Simulating the Effects of Climate Change on Irrigated Barley (Hordeum vulgare) in Lorestan and Hamedan Provinces

Document Type : Research Paper

Authors

1 Department of Production and Plant Genetics, Faculty of Agriculture, Lorestan University, Iran.

2 Department of Production Engineering and Plant Genetics, Faculty of Agriculture , Lorestan University, Iran

3 Department of Production and Plant Genetics, Faculty of Agriculture, Lorestan University, Iran

Abstract

The present research was conducted to simulate the impact of climate change on irrigated barley in Lorestan and Hamadan provinces. For this purpose, nine regions including Aligudarz, Borujerd, Khorramabad, Kuhdasht, Pol-e Dokhtar, Hamedan, Malayer, Nahavand, and Kabudarahang were selected in the two provinces. The APSIM-barley model was employed to simulate the growth and development of irrigated barley. Firstly, the APSIM-barley model was evaluated using two independent field experiments. The first experiment was conducted in Khorramabad to calibrate the crop model; while the second experiment was done in Hamedan to validate the crop model. The future climate was projected using the AgMIP methodology under two scenarios (RCP4.5 and RCP8.5) for the period 2040-2070. The results of the model validation showed that the crop model was able to simulate barley yield and biomass with nRMSE of 16.4% and 13.3%, respectively. Additionally, the results indicated that on average across the study locations, barley grain yield would decrease by 3.8% and 5.7% under RCP4.5 and RCP8.5, respectively. However, in Pol-e Dokhtar, barley grain yield is projected to increase by 1.3% and 4.8% under RCP4.5 and RCP8.5, respectively. Based on these findings, adaptation strategies should be considered in the future to prevent the reduction of irrigated barley yield in the studied provinces.

Keywords

Main Subjects


1. مقدمه

در میان محصولات زراعی، گیاه جو (Hordeum vulgare) با اختصاص­دادن سطح زیر کشتی برابر با 587447 هکتار جو آبی و 1282948 هکتار جو دیم و در مجموع 1765538 هکتار و تولید 4/3 میلیون تن در ایران از اهمیت خاصی برخوردار می­باشد. در این بین استان­های لرستان و همدان به­ترتیب با داشتن بیش از 153867 و 154424 هکتار نقش بسزایی در تولید (563155 تن) این گیاه زراعی در کشور داشته­اند (Anonymous, 2017).

تغییر اقلیم بر اساس تعریف کنوانسیون چارچوب تغییر اقلیم سازمان ملل (UNFCCC[1]) به تغییر در شرایط اقلیمی گفته می­شود که به­طور مستقیم یا غیر مستقیم به فعالیت­های انسانی که موجب تغییر در ترکیبات اتمسفر می­شود، وابسته است و علاوه بر تغییرپذیری اقلیمی طبیعی، در طول دوره­های زمانی متفاوت قابل مقایسه است. تغییرات اقلیمی پیش­بینی­شده در ارتباط با افزایش غلظت اتمسفری گازهای گلخانه­ای و تأثیر آن در تغییر میزان و پراکنش فصلی الگوهای بارش و دما در بسیاری از مناطق دنیا به­خوبی پذیرفته شده است (IPCC[2], 2014). نتایج ذکر­شده در گزارش پنجم هیئت بین­الدول تغییر اقلیم (IPCC, 2014) نشان می­دهد که از سال 1880 تا 2012، میانگین دمای جهانی 65/0 تا 06/1 درجه سانتیگراد افزایش یافته است و پیش­بینی می­شود که تا سال­های 2100-2081 در مقایسه با سال­های 2005-1986 میانگین دما تحت سناریوهای خوش­بینانه 7/1-3/0 درجه سانتیگراد و تحت سناریوهای بدبینانه 8/4-6/2 درجه سانتی­گراد افزایش یابد. همچنین در این گزارش بیان شده است که در میان گازهای گلخانه­ای دی­اکسید کربن دارای بیشترین اثر تابشی بوده و بر موازنه تابشی و در نتیجه موازنه گرمایی کل زمین تأثیر می­گذارد. متغیرهای اقلیمی به­عنوان یکی از ورودی­های اصلی در فرآیند تولید محصولات کشاورزی محسوب می­شوند و هر گونه تغییر و تنوع در این متغیرها از جمله غلظت دی­اکسید کربن جوی، دما و بارش می­تواند اثرات معنی­داری بر فنولوژی، رشد و عملکرد محصولات زراعی داشته باشد (Babaeian & Kouhi, 2012; Rahimi-Moghadam et al., 2017; Kumagai et al., 2014).

تغییرات اقلیمی می­تواند در نواحی که دارای آسیب­پذیری بیشتری هستند اثرات شدیدتری داشته باشند. از جمله این نواحی، مناطق خشک و نیمه­خشک هستند که ایران از لحاظ طبقه­بندی اکولوژیکی جزء مناطق خشک و نیمه­خشک می­باشد (https://www.yieldgap.org/Iran). این تاثیرات منفی بر عملکرد برخی گیاهان زراعی مختلف ایران همچون گندم
(Triticum aestivum L.) (Kuchaki & Nasiri Mahalati, 2008)، ذرت (Zea mays L.) (Rahimi-Moghadam et al., 2017) و برنج (Oryza sativa L.) (Ramazanipour, 2018) را می­توان در گزارش­های مختلف مشاهده کرد. به­عنوان مثال برای گندم آبی در مناطق مختلف ایران کاهش 14 تا 21 درصد گزارش شده است (Kuchaki & Nasiri Mahalat, 2008). در مطالعه­ای دیگر روی ریسک ناشی از تنش گرما برای ذرت دانه­ای استان خوزستان احتمال تشکیل عملکرد اقتصادی (عملکرد بالای 5/4 تن در هکتار) در دوره آینده 10 درصد کاهش می­یابد (Rahimi-Moghadam et al., 2017).

برای ارزیابی اثرات اقلیمی روی محصولات زراعی می­توان از مدل­های شبیه­سازی رشد و نمو گیاه زراعی بهره گرفت. یکی از این مدل­های شبیه­سازی رشد و نمو گیاهان زراعی مدل APSIM می­باشد. این مدل که توسط محققان استرالیایی طراحی شده است توانایی شبیه­سازی 25 محصول زراعی از جمله گیاه جو، رشد و زیست­توده مراتع و درختان، رقابت محصولات با علف­های هرز، سیستم­های کشت مخلوط، تناوب و آیش، سیستم­های جنگل زراعی، عوامل مدیریتی و پیش­بینی­های دقیق تولید محصول در ارتباط با متغیرهای آب و هوا از جمله دما، بارش، تشعشع و دی­اکسید کربن را دارد (Keating et al., 2003;
Holzworth et al., 2014). این مدل برای شبیه­سازی رشد و نمو و همچنین بررسی تغییرات اقلیمی در ایران مورد استفاده قرار گرفته است. به­عنوان مثال در تحقیقی توسط Moghaddam et al. (2023) در زمینه بررسی تاثیر مدیریت تاریخ کاشت و میزان نیتروژن روی عملکرد گندم زمستانه در ایران با­استفاده­از مدل APSIM نشان داد که ریشه میانگین مربعات خطای برای شبیه­سازی بیوماس و عملکرد دانه گندم به­ترتیب برابر با 3/0 و 15/0 تن بود. آن­ها همچنین گزارش کردند تحت شرایط تغییر اقلیم برای 2039-2010، مدل­های اقلیمی افزایش کمی در عملکرد گندم را شبیه­سازی کردند، با این حال، برای 2069-2040 و 2099-2070، اکثر مدل­های اقلیمی کاهش طول فصل رشد و عملکرد دانه را شبیه­سازی کردند. در تحقیقی دیگر، با­استفاده­از مدل APSIM در مناطق نیمه­خشک ایران گزارش شد که عملکرد گندم دیم تحت شرایط تغییر اقلیم در آینده نزدیک (2030)، متوسط (2050) و دور (2080) به­ترتیب 3/12، 1/17 و 7/17 درصد افزایش پیدا می­کند (Deihimfard et al., 2023).

با­توجه­به اهمیت اثرات تغییر اقلیم روی محصولات کشاورزی به­ویژه تاثیرات بیشتر آن بر مناطق خشک و نیمه­خشک مانند کشور ایران و همچنین اهمیت جایگاه محصول جو در کشور و استان­های لرستان و همدان و لزوم توجه و استفاده از رهیافت­های جدید در راستای صرفه­جویی در زمان و هزینه­های مانند مدل­های شبیه­سازی رشد و نمو گیاهان زراعی این تحقیق به­منظور ارزیابی تأثیر تغییر اقلیم بر عملکرد جو آبی در استان­های لرستان و همدان با­استفاده­از مدل APSIM انجام شد.

 

  1. مواد و روش­ها

2-1. مناطق مورد بررسی و مشخصات این مناطق: استان­های لرستان و همدان

این تحقیق در تعدادی از شهرستان­های استان لرستان شامل الیگودرز، بروجرد، خرم­آباد، کوهدشت و پلدختر و استان همدان شامل همدان، ملایر، نهاوند و کبودرآهنگ انجام شد. استان لرستان در غرب ایران، بین 46 درجه و 51 دقیقه تا 50 درجه و 3 دقیقة طول شرقی از نصف‌النهار گرینویچ و 32 درجه و 37 دقیقه تا 34 درجه و 22 دقیقة عرض شمالی از خط استوا قرار گرفته و وسعت آن حدود 28559 کیلومتر مربع است. این استان،‌ از شمال به استان‌های مرکزی و همدان، از جنوب به استان خوزستان، از شرق به استان اصفهان و از غرب به استان‌های کرمانشاه و ایلام محدود است. استان همدان بین مدارهای 59 درجه و 33 دقیقه تا 49 درجه و 35 دقیقه عرض شمالی و 34 درجه و 47 دقیقه تا 34 درجه و 49 دقیقه طول شرقی از نصف­النهار گرینویچ قرار گرفته است. استان همدان با مساحت 20 هزار و 172 کیلومتر مربع، 1/2 درصد از مساحت کل کشور را در بر می­گیرد. استان همدان جزء استان­های غربی ایران است که از شمال به استان زنجان، از جنوب به استان لرستان، از شرق به استان مرکزی و از غرب به استان­های کرمانشاه و کردستان محدود می­شود. آب و هوای استان همدان متغیر است و معمولاً دارای زمستان­های سرد و پر برف و تابستان­های معتدل و ییلاقی است و به­طور کلی در دره­های شمالی کوه الوند و شمال استان سردتر و جنوب استان ملایم­تر است. ویژگی­های اقلیمی و جغرافیایی مناطق در جدول 1 مشاهده می­شوند.

 

جدول 1. ویژگی­های اقلیمی، جغرافیایی و مدیریتی مناطق مورد مطالعه.

Location

Longitude/ latitude

Elevation (m)

Annual mean temperature (°C)

Annual cumulative rainfall (mm)

Number of irrigation

Nitrogen fertilizer (kg ha-1)

Sowing date

Aligudarz

49.42/33.24

2022

12.4

402.1

5

180

14-Oct

Borujerd

48.45/33.55

1629

14.7

456.6

5

200

18-Oct

Khorramabad

48.17/32.26

1155

17.2

500.1

5

175

20-Oct

Kuhdasht

47.39/33.31

1197

15.9

366.7

4

220

17-Oct

Poldkhtar

47.43/33.09

713

22.8

360.7

5

175

12-Oct

Hamedan

48.53/34.87

1740

11

317.7

5

200

08-Nov

Kabudarahng

48.42/35.12

1666

9

273

6

175

01-Nov

Malayer

48.49/34.17

1725

10.5

300

6

180

17-Oct

Nahavand

48.15/34.15

1644

12.7

410

5

220

20-Oct

 

2-2. مدل زراعی مورد استفاده و پارامترهای مورد نیاز

در این تحقیق شبیه­ساز سیستم­های تولید محصولات کشاورزی ([3]APSIM) که توسط واحد تحقیقاتی سیستم­های تولید محصولات کشاورزی در استرالیا (APSRU[4]) تهیه شده است به­کار گرفته شد. این مدل توسط محققان استرالیایی طراحی شده است و از قدرت بالایی برای شبیه­سازی رشد و عملکرد گیاهان زراعی برخوردار است. این مدل، رشد و نمو گیاه را به­صورت روزانه شبیه­سازی می­کند و به عوامل مختلف از جمله آب و هوا (دما، بارش و تابش)، خاک (آب خاک و نیتروژن خاک)، ضرایب ژنتیکی و اطلاعات مدیریتی گیاه زراعی وابسته است. ﻣﺪل مذکور ﻣﺮاﺣﻞ ﻧﻤﻮی، ﺗﺠﻤﻊ و ﺗﺨﺼﯿﺺ بیوماس، ﺷﺎﺧﺺ ﺳﻄﺢ ﺑﺮگ و ﻧﯿﺰ رﺷﺪ رﯾﺸﻪ، ﺳﺎﻗﻪ، ﺑﺮگ و داﻧﻪ را در ﻣﻘﯿﺎس روزاﻧﻪ از ﻣﺮﺣﻠﻪ ﮐﺎﺷﺖ ﺗﺎ رﺳﯿﺪﮔﯽ ﺷﺒﯿﻪ­سازی می­کند. در مدل APSIM، افزایش غلظت دی­اکسید کربن از طریق تاثیر بر کارایی مصرف نور، کارایی تعرق و غلظت بحرانی نیتروژن برگ بر رشد گیاه زراعی تاثیر می­گذارد
 (Wang et al., 2017). در این مدل سرعت تبخیر آب خاک و تعرق گیاه به­صورت جداگانه و توسط نیاز بوم نظام و توانایی خاک برای تامین آب در پاسخ به این نیاز محاسبه می­شود (Dietzel et al., 2016).

پارامترهای مورد نیاز برای اجرای مدل شامل پارامترهای اقلیمی، خاکی، مدیریتی و گیاهی می­باشند. پارامترهای خاکی برای هر شهرستان شامل توصیف خاک، طبقه­بندی خاک، طول و عرض جغرافیایی، اسیدیته، ضخامت لایه (cm)، وزن مخصوص ظاهری (g cm-3)، محتوای آب در نقطه پژمردگی (mm mm-1)، مزرعه (mm mm-1) و اشباع (mm mm-1)، هدایت الکتریکی (mS m-1) و ماده آلی (%) خاک می­باشد. این داده­ها از طریق مکاتبه با سازمان جهاد کشاورزی، مراکز تحقیقات منابع طبیعی و کشاورزی، آزمایشگاه­های خاک، گزارش­های سازمان خوار و بار جهانی و همچنین سایت اطلس خلاء ایران در سطح هر شهرستان جمع­آوری شد (جدول 2).

 

جدول 2. ویژگی­های خاکی مناطق مورد مطالعه.

Location

Bulk density (g cm-3)

Soil water content at wilting point (mm mm-1)

Soil water content at field capacity (mm mm-1)

Saturation water content (mm mm-1)

Aligudarz

1.31

0.237

0.388

0.507

Borujerd

1.29

0.258

0.402

0.515

Khorramabad

1.28

0.231

0.392

0.518

Kuhdasht

1.33

0.259

0.396

0.500

Poldkhtar

1.38

0.062

0.286

0.475

Hamedan

1.44

0.143

0.277

0.458

Kabudarahng

1.37

0.212

0.360

0.485

Malayer

1.43

0.104

0.255

0.461

Nahavand

1.42

0.192

0.328

0.464

 

پارامترهای اقلیمی شامل حداقل و حداکثر دمای روزانه (°C)، بارش (mm) و تابش خورشیدی (MJ m-2 day-1) به­صورت بلندمدت (2010 -1980) برای شهرستان­های مورد مطالعه است که از ایستگاه­های هواشناسی جمع­آوری شد. با­توجه­به عدم وجود تابش در برخی مناطق، این داده­ها با­استفاده­از روش­های متداول در بازسازی داده­های هواشناسی تولید شد. به­همین منظور در صورت نیاز برای محاسبه تابش و تصحیح آن بر اساس ساعات آفتابی از رابطه خطی آنگستروم (Almorox et al., 2005) استفاده شد:

                 معادله 1                                                                                                                  

در این معادله، Rs نشان­دهنده تابش روزانه (MJ m-2 day-1)، n تعداد ساعات آفتابی، N حداکثر تعداد ساعات آفتابی ممکن و Ra تابش فرازمینی1 (MJ m-2 day-1) می­باشد. پارامترهای a و b ظرایب آنگستروم کالیبره­شده محلی هستند. در این تحقیق مقدار پارامترهای a و b برای مناطق مختلف در استان­های همدان و لرستان به­ترتیب 25/0 و 5/0 در نظر گرفته شد.

ورودی­های مدیریتی شامل تراکم بوته (350 بوته در متر مربع)، فاصله بین ردیف (25 سانتی­متر)، نوع شخم (مرسوم)، عمق کاشت (پنج سانتی­متر)، تاریخ کاشت (30 مهر)، تعداد آبیاری و مقدار کود نیتروژن می­باشند. این اطلاعات مربوط­به کشاورزان هر شهرستان می­باشد که از طریق تهیه پرسش­نامه و توزیع بین کشاورزان جمع­آوری شده است (جدول 1). افزون­بر­این، ورودی دیگر مورد نیاز برای اجرای مدل، اطلاعات گیاهی است. در واقع اطلاعات گیاهی یک رقم شامل ضرایب ژنتیکی آن رقم می­باشد که به­وسیله آزمایش­های مزرعه­ای اندازه­گیری می­شوند که در بخش بعد به آن پرداخته شده است.

2-3. ارزیابی مدل زراعی

ارزیابی مدل شامل واسنجی و اعتبارسنجی مدل زراعی بود که از آزمایش اول برای واسنجی و از آزمایش دوم به­منظور اعتبارسنجی استفاده شد. آزمایش اول در مزرعه تحقیقاتی دانشکده کشاورزی دانشگاه لرستان، واقع در شهرستان خرم­آباد، کیلومتر پنج جاده خرم­آباد- اندیمشک با طول جغرافیایی 48 درجه و 22 دقیقه شرقی و عرض 33 درجه و 29 دقیقه شمالی و ارتفاع 1125 متر از سطح دریا در شرایط پتانسیل انجام گرفت. آزمایش به­صورت اسپلیت­پلات در پایه بلوک­های کامل تصادفی بود. کرت­های اصلی شامل تیمارهای تاریخ کاشت در چهار سطح ( 15 مهر، 30 مهر، 15 آبان و 30 آبان) و کرت­های فرعی شامل ارقام مختلف جو آبی (رقم زودرس آذران، متوسط­رس جلگه و دیررس بهمن) بود. معیار انتخاب چهار تاریخ کاشت، بازه کاشت کشاورزان در منطقه خرم­آباد بود، به­طوری­که تاریخ کاشت­های زودهنگام تا دیرهنگام را پوشش دهد. پیش از شروع آزمایش نمونه­برداری از نقاط مختلف خاک محل اجرای طرح از سه عمق 0 تا 30، 30 تا 60 و 60 تا 90 سانتی­متر انجام گرفت. بعد از کشت بلافاصله آبیاری صورت گرفت (جدول 3). هر کرت شش ردیف به طول شش متر با فاصله ردیف 20 سانتی­متر بود و بذرها در عمق سه تا پنج سانتیمتری کاشته و تراکم نهایی بر اساس 400 بوته در متر مربع تنظیم شد. ﻋﻤﻠﯿﺎت داﺷﺖ ﺷﺎﻣﻞ آبیاری، کوددهی و ﻣﺒﺎرزه ﺑﺎ ﺑﯿﻤﺎریﻫﺎ و آﻓﺎت ﺷﺎﯾﻊ در منطقه و علف­های هرز در ﻣﻮاﻗﻊ ﻟﺰوم اﻧﺠﺎم گرفت، به­طوری­که هیچ­گونه آثاری از تنش خشکی، کمبود عناصر غذایی، آفت­زدگی، بیماری و خسارت علف­های هرز در گیاه جو مشاهده نشد و گیاه توانست در شرایط پتانسیل رشد کند. برای اندازه­گیری مراحل فنولوژیک ابتدا تعداد شش بوته در هر کرت در مرحله سبز­شدن با علامت­گذاری مشخص و تمامی یاداشت­برداری­های فنولوژیک تا انتهای دوره رشد روی این بوته­ها انجام شد. به­منظور اندازه­گیری عملکرد نهایی و اجزای عملکرد با رعایت حاشیه تعداد دو خط کاشت در پایان فصل رشد برداشت و عملکرد آن تعیین شد. برای واسنجی از صفات روز تا گلدهی، روز تا رسیدگی، بیوماس و عملکرد دانه استفاده شد و پارامترهای ویژه رقم جلگه (به­عنوان رقم مرسوم مناطق مورد بررسی) از طریق واسنجی مدل به­دست آمد (جدول 4). برای واسنجی از تیمارهای رقم جلگه در چهار تاریخ کاشت ذکر­شده استفاده شد. در مرحله واسنجی گیاه جو ابتدا پارامترهای مربوط­به نمو و فنولوژی واسنجی و سپس پارامترهای مربوط­به سرعت رشد دانه، تعداد دانه و عملکرد دانه واسنجی شدند. در واسنجی هر پارامتر ابتدا داده­های اندازه­گیری­شده (در سطح مزرعه) وارد مدل شد، اگر داده وارد­شده (اندازه­گیری­شده) و شبیه­سازی شده با یک درصد خطای قابل قبول به یکدیگر نزدیک باشد، به­عنوان پارامتر واسنجی­شده در نظر گرفته می­شود. اگر درصد خطا بالا بود، مقدار ورودی با تغییر، به مقدار شبیه­سازی­شده نزدیک شده و این کار تا جایی ادامه یافت که دقت شبیه­سازی دارای درصد خطای قابل قبولی شود. همچنین باید ذکر شود که تغییرات در مقدار هر پارامتر در دامنه­ای که در مدل برای گروه­های مختلف رسیدگی تعریف کرده است صورت گرفت. آزمایش دوم شامل آزمایش مزرعه­ای در قالب طرح اسپلیت­پلات فاکتوریل در مزرعه تحقیقاتی مرکز تحقیقات کشاورزی واقع در شهر همدان (طـول و عرض جغرافیایی 48 درجه و 32 دقیقه شرقی و 34 درجه و 52 دقیقه شمالی و ارتفاع از سطح دریا 1740 متر) در سال 1398 انجام شد. در آزمایش مذکور سطوح مختلف آبیاری، نیتروژن و رقم مورد بررسی قرار گرفتند. فاکتور اصلی شامل سه سطح آبیاری به­صورت 90تا 100 درصد ظرفیت مزرعه، 60 تا 70 درصد ظرفیت مزرعه و 30 تا 40 درصد ظرفیت مزرعه بودند. فاکتورهای فرعی شامل سه سطح رقم (رقم زودرس آذران، متوسط­رس جلگه و دیررس بهمن) و سه سطح نیتروژن (سه سطح صفر، 60 کیلوگرم نیتروژن در هکتار به­عنوان متوسط و 150 کیلوگرم نیتروژن در هکتار به­عنوان بهینه) بودند. تعیین میزان نیتروژن با­توجه­به میزان آزمون خاک بود (جدول 4).

 

جدول 3. ویژگی­های فیزیکی و شیمیایی خاک­های محل آزمایش در خرم­آباد و همدان برای واسنجی مدل و اعتبارسنجی مدل.

Location

Soil depth (cm)

Sand (%)

Silt (%)

Clay (%)

BD

(g cm-3)

OC (%)

pH

EC

(dS m-1)

N (%)

K

(Mg kg-1)

P

(Mg kg-1)

Khorramabad

0-30

38

25

37

1.36

0.72

7.5

1.4

0.1

413

47

 

30-60

38

26

36

1.55

0.41

7

1.2

0.06

412

52

 

60-90

36

26

38

1.72

0.35

7.6

1

0.03

410

63

Hamedan

0-30

45

26

29

1.55

0.47

8

1.13

0.04

471

35

 

30-60

43

26

31

1.5

0.43

7.3

1

0.03

447

29

 

60-90

49

26

25

1.58

0.38

8

0.9

0.03

411

27

BD: وزن مخصوص ظاهری؛ OC: کربن آلی؛ pH: اسیدیته خاک؛ EC: هدایت الکتریکی؛ N: نیتروژن؛ K: پتاسیم؛ P: فسفر.

بر این اساس، تعداد کل واحدهای آزمایشی 81 واحد بود. تراکم برابر 400 بوته در متر مربع بود. در تاریخ هفدهم آبان 1398 کاشت تمامی ارقام با فاصله ردیف 25 سانتی­متر انجام شد. عملیات کنترل حشرات، بیماری­های احتمالی و علف­های هرز به­خوبی صورت گرفت؛ به­طوری­که هیچ­گونه آثاری از آفت­زدگی، بیماری و خسارت علف­های هرز در مزرعه مشاهده نشد. برای اعتبارسنجی از تیمارهای رقم جلگه در سطوح مختلف ذکر­شده نیتروژن و آبیاری استفاده شد.

 

جدول 4. مقدار ضرایب ژنتیکی برای رقم جلگه که از طریق واسنجی مدل به­دست آمد.

Coefficient

Value

Unit

Thermal time accumulation from flowering to start of grain filling

470

◦Cd

Number of grain per stem

34

-

Grain growth rate

0.0010

mg kernel–1d–1

Sensitivity coefficient to photoperiod

3.1

-

Sensitivity coefficient vernalization

1.5

-

◦Cd: درجه روز رشد؛ mg kernel–1d–1: میلی­گرم وزن دانه بر روز.

 

برای ارزیابی مدل و مقایسه مقدارهای شبیه­سازی و اندازه­گیری­شده روز تا گلدهی، روز تا رسیدگی، بیوماس و عملکرد دانه از شاخص­های آماری nRMSE: ریشه میانگین مربعات خطای نرمال­شده (Wallach & Goffinet, 1987)؛ d-index: شاخص توافق (Willmott, 1982)؛ MBE: میانگین انحراف خطا (Willmott & Matsuura, 2005) با­توجه­به رابطه­های زیر استفاده شد:

 

   رابطه 1                                                            

رابطه 2                                                                             

رابطه 3                                                                                                                          

که در این روابط  n: تعداد مشاهدات؛ O: داده مشاهده­شده؛ S: داده شبیه­سازی­شده و Ō: میانگین داده مشاهده­شده می­باشند. مقادیر شاخص nRMSE در بازه­های 10-0، 20-10، 20-30 درصد به­ترتیب نشان­دهندۀ وضعیت ایده­آل (عالی) مناسب (خوب) و متوسط مدل در پیش­بینی و بیشتر از 30 درصد بیانگر عدم کارا­بودن مدل می­باشد (Dettori et al., 2011;
Deihimfard et al., 2019). مقدار شاخص  d-indexبین 0-1 متغیر است که میزان انطباق میان داده­های مشاهده­شده و مقادیر شبیه­سازی­شده را نشان می­دهد و نزدیک­بودن مقدار این شاخص به یک بیانگر نزدیکی مقادیر شبیه­سازی­شده به مقادیر واقعی و در حقیقت کارکرد بهتر مدل است. MBE برآورد کم و بیش از حد مدل را نشان می­هد که از منفی بی­نهایت تا مثبت بی­نهایت متغیر است و دقت مدل با نزدیک­شدن مقدار MBE به صفر افزایش می­یابد. علاوه­بر شاخص­های بالا، از ضریب تبیین برای اندازه­گیری دقت مدل نیز در مطالعه حاضر بهره­گیری شد. ضریب تبیین نسبت پراکندگی بین داده­های پیش­بینی­شده و مشاهده­شده را نشان می­دهد (Mendenhall et al., 1996). در صورت وجود تطابق کامل رگرسیونی بین داده­های مشاهده­شده و شبیه­سازی­شده، مقدار ضریب تبیین برابر با یک بوده و با کاهش مقدار این شاخص، درصد کمتری از تغییرات داده­ها توسط خط رگرسیونی توجیه می­شود. در صورت عدم وجود هیچگونه رابطۀ رگرسیونی مقدار ضریب تبیین صفر خواهد بود. بنابراین این ضریب بین صفر و یک متغیر می­باشد که نزدیک­بودن به یک نشان­دهنده دقت بالای مدل در پیش­بینی صفت مورد نظر می­باشد. در این تحقیق برای تمامی تجزیه­های آماری و رسم شکل­ها و نمودارها از نرم­افزارOriginPro  (Seifert, 2014) استفاده شد.

2-4. شبیه­سازی اقلیم آینده: مدل و سناریوهای اقلیمی

به­منظور شبیه­سازی رشد و عملکرد جو آبی در شرایط تغییر اقلیم آینده در استان لرستان و همدان ابتدا اقلیم آینده شهرستان­های این استان­ها با­استفاده­از مدل گردش عمومی HadGEM2-ES، سناریوهای اقلیمی RCP4.5 و RCP8.5 و روش AgMIP[5] شبیه­سازی شد. در این روش سناریوهای اقلیمی آینده بر اساس داده­های اقلیمی دوره پایه (شامل دمای بیشینه و کمینه، بارندگی و تابش) از سال 1980 تا 2010 برای دوره آینده (2070 -2040) تحلیل شدند. معیار استفاده از مدل گردش عمومی
 HadGEM2-ES دقت شبیه­سازی و باز­تولید داده­های آب و هوایی این مدل برای اقلیم ایران بود (Ghahreman et al., 2015; Rahimi-Moghaddam & Azizi, 2018; Ahmadi et al., 2019a,b). سناریوهای اقلیمی در این تحقیق با­استفاده­از روش سناریوی دلتا در مدل گردش عمومی CMIP52 و با ابزارهای تولید سناریوهای اقلیمی (کد نوشته­شده به زبان برنامه­نویسی R)که توسط AgMIP ارائه شده است تولید شدند. به­این­صورت که از یک بسته نرم­افزاری که توسط موسسه AgMIP به زبان برنامه­نویسی R اﺳﺖ اﺳﺘﻔﺎده شد. اﻳﻦ ﺑﺴﺘﻪ ﻧﺮم­اﻓﺰاری روی ﻧﺮم­اﻓﺰار  Rﻗﺎﺑﻞﻧﺼﺐ اﺳﺖ ﺑﻌﺪ از ﻧﺼﺐ اﻳﻦ ﺑﺴته نرم­اﻓﺰاری داده­ﻫﺎی اﻗﻠﻴﻤﻲ این دوره ﭘﺎﻳﻪ ﺷﺎﻣﻞ دﻣﺎی ﻛﻤﻴﻨﻪ و ﺑﻴﺸﻴﻨﻪ، ﺑﺎرﻧﺪﮔﻲ و ﺗﺎﺑﺶ ﺑﻪ ﻓﺮﻣﺖ ﻣﻮرد ﻧﻴﺎز ﺗﻬﻴﻪ شد و ﺑﻪﻋﻨﻮان ورودی وارد ﻧﺮم­اﻓﺰار ﻣﻮرد ﻧﻈﺮ شدند. ﺳﭙﺲ ﺑﺎ ﺗﻌﻴﻴﻦ دوره و ﺳﻨﺎرﻳﻮ داده­های اقلیمی آینده تولید شدند. همچنین میزان دی­اکسید کربن تحت دوره پایه، RCP4.5 و RCP8.5 به­ترتیب برابر با 360، 499 و 571 قسمت در میلیون در نظر گرفته شد (Amiri et al., 2021).

 

  1. نتایج و بحث

3-1. واسنجی اعتبارسنجی مدل

نتایج مرحله واسنجی نشان داد که مدل با دقت بسیار خوبی صفات مختلف برای رقم جو جلگه را شبیه­سازی می­کند (جدول 5). همان­طور­که در جدول 5 مشخص می­باشد ریشه میانگین مربعات خطای نرمال­شده، شاخص توافق و میانگین انحراف خطا به­ترتیب برای روز تا گلدهی و روز تا رسیدگی به­ترتیب برابر با 2/2 و 04/1 درصد، 99/0 و 97/0 و 5/0- و 5/0+ روز بود. همچنین تغییرات در شبیه­سازی روز تا گلدهی در تیمارهای مختلف تاریخ کاشت از 102 تا 151 روز متغیر و مقدارهای مشاهده­شده از 103 تا 147 روز تغییرات داشت. همچنین این مقدارها برای روز تا رسیدگی به­ترتیب برابر با 172 تا 189 روز و 173 تا 188 روز بود. برای بیوماس و عملکرد دانه ریشه میانگین مربعات خطای نرمال­شده، شاخص توافق و میانگین انحراف خطا به­ترتیب برابر با 18/5 و 74/4 درصد، 97/0 و 95/0 و 212/0- و 814/0+ تن در هکتار بود.

 

جدول 5. نتایج واسنجی مدل برای صفات مختلف رقم جلگه تحت تاریخ کاشت­های مختلف.  

Index

Sowing date

 

Days to flowering

 

Days to maturity

 

Biomass (t.ha-1)

 

Grain yield (t.ha-1)

 

 

 

S

O

 

S

O

 

S

O

 

S

O

 

 

7-Oct

 

102

103

 

172

174

 

15

14.5

 

6.3

6.3

 

 

22-Oct

 

131

132

 

178

178

 

19.1

18.3

 

9.2

10

 

 

6-Nov

 

138

142

 

176

173

 

20.6

19.5

 

9.5

9.2

 

 

21-Nov

 

151

147

 

189

188

 

19.4

18.5

 

9.1

9.4

 

nRMSE (%)

 

 

2.22

 

 

1.04

 

 

5.18

 

 

4.74

 

 

d-index

 

 

0.99

 

 

0.97

 

 

0.97

 

 

0.95

 

 

MBE

 

 

-0.5

 

 

+0.5

 

 

-0.212

 

 

+0.814

 

 

n

 

 

4

 

 

4

 

 

4

 

 

4

 

 

S و O به­ترتیب مقدارهای شبیه­سازی و مشاهده­شده صفات مختلف را نشان می­دهند؛ nRMSE: ریشه میانگین مربعات خطای نرمال­شده؛ d-index: شاخص توافق؛ MBE: میانگین انحراف خطا؛ n: تعداد مشاهدات.

 

نتایج اعتبارسنجی مدل حاکی از دقت نسبتا خوب مدل در شبیه­سازی صفات بیوماس و عملکرد دانه برای رقم جو جلگه تحت شرایط مدیریت­های مختلف آب و نیتروژن بود (شکل 1). ضریب تعیین، ریشه میانگین مربعات خطای نرمال­شده، شاخص توافق و میانگین انحراف خطا برای بیوماس به­ترتیب برابر با 66/0، 4/16 درصد، 77/0 و 2/1- تن در هکتار بود. این در حالی بود که شاخص­های بیان­شده برای عملکرد دانه به­ترتیب برابر با 9/0، 3/13 درصد، 97/0 و 166/0- تن در هکتار بود (شکل 1). به­طور کلی نتایج واسنجی و اعتبار سنجی مدل APSIM-Barley نشان داد که این مدل می­تواند­به خوبی رشد، نمو و عملکرد رقم جو جلگه را شبیه­سازی کند. واسنجی دقیق و تعیین پارامترهای رقم می­تواند در نهایت باعث شبیه­سازی دقیق در مرحله اعتبارسنجی مدل شود. به­طور کلی واسنجی دقیق پارامترهای فنولوژیک می­تواند باعث پیش­بینی دقیقی در شاخص سطح برگ و نهایتا بیوماس شود. این بیوماس تولیدی نهایتا باید در بین اندام­های مختلف گیاه تقسیم شود که ارزیابی دقیقی از پارامترهایی نظیر وزن دانه و تعداد دانه در ساقه می­تواند به این موضوع کمک کند. نشان داده شده است که شبیه­سازی دقیق مرحله گلدهی باعث شبیه­سازی دقیق شاخص سطح برگ می­شود که باعث برآورد دقیق تشعشع جذبی توسط گیاه می­شود و در نهایت بیوماس با دقت بالایی شبیه­سازی می­شود (Archontoulis et al., 2014). با وجود اینکه مدل عملکرد دانه را به­خوبی شبیه­سازی کرد، اما در شبیه­سازی بیوماس ضعیف­تر عمل کرد. همان­طور­که بیان شد اعتبارسنجی مدل تحت شرایط محدودیت آب و نیتروژن صورت گرفته است.

به­نظر می­رسد تحت این شرایط نسبت­به شرایط پتانسیل کارایی مدل کمتر می­باشد. گزارش شده است که ضعف اصلی مدل APSIM، عدم حساسیت مدل نسبت­به تأثیر کمبود نیتروژن بر فنولوژی گیاه است (Madadizadeh et al., 2022). این موضوع می­تواند تحت شرایط محدودیت نیتروژن در نهایت روی بیوماس از طریق تاثیر روی طول دوره رشد تا حدودی تاثیرگذار باشد. بیان شده است که میزان رطوبت خاک در طول فصل رشد گندم با دقت بالایی توسط مدل APSIM شبیه‌سازی شد؛ به­طوری­که ریشه میانگین مربعات خطای نرمال­شده از 3/5 درصد تا 11 درصد و مقادیر شاخص توافق از 86/0 تا 97/0 در تیمارها و فصول مختلف کشت متغیر بود. همچنین نشان داده شده که مدل APSIM عملکرد دانه گندم در مرحله اعتبارسنجی را به­خوبی شبیه­سازی کرد؛ به­طوری­که ریشه میانگین مربعات خطای نرمال­شده برابر با 3 /12 درصد، میانگین انحراف خطا برابر با 105 کیلوگرم در هکتار، شاخص توافق برابر با 99/0 و مقدار ضریب تبیین برابر 88/0 بود (Rahimi-Moghaddam et al., 2021). در شبیه­سازی اثر تاریخ کاشت روی رشد و نمو ارقام نخود در شهرستان کرمانشاه با مدل CROPGRO-CHICKPEA، ریشه میانگین مربعات خطای نرمال­شده برای ارقام و تاریخ کاشت­های مختلف برابر با 13/5 درصد گزارش شده بود (Hajishabani et al., 2020). در تحقیقی گزارش شد که مدل APSIM برای یک مجموعه داده از 12 کشور، مجموعه­ای از خاک­ها، روش­های مدیریتی و محصولات مختلف در آسیا مورد بررسی قرار گرفت که مدل عملکرد دانه محصولات مختلف از جمله گندم و ذرت را به­ترتیب با ضریب تبیین 79/0 و 85/0 شبیه­سازی کرد و در زمینه شبیه­سازی عملکرد دانه سویا و کلزا ضریب تبیین به­ترتیب برابر با 53/0 و 71/0 بود (Gaydon et al., 2017).

 

شکل 1. اعتبارسنجی بیوماس و عملکرد دانه برای رقم جلگه تحت تیمارهای مختلف آبیاری و نیترورژن. R2: ضریب تعیین؛ nRMSE: ریشه میانگین مربعات خطای نرمال­شده؛ d-index: شاخص توافق؛ MBE: میانگین انحراف خطا؛ n: تعداد مشاهدات.

 

3-2. تاثیر تغییر اقلیم بر عملکرد دانه محصول جو آبی

به­طور کلی عملکرد دانه محصول جو در دوره پایه در سراسر مناطق مورد بررسی برابر با 2/4 تن در هکتار بود (شکل 2). همچنین تولید گیاه جو در استان لرستان (3/4 تن در هکتار) بیشتر از استان همدان (1/4 تن در هکتار) بود. در بین مناطق مورد بررسی عملکرد دانه از 3/5 تن در هکتار در شهرستان نهاوند تا 8/3 تن در هکتار در شهرستان همدان متغیر بود. تغییرات و اختلاف عملکرد دانه در مناطق مورد بررسی در دوره پایه را می­توان به عوامل مختلفی از جمله اقلیم، خاک و عوامل مدیریتی نسبت داد. به­عنوان مثال از لحاظ تغییرات دمایی، میانگین دما در طول دوره رشد از شش درجه سانتی­گراد تا 13 درجه سانتی­گراد در بین مناطق متغیر بود. همچنین از لحاظ ظرفیت نگهداری آب خاک در بین مناطق این اختلاف از 134 میلی­متر تا 224 میلی­متر متغیر بود. از سوی دیگر میزان کوددهی نیتروژن در بین مناطق مختلف از 175 کیلوگرم نیتروژن در هکتار تا 220 کیلوگرم نیتروژن در هکتار اختلاف داشت (جدول 1). در تحقیقی نشان داده شد که حرکت از کشت زمستانه ذرت به سمت کشت تابستانه باعث کاهش 6/2 درجه سانتی­گراد در طول فصل رشد شد و به موازت آن طول دوره رشد به­میزان 9/7 روز افزایش یافته و کارایی مصرف آب و عملکرد دانه به­ترتیب 38/4 کیلوگرم در هکتار بر میلی­متر و 32/88 کیلوگرم در هکتار افزایش یافت (Rahimi-Moghaddam et al., 2019). در زمینه تاثیر خاک، به­عنوان مثال، در غرب و جنوب استرالیا با ظرفیت نگهداری آب خاک 100 میلی­متر و منطقه شرق با ظرفیت نگهداری آب خاک 150 میلی­متر از لحاظ نوع تاثیر خشکی بر عملکرد گندم دیم اختلاف قابل توجهی وجود داشت
 (Chenu et al., 2013). همچنین در زمینه تاثیر مدیریت بر تغییرات عملکرد در مناطق مختلف نشان داده شده که در استان خراسان رضوی مدیریت آبیاری در مناطق مختلف این استان باعث تغییراتی از 22/61- تا 29/48+ درصد در دوره آینده نسبت به دوره پایه در عملکرد دانه ذرت شد (Moradi et al., 2013).

 

 

شکل 2. عملکرد دانه در مناطق مختلف تحت دوره پایه و سناریوهای RCP4.5 و RCP8.5. طول هر باکس نشان­دهنده تغییرات در بین سال­های شبیه­سازی­شده است.

 

به­طور میانگین در سراسر مناطق مورد بررسی عملکرد دانه گیاه جو 7/4- درصد نسبت­به دوره گذشته کاهش خواهد یافت. این در حالی است که کاهش عملکرد دانه در سناریوهای مورد بررسی از 8/3- درصد تحت RCP4.5 تا 7/5- درصد RCP8.5 بود (شکل 2). همچنین کاهش عملکرد در استان همدان (8/7- درصد) از استان لرستان (3/2- درصد) بیشتر بود. در بین مناطق مورد مطالعه میزان کاهش از 1/1- درصد تحت سناریوی RCP8.5 در منطقه بروجرد تا 3/11- درصد تحت سناریوی RCP8.5 در شهرستان همدان متغیر بود. با وجود کاهش در اکثر مناطق در شهرستان پلدختر در استان لرستان میزان عملکرد افزایش پیدا کرد؛ به­طوری­که در این شهرستان تحت سناریوهای RCP4.5 و RCP8.5 عملکرد دانه گیاه جو به­ترتیب 1/3+ و 8/4+ درصد افزایش پیدا کرد (شکل 2). به­طور کلی افزایش دما باعث کاهش طول فصل رشد در مناطق مورد مطالعه شد. همان­طوری­که در جدول 6 مشاهده می­شود طول دوره رشد محصول جو در سراسر مناطق در دوره آینده با کاهش 83/6 درصدی مواجه می­شود که این کاهش طول دوره رشد همراه­با افزایش دما به­میزان 41/1 درجه سانتی­گراد همراه است. در زمینه افزایش دما میزان افزایش دما تحت سناریوی RCP8.5 (4/1 درجه سانتی­گراد) بیشتر از سناریوی RCP4.5 (9/0 درجه سانتی­گراد) است که­به موازات آن نیز طول دوره رشد در سناریو RCP8.5 (1/8- درصد) به­میزان بیشتری نسبت­به سناریوی RCP4.5 (8/5- درصد) کاهش پیدا خواهد کرد. بسیاری از مطالعات در زمینه تغییر اقلیم نشان می­دهند که افزایش دما باعث کاهش طول دوره رشد محصولات کشاورزی می­شوند که به موازات آن باعث کاهش عملکرد در محصولات زراعی می­شود. به­عنوان مثال در تحقیقی روی گندم آبی استان خوزستان نشان داده شد که تحت سناریوهای RCP4.5 و سناریوی RCP8.5 میانگین دما در طول دوره رشد گندم به­ترتیب 6/1 و 3/2 درجه سانتی­گراد افزایش پیدا می­کند که طول دوره رشد گندم را 5/7 و 3/9 درصد کاهش می­دهد و عملکرد گندم به­ترتیب به­میزان 9/7 و 3/9 درصد کاهش خواهد یافت (Eyni‐Nargeseh et al., 2020). در تحقیقی دیگر گزارش شده است که تغییر اقلیم و دماهای بالا باعث کاهش تعداد روزهایی می­شود که 'گندم می­تواند برای فرآیند فتوسنتز نور جذب کند که در نهایت باعث کاهش بیوماس و عملکرد دانه گندم می­شود (Asseng et al., 2015).

اگرچه عملکرد دانه در بیشتر مناطق کاهش پیدا کرد، ولی در شهرستان پلدختر میزان عملکرد دانه تحت سناریوهای اقلیمی افزایش پیدا کرد. این موضوع می­تواند مربوط­به اثرات مثبت دی­اکسید کربن باشد؛ به­طوری­که اثر مثبت می­تواند اثرات منفی افزایش دما را کاهش دهد. در تحقیقی اثرات مثبت دی­اکسید کربن بر عملکرد دانه نخود مشاهده شد؛ به­طوری­که تحت شرایط بهینه مدیریتی عملکرد دانه نخود در سراسر بوم­نظام­های نخود کشور به­طور میانگین نسبت­به دوره پایه به­میزان 4/1808 کیلوگرم در هکتار افزایش پیدا می­کند (Amiri et al., 2021). تاثیر دما و دی­اکسید کربن می­تواند در مناطق مختلف متفاوت باشد؛ به­طوری­که گزارش شده است که عملکرد گندم دیم تحت شرایط تغییر اقلیم در مناطق شمالی چین کاهش پیدا می­کند؛ در­حالی­که در مناطق جنوبی این کشور افزایش پیدا خواهد کرد (Lv et al., 2013). همچنین در شهرستان پلدختر ظرفیت نگهداری آب خاک نسبت­به شهرستان­های دیگر همان­طور­که در جدول 2 نشان داده شده است بیشتر است. این موضوع نیز می­تواند به افزایش عملکرد در دوره آینده کمک کند. به­طور کلی افزایش دما، منجر به افزایش سطح تبخیر و تعرق می­شود (Hoseini et al., 2013) و در نتیجه تنش خشکی به گیاه زراعی وارد می­شود. این در حالی هست که خاکی با نگهداری آب بالاتر کمتر تحت تاثیر این تنش خشکی به­واسطه افزایش دما و افزایش تبخیر و تعرق قرار می­گیرد. بسیاری از مطالعات نشان­دهنده تاثیر ویژگی­های خاکی بر عملکرد دانه هستند
 (Rahimi-Moghaddam et al., 2021; Chenu et al., 2013; Kholov´a et al., 2013). به­عنوان مثال در تحقیقی مشاهده شد که در مناطق خیلی سرد و بارانی عملکرد دانه خیلی کمتر از مناطق معتدل با بارندگی کم بود؛ چرا که در منطقه خیلی سرد و بارانی ظرفیت آب قابل دسترس خاک (1/90 میلی­متر) کمتر از منطقه معتدل با بارندگی کم (111 میلی­متر) بود
 (Rahimi-Moghaddam et al., 2021).

 

جدول 6. میانگین دما و طول دوره رشد محصول جو در دوره پایه و تغییرات آن­ها سناریوهای RCP4.5 و RCP8.5.

Location

Mean temperature (°C)

 

Length of growing season

 

Baseline

RCP4.5

RCP8.5

 

Baseline (day)

RCP4.5 (%)

RCP8.5 (%)

Aligudarz

7.4

+0.87

+1.29

 

209.2

-5.7

-7.8

Borujerd

6.7

+0.8

+1.24

 

216.8

-5.5

-7.9

Khorramabad

9.7

+1.5

+2

 

183.3

-8.7

-11.7

Kuhdasht

9.6

+0.85

+1.3

 

184.0

-5.2

-7.9

Poldkhtar

13.0

+0.95

+1.5

 

148.7

-5.4

-8.9

Hamedan

6.5

+0.81

+1.2

 

213.2

-5.0

-7.3

Kabudarahng

6.0

+0.77

+1.2

 

216.8

-4.9

-7.0

Malayer

7.8

+0.8

+1.2

 

204.7

-5.2

-7.7

Nahavand

9.2

+0.8

+1.3

 

184.3

-4.5

-6.7

 

  1. نتیجه­ گیری

به­طور کلی نتایج نشان داد که مدل APSIM-barley به­خوبی توانست رشد و نمو محصول جو آبی را تحت تیمارهای مختلف مدیریتی شبیه­سازی کند. بنابراین، مدل APSIM-barley می­تواند در مطالعات مختلف از جمله بررسی تاثیر عوامل مدیریتی و تغییر اقلیم روی محصول جو مورد استفاده قرار گیرد. با­توجه­به اینکه ارزیابی مدل تحت تاریخ­های مختلف کاشت، سطوح مختلف آبیاری و نیتروژن بوده است؛ بنابراین، مدل مذکور را می­توان برای شرایط محدودیت آب و نیتروژن مورد استفاده قرار داد. همچنین نتایج مشخص کرد که در استان­های همدان و لرستان به­طور کلی عملکرد محصول جو در آینده تحت سناریوهای مورد بررسی کاهش پیدا خواهد کرد. لذا برای حفظ تولید این محصول در آینده باید راهکارهای سازگاری مختلفی در نظر گرفته شود. لذا پیشنهاد می­شود که در مطالعات بعدی، محققان روی بررسی راهکارهای سازگاری (مانند تغییر در روش­های مدیریتی همچون استفاده از ارقام مقاوم و تغییر در تاریخ کاشت) بر تولید محصول جو در آینده تحت شرایط تغییر اقلیم تمرکز کنند. همچنین، تنها در شهرستان پلدختر افزایش عملکرد محصول جو تحت شرایط تغییر اقلیم مشاهده شد که نشان­دهنده عدم نیاز به استفاده راهکارهای سازگاری برای این منطقه می­باشد و می­توان در این شهرستان از راهکارهایی برای افزایش بیشتر عملکرد تحت شرایط تغییر اقلیم از جمله ارزیابی ارقام با تولید و پاسخ بهتر به افزایش دی­اکسید کربن بهره گرفت.

 

  1. منابع

Ahmadi, H., Ghalhari, G.F., & Baaghideh, M. (2019a). Impacts of climate change on apple tree cultivation areas in Iran. Climatic Change, 153(1), 91-103. (In Persian).

Ahmadi, M., Dadashi Roudbari, A., Akbari Azirani, T., & Karami, J. (2019b). 'The performance of the HadGEM2-ES model in the evaluation of seasonal temperature anomaly of Iran under RCP scenarios'. Journal of the Earth and Space Physics, 45(3), 625-644. (In Persian).

Almorox, J., Benito, M., & Hontoria, C. (2005). Estimation of monthly angstrom–prescott equation coefficients from measured daily data in Toledo, Spain. Renewable Energy, 30, 931–936.

Amiri, S., Eyni-Nargeseh, H., Rahimi-Moghaddam, S., & Azizi, K. (2021). Water use efficiency of chickpea agro-ecosystems will be boosted by positive effects of CO2 and using suitable genotype× environment× management under climate change conditions. Agricultural Water Management252, 106928.

Anonymous (2017). Lorestan province crop statistics, Agricultural Jihad Organization of Lorestan Province. (In Persian).

Archontoulis, S.V., Miguez, F.E., & Moore, K.J. (2014). Evaluating APSIM maize, soil water, soil nitrogen, manure, and soil temperature modules in the Midwestern United States. Agronomy Journal, 106(3), 1025–1040.

Asseng, S., Ewert, F., Martre, P., Rötter, R.P., Lobell, D.B., Cammarano, D., Kimball, B.A., Ottman, M.J., Wall, G.W., White, J.W., & Reynolds, M.P. (2015). Rising temperatures reduce global wheat production. Nature Climate Change5(2), 143-147.

Babaeian, I., & Kouhi, M. (2012). Agroclimatic indices assessment over some selected weather stations of Khorasan Razavi province under climate change scenarios. Water and Soil, 26(4), 953-967. (In Persian).

Chenu, K., Deihimfard, R., & Chapman, S.C. (2013). Large-scale characterization of drought pattern: a continent-wide modelling approach applied to the Australian wheatbelt–spatial and temporal trends. New Phytologist, 198(3), 801–820.

Deihimfard, R., Rahimi-Moghaddam, S., Javanshir, F., & Pazoki, A. (2023). Quantifying major sources of uncertainty in projecting the impact of climate change on wheat grain yield in dryland environments. Journal of Arid Land, 1-17.

Deihimfard, R., Rahimi-Moghaddam, S., & Chenu, K. (2019). Risk assessment of frost damage to sugar beet simulated under cold and semi-arid environments. International Journal of Biometeorology63, 511-521.

Dettori, M., Cesaraccio, C., Motroni, A., Spano, D., & Duce, P. (2011). Using CERES-wheat to simulate durum wheat production and phenology in southern Sardinia, Italy. Field Crops Research, 120(1), 179–188.

Dietzel, R., Liebman, M., Ewing, R., Helmers, M., Horton, R., Jarchow, M., & Archontoulis, S. (2016). How efficiently do corn-and soybean-based cropping systems use water? A systems modeling analysis. Global Change Biology, 22, 666-681.

Eyni‐Nargeseh, H., Deihimfard, R., Rahimi‐Moghaddam, S., & Mokhtassi‐Bidgoli, A. (2020). Analysis of growth functions that can increase irrigated wheat yield under climate change. Meteorological Applications27(1), e1804.

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

Ghahreman, N., Tabatabaei, M., & Babaeian, I. (2015). Investigation of uncertainty in the IPCC AR5 precipitation and temperature projection over Iran under RCP scenarios. Investigation of uncertainty in the IPCC AR5 precipitation and temperature projection over Iran under RCP scenarios. In: Proceedings of common future under climate change, 7-10 Jul., Paris, France.

Hajishabani, H., Mondani, F., & Bagheri, A. (2020). Simulation effects of sowing date on growth and yield of rainfed chickpea (Cicer arientinum L.) by CHICKPEA model. Iranian Journal of Field Crops Research, 18(2), 197-212. (In Persian).

Holzworth, D.P., Huth, N.I., deVoil, P.G., Zurcher, E.J., Herrmann, N.I., McLean, G., Chenu, K., van Oosterom, E.J., Snow, V., Murphy, C., & Moore, A.D. (2014). APSIM–evolution towards a new generation of agricultural systems simulation. Environmental Modelling & Software62, 327-350.

Hoseini, S.S., Nazari, M., & Araghinejad, S. (2013). Investigating the impacts of climate on agricultural sector with emphasis on the role of adaptation strategies in this sector. Iranian Journal of Agricultural Economics and Development Research, 1, 1-16. (In Persian).

IPCC. (2014). Climate change 2014: Synthesis report. Contribution of working groups I, II and III to the fifth assessment report of the intergovernmental panel on climate change [Core Writing Team, Pachauri, R.K., and Meyer, L.A., (eds.)]. IPCC, Geneva, Switzerland. 151 pp.

Keating, B.A., Carberry, P.S., Hammer, G.L., Probert, M.E., Robertson, M.J., Holzworth, D., Huth, N.I., Hargreaves, J.N., Meinke, H., Hochman, Z., & McLean, G. (2003). An overview of APSIM, a model designed for farming systems simulation. European Journal of Agronomy18(3-4), 267-288.

Kholov´a, J., McLean, G., Vadez, V., Craufurd, P., & Hammer, G.L. (2013). Drought stress characterization of post-rainy season (rabi) sorghum in India. Field Crops Research, 141, 38–46.

Kuchaki, A., & Nasiri Mahalati, M. (2017). Impacts of climate change and CO2 concentration on wheat yield in Iran and adaptation strategies. Iranian Journal of Field Crops Research, 1, 73-79. (In Persian).

Kumagai, E., & Sameshima, R. (2014). Genotypic differences in soybean yield responses to increasing temperature in a cool climate are related to maturity group. Agricultural and Forest Meteorology, 198, 265-272.

Lv, Z., Liu, X., Cao, W., & Zhu, Y. (2013). Climate change impacts on regional winter wheat production in main wheat production regions of China. Agricultural and Forest Meteorology171, 234-248.

Madadizadeh, M., Amiri, S.R., Kambouzia, J., & Soufizadeh, S. (2022). Calibration and evaluation of APSIM model for simulation of growth and development of KSC 704 and Maxima maize hybrids under different amounts of nitrogen. Iranian Journal of Field Crops Research, 20(4), 363-379.

Mendenhall, W., Sincich, T., & Boudreau, N.S. (1996). A second course in statistics: Regression analysis. Prentice Hall Upper Saddle River, New Jersey.

Moghaddam, H., Oveisi, M., Mehr, M.K., Bazrafshan, J., Naeimi, M.H., Kaleibar, B.P., & Müller-Schärer, H. )2023(. Earlier sowing combined with nitrogen fertilization to adapt to climate change effects on yield of winter wheat in arid environments: Results from a field and modeling study. European Journal of Agronomy146, 126825.

Rahimi-Moghaddam, S., & Azizi, K. (2018). Early sowing date as a strategy for improvement of maize yield and maize physiological and phenological characteristics in climate change conditions at Kermanshah province. Journal of Crop Production, 10(4), 91-105. (In Persian).

Rahimi-Moghaddam, S., Dehimfard, R., Azizi, K., & Roostei, M. (2021). Characterizing spatial and temporal trends in drought patterns of rainfed wheat (Triticum aestivum L.) across various climatic conditions: A modelling approach. European Journal of Agronomy, 129, 126333.

Rahimi-Moghaddam, S., Kambouzia, J., & Deihimfard, R. (2017). Risk assessment of heat stress to grain maize in Khuzestan province under climate change. Environmental Stresses in Crop Sciences, 11(3), 749-764. (In Persian).

Ramazanipour, M. (2018). Predict the impact of climatic change on the agro-climatic indexes and rice yield case study: North of Iran. Journal of Regional Planning, 8(32), 69-80. (In Persian).

Seifert, E. (2014). OriginPro 9.1: Scientific data analysis and graphing software—Software Review. Journal of Chemical Information and Modeling, 54(5), 1552–1552.

Tan, K., Zhou, G., Lv, X., Guo, J., & Ren, S. (2018). Combined effects of elevated temperature and CO2 enhance threat from low temperature hazard to winter wheat growth in North China. Scientific Reports8(1), 4336.

Wallach, D., & Goffinet, B. (1987). Mean squared error of prediction in models for studying economic and agricultural systems. Biometrics, 43, 561–576.

Wang, B., Li Liu, D., Asseng, S., Macadam, I., Yang, X., & Yu, Q. (2017). Spatiotemporal changes in wheat phenology, yield and water use efficiency under the CMIP5 multimodel ensemble projections in eastern Australia. Climate Research, 72, 83-99. 

Willmott, C.J., & Matsuura, K. (2005). Advantages of the mean absolute error (MAE) over theroot mean square error (RMSE) in assessing average model performance. Climate Research, 30, 79–82.

Willmott, C.J. (1982). Some comments on the evaluation of model performance. Bulletin of the American Meteorological Society, 63, 1309–1313.

 

[1]. United nations framework convention on climate change

[2]. Intergovernmental panel on climate change

[3]. The Agricultural Production Systems sIMulator

[4]. The Agricultural Production Systems Research Unit

[5]. Agricultural Model Intercomparison and Improvement Project

  1. 2. Coupled Model Intercomparison Project Phase
References:
Ahmadi, H., Ghalhari, G.F., & Baaghideh, M. (2019a). Impacts of climate change on apple tree cultivation areas in Iran. Climatic Change, 153(1), 91-103. (In Persian).
Ahmadi, M., Dadashi Roudbari, A., Akbari Azirani, T., & Karami, J. (2019b). 'The performance of the HadGEM2-ES model in the evaluation of seasonal temperature anomaly of Iran under RCP scenarios'. Journal of the Earth and Space Physics, 45(3), 625-644. (In Persian).
Almorox, J., Benito, M., & Hontoria, C. (2005). Estimation of monthly angstrom–prescott equation coefficients from measured daily data in Toledo, Spain. Renewable Energy, 30, 931–936.
Amiri, S., Eyni-Nargeseh, H., Rahimi-Moghaddam, S., & Azizi, K. (2021). Water use efficiency of chickpea agro-ecosystems will be boosted by positive effects of CO2 and using suitable genotype× environment× management under climate change conditions. Agricultural Water Management252, 106928.
Anonymous (2017). Lorestan province crop statistics, Agricultural Jihad Organization of Lorestan Province. (In Persian).
Archontoulis, S.V., Miguez, F.E., & Moore, K.J. (2014). Evaluating APSIM maize, soil water, soil nitrogen, manure, and soil temperature modules in the Midwestern United States. Agronomy Journal, 106(3), 1025–1040.
Asseng, S., Ewert, F., Martre, P., Rötter, R.P., Lobell, D.B., Cammarano, D., Kimball, B.A., Ottman, M.J., Wall, G.W., White, J.W., & Reynolds, M.P. (2015). Rising temperatures reduce global wheat production. Nature Climate Change5(2), 143-147.
Babaeian, I., & Kouhi, M. (2012). Agroclimatic indices assessment over some selected weather stations of Khorasan Razavi province under climate change scenarios. Water and Soil, 26(4), 953-967. (In Persian).
Chenu, K., Deihimfard, R., & Chapman, S.C. (2013). Large-scale characterization of drought pattern: a continent-wide modelling approach applied to the Australian wheatbelt–spatial and temporal trends. New Phytologist, 198(3), 801–820.
Deihimfard, R., Rahimi-Moghaddam, S., Javanshir, F., & Pazoki, A. (2023). Quantifying major sources of uncertainty in projecting the impact of climate change on wheat grain yield in dryland environments. Journal of Arid Land, 1-17.
Deihimfard, R., Rahimi-Moghaddam, S., & Chenu, K. (2019). Risk assessment of frost damage to sugar beet simulated under cold and semi-arid environments. International Journal of Biometeorology63, 511-521.
Dettori, M., Cesaraccio, C., Motroni, A., Spano, D., & Duce, P. (2011). Using CERES-wheat to simulate durum wheat production and phenology in southern Sardinia, Italy. Field Crops Research, 120(1), 179–188.
Dietzel, R., Liebman, M., Ewing, R., Helmers, M., Horton, R., Jarchow, M., & Archontoulis, S. (2016). How efficiently do corn-and soybean-based cropping systems use water? A systems modeling analysis. Global Change Biology, 22, 666-681.
Eyni‐Nargeseh, H., Deihimfard, R., Rahimi‐Moghaddam, S., & Mokhtassi‐Bidgoli, A. (2020). Analysis of growth functions that can increase irrigated wheat yield under climate change. Meteorological Applications27(1), e1804.
Gaydon, D.S., Wang, E., Poulton, P.L., Ahmad, B., Ahmed, F., Akhter, S., Ali, I., Amarasingha, R.P., Chaki, A.K., Chen, C., & Choudhury, B.U. (2017). Evaluation of the APSIM model in cropping systems of Asia. Field Crops Research, 204, 52-75.
Ghahreman, N., Tabatabaei, M., & Babaeian, I. (2015). Investigation of uncertainty in the IPCC AR5 precipitation and temperature projection over Iran under RCP scenarios. Investigation of uncertainty in the IPCC AR5 precipitation and temperature projection over Iran under RCP scenarios. In: Proceedings of common future under climate change, 7-10 Jul., Paris, France.
Hajishabani, H., Mondani, F., & Bagheri, A. (2020). Simulation effects of sowing date on growth and yield of rainfed chickpea (Cicer arientinum L.) by CHICKPEA model. Iranian Journal of Field Crops Research, 18(2), 197-212. (In Persian).
Holzworth, D.P., Huth, N.I., deVoil, P.G., Zurcher, E.J., Herrmann, N.I., McLean, G., Chenu, K., van Oosterom, E.J., Snow, V., Murphy, C., & Moore, A.D. (2014). APSIM–evolution towards a new generation of agricultural systems simulation. Environmental Modelling & Software62, 327-350.
Hoseini, S.S., Nazari, M., & Araghinejad, S. (2013). Investigating the impacts of climate on agricultural sector with emphasis on the role of adaptation strategies in this sector. Iranian Journal of Agricultural Economics and Development Research, 1, 1-16. (In Persian).
IPCC. (2014). Climate change 2014: Synthesis report. Contribution of working groups I, II and III to the fifth assessment report of the intergovernmental panel on climate change [Core Writing Team, Pachauri, R.K., and Meyer, L.A., (eds.)]. IPCC, Geneva, Switzerland. 151 pp.
Keating, B.A., Carberry, P.S., Hammer, G.L., Probert, M.E., Robertson, M.J., Holzworth, D., Huth, N.I., Hargreaves, J.N., Meinke, H., Hochman, Z., & McLean, G. (2003). An overview of APSIM, a model designed for farming systems simulation. European Journal of Agronomy18(3-4), 267-288.
Kholov´a, J., McLean, G., Vadez, V., Craufurd, P., & Hammer, G.L. (2013). Drought stress characterization of post-rainy season (rabi) sorghum in India. Field Crops Research, 141, 38–46.
Kuchaki, A., & Nasiri Mahalati, M. (2017). Impacts of climate change and CO2 concentration on wheat yield in Iran and adaptation strategies. Iranian Journal of Field Crops Research, 1, 73-79. (In Persian).
Kumagai, E., & Sameshima, R. (2014). Genotypic differences in soybean yield responses to increasing temperature in a cool climate are related to maturity group. Agricultural and Forest Meteorology, 198, 265-272.
Lv, Z., Liu, X., Cao, W., & Zhu, Y. (2013). Climate change impacts on regional winter wheat production in main wheat production regions of China. Agricultural and Forest Meteorology171, 234-248.
Madadizadeh, M., Amiri, S.R., Kambouzia, J., & Soufizadeh, S. (2022). Calibration and evaluation of APSIM model for simulation of growth and development of KSC 704 and Maxima maize hybrids under different amounts of nitrogen. Iranian Journal of Field Crops Research, 20(4), 363-379.
Mendenhall, W., Sincich, T., & Boudreau, N.S. (1996). A second course in statistics: Regression analysis. Prentice Hall Upper Saddle River, New Jersey.
Moghaddam, H., Oveisi, M., Mehr, M.K., Bazrafshan, J., Naeimi, M.H., Kaleibar, B.P., & Müller-Schärer, H. )2023(. Earlier sowing combined with nitrogen fertilization to adapt to climate change effects on yield of winter wheat in arid environments: Results from a field and modeling study. European Journal of Agronomy146, 126825.
Rahimi-Moghaddam, S., & Azizi, K. (2018). Early sowing date as a strategy for improvement of maize yield and maize physiological and phenological characteristics in climate change conditions at Kermanshah province. Journal of Crop Production, 10(4), 91-105. (In Persian).
Rahimi-Moghaddam, S., Dehimfard, R., Azizi, K., & Roostei, M. (2021). Characterizing spatial and temporal trends in drought patterns of rainfed wheat (Triticum aestivum L.) across various climatic conditions: A modelling approach. European Journal of Agronomy, 129, 126333.
Rahimi-Moghaddam, S., Kambouzia, J., & Deihimfard, R. (2017). Risk assessment of heat stress to grain maize in Khuzestan province under climate change. Environmental Stresses in Crop Sciences, 11(3), 749-764. (In Persian).
Ramazanipour, M. (2018). Predict the impact of climatic change on the agro-climatic indexes and rice yield case study: North of Iran. Journal of Regional Planning, 8(32), 69-80. (In Persian).
Seifert, E. (2014). OriginPro 9.1: Scientific data analysis and graphing software—Software Review. Journal of Chemical Information and Modeling, 54(5), 1552–1552.
Tan, K., Zhou, G., Lv, X., Guo, J., & Ren, S. (2018). Combined effects of elevated temperature and CO2 enhance threat from low temperature hazard to winter wheat growth in North China. Scientific Reports8(1), 4336.
Wallach, D., & Goffinet, B. (1987). Mean squared error of prediction in models for studying economic and agricultural systems. Biometrics, 43, 561–576.
Wang, B., Li Liu, D., Asseng, S., Macadam, I., Yang, X., & Yu, Q. (2017). Spatiotemporal changes in wheat phenology, yield and water use efficiency under the CMIP5 multimodel ensemble projections in eastern Australia. Climate Research, 72, 83-99. 
Willmott, C.J., & Matsuura, K. (2005). Advantages of the mean absolute error (MAE) over theroot mean square error (RMSE) in assessing average model performance. Climate Research, 30, 79–82.
Willmott, C.J. (1982). Some comments on the evaluation of model performance. Bulletin of the American Meteorological Society, 63, 1309–1313.
Volume 54, Issue 4
January 2024
Pages 79-91
  • Receive Date: 30 January 2023
  • Revise Date: 01 July 2023
  • Accept Date: 06 July 2023
  • Publish Date: 22 December 2023