN-MARVAST-BAM-HASANABADEDARAB

6002

2905

2012

22.3

72.6

55

44.5

40.4

90.7

50.3

17.6

161

GARMSAR-GHOM-KABOOTARABAD

6003

271

176

20.6

58.6

52

48.1

35.2

73.2

38.0

2.0

147

HASHMABAD

6102

624

464

15.5

60.7

60

40.4

30.7

75.9

45.2

4.5

129

BEHBAHAN-DEHLORAN (HYP)-ZABOL

7003

1403

1037

14.8

56.6

59

40.8

28.9

70.8

41.8

10.9

145

AHWAZ-DEZFUL(SAFIABAD)- OMIDIYEH(PAYGAH)

8003

15590

11220

19.2

68.5

58

42.4

36.3

85.6

49.3

88

149

 

National estimate

 

جذر میانگین مربعات برابر 3/5 تن در هکتار، مقدار ضریب همبستگی 93/0 و ضریب تغییرات هفت درصد برآورد شد. با توجه به شاخص های آماری، ارزیابی مدل نشان ‏داد که دقت مدل فراتر از قابل قبول و در حد خوب تا عالی بود. توانایی بالای مدل SSM-iCrop2 در شبیه‏سازی ‏گیاهان دیگری مانند گندم برای ایران (Soltani & Sinclair, 2015., Zahed et al., 2019) و آمریکا (Lollato et al., 2017)، سویا در آفریقا (Merlos et al., 2015)،  آمریکا (Sinclair et al., 2010) و ایران (Nehbandani et al., 2017)، سورگوم در استرالیا (Sinclair et al., 2005)، جو دیم در ایران (Alasti et al., 2020) و سیب‏زمینی در ایران (Dadrasi et al., 2020) گزارش شده است.

 

شکل 2- روزهای مشاهده شده تا بلوغ (روز) و عملکرد (تن در هکتار) حاصل از داده های آرمایشی در مقایسه با مقادیر شبیه سازی شده با مدل SSM-iCrop2 که برای پارامترسازی (A و B) و اعتبارسنجی (ج و د) استفاده شد. عملکردها بر اساس رطوبت 70 درصد محاسبه می شوند. خط 1:1 و خطوط انحراف 20 درصد نیز نشان داده شده است.

Figure 2- The observed days to maturity (day) and yield (ton ha-1) were obtained from the experimental data against the simulated values by SSM-iCrop2 model that was used for A and B: parameterization; C and D: validation. The yields are calculated based on a moisture content of 70%. 1:1 line and 20% deviation lines are also shown.

 

 

عملکرد واقعی

محاسبات انجام شده بر اساس دستورالعمل گیگا نشان داد که در دوره زمانی 15 ساله 1394-1380 دامنه عملکرد واقعی ذرت علوفه‏ای در سطح ایستگاه بین 38 تن در هکتار (ایستگاه حسن‏آباد با کد 21) و 5/58 تن در هکتار (ایستگاه ارسنجان با کد هفت) با متوسط 2/49 تن در هکتار بود (جدول 3، شکل 3الف). بیشترین عملکرد واقعی ذرت علوفه‏ای دراستان‌های‌ فارس، شمال شرقی استان سیستان و بلوچستان و استان البرز مشاهده شد و کمترین آن در استان گلستان، شمال استان اردبیل و جنوب استان خوزستان بود (شکل 3الف). عملکرد واقعی در سطح اقلیم از 38 تا 8/56 با میانگین 5/46 تن در هکتار قرار داشت که به‌ترتیب مربوط به اقلیم‏های 5002 و 6102 بود (جدول 3). دامنه تغییرات عملکردهای واقعی گزارش شده توسط وزارت کشاورزی طی این 15 سال (2015-2001) برای ذرت علوفه‏ای بین5/42تا 9/59 (با میانگین 6/48) تن در هکتار و محاسبه شده بر اساس دستورالعمل گیگا بین 8/42 و 8/63 (با میانگین 3/49) تن در هکتار برآورد شد. ضریب همبستگی (96/0)، جذر میانگین مربعات خطا (9/1 تن در هکتار) و ضریب تغییرات (9/3 درصد) به‏دست آمده از مقایسه عملکردهای واقعی محاسبه شده بر اساس دستورالعمل گیگا و عملکردهای واقعی گزارش شده توسط وزارت کشاورزی برای ذرت علوفه‏ای نشان داد که با استفاده از دستورالعمل گیگا می‏توان عملکرد این گیاه را با دقت بسیار خوبی برای کشور محاسبه نمود (شکل2د). دقت بالای پروتکل گیگا برای محاسبه عملکرد واقعی گندم در استرالیا (Gobbett et al., 2017)، سویا، ذرت و گندم در آرژانتین (Merlos et al., 2015) و گندم، جو دیم، سیب‏زمینی و چغندر قند در ایران (Zahed et al., 2019; Alasti et al., 2020; Dadrasi et al., 2020; Mohammadzadeh et al., 2021) گزارش شده است.

 

 

شکل 3- الف: نقشه عملکرد واقعی (تن در هکتار); ب: پتانسیل عملکرد (تن در هکتار); ج:  خلأ عملکرد (تن در هکتار) در ایستگاه‏های هواشناسی مرجع کشت ذرت علوفه‏ای کشور که با مدل SSM برای سال‏های 1380 تا 1394 برآورد شده و بر اساس 70 درصد رطوبت تصحیح شده است (اعداد داخل نقشه شماره ایستگاه هواشناسی را نشان می‏دهند که توضیح ان در جدول 2 آورده شده است; د: میانگین عملکرد واقعی (تن در هکتار) کشوری گزارش شده توسط سازمان جهاد کشاورزی در مقابل عملکرد واقعی کشوری محاسبه شده توسط روش گیگا در سال‏های 1380 تا 1394برای ذرت علوفه‏ای.

Figure 3. A: Actual yield (ton ha-1); B: yield potential (ton ha-1); C: Yield gap (ton ha-1) of maize in reference weather stations areas in Iran estimated by the SSM model for the years 2001 to 2015 and corrected based on 70% moisture (Values in the parentheses indicate station number which is described in Table 2); D: the average actual yield (ton ha-1) of the country reported by Ministry of Agriculture versus the actual yield of the country calculated by the GYGA method for forage maize. Time period is 2001 to 2015. 1:1 line (presented line) and 20% deviation lines are dotted.

 

 

پتانسیل عملکرد

نتایج این مطالعه نشان داد که پتانسیل عملکرد ذرت علوفه‏ای در سطح ایستگاه بین 9/63 تن در هکتار (ایستگاه امیدیه با کد 27) و 3/104 تن در هکتار (ایستگاه کبوترآباد با کد 20) با متوسط 6/84 تن در هکتار برآورد شد (جدول 3، شکل 3ب). بیشترین پتانسیل عملکرد‏ ذرت علوفه‏ای در مناطق واقع در استان‏های اصفهان، فارس، همدان و شرق استان خراسان رضوی مشاهده شد و کمترین آن مربوط به شمال استان اردبیل (دشت مغان) و استان خوزستان بود (شکل 3ب). پتانسیل عملکرد در اقلیم‏های اصلی بین 4/67 و 7/103 با میانگین 6/85 تن در هکتار قرار داشت. در مناطق اقلیمی 4102 و 5202 نیز بالاترین و پایین‏ترین میزان پتانسیل عملکرد مشاهده شد (جدول 3). نتایج مورد بررسی در اقلیم‌های اصلی نشان داد که رابطه معنادار معکوسی (65/0=r، 05/0p<) بین پتانسیل عملکرد و دمای حداقل (بین 14 تا 24 با میانگین 19 درجه سانتی‏گراد) در طول دوره رشد ذرت علوفه‏ای وجود دارد. بالاتر رفتن دمای حداقل که مربوط به نزدیکی صبح و قبل از طلوع آفتاب است به منزله گرمتر بودن شب در آن اقلیم و افزایش تنفس شبانه است که این امر موجب کاهش پتانسیل عملکرد شده است (شکل 5الف). این در حالی است که افزایش دریافت تششع تجمعی در هر سه مرحله رشدی (تششع دریافتی تجمعی از کاشت تا رسیدگی (SRADt ê)، از کاشت تا پر شدن دانه (SRAD2 c) و شروع پر شدن دانه تا رسیدگی (SRAD3Õ)) موجب افزایش پتانسیل عملکرد در ذرت علوفه‏ای شده است (شکل 5ب). بر این اساس، مناطق اقلیمی که در آن‏ها گیاه با درجه حرارت‌های بالاتر از حد آستانه مواجه می‏شود (شکل 4-الف ) و یا میزان تششع کمتری را در طول فصل رشد دریافت می‌کند (شکل 4ب) دارای عملکردهای کمتری بودند (شکل 4د ). از طرفی رابطه خطی معنی‏داری بین طول دوره رشد با پتانسیل عملکرد در مناطق اصلی کشت ذرت علوفه‏ای (91/0=r، 01/0p<) وجود داشت (شکل 5ج). رابطه مثبت بین این دو صفت می‏تواند ناشی از فرصت بیشتر برای جذب مقدار بیشتر تششع دریافتی توسط گیاه برای فتوسنتز و تولید محصول باشد. بالاتر بودن عملکرد علوفه در اقلیم 4102 ( 74/103 تن در هکتار) (شکل 4د) را می‌توان به شرایط دمایی مطلوب در طول فصل رشد (دمای حداقل 15 و حداکثر 33 درجه سانتی‏گراد) (شکل 4الف)، دریافت بیشترین تششع تجمعی در طول فصل رشد (3206 مگاژول بر متر مربع در سال) (شکل 4ب) و فصل رشد طولانی‏تر (123 روز) (شکل 4ج) در مقایسه با دیگر مناطق اقلیمی نسبت داد. پایین‏تر بودن میانگین دمای حداکثر از حد مطلوب (31 درجه سانتی‏گراد) (شکل 4الف)، دریافت کمترین تابش تجمعی در طول فصل رشد (1907 مگاژول بر متر مربع در سال) (شکل 4ب) و طول فصل رشد کوتاه‏تر (99 روز) (شکل 4ج) علت اصلی پایین‏تر بودن عملکرد علوفه در اقلیم 5202 در مقایسه با اقلیم‏های دیگر است (شکل 4د).

 

شکل 4- الف: دمای حداقل و حداکثر در طول دوره رشد; ب: مقدار تششع دریافتی تجمعی در مراحل مختلف رشد (تششع دریافتی تجمعی از کاشت تا رسیدگی (SRADt ê)، از کاشت تا پر شدن دانه (SRAD2 c)، شروع پر شدن دانه تا رسیدگی (SRAD3Õ)); ج: روز تا رسیدگی محصول; د: پتانسیل عملکرد در اقلیم‏های اصلی ذرت علوفه‏ای.

Figure 4. A: minimum and maximum temperatures from planting to crop ripening; B: amount of cumulative received radiation at different stages of growth (cumulative incoming radiation from planting until ripening (SRADt ê), from planting until seed filling (SRAD2 ), onset of grain filling until maturity (SRAD3Õ); C: growth period length; D: yield potential in the main climates of forage maize cultivate.

 

از آن‏جای که میزان بارندگی، تأثیر مثبتی بر عملکرد محصولات آبی ندارد، بیشتر تغییر‏ات عملکرد ذرت در مناطق اقلیمی مختلف می‏تواند به دلیل نوسانات دما و تابش باشد ((Kim & Reddy, 2004. به‌طورکلی، افزایش دما تا حد بهینه با افزایش سرعت رشد گیاه همراه است و با فراتر رفتن دما از حد آستانه، به علت کوتاه شدن مراحل فنولوژیک گیاه، کاهش تششع جذبی، افزایش سرعت تنفس شبانه و کاهش فتوسنتز کاهش خواهد یافت. در همین ارتباط Mera et al. (2006) گزارش کردند که دماهای بالاتر از حد مطلوب، بیشترین اثر منفی را بر گل‌دهی ذرت دارد و با کاهش درصد و دوره تلقیح گل‌ها، موجب کاهش عملکرد دانه می‌شود. نتایج آن‌ها نشان داد که افزایش دما به میزان دو درجه سانتی‌گراد، باعث کاهش طول دوره گل‌دهی ذرت از 10 به هشت روز می‏شود. در آزمایش دیگری Meza et al. (2008) با بررسی اثر تغییر دما بر عملکرد و مراحل فنولوژیکی ذرت بیان کردند که در محدوده 10 تا 35 درجه سانتی‌گراد، افزایش دما باعث افزایش سرعت نمو ذرت می‏شود، اما دمای بالاتر از 41 درجه سانتی‌گراد، سرعت نمو را کاهش داده و باعث اختلال در رشد گیاه می‏شود. در پژوهشی مشاهده شد که با افزایش درجه حرارت به میزان یک درجه سانتی‏گراد، مدت زمان لازم تا گلدهی و آغاز دوره پر شدن دانه به‏ترتیب 16 و 14 درصد کاهش یافت (Byjesh et al., 2010). بنابراین بالاتر رفتن دما از حد آستانه، علاوه بر موارد یاد شده، موجب کاهش طول دوره رشد، شاخص سطح برگ و دوام سطح برگ ذرت شده است که نهایتا منجر به کاهش عملکرد محصول می‏شود (Byjesh et al., 2010). با توجه به موارد ذکر شده به‌نظر می‏رسد که می‏توان با انتخاب مناطق اقلیمی مناسب برای کشت ذرت علوفه‏ای (4102، 5002 و 6002)، میزان عملکرد علوفه در سطح ملی را افزایش داد.



 خلأ عملکرد

میانگین  خلأ عملکرد ذرت علوفه‏ای در دوره 1394-1380 در ایران، 3/36 تن در هکتار برآورد شد. بیشترین میزان درصد  خلأ عملکرد (100 منهای درصد عملکرد نسبی) با میانگین 6/49 تن در هکتار مربوط به اقلیم 4102 (ایستگاه نهاوند) و کمترین آن با میانگین 3/38 تن در هکتار مربوط به اقلیم 5202 (ایستگاه بیلسوار) بود (جدول 3). متوسط عملکرد نسبی (نسبت عملکرد واقعی به پتانسیل عملکرد ضرب در 100) در اقلیم‏های اصلی تولید ذرت در کشور 58 درصد با دامنه 50 تا 62 درصد بود که به معنی وجود 42 درصد  خلأ عملکرد با دامنه 38 تا 50 درصد است (جدول 3).  خلأ عملکرد قابل مدیریت (اختلاف بین عملکرد قابل‏حصول و عملکردهای واقعی) در اقلیم‏های اصلی تولید ذرت در ایران 2/19 با دامنه 3/12 تا 7/30 تن در هکتار برآورد شد (جدول 5). نتایج به‏دست آمده حاکی از آن است که کشاورزان، 38 تا 50 درصد از پتانسیل عملکرد را از دست می‌دهند و به بیان دیگر فقط 50 تا 62 درصد از ظرفیت عملکرد ارقام فعلی ذرت را تولید می‌کنند. در پژوهشی با استفاده از پروتکل گیگا و مدل شبیه‏سازی SSM-iCrop2، میانگین پتانسیل عملکرد و  خلأ عملکرد برای 17منطقه اصلی تولیدکننده جو دیم در ایران به‏ترتیب 7/2 و 7/1 تن در هکتار تخمین زده شد (Alasti et al., 2020). در تحقیق دیگری که بر اساس دستورالعمل گیگا و مدل SSM-iCrop2 انجام شد، 28 ایستگاه هواشناسی و 13 منطقه اقلیمی اصلی برای چغندر قند در ایران مشخص شد. در این مطالعه، عملکرد واقعی و پتانسیل و  خلأ عملکرد به‏ترتیب 47، 103و 56 تن در هکتار محاسبه شد (Mohammadzadeh et al., 2021).  خلأ عملکرد ذرت دانه‏ای در جنوب شرقی آسیا برای 65 مکان از 13 منطقه اصلی تولید کننده ذرت در کشورهای اندونزی، ویتنام و فلیپین برای سال‏های 2004 تا 2008 حدود 9/0 تن در هکتار محاسبه شد (Pasuquin et al., 2014). در مطالعه Liu et al. (2017)، پتانسیل عملکرد ذرت دانه‏ای طی شرایط تشعشع محدود (Yp) و آب محدود (Yw) در چهار منطقه اقلیمی اصلی کشور چین به‌ترتیب 2/14 و 7/10 تن در هکتار برآورد شد. آن‏ها  خلأ عملکرد در شرایط کشت آبی و دیم را به‌ترتیب 42 و 35 درصد گزارش کردند. در گزارش دیگری و بر اساس پروتکل گیگا، پتانسیل عملکرد برنج (با استفاده از مدل ORYZA)، ذرت دانه‏ای (با استفاده از مدل Hybrid-Maize) و گندم آبی (با استفاده از مدل WOFOST) در بنگلادش به‌ترتیب 7/11، 4/11 و 5/5 تن در هکتار و  خلأ عملکرد به‌ترتیب 61-45، 65-30 و 65-47 درصد گزارش شد (Timsina et al., 2018).

 

نتیجه‌گیری کلی

در این مطالعه، اطلس  خلأ عملکرد ذرت علوفه‏ای برای ایران تهیه و توان تولید ذرت علوفه‏ای آبی در کشور برآورد شد. بر اساس یافته‏های این مطالعه، تولید ذرت در ایران در 11 منطقه اقلیمی اصلی (پوشش 88 درصدی) انجام شد. در این مناطق، دامنه عملکردهای واقعی از 38 تا 8/56 (به‌طور متوسط 3/49) و پتانسیل عملکرد از 4/67 تا 7/103 (به‌طور متوسط 6/85) تن در هکتار متغیر بود. این نتایج حاکی از وجود 8/25 تا 4/51 (و به‌طور متوسط 3/36) تن در هکتار (معادل 38 تا 50 و به‌طور متوسط 42 درصد)  خلأ عملکرد در ایران می‌باشد. همچنین، عملکرد نسبی در مناطق اقلیمی اصلی تولید ذرت علوفه‏ای 50 تا 62 درصد و  خلأ عملکرد قابل مدیریت 8/14 تا 6/22 (به طور متوسط 2/19) تن در هکتار بود. به بیان دیگر، با بهینه‌سازی مدیریت تولید و حذف  خلأ عملکرد قابل بهره‌برداری می‏توان عملکرد ذرت علوفه‏ای در ایران را از 49 تن در هکتار فعلی به 68 تن در هکتار و تولید علوفه ذرت را از 2/11 میلیون تن فعلی به 6/15 میلیون تن افزایش داد.

REFERENCES

  1. Alasti, O., Zeinali, E., Soltani, A. & Torabi, B. 2020. Estimation of yield gap and potential of rainfed barley production increasing in Iran. Journal of Crop Production, 13(3), 41-60. (In Persian)
  2. Amir, J. & Sinclair, T.R. 1991. A model of the temperature and solar-radiation effects on spring wheat growth and yield. Journal of Field Crops Research, 28(1-2), 47-58.
  3. Binder, J., Graeff, S., Link, J., Claupein, W., Liu, M., Dai, M., & Wang, P. 2008. Model-based approach to quantify production potentials of summer maize and spring maize in the North China Plain. Agronomy Journal, 100, 862-873.
  4. Byjesh, K., Kumar, S. N. & Aggarwal, P. K. 2010. Simulating impacts, potential adaptation and vulnerability of maize to climate change in India. Mitigation and Adapttion Strategies for Global Change, 15(5), 413-431.
  5. Choghan, R. 1996. Study and comparison of yield and yield components in silage maize hybrid cultivars. Seed and Plant Production Journal, 2(12), 36-40.
  6. Dadrasi, A., Torabi, B., Rahemi, A., Soltani, A. & Zeinali, E. 2020. Determination of potatoes (Solanum tuberosum) yield gap in Golestan Province. Journal of Agricultural Ecology, 12(4), 613-633. (In Persian)
  7. Dadrasi, A., Torabi, B., Rahemi, A., Soltani, A. & Zeinali, E. 2020. Parameterization and evaluation of a simple simulation model (SSM-iCrop2) for Potato (Solanum tuberosum) growth and yield in Iran. Potato. Research, 63, 545-563.
  8. Densley, R. J., Austin, G. M., Williams, I. D., Tsimba, R. & Edmeades, G. O. 2006. Maize silage and winter crop options to maximise drymatter and energy for NZ dairy systems. In Proceedings of the New Zealand Grassland Association, 68, 193-197.
  9. Espe, M. B., Cassman, K. G., Yang, H., Guilpart, N., Grassini, P., Van Wart, J., Anders, M., Beighley, D., Harrell, D., Linscombe, S., McKenzie, K., Mutters, R., Wilson, L. T. & Linquist, B. A. 2016. Yield gap analysis of US rice production systems shows opportunities for improvement. Journal of Field Crops Research, 196, 276-283.
  10. Fischer, R. A. 2015. Definitions and determination of crop yield, yield gaps, and of rates of change. Journal of Field Crops Research, 182, 9-18.
  11. Food & Agriculture Organization (FAO). 2017. The FAOSTAT Database. Available at Web site http://faostat.fao.org/default.aspx (Last accessed July 2019).
  12. Gobbett, D. L., Hochman, Z., Horan, H., Garcia, J. N., Grassini, P. & Cassman, K. G. 2017. Yield gap analysis of rainfed wheat demonstrates local to global relevance. Journal of Agricultural Science, 155(2), 282-299.
  13. Godfray, H. C. J., Beddington, J. R., Crute, I. R., Haddad, L., Lawrence, D., Muir, J. F., Pretty, J., Robinson, S., Thomas, S. M. & Toulmin, C. 2010. Food security: the challenge of feeding 9 billion people. Science, 327(5967), 812-818.
  14. Godfray, H. C. J., Pretty, J., Thomas, S. M., Warham, E. J. & Beddington, J. R. 2011. Linking policy on climate and food. Journal of Science, 331(6020), 1013-1014.
  15. Grassini, P. 2015. Potential for crop production increase in Argentina through closure of existing yield gaps. Journal of Field Crops Research, 184, 145-154.
  16. Hajarpoor, A., Sotani, A. & Torabi, B. 2016. Using boundary line analysis in yield gap studies: Case study of wheat in Gorgan. Journal of Crop Production, 8(4), 183-201.
  17. Kassiea, B. T., Van Ittersuma, M. K., Hengsdijkb, H., Assengc, S., Wolfa, J. & Rötterd, R. P. 2014. Climate-induced yield variability and yield gaps of maize (Zea mays ) in the Central Rift Valley of Ethiopia. Journal of Field Crops Research, 160, 41-53.
  18. Kim, S. H. & Reddy, V. 2004. Simulating maize development using a nonlinear temperature response model. In New directions for a diverse planet, Proceedings of the 4th International Crop Science Congress. (ed. Fischer R). 14 April, Brisbane, Australia (Vol. 26).‏
  19. Koo, J. & Dimes, J. 2013. "HC27 Generic Soil Profile Database". Washington, DC: International Food Policy Research Institute (IFPRI) [dataset].
  20. Liu, B., Chen, X., Meng, Q., Yang, H. & Wart, J. 2017. Estimating maize yield potential and yield gap with agro-climatic zones in China—Distinguish irrigated and rainfed conditions. Agricultural and Forest Meteorology, 239, 108–117.
  21. Lollato, R. P., Edwards, J. T. & Ochsner, T. E. 2017. Meteorological limits to winter wheat productivity in the US southern Great Plains. Journal of Field Crops Research, 203, 212-226.
  22. Marin, F. R., Thorburn, P. J., Nassif, D. S. & Costa, L. G. 2015. Sugarcane model intercomparison: Structural differences and uncertainties under current and potential future climates. Environtal Modelling and Software. 72(4), 372-386.
  23. Meng, Q., Hou, P., Wu, L., Chen, X., Cui, Z. & Zhang, F. 2013. Understanding production potentials and yield gaps in intensive maize production in China. Journal of Field Crops Research, 143, 91-97.
  24. Mera, R. J., Niyogi, D., Buol, G. S., Wilkerson, G. G. & Semazzi, F. H. 2006. Potential individual versus simultaneous climate change effects on soybean (C3) and corn (C4) crops: An agrotechnology model based study. Global and Planetary Change, 54(1-2), 163–182.
  25. Merlos, F. A., Monzon, J. P., Mercau, J. L., Taboada, M., Andrade, F. H., Hall, A. J., Jobbagy, E., Cassman, K. G. & Grassini, P. 2015. Potential for crop production increase in Argentina through closure of existing yield gaps. Journal of Field Crops Research, 184, 145-154.
  26. Meza, F. J., Silva, D. & Vigil, H. 2008. Climate change impacts on irrigated maize in Mediterranean climates: evaluation of double cropping as an emerging adaptation alternative. Agricultural Systems, 98(1), 21–30.
  27. Ministry of agricultural Jihad statistics. 2001-2015. https://www.maj.ir/Index.aspx?page_=form&lang=1&PageID=11583&tempname=amar&sub=65 methodName=ShowModuleContent, (Last accessed November 2017).
  28. Mohammadzadeh, Z., Soltani, A., Ajamnorozei, H. & Bazrgar, A. 2021. Modeling yield potential and yield gap of sugar beet (Beta vulgaris) in Iran. Journal of Sugar Beet, 36, 1. (In Persian)
  29. Nehbandani, A. R., Soltani, A., Zeinali, E., Hoseini, F., Shahoseini, A. & Mehmandoy, M. 2017. Soybean (Glycine max Merr.) yield gap analysis using boundary line method in Gorgan and Aliabad Katul. Agroecology, 9(3), 760-776. (In Persian)
  30. Pasuquin, J. M., Pampolino, M. F., Witt, C., Dobermann, A., Oberthür, T., Fisher, J. & Inubushi, K. 2014. Closing yield gaps in maize production in Southeast Asia through site-specific nutrient management. Journal of Field Crops Research, 156, 219-230.
  31. Patrignani, A., Lollato, R. P., Ochsner, T. E., Godsey, C. B. & Edwards, G. T. 2014. Yield gap and Production gap winter wheat in the southern Great Plains. Agronomy Journal, 106(4), 1329-1339.
  32. Sinclair, T. R., Hammer, G. L. & Van Oosterom, E. J. 2005. Potential yield and water-use efficiency benefits in sorghum from limited maximum transpiration rate. Functional Plant Biology, 32(10), 945-952.
  33. Sinclair, T. R., Messina, C. D., Beatty, A. & Samples, M. 2010. Assessment across the United States of the benefits of altered soybean drought traits. Agronomy Journal, 102(2), 475-482.
  34. Soltani, A. & Sinclair, T.R. 2012. Identifying plant traits to increase chickpea yield in water-limited Journal of Field Crops Research, 133(1), 86-196.
  35. 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. Journal of Field Crops Research, 175, 37-46.
  36. Soltani, A. 2009. Mathematical modeling in crops. Publications University of Mashhad, 175p.
  37. Soltani, A., Hajjarpour, A. & Vadez, V. 2016. Analysis of chickpea yield gap and water-limited potential yield in Iran. Journal of Field Crops Research, 185, 21-30.
  38. Soltani, A. & Sinclair, T.R. 2011. A simple model for chickpea development, growth and yield. Journal of Field Crops Research, 124(2), 252–260.
  39. Stockle, C. O., Martin, S. A. & Campbel, G. S. 1994. CropSyst, a cropping simulation model: water/ nitrogen budgets and crop yield. Journal of Agricultural Systems, 46(3), 335-359.
  40. Timsina, J., Wolf, J., Guilpart, N., van Bussel, L. G. J., Grassini, P., van Wart, J., Hossain, A., Rashid, H., Islam, S. & van Ittersum, M. K. 2018. Can Bangladesh produce enough cereals to meet future demand? Agricultural Systems, 163, 36-44.
  41. Van Bussel, L. G., Grassini, P., Van Wart, J., Wolf, J., Claessens, L., Yang, H., Boogaard, H., de Groot, H., Saito, K., Cassman, K. G. & van Ittersum, M. K. 2015. From field to atlas: Upscaling of location-specific yield gap estimates. Journal of Field Crops Research, 177, 98–108.
  42. Van Diepen, C. A., Wolfe, J., Van Keulen, H. & Rappoldt, C. 1989. WOFOST: a simulation model of crop production. Journal of Soil Use and Management, 5(1), 16-24.
  43. Van Ittersum, M. K., Cassman, K. G., Grassini, P., Wolf, J., Tittonell, P. & Hochman, Z. 2013. Yield gap analysis with local to global relevance-A review. Journal of Field Crops Research, 143, 4-17.
  44. Van Wart, J., van Bussel, L. G., Wolf, J., Licker, R., Grassini, P., Nelson, A., Boogaard, H., Gerber, J., Mueller, N. D., Claessens, L. & van Ittersum, M. K. 2013. Use of agro-climatic zones to upscale simulated crop yield potential. Journal of Field Crops Research, 143, 44-55.
  45. Williams, J. R., Jones, C. A. & Dyke, P. T. 1984. A modeling approach to determining the relationship between erosion and soil productivity. Transactions of the American Society of Agricultural and Biological Engineers, 27(1), 129–144.
  46. Zahed, M., Soltani, A., Zeinali, E., Torabi, B., Zand, E. & Alimagham, S. M. 2019. Modeling of irrigated wheat yield potential gap in Iran. Journal of Field Crops Research, 12(3), 35-52.
  47. Zand Parsa, S., Sepaskhah, A. R. & Ronaghi, A. 2006. Development and evaluation of integrated water and nitrogen model for maize. Journal of Agricultural Water Management, 81(3), 227-256.

 

[1] Potential Yield

[2] Actual Yield

[3] Yield Gap

[4] Geographic Information Systems

[5] Environmental Policy Integrated Climate

[6] Crop Environment REsource Synthesis

[7] WOrld FOod STudies

[8] Cropping Systems Simulation Model

[9] Maize Simulation Model

[10] Global Yield Gap Atlas

[11]Reference weather stations

[12] Hypothetical RWS (HYP RWS)

[13]Climate zone

[14]Designated climate zone

[15]Growing degree days (GDD)

[16]Annual aridity index (AI)

[17]Temperature seasonality

  1. REFERENCES

    1. Alasti, O., Zeinali, E., Soltani, A. & Torabi, B. 2020. Estimation of yield gap and potential of rainfed barley production increasing in Iran. Journal of Crop Production, 13(3), 41-60. (In Persian)
    2. Amir, J. & Sinclair, T.R. 1991. A model of the temperature and solar-radiation effects on spring wheat growth and yield. Journal of Field Crops Research, 28(1-2), 47-58.
    3. Binder, J., Graeff, S., Link, J., Claupein, W., Liu, M., Dai, M., & Wang, P. 2008. Model-based approach to quantify production potentials of summer maize and spring maize in the North China Plain. Agronomy Journal, 100, 862-873.
    4. Byjesh, K., Kumar, S. N. & Aggarwal, P. K. 2010. Simulating impacts, potential adaptation and vulnerability of maize to climate change in India. Mitigation and Adapttion Strategies for Global Change, 15(5), 413-431.
    5. Choghan, R. 1996. Study and comparison of yield and yield components in silage maize hybrid cultivars. Seed and Plant Production Journal, 2(12), 36-40.
    6. Dadrasi, A., Torabi, B., Rahemi, A., Soltani, A. & Zeinali, E. 2020. Determination of potatoes (Solanum tuberosum) yield gap in Golestan Province. Journal of Agricultural Ecology, 12(4), 613-633. (In Persian)
    7. Dadrasi, A., Torabi, B., Rahemi, A., Soltani, A. & Zeinali, E. 2020. Parameterization and evaluation of a simple simulation model (SSM-iCrop2) for Potato (Solanum tuberosum) growth and yield in Iran. Potato. Research, 63, 545-563.
    8. Densley, R. J., Austin, G. M., Williams, I. D., Tsimba, R. & Edmeades, G. O. 2006. Maize silage and winter crop options to maximise drymatter and energy for NZ dairy systems. In Proceedings of the New Zealand Grassland Association, 68, 193-197.
    9. Espe, M. B., Cassman, K. G., Yang, H., Guilpart, N., Grassini, P., Van Wart, J., Anders, M., Beighley, D., Harrell, D., Linscombe, S., McKenzie, K., Mutters, R., Wilson, L. T. & Linquist, B. A. 2016. Yield gap analysis of US rice production systems shows opportunities for improvement. Journal of Field Crops Research, 196, 276-283.
    10. Fischer, R. A. 2015. Definitions and determination of crop yield, yield gaps, and of rates of change. Journal of Field Crops Research, 182, 9-18.
    11. Food & Agriculture Organization (FAO). 2017. The FAOSTAT Database. Available at Web site http://faostat.fao.org/default.aspx (Last accessed July 2019).
    12. Gobbett, D. L., Hochman, Z., Horan, H., Garcia, J. N., Grassini, P. & Cassman, K. G. 2017. Yield gap analysis of rainfed wheat demonstrates local to global relevance. Journal of Agricultural Science, 155(2), 282-299.
    13. Godfray, H. C. J., Beddington, J. R., Crute, I. R., Haddad, L., Lawrence, D., Muir, J. F., Pretty, J., Robinson, S., Thomas, S. M. & Toulmin, C. 2010. Food security: the challenge of feeding 9 billion people. Science, 327(5967), 812-818.
    14. Godfray, H. C. J., Pretty, J., Thomas, S. M., Warham, E. J. & Beddington, J. R. 2011. Linking policy on climate and food. Journal of Science, 331(6020), 1013-1014.
    15. Grassini, P. 2015. Potential for crop production increase in Argentina through closure of existing yield gaps. Journal of Field Crops Research, 184, 145-154.
    16. Hajarpoor, A., Sotani, A. & Torabi, B. 2016. Using boundary line analysis in yield gap studies: Case study of wheat in Gorgan. Journal of Crop Production, 8(4), 183-201.
    17. Kassiea, B. T., Van Ittersuma, M. K., Hengsdijkb, H., Assengc, S., Wolfa, J. & Rötterd, R. P. 2014. Climate-induced yield variability and yield gaps of maize (Zea mays ) in the Central Rift Valley of Ethiopia. Journal of Field Crops Research, 160, 41-53.
    18. Kim, S. H. & Reddy, V. 2004. Simulating maize development using a nonlinear temperature response model. In New directions for a diverse planet, Proceedings of the 4th International Crop Science Congress. (ed. Fischer R). 14 April, Brisbane, Australia (Vol. 26).‏
    19. Koo, J. & Dimes, J. 2013. "HC27 Generic Soil Profile Database". Washington, DC: International Food Policy Research Institute (IFPRI) [dataset].
    20. Liu, B., Chen, X., Meng, Q., Yang, H. & Wart, J. 2017. Estimating maize yield potential and yield gap with agro-climatic zones in China—Distinguish irrigated and rainfed conditions. Agricultural and Forest Meteorology, 239, 108–117.
    21. Lollato, R. P., Edwards, J. T. & Ochsner, T. E. 2017. Meteorological limits to winter wheat productivity in the US southern Great Plains. Journal of Field Crops Research, 203, 212-226.
    22. Marin, F. R., Thorburn, P. J., Nassif, D. S. & Costa, L. G. 2015. Sugarcane model intercomparison: Structural differences and uncertainties under current and potential future climates. Environtal Modelling and Software. 72(4), 372-386.
    23. Meng, Q., Hou, P., Wu, L., Chen, X., Cui, Z. & Zhang, F. 2013. Understanding production potentials and yield gaps in intensive maize production in China. Journal of Field Crops Research, 143, 91-97.
    24. Mera, R. J., Niyogi, D., Buol, G. S., Wilkerson, G. G. & Semazzi, F. H. 2006. Potential individual versus simultaneous climate change effects on soybean (C3) and corn (C4) crops: An agrotechnology model based study. Global and Planetary Change, 54(1-2), 163–182.
    25. Merlos, F. A., Monzon, J. P., Mercau, J. L., Taboada, M., Andrade, F. H., Hall, A. J., Jobbagy, E., Cassman, K. G. & Grassini, P. 2015. Potential for crop production increase in Argentina through closure of existing yield gaps. Journal of Field Crops Research, 184, 145-154.
    26. Meza, F. J., Silva, D. & Vigil, H. 2008. Climate change impacts on irrigated maize in Mediterranean climates: evaluation of double cropping as an emerging adaptation alternative. Agricultural Systems, 98(1), 21–30.
    27. Ministry of agricultural Jihad statistics. 2001-2015. https://www.maj.ir/Index.aspx?page_=form&lang=1&PageID=11583&tempname=amar&sub=65 methodName=ShowModuleContent, (Last accessed November 2017).
    28. Mohammadzadeh, Z., Soltani, A., Ajamnorozei, H. & Bazrgar, A. 2021. Modeling yield potential and yield gap of sugar beet (Beta vulgaris) in Iran. Journal of Sugar Beet, 36, 1. (In Persian)
    29. Nehbandani, A. R., Soltani, A., Zeinali, E., Hoseini, F., Shahoseini, A. & Mehmandoy, M. 2017. Soybean (Glycine max Merr.) yield gap analysis using boundary line method in Gorgan and Aliabad Katul. Agroecology, 9(3), 760-776. (In Persian)
    30. Pasuquin, J. M., Pampolino, M. F., Witt, C., Dobermann, A., Oberthür, T., Fisher, J. & Inubushi, K. 2014. Closing yield gaps in maize production in Southeast Asia through site-specific nutrient management. Journal of Field Crops Research, 156, 219-230.
    31. Patrignani, A., Lollato, R. P., Ochsner, T. E., Godsey, C. B. & Edwards, G. T. 2014. Yield gap and Production gap winter wheat in the southern Great Plains. Agronomy Journal, 106(4), 1329-1339.
    32. Sinclair, T. R., Hammer, G. L. & Van Oosterom, E. J. 2005. Potential yield and water-use efficiency benefits in sorghum from limited maximum transpiration rate. Functional Plant Biology, 32(10), 945-952.
    33. Sinclair, T. R., Messina, C. D., Beatty, A. & Samples, M. 2010. Assessment across the United States of the benefits of altered soybean drought traits. Agronomy Journal, 102(2), 475-482.
    34. Soltani, A. & Sinclair, T.R. 2012. Identifying plant traits to increase chickpea yield in water-limited Journal of Field Crops Research, 133(1), 86-196.
    35. 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. Journal of Field Crops Research, 175, 37-46.
    36. Soltani, A. 2009. Mathematical modeling in crops. Publications University of Mashhad, 175p.
    37. Soltani, A., Hajjarpour, A. & Vadez, V. 2016. Analysis of chickpea yield gap and water-limited potential yield in Iran. Journal of Field Crops Research, 185, 21-30.
    38. Soltani, A. & Sinclair, T.R. 2011. A simple model for chickpea development, growth and yield. Journal of Field Crops Research, 124(2), 252–260.
    39. Stockle, C. O., Martin, S. A. & Campbel, G. S. 1994. CropSyst, a cropping simulation model: water/ nitrogen budgets and crop yield. Journal of Agricultural Systems, 46(3), 335-359.
    40. Timsina, J., Wolf, J., Guilpart, N., van Bussel, L. G. J., Grassini, P., van Wart, J., Hossain, A., Rashid, H., Islam, S. & van Ittersum, M. K. 2018. Can Bangladesh produce enough cereals to meet future demand? Agricultural Systems, 163, 36-44.
    41. Van Bussel, L. G., Grassini, P., Van Wart, J., Wolf, J., Claessens, L., Yang, H., Boogaard, H., de Groot, H., Saito, K., Cassman, K. G. & van Ittersum, M. K. 2015. From field to atlas: Upscaling of location-specific yield gap estimates. Journal of Field Crops Research, 177, 98–108.
    42. Van Diepen, C. A., Wolfe, J., Van Keulen, H. & Rappoldt, C. 1989. WOFOST: a simulation model of crop production. Journal of Soil Use and Management, 5(1), 16-24.
    43. Van Ittersum, M. K., Cassman, K. G., Grassini, P., Wolf, J., Tittonell, P. & Hochman, Z. 2013. Yield gap analysis with local to global relevance-A review. Journal of Field Crops Research, 143, 4-17.
    44. Van Wart, J., van Bussel, L. G., Wolf, J., Licker, R., Grassini, P., Nelson, A., Boogaard, H., Gerber, J., Mueller, N. D., Claessens, L. & van Ittersum, M. K. 2013. Use of agro-climatic zones to upscale simulated crop yield potential. Journal of Field Crops Research, 143, 44-55.
    45. Williams, J. R., Jones, C. A. & Dyke, P. T. 1984. A modeling approach to determining the relationship between erosion and soil productivity. Transactions of the American Society of Agricultural and Biological Engineers, 27(1), 129–144.
    46. Zahed, M., Soltani, A., Zeinali, E., Torabi, B., Zand, E. & Alimagham, S. M. 2019. Modeling of irrigated wheat yield potential gap in Iran. Journal of Field Crops Research, 12(3), 35-52.
    47. Zand Parsa, S., Sepaskhah, A. R. & Ronaghi, A. 2006. Development and evaluation of integrated water and nitrogen model for maize. Journal of Agricultural Water Management, 81(3), 227-256.
Volume 53, Issue 3
November 2022
Pages 233-247
  • Receive Date: 27 May 2021
  • Revise Date: 14 September 2021
  • Accept Date: 12 October 2021
  • Publish Date: 23 September 2022