Simulation of Replacing Wheat with Rapeseed in Terms of Water and Economic Productivity in Lorestan Province

Document Type : Research Paper

Authors

1 Department of Production Engineering and Plant Genetics, Faculty of Agriculture, Khorramabad, Iran.

2 Department of Agricultural Science, Technical and Vocational University (TVU), Tehran, Iran.

Abstract

After soybean and oil palm, rapeseed has the third place in supplying vegetable oil in the world, so that it accounts for 14.7% of the total production of vegetable oil. The current research was carried out using modeling approach in order to simulate the replacement of wheat cultivation with rapeseed cultivation in terms of water and economic productivity in four locations (Aleshtar, Khorramabad, Pol-e Dokhtar, and Kuhdasht) in Lorestan province. APSIM model was used to simulate the growth and yield of wheat and rapeseed crops. The model validation results showed that it accurately simulates wheat and rapeseed grain yield with nRMSE of 8.6%. The results showed that wheat cultivation (3524.4 kg) had a higher grain yield than rapeseed cultivation (2750.2 kg). In addition, wheat cultivation system (1.45 kg m-3) compared with rapeseed cultivation (1.15 kg m-3) had higher water productivity. However, the difference between these two cultivation systems in terms of irrigation productivity was not considerable (0.11 kg m3). Also, economic productivity and net income of rapeseed cultivation system were 0.220 million tomans per cubic meter and 59.9 million tomans per hectare, respectively, while they were 0.014 million tomans per cubic meter and 41.1 million tomans per hectare, respectively, for wheat cultivation system. In general, the results approved that moving from wheat cultivation to rapeseed cultivation can be environmentally and economically sustainable in the agro-ecosystems of Lorestan province, especially in Khorramabad county.

Keywords

Main Subjects


  1. مقدمه

امروزه با افزایش جمعیت و نیاز بیشتر به تولید محصولات غذایی، لزوم بهره ‏برداری بهینه از منابع آب و تحصیل حداکثر منافع از واحد حجم آن در مناطق مختلف کشور از جمله استان لرستان به وضوح روشن است. در این استان برای اینکه بتوان با آب موجود اراضی بیشتری را به زیر کشت برد و یا با افزایش تولید در واحد سطح، غذای مورد نیاز جمعیت در حال رشد را تامین کرد باید به نحوی از هدررفت آب جلوگیری کرد. بدون تردید افزایش راندمان آب مستلزم آگاهی از نیاز آبی یا تبخیر-تعرق گیاه می‏باشد. معمولا بیش از 98 درصد آب جذب­شده توسط ریشه‏های گیاه، صرف تعرق شده و کمتر از دو درصد آن در فرآیندهای سلولی و رشد گیاه مورد استفاده قرار می­گیرد (Efetha, 2011; Hajare et al., 2008; Holder et al., 2018; Salama et al., 2015;
Zhao et al., 2010).

شرایط خاص اقلیمی ایران که خشکی و پراکنش نامناسب زمانی و مکانی بارندگی واقعیت انکارناپذیر آن است، هرگونه تولید مواد غذایی و کشاورزی پایدار را منوط به استفاده صحیح و منطقی از منابع محدود آب کشور کرده است (Ebrahimi-Pak, 2022). در همین راستا می­توان گفت که آب آبیاری مهمترین نهاده تولید کشاورزی است. به دلیل محدودیت منابع آب، از حدود 37 میلیون هکتار اراضی مستعد کشاورزی کشور فقط 8/7 میلیون هکتار به صورت فاریاب کشت می‏شود. از طرف دیگر از 89 میلیارد متر مکعب آب استحصال­شده، حدود 83 میلیارد متر مکعب یعنی 5/93 درصد آن به بخش کشاورزی اختصاص دارد. میزان کنونی تولیدات کشاورزی فاریاب در کشور بالغ بر 57 میلیون تن است؛ یعنی به ازای هر متر مکعب آب مصرف­شده تقریباً 7/0 کیلوگرم محصول تولید می­شود که در مقایسه با کشورهای پیشرفته، رقم پایینی است (Karimi et al., 2002).

یکی از راهکارهای افزایش بهره‏وری آب، کشت گیاهان جایگزین می‏باشد؛ به عنوان مثال، بهره­وری آب کشاورزی محصولات مهم زراعی در دشت مشهد بررسی و راهکارهایی در جهت ساماندهی الگوی زراعی ارائه شد (Karimi & Jolaini, 2017). در تحقیق مذکور برای محاسبه بهره­وری آب کشاورزی از شاخص عملکرد به ازای واحد حجم آب استفاده شده است. نتایج نشان داد که اولویت کشت محصولات تا رتبه سوم بر اساس شاخص عملکرد به ازای واحد حجم آب به­ترتیب پیاز (Allium cepa)، گوجه­فرنگی (Solanum lycopersicum) و چغندر قند (Beta vulgaris) می­باشند. با توجه به نتایج این تحقیق، کشت­های با مصرف آب بالا و بازده اقتصادی پائین مانند یونجه (Medicago sativa) بایستی از الگوی کشت حذف شود (Karimi & Jolaini, 2017). در تحقیقی دیگر به مقایسه کارایی مصرف آب محصولات جو (Hordeum vulgare) و گندم (Triticum aestivum) در شهرستان سیستان پرداخته شد (Naderianfar & Dehghan, 2020).

با وجود بهره‏وری آبی، در زمینه افزایش پایداری باید به بهره‏وری اقتصادی توجه خاصی صورت گیرد؛ چرا که درآمد به عنوان یکی از مهم‏ترین محورهای تصمیم­گیری کشاورزان در نظر گرفته می‏شود. در پژوهشی نسبت منفعت به هزینه برای گندم، برنج (Oryza sativa) و جو در استرالیا بررسی شد؛ نتایج نشان داد درحالی­که جو دارای بالاترین بهره‏وری مصرف آب بود، ولی بالاترین نسبت منفعت به هزینه متعلق به برنج (33/3) بود و بعد از آن گندم و جو به‎ترتیب با نرخ‏های 82/2 و 5/2 قرار داشتند
 (Khan et al., 2010). در تحقیقات دیگر سود حاصل از مصرف هر متر مکعب آب آبیاری مصرفی در تولید گندم، جو، کلزا (Brassica napus L.) و ذرت (Zea mays) (Asadi et al., 2021) و بهره­وری اقتصادی مربوط به محصولات مختلف
 (Zamani et al., 2014) مورد بررسی قرار گرفته است.

کلزا بعد از سویا (Glycine max) و نخل روغنی (Elaeis guineensis)، مقام سوم را در تامین روغن نباتی جهان دارد؛ به­طوری­که 7/14 درصد از کل تولید روغن نباتی را به خود اختصاص داده است. کلزا یکی از اعضای خانواده Brassicaceae و از مهمترین منابع روغنی در جهان می‌باشد. امروزه کلزا به دلیل اثرات مفید در تناوب با محصولات زراعی، قابلیت گسترش در طیف وسیعی از خاک‌ها (از خاک‌های شنی تا خاک‌های آهکی و رسی) را در سامانه‌های کشت و تناوب‌ها پیدا کرده است. کلزا به دلیل سازگاری با شرایط اقلیمی کشور ایران، قرار­گرفتن در تناوب با کشت گندم برای کاهش شیوع بیماری و کشت ارقام پاییزه به عنوان یک گیاه مهم مورد توجه واقع شده است (Rahimi-Moghaddam et al., 2021).

رشد گیاه متاثر از عواملی همچون دما، تاریخ کشت، تراکم کشت، فواصل و ردیف‏های کشت، میزان آب مصرفی و نحوه تغذیه می‏باشد. به منظور بررسی اثر این عوامل بر رشد گیاه انجام پژوهش‏های گسترده مزرعه­ای اجتناب‏ناپذیر است؛ اما به علت زمان­بر بودن انجام هر کشت، عدم امکان ثابت در نظرگرفتن برخی از عوامل در مزرعه و یا عدم توانایی تهیه برخی از آن‏ها این کار به سادگی قابل انجام نیست. به همین منظور استفاده از مدل‏های شبیه­ساز رشد گیاهی می‏تواند ابزار مناسبی به منظور بررسی رفتار گیاه در شرایط متفاوت مدیریتی باشد (Honar et al., 2011). یکی از این مدل­های شبیه­سازی رشد و نمو گیاهان زراعی مدل APSIM است. مدل APSIM یک مدل زراعی قدرتمند است که از آن برای شبیه­سازی رشد و نمو طیف وسیعی از محصولات و شرایط مختلف مدیریت در سراسر جهان (Watson et al., 2017; Chenu et al., 2013; Kholov´a et al., 2013) و در ایران
(Eyni-Nargeseh et al., 2019; Rahimi-Moghaddam et al., 2019, 2018; Deihimfard et al., 2015) مورد استفاده قرار گرفته است. این مدل رشد و توسعه محصول و عملکرد دانه را به­صورت روزانه در پاسخ به اقلیم، خاک، روش­های مدیریتی و عوامل ژنتیکی پیش­بینی می­کند. بیلان آب خاک بر اساس تبخیر روزانه، تعرق گیاه، زهکشی و رواناب محاسبه می­شود. هر فرآیند به­طور جداگانه بر اساس روابط شبیه­سازی می­شود. زیرمدل کلزا APSIM-canola در CSIRO[1] و در اوخر دهه 1990 توسعه داده شد (Robertson et al., 1999). در ابتدا این مدل برای ارقام بهاره در طیف گسترده‏ای از محیط‏ها در مناطق نیمه­گرمسیری شمالی، جنوبی و شرقی در استرالیا آزمایش شد (Robertson & Lilley, 2016). همچنین اخیرا این مدل برای ارقام زمستانه کلزا در جنوب استرالیا (Christy et al., 2013)، چین (Wang et al., 2012) و آلمان (Hoffmann et al., 2015) مورد استفاده قرار گرفته است.

مدل زراعی APSIM-canola رشد، نمو و تجمع نیتروژن را در پاسخ به دما، فتوپریود، تابش، آب خاک و عرضه نیتروژن در یک مقیاس روزانه شبیه‏سازی می‏کند (Robertson & Lilley, 2016). زیرمدل گندم APSIM-wheat نیز رشد و نمو گندم را به صورت روزانه شبیه­سازی کرده و به عوامل مختلف از جمله آب و هوا (دما، بارندگی و تابش)، خاک (آب خاک و نیتروژن خاک)، ضرایب ژنتیکی و اطلاعات مدیریتی محصول زراعی پاسخ نشان می­دهد. در این مدل مراحل فنولوژیکی گیاه گندم به 10 مرحله نموی از جوانه­زنی تا رسیدگی تقسیم می­شود. بر این اساس و با توجه به اهمیت محدودیت آب و درآمد کشاورزان، این تحقیق با استفاده از تکنیک مدل­سازی به منظور شبیه­سازی جایگزینی کشت گندم با کلزا از لحاظ بهره­وری آبی و اقتصادی در استان لرستان در سال 1401 انجام شد.

 

2- روش­شناسی پژوهش

استان لرستان در ناحیه جنوب غربی ایران بین عرض جغرافیایی 46 درجه و 51 دقیقه تا50 درجه و 01 دقیقه طول شرقی و 33 درجه و 40 دقیقه و 34 درجه و 33 دقیقه عرض شمالی از نصف النهار گرینویچ واقع شده است. میانگین ارتفاع استان لرستان بیش از 2200 متر از سطح دریا می‏باشد و پست‏ترین نقطه استان با ارتفاع 239 متر در دشت‏های استان و بلندترین قله آن اشترانکوه با ارتفاع حدود 4080 متر از سطح دریا در میان رشته‏کوه زاگرس قرار دارد (وزارت کشور، 1385). آب و هوای این استان از سرد در شهرستان الیگودرز تا گرم در شهرستان پلدختر متغیر می‏باشد. این تحقیق در شهرستان‏های الشتر، خرم‏آباد، پلدختر و کوهدشت انجام شد. معیار انتخاب این شهرستان‏ها تنوع اقلیمی، سطح زیر کشت و همچنین پراکنش در سطح استان لرستان بود. ویژگی­های اقلیمی و جغرافیایی مناطق مورد مطالعه در جدول 1 مشاهده می­شود.

برای شبیه­سازی رشد و عملکرد گندم و کلزا در این تحقیق از مدل APSIM استفاده شد. برای اجرای مدل به داده­های اقلیمی، خاکی، مدیریتی و گیاهی نیاز است. داده‏های اقلیمی بلندمدت (از 1359 تا 1400) مورد استفاده در این تحقیق شامل دمای کمینه و بیشینه (درجه سانتی‎گراد)، بارندگی (میلی‎متر) و تعداد ساعات آفتابی بودند که از سازمان هواشناسی کشور جمع‌آوری شد. داده‏های مذکور به‌عنوان ورودی مدل‏های اقلیمی و مدل شبیه‌سازی رشد گیاه زراعی مورد استفاده قرار می‏گیرند. به دلیل اینکه در ایستگاه‏های هواشناسی در بعضی از ماه‏های سال داده‏ هواشناسی ثبت نشده و در برخی موارد داده‏های پرت وجود دارد، داده‏های پرت و گم­شده در ایستگاه‏های مختلف با استفاده از برنامهWeatherMan  (Hoogenboom et al., 2003) اصلاح و بازسازی شدند. همچنین با توجه به اینکه در بسیاری از ایستگاه‏های هواشناسی کشور، مقدار تابش روزانه ثبت نشده است، با در اختیار داشتن تعداد ساعت آفتابی، تابش روزانه با استفاده از رابطه آنگستروم (Prescott, 1940) به‌صورت زیر تخمین زده شد:

 

رابطه (1)                                                                              

در این معادله،  نشان­دهنده تابش روزانه (مگاژول در متر مربع)،  تعداد ساعات آفتابی،  بیشینه تعداد ساعات آفتابی ممکن و  تابش فرازمینی[2] می‌باشد. پارامترهای  و  ضرایب آنگستروم کالیبره­شده محلی هستند. در این تحقیق مقدار پارامترهای  و  برای مناطق مختلف به­ترتیب برابر با 25/0 و 5/0 در نظر گرفته شد.

 

جدول 1. ویژگی­های اقلیمی (از 1359 تا 1400)، جغرافیایی و مدیریتی مناطق مورد مطالعه (داده­های اقلیمی از سازمان هواشناسی کشاورزی کشور و داده­های مدیریتی از طریق پرسشنامه به­دست آمدند).

Locations

Longitude

Latitude

Elevation

(m)

Annual mean temperature

(°C)

Annual cumulative rainfall

(mm)

Sowing date (Canola/

wheat)

Nitrogen fertilizer (kg ha-1; Canola/

wheat)

Irrigation number (Canola/

wheat)

Cost production per hectare (Million toman Canola/

wheat)

Khorramabad

48.3

33.6

1147

16.5

486.2

23-Sep/6-Nov

119.6/ 121.4

5/ 7

17.9/ 20.7

Aleshtar

48.26

33.86

1638

13.5

450

1-Sep/6-Nov

121.4/127

6/ 7

27.8/ 30.6

Pol-e Dokhtar

47.72

33.14

658

23

378.4

17-Oct/6-Nov

138/ 115.9

5/ 7

25.1/ 27.5

Kuhdasht

47.4

33.5

1195

16.0

369.8

12-Oct/6-Nov

116/ 125.2

5/ 8

25.6/ 30.1

 

 

همچنین اطلاعات مدیریتی شامل تاریخ‎ کشت، تراکم (80 و 300 بوته در متر مربع به­ترتیب برای کلزا و گندم)، خاکورزی (مرسوم)، فاصله بین ردیف (30 و 25 سانتی­متر به­ترتیب برای کلزا و گندم)، عمق کاشت (سه و پنج سانتی­متر به­ترتیب برای کلزا و گندم)، آبیاری، کوددهی و سایر اطلاعات می‏باشند که با استفاده از پرسشنامه به­دست آمدند و در جدول 1 قابل مشاهده هستند. برای به­دست­آمدن حجم نمونه و تعداد پرسشنامه از فرمول کوکران استفاده شد:

رابطه (2)                                                                                                                

در این معادله n حجم نمونه آماری، N حجم جامعه آماری،  dاشتباه مجاز برابر با 05/0، z مقدار متغیر نرمال با سطح اطمینان 1- αاست. در آزمون دو دامنه مقدار z برای سطح اطمینان ۹۵ درصد برابر 96/1 و برای سطح اطمینان ۹۹ درصد برابر 58/2 است که در این مطالعه برابر با 96/1 بود. همچنین  pنسبت برخورداری از صفت مورد نظر وq  (1-p) نسبت عدم برخورداری از صفت مورد نظر است که در این مطالعه مقدار p و q برابر با 05/0 بود. همچنین داده‏های گیاهی شامل ضرایب ژنتیکی گندم (رقم چمران) و کلزا (رقم هایولا 401) بودند که از تحقیق‏های Deihimfard et al. (2022) و Rahimi-Moghaddam et al. (2022) به­دست آمدند. معیار استفاده از رقم چمران و هایولا401 غالبیت استفاده از این ارقام توسط کشاورزان در مناطق مورد مطالعه بود. 

داده‏های خاکی مورد نیاز مدل شامل عمق خاک (cm)، وزن مخصوص ظاهری خاک (g cm-3)، نقطه پژمردگی (cm3 cm-3)، ظرفیت زراعی (cm3 cm-3)، ظرفیت نقطه اشباع (cm3 cm-3)، آب اولیه خاک و کربن آلی (%) است. اطلاعات خاکی 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. داده­های خاکی مورد استفاده برای مناطق مورد مطالعه در جدول 2 قابل مشاهده هستند.

 

 

جدول 2. اطلاعات خاکی مناطق مورد مطالعه.

Location

Bulk density (g cm-3)

Soil water content at wilting point (cm3 cm-3)

Soil water content at field capacity (cm3 cm-3)

Saturation water content (cm3 cm-3)

Khorramabad

1.28

0.231

0.392

0.518

Aleshtar

1.28

0.242

0.395

0.515

Pol-e Dokhtar

1.38

0.062

0.286

0.475

Kuhdasht

1.34

0.259

0.396

0.500

 

صفات مورد بررسی در این مطالعه شامل عملکرد دانه، تبخیر و تعرق واقعی، بیوماس تولیدی و همچنین شاخص‏های مورد بررسی در این تحقیق شامل بهره­وری آب (WP)، بهره­وری آبیاری (IP)، درآمد خالص (NI) و بهره‏وری اقتصادی آبیاری (IEP) طبق معادلات زیر محاسبه شدند:

رابطه (3)                                                                                                                           

رابطه (4)                                                                                                                           

رابطه (5)                                                                                 
رابطه (6)                                                                                                                                     

در این رابطه­ها، : عملکرد دانه شبیه‌سازی‌شده (کیلوگرم در هکتار)، : عملکرد کاه و کلش شبیه‌سازی‌شده (کیلوگرم در هکتار)، : تبخیر و تعرق واقعی شبیه‌سازی‌شده (متر مکعب) در طول فصل رشد (از کاشت تا برداشت)، : قیمت هر کیلو عملکرد دانه (میلیون تومان)، : قیمت هر کیلو عملکرد کاه و کلش (میلیون تومان)، : آبیاری خالص (متر مکعب در هکتار) و : هزینه­های تولید در هکتار (میلیون تومان) می‏باشد. در زمینه هزینه­های تولید در هکتار شامل تمامی هزینه­های تولید در یک هکتار گندم یا کلزا می­باشد که توسط پرسشنامه به­دست آمد و مواردی از جمله هزینه بذر مورد نیاز برای کشت، کودهای مورد استفاده، مبارزه با آفات، بیماری­ها و علف­های هرز، اجاره زمین و حق­آبه، کارگر، سوخت و ماشین­آلات را پوشش می­دهد. همچنین لازم به ذکر است که قیمت هر کیلو دانه گندم و کلزا برابر با قیمت خرید تضمینی این دو محصول توسط دولت در سال 1401 بود که به­ترتیب برای گندم و کلزا برابر با 5/11 و 5/23 هزار تومان بود.

برای ارزیابی مدل از شاخص‎های آماری nRMSE: ریشه میانگین مربعات خطای نرمال­شده (Wallach & Goffinet, 1987) و MBE: میانگین انحراف خطا (Willmott & Matsuura, 2005) با توجه به رابطه­های زیر استفاده شد:

     رابطه 7                                                                                    

رابطه 8                                                                                                               

که در این روابط n: تعداد مشاهدات؛ O: داده مشاهده­شده؛ S: داده شبیه­سازی­شده و Ō: میانگین داده مشاهده­شده می­باشند. مقادیر شاخص ﻣﯿﺎﻧﮕﯿﻦ ﻣﺮﺑﻌﺎت اﺷﺘﺒﺎه ﻧﺮﻣﺎل­ﺷﺪه در بازه­های 10- 0، 20- 10 و 20-30 درصد به­ترتیب نشان­دهنده وضعیت ایده‎آل (عالی)، مناسب (خوب) و متوسط مدل در پیش­بینی و بیشتر از 30 درصد بیانگر عدم کارا بودن مدل می­باشد. میانگین انحراف خطا برآورد کم و بیش از حد مدل را نشان می­دهد که از منفی بی­نهایت تا مثبت بی­نهایت متغیر است و دقت مدل با نزدیک­شدن مقدار میانگین انحراف خطا به صفر افزایش می­یابد. علاوه­بر شاخص­های بالا، از ضریب تبیین نیز برای اندازه­گیری دقت مدل 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 رابطه رگرسیونی مقدار ضریب تببین 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 مطالعه برای تمامی تجزیه‏های آماری و رسم شکل‏ها از نرم‏افزار OriginPro 9.1 (Seifert, 2014) استفاده شد.

 

3- یافته­های پژوهش و بحث

3-1. ارزیابی مدل

به­طور کلی نتایج واسنجی و اعتبارسنجی عملکرد دانه نشان داد که مدل APSIM با دقت قابل قبولی می­تواند این صفت را برای گندم (رقم چمران) و کلزا (رقم هایولا401) شبیه­سازی کند؛ به­طوری­که در مرحله واسنجی مقدار شاخص ﻣﯿﺎﻧﮕﯿﻦ ﻣﺮﺑﻌﺎت اﺷﺘﺒﺎه ﻧﺮﻣﺎل­ﺷﺪه (nRMSE)، میانگین انحراف خطا (MBE) و ضریب تبیین (R2) به­ترتیب برابر با 2/8 درصد، 2/17 کیلوگرم در هکتار و 89/0 بود (شکل 1). همچنین مقدار شاخص­های ﻣﯿﺎﻧﮕﯿﻦ ﻣﺮﺑﻌﺎت اﺷﺘﺒﺎه ﻧﺮﻣﺎل­ﺷﺪه، میانگین انحراف خطا و ضریب تبیین در مرحله اعتبارسنجی به­ترتیب برابر با 6/8 درصد، 212 کیلوگرم در هکتار و 75/0 بود. به­طور کلی شبیه­سازی با ﻣﯿﺎﻧﮕﯿﻦ ﻣﺮﺑﻌﺎت اﺷﺘﺒﺎه ﻧﺮﻣﺎل­ﺷﺪه کمتر از 10 درصد عالی در نظر گرفته می­شود، اگر ﻣﯿﺎﻧﮕﯿﻦ ﻣﺮﺑﻌﺎت اﺷﺘﺒﺎه ﻧﺮﻣﺎل­ﺷﺪه بزرگتر از 10 درصد و کمتر از 20 درصد باشد خوب است، اگر ﻣﯿﺎﻧﮕﯿﻦ ﻣﺮﺑﻌﺎت اﺷﺘﺒﺎه ﻧﺮﻣﺎل­ﺷﺪه بزرگتر از 20 درصد و کمتر از 30 درصد باشد متوسط و اگر ﻣﯿﺎﻧﮕﯿﻦ ﻣﺮﺑﻌﺎت اﺷﺘﺒﺎه ﻧﺮﻣﺎل­ﺷﺪه ببیشتر از 30 درصد باشد ضعیف است (Deihimfard et al., 2019; Dettori et al., 2009). با توجه به این موضوع نتایج شبیه­سازی عالی بوده و مدل می­تواند در مرحله بعد مورد استفاده قرار گیرد.

 

 

شکل 1. واسنجی (a) و اعتبارسنجی (b) عملکرد دانه گندم (رقم چمران) و کلزا (رقم هایولا 401). داده­ها از تحقیق‏های Deihimfard et al. (2022) و
 Rahimi-Moghaddam et al. (2021) به­دست آمدند.

 

3-2. عملکرد دانه

به­طور کلی نتایج آزمایش­های بلندمدت (از 1359 تا 1400) شبیه­سازی نشان داد که میزان تولید گندم و کلزای آبی در استان لرستان به­ترتیب برابر با 4/3524 و 2/2750 کیلوگرم در هکتار می­باشد (شکل 2). با این وجود، از لحاظ تولید گندم و کلزا در مناطق مختلف اختلاف قابل توجهی وجود داشت؛ به­طوری­که بیشترین میزان تولید گندم در شهرستان پلدختر با عملکرد 3/3997 کیلوگرم در هکتار ثبت شد. همچنین کمترین مقدار عملکرد دانه برای گندم مربوط به شهرستان الشتر با 6/2837 کیلوگرم در هکتار بود. از نظر تولید کلزا منطقه الشتر با 7/2919 کیلوگرم در هکتار بیشترین میزان تولید کلزا را داشت؛ در­حالی­که کمترین مقدار آن مربوط به شهرستان کوهدشت با مقدار 5/2450 کیلوگرم در هکتار بود (شکل 2). همچنین همانطور که در شکل 2 مشاهده می­شود تغییرات عملکرد در گیاه گندم در طول سال­های مختلف شبیه­سازی، بسیار بیشتر از تغییرات عملکرد گیاه کلزا بود، به­طوری­که در سرتاسر مناطق و سال­های مورد بررسی تغییرات عملکرد در گندم از 4/2292 تا 9/4933 کیلوگرم در هکتار و در کلزا از 9/1981 تا 9/3504 کیلوگرم در هکتار متغیر بود. 

 

 

شکل 2. عملکرد دانه و تبخیر و تعرق واقعی گندم و کلزا در مناطق مورد مطالعه.

 

عملکرد بالاتر گندم در منطقه پلدختر نسبت به مناطق دیگر را می‎توان به مقدار بیشتر آب قابل دسترس خاک نسبت داد (جدول 2). همانطور که در شکل 3 دیده می­شود، بین عملکرد دانه و ظرفیت آب قابل دسترس در گندم و کلزا ارتباط مثبتی وجود دارد و به­ازای افزایش یک میلی­متر ظرفیت آب قابل دسترس خاک میزان عملکرد دانه در گندم و کلزا به­ترتیب 3/9 و 3/3 کیلوگرم در هکتار افزایش پیدا می­کند. 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). به عنوان 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). در زمینه عملکرد دانه بالاتر کلزا در منطقه الشتر نسبت به سایر مناطق می­توان به طول دوره رشدی بالاتر کلزا در این منطقه (256 روز) نسبت به سایر مناطق (متوسط 207 روز) اشاره کرد. افزایش طول دوره رشد باعث تولید بیشتر مواد پرورده و در نهایت عملکرد دانه بیشتر می­شود. تعداد نهایی غلاف‌ها و دانه‌ها در یک دوره چهار هفته‌ای، تعیین می‌شود و بستگی زیاد به استمرار ماده‌سازی دارد. روابط بین منبع و مخزن در این فاز بر میزان ماده‌سازی مؤثر است
 (Eweida et al., 1981). محققان به این نتیجه رسیده‎اند که برگ‌‌ها از نقش کلیدی در فتوسنتز گیاه برخوردارند و ماده خشکی که در طول دوره رشد رویشی تجمع می‌یابد در مرحله پر شدن دانه‌ها، با انتقال به اندام‌های ذخیره‌ای، رشد خورجین و پر شدن دانه را تأمین می‌کند. بین تجمع ماده خشک تا زمان گلدهی با تعداد خورجین در بوته رابطه خطی وجود دارد. دوره گلدهی بحرانی‌ترین مرحله در کلزا می‌باشد که روی عملکرد دانه مؤثر است. تعداد نهایی خورجین‌ها و دانه در این دوره چهار هفته‌ای که وابستگی زیادی به شیره پرورده دارد، تعیین می‌شود؛ بنابراین ارتباط بین منبع و مخزن طی این دوره به شیره پرورده قابل دسترس، بستگی دارد (Dipenbrock, 2000).

3-3. بهره­وری آب و آبیاری

به­طور کلی در سرتاسر مناطق، بهره­وری آبی برای کشت گندم و کلزا در سطح استان لرستان به­ترتیب برابر با 45/1 و 15/1 کیلوگرم بر متر مکعب بود و برای بهره­وری آبیاری این مقادیر به­ترتیب برابر با 26/1 و 15/1 کیلوگرم بر متر مکعب بود (شکل 4). در بین مناطق مورد بررسی بالاترین بهره­وری آب گندم در منطقه پلدختر (78/1 کیلوگرم بر متر مکعب) و کمترین آن در منطقه الشتر (13/1 کیلوگرم بر متر مکعب) ثبت شد. همچنین برای محصول گندم بالاترین بهره­وری آبیاری در منطقه پلدختر (43/1 کیلوگرم بر متر مکعب) و کمترین آن در شهرستان الشتر (01/1 کیلوگرم بر متر مکعب) به­دست آمد. در تحقیقی روی ارزیابی کارایی مصرف آب محصولات جو و گندم در ارضی زراعی دشت سیستان نشان داده شد که کارایی مصرف آب برای گندم و جو به­ترتیب 03/1 و 08/1 متر مکعب بر کیلوگرم بود (Naderianfar & Dehghan, 2020). برای محصول کلزا نیز اختلاف قابل توجهی از نظر بهره­وری آبی و آبیاری در بین مناطق وجود داشت، به­طوری­که برای بهره­وری آبی این تغییرات از 84/0 کیلوگرم بر متر مکعب در منطقه الشتر تا 45/1 کیلوگرم بر متر مکعب در منطقه پلدختر متغیر بود و برای بهره­وری آبیاری اختلافی برابر با 25/0 کیلوگرم بر متر مکعب در بین مناطق وجود داشت (به­ترتیب 04/1 و 29/1 کیلوگرم بر متر مکعب برای الشتر و خرم آباد) (شکل 4). بالا بودن بهره­وری آبی در کشت گندم نسبت به کشت کلزا را می­توان به عملکرد بالاتر گندم در سطح هکتار نسبت داد. تایید این موضوع را می­توان در شکل 2 نیز مشاهده کرد؛ جایی­که میزان تبخیر و تعرق در کشت گندم در اکثر مناطق بیشتر از کشت کلزا بود. به­هرحال اختلاف بهره­وری آبیاری در بین کشت کلزا و گندم نسبت به بهره­وری آبیاری کاهش پیدا کرد و این موضوع احتمالاً به علت تعداد آبیاری کمتر در کشت کلزا (پنج آبیاری) نسبت به کشت گندم (هفت آبیاری) در سطح استان لرستان بود (جدول 1). در بین شهرستان­های مورد مطالعه پایین­بودن بهره­وری آبی و آبیاری در شهرستان الشتر را می­توان با پایین­بودن عملکرد دانه و بالا بودن تعداد آبیاری و تبخیر تعرق بیشتر در این شهرستان در کشت­های گندم و کلزا مرتبط دانست (شکل 2 و جدول 1). در تحقیقی نشان داده شد که در بین بوم­نظام­های مختلف ذرت دانه­ای استان خوزستان اختلاف قابل توجهی از لحاظ بهره­وری آبیاری وجود داشت؛ به­طوری­که تحت بهینه­ترین شرایط مدیریتی از لحاظ رقم و آبیاری بهره­وری آبی از 9/14 کیلوگرم بر میلی­متر در هکتار در شهرستان امیدیه تا 7/29 کیلوگرم بر میلی­متر در هکتار در شهرستان شوشتر متغیر بود. همچنین گزارش شد که بین کشت زمستانه و تابستانه که دارای شرایط محیطی کاملا متفاوتی هستند اختلاف بهره­وری آبی برابر با 5/5 کیلوگرم بر میلی­متر در هکتار می­باشد
 (Rahimi-Moghaddam et al., 2019).

 

 

شکل 3. رابطه بین عملکرد دانه گندم و کلزا با ظرفیت آب قابل دسترس خاک در مناطق مورد مطالعه.

 

 

شکل 4. بهره­وری آب و بهره­وری آبیاری گندم و کلزا در مناطق مورد مطالعه.

 

 

3-4. بهره­وری اقتصادی و درآمد خالص

میزان بهره­وری اقتصادی و درآمد خالص در بوم­نظام­های گندم در استان لرستان به­ترتیب برابر با 014/0 میلیون تومان بر متر مکعب و 1/41 میلیون تومان بود؛ در­حالی­که این مقدار برای بوم­نظام­های کلزا به­ترتیب برابر با 220/0 میلیون تومان بر متر مکعب و 9/59 میلیون تومان بود (شکل 5). همچنین تغییرات بهره­وری اقتصادی برای بوم­نظام­های مختلف گندم از 009/0 (الشتر) تا 017/0 (خرم­آباد) میلیون تومان بر متر مکعب بود. این صفت برای کلزا نیز از 018/0 (کوهدشت) تا 026/0 (خرم­آباد) میلیون تومان بر متر مکعب متغیر بود. از لحاظ درآمد هم در بین مناطق و محصولات بررسی­شده اختلاف قابل توجهی وجود داشت؛ به­طوری­که برای گندم دارای بالاترین درآمد خالص در منطقه پلدختر با 3/54 میلیون تومان در هکتار بود و کمترین میزان آن مربوط به منطقه الشتر با 8/24 میلیون تومان در هکتار بود. همچنین میزان درآمد خالص برای کشت کلزا در یک هکتار از 1/42 میلیون تومان در منطقه کوهدشت تا 8/59 میلیون تومان در منطقه خرم­آباد متغیر بود (شکل 5). بالا بودن میزان بهره­وری اقتصادی و درآمد خالص در بوم­نظام­های کلزا در استان لرستان نسبت به گندم می­تواند به دلیل چند مورد باشد؛ یکی از این موارد قیمت خرید تضمینی بالاتر هر کیلو کلزا (5/23 هزار تومان) نسبت به گندم (5/11 هزار تومان) در سال 1401 می­باشد. همچنین با توجه به داده­های جدول 1 میزان هزینه تولید یک هکتار کلزا (1/24 میلیون تومان) نسبت به گندم (2/27 میلیون تومان) در بوم­نظام­های زراعی استان لرستان کمتر می‎باشد. این موضوع را می‎توان در بین مناطق مختلف مشاهده کرد؛ جایی که در آن کشاورزان شهرستان خرم­آباد بالاترین بهره­وری اقتصادی و درآمد خالص را به­واسطه میزان هزینه کمتر (9/17 میلیون تومان) نسبت به شهرستان­های دیگر کسب می­کنند (شکل 5 و جدول 1). در مطالعه­ای روی سودآوردی و بهره­وری اقتصادی آب کشاورزی در تولید محصولات زراعی، بر اساس نتایج به­دست­آمده از مزارع تحقیقاتی مؤسسه تحقیقات اصلاح و تهیه نهال و بذر طی دوره 98-1395، میانگین سود حاصل از مصرف هر متر مکعب آب آبیاری مصرفی در تولید گندم، جو، کلزا و ذرت علوفه‌ای آبی به‌ترتیب 1/1191، 10750، 7/7291 و 2/1312 ریال بر متر مکعب آب تعیین شد (Asadi et al., 2021). در تحقیقی دیگر روی منطقه دشت بهار استان همدان مشخص شد که در بین محصولات مورد بررسی بیشترین و کمترین شاخص بهره­وری اقتصادی مربوط به محصولات سیر (Allium sativum) و یونجه بود (Zamani et al., 2014).

 

 

شکل 5. بهره­وری اقتصادی آبیاری و درآمد خالص گندم و کلزا در مناطق مورد مطالعه.

 

  1. نتیجه­گیری

نتایج نشان داد که در بوم­نظام­های گندم و کلزای استان لرستان از لحاظ میزان تولید، مصرف آب، بهره­وری آبیاری و آبی، بهره­وری اقتصادی و درآمد خالص اختلاف قابل توجهی وجود دارد که با در نظر گرفتن مناطق مختلف این اختلاف نیز بیشتر می­شود. نتایج نشان داد اگرچه از لحاظ بهره­وری آبی و عملکرد دانه، کشت گندم نسبت به کلزا دارای برتری می­باشد ولی از لحاظ بهره­وری آبیاری اختلاف قابل توجهی وجود نداشت. این در حالی بود که میزان مصرف آب در کشت کلزا نسبت به گندم پایین­تر بود. همچنین نتایج نشان داد که بهره­وری اقتصادی و درآمد خالص در بوم­نظام­های کلزا نسبت به گندم بسیار بیشتر بود؛ بنابراین اگر کشاورزان کشت کلزا را جایگزین کشت گندم کنند از یک طرف از لحاظ اقتصادی درآمد بیشتری به­دست می­آورند و از سوی دیگر بار محیط زیستی کمتری به منابع آبی استان لرستان وارد خواهد شد. این موضوع به­ویژه در شهرستان­هایی که تولید کلزا دارای هزینه­های تولیدی کمتری است می­تواند بسیار مفید باشد. به­طور کلی، حرکت از کشت گندم به سمت کلزا می­تواند در بوم­نظام­های زراعی استان لرستان از لحاظ محیط زیستی و اقتصادی پایدار باشد. در پایان، باتوجه به اینکه این مطالعه فقط جنبه­های اقتصادی و محیط زیستی (از بعد مصرف و بهره­وری آب) را مورد بررسی قرار داده است، پیشنهاد می­شود که مطالعات دیگر بر سایر جنبه­های این جایگزینی کشت از جمله ابعاد اجتماعی، سیاسی و ... متمرکز شوند.

 

سپاسگذاری

این مقاله بر اساس نتایج یک پایانامه کارشناسی ارشد تحت حمایت دانشگاه لرستان می‌باشد.

 

  1. منابع

Asadi, H., Mahmoodi, M., & Zare, S. (2021). Determining profitability and the economic productivity of agricultural water in crop production. Iranian Journal of Irrigation and Drainage, 15(6), 1404-1411. (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.

Christy, B., O’Leary, G., Riffkin, P., Acuna, T., Potter, T., & Clough, A. (2013). Long-season canola
(Brassica napus L.) cultivars offer potential to substantially increase grain yield production in south-eastern Australia compared with current spring cultivars. Crop & Pasture Science, 64, 901–913.

Deihimfard, R., Mahallati, M.N., & Koocheki, A. (2015). Yield gap analysis in major wheat growing areas of khorasan province, Iran, through crop modelling. Field Crops Research, 184, 28-38.

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 Biometeorology, 63(4), 511-521.

Deihimfard, R., Rahimi-Moghaddam, S., Collins, B., & Azizi, K. (2022). Future climate change could reduce irrigated and rainfed wheat water footprint in arid environments. Science of the Total Environment, 807, 150991.

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.

Dipenbrock, W. (2000). Yield analysis of the winter oilseed rape (Brassica napus L.): A review. Field Crops Research, 67, 35-49.

Ebrahimi-Pak, N. (2022). The effect of irrigation amount and scheduling on rapeseed oil. In: Proceedings of 9th Iranian Congress of Agricultural Sciences and Plant Breeding, 24 Aug., Karaj, Iran. (In Persain).

Eweida, M.T., Hagras, A., Fayed, M.H., Kafour, E.L., & Abdel-Ruouf, E.L. (1981). Influence of some nutrient elements on plant characters, seed yield and quality in safflower (Carthamus tinctorius L.) Research Bulletin Faculty of Agriculture, Ainshams University. No, 1437, 18 pp.

Eyni-Nargeseh, H., Deihimfard, R., Rahimi-Moghaddam, S., & Mokhtassi-Bidgoli, A. (2019). Analysis of growth functions that can increase irrigated wheat yield under climate change. Meteorological Applications, 27(1), e1804.

Hajare, H.V., Raman, N.S., & Dharkar, E.J. (2008). New technique for evaluation of crop water requirement. WSEAS Transactions on Environment and Development, 4(5), 436-446.8.

Hoffmann, M.P., Jacobs, A., & Whitbread, A.M. (2015). Crop modelling based analysis of site-specific production limitations of winter oilseed rape in northern Germany. Field Crops Research, 178, 49-62.

Holder, A.J., Mccalmont, J.P., Mcnamara, N.P., Rowe, R., & Donnison, I.S. (2018). Evapotranspiration model comparison and an estimate of field scale miscanthus canopy precipitation interception. GCB Bioenergy, 10, 353-366.

Honar, T., Sabet Sarvestani, A., Kamgar Haghighi, A., & Shams, S. (2011). Calibration of crop system model for growth simulation and yield estimation of canola. Water and Soil, 25(3), 593-605. (In Persian).

Hoogenboom, G., Jones, J.W., Porter, C.H., Wilkens, P.W., Boote, K.J., Batchelor, W.D., Hunt, L.A., & Tsuji, G.Y. (Editors). (2003). Decision support system for agrotechnology transfer Version 4.0. Vol. 1: Overview. University of Hawaii, Honolulu, HI.

Karimi, M., & Jolaini, M. (2017). Evaluation of agricultural water productivity indices in major field crops in Mashhad plain (Technical Note). Journal of Water and Sustainable Development, 4(1), 133-138. (In Persian).

Karimi, M., Sedighi Nasr, S., & Esfahani, A. (2002). Water use efficiency of crops in Iran. Dryness and Drought, 4(1), 52-56. (In Persian).

Khan, S., Khan, M.A., & Latif, N. (2010). Energy requirements and economic analysis of wheat, rice and barley production in Australia. Soil and Environment29(1), 61-68.

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.

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

Naderianfar, M., & Dehghan, H. (2020). Investigation of water use efficiency of wheat and barley in Arable lands of Sistan plain. Crop Science Research in Arid Region, 2(1), 1-9. (In Persian).

Prescott, J.A. (1940). Evaporation from a water surface in relation to solar radiation. Transactions of the Royal Society of South Australia, 64, 114-118.

Rahimi-Moghaddam, S., Deihimfard, R., Azizi, K., & Roostaei, 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., Eyni-Nargeseh, H., Ahmadi, S.A.K., & Azizi, K. (2021). Towards withholding irrigation regimes and drought-resistant genotypes as strategies to increase canola production in drought-prone environments: A modeling approach. Agricultural Water Management, 243, 106487.

Rahimi-Moghaddam, S., Kambouzia, J., & Deihimfard, R. (2019). Optimal genotype environment management as a strategy to increase grain maize productivity and water use efficiency in water-limited environments and rising temperature. Ecological Indicators, 107, 105-170.

Robertson, M.J., & Lilley, J.M. (2016). Simulation of growth, development and yield of canola (Brassica napus) in APSIM. Crop & Pasture Science, 67(4), 332-344.

Robertson, M.J., Holland, J.F., Kirkegaard, J.A., & Smith, C.J. (1999). Simulating growth and development of canola in Australia. In: Proceedings 10th International Rapeseed Congress, 26–29 Sep., Canberra, Australia.

Salama, M.A., Yousef, K.M., & Mostafa, A.Z. (2015). Simple equation for estimating actual evapotranspiration using heat units for wheat in arid regions. Journal of Radiation Research and Applied Sciences, 8(3), 418-427.

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

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

Wang, S., Wang, E., Wang, F., & Tan, L. (2012). Phenological development and grain yield of canola as affected by sowing date and climate variation in the Yangtze River basin of China. Crop & Pasture Science, 63, 478–488.

Watson, J., Zheng, B., Chapman, S., & Chenu, K. (2017). Projected impact of future climate on water-stress patterns across the Australian wheatbelt. Journal of Experimental Botany, 68(21), 5907–5921.

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.

Zamani, O., Mortazavi, S., & Baladi, H. (2014). Economical water productivity of agricultural products in Bahar plain, Hamadan. Journal of Water Research in Agriculture, 28(1), 51-62. (In Persian).

Zare, S., Zare Fizabadi, A., & Sabouhi, M. (2014). Investigation of yield and economic analysis of wheat- based crop rotation systems. Seed and Plant Production Journal, 30(2), 19-33. (In Persian).

Zhao, W., Liu, B., & Zhang, Z. (2010). Water requirements of maize in the middle Heihe River basin, China. Agricultural Water Management, 97(2), 215–223.

 

 

[1].The Commonwealth Scientific and Industrial Research Organization

[2]. Extraterrestrial radiation

References:
Asadi, H., Mahmoodi, M., & Zare, S. (2021). Determining profitability and the economic productivity of agricultural water in crop production. Iranian Journal of Irrigation and Drainage, 15(6), 1404-1411. (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.
Christy, B., O’Leary, G., Riffkin, P., Acuna, T., Potter, T., & Clough, A. (2013). Long-season canola
(Brassica napus L.) cultivars offer potential to substantially increase grain yield production in south-eastern Australia compared with current spring cultivars. Crop & Pasture Science, 64, 901–913.
Deihimfard, R., Mahallati, M.N., & Koocheki, A. (2015). Yield gap analysis in major wheat growing areas of khorasan province, Iran, through crop modelling. Field Crops Research, 184, 28-38.
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 Biometeorology, 63(4), 511-521.
Deihimfard, R., Rahimi-Moghaddam, S., Collins, B., & Azizi, K. (2022). Future climate change could reduce irrigated and rainfed wheat water footprint in arid environments. Science of the Total Environment, 807, 150991.
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.
Dipenbrock, W. (2000). Yield analysis of the winter oilseed rape (Brassica napus L.): A review. Field Crops Research, 67, 35-49.
Ebrahimi-Pak, N. (2022). The effect of irrigation amount and scheduling on rapeseed oil. In: Proceedings of 9th Iranian Congress of Agricultural Sciences and Plant Breeding, 24 Aug., Karaj, Iran. (In Persain).
Eweida, M.T., Hagras, A., Fayed, M.H., Kafour, E.L., & Abdel-Ruouf, E.L. (1981). Influence of some nutrient elements on plant characters, seed yield and quality in safflower (Carthamus tinctorius L.) Research Bulletin Faculty of Agriculture, Ainshams University. No, 1437, 18 pp.
Eyni-Nargeseh, H., Deihimfard, R., Rahimi-Moghaddam, S., & Mokhtassi-Bidgoli, A. (2019). Analysis of growth functions that can increase irrigated wheat yield under climate change. Meteorological Applications, 27(1), e1804.
Hajare, H.V., Raman, N.S., & Dharkar, E.J. (2008). New technique for evaluation of crop water requirement. WSEAS Transactions on Environment and Development, 4(5), 436-446.8.
Hoffmann, M.P., Jacobs, A., & Whitbread, A.M. (2015). Crop modelling based analysis of site-specific production limitations of winter oilseed rape in northern Germany. Field Crops Research, 178, 49-62.
Holder, A.J., Mccalmont, J.P., Mcnamara, N.P., Rowe, R., & Donnison, I.S. (2018). Evapotranspiration model comparison and an estimate of field scale miscanthus canopy precipitation interception. GCB Bioenergy, 10, 353-366.
Honar, T., Sabet Sarvestani, A., Kamgar Haghighi, A., & Shams, S. (2011). Calibration of crop system model for growth simulation and yield estimation of canola. Water and Soil, 25(3), 593-605. (In Persian).
Hoogenboom, G., Jones, J.W., Porter, C.H., Wilkens, P.W., Boote, K.J., Batchelor, W.D., Hunt, L.A., & Tsuji, G.Y. (Editors). (2003). Decision support system for agrotechnology transfer Version 4.0. Vol. 1: Overview. University of Hawaii, Honolulu, HI.
Karimi, M., & Jolaini, M. (2017). Evaluation of agricultural water productivity indices in major field crops in Mashhad plain (Technical Note). Journal of Water and Sustainable Development, 4(1), 133-138. (In Persian).
Karimi, M., Sedighi Nasr, S., & Esfahani, A. (2002). Water use efficiency of crops in Iran. Dryness and Drought, 4(1), 52-56. (In Persian).
Khan, S., Khan, M.A., & Latif, N. (2010). Energy requirements and economic analysis of wheat, rice and barley production in Australia. Soil and Environment29(1), 61-68.
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.
Mendenhall, W., Sincich, T., & Boudreau, N.S. (1996). A second course in statistics: Regression analysis. Prentice Hall Upper Saddle River, New Jersey.
Naderianfar, M., & Dehghan, H. (2020). Investigation of water use efficiency of wheat and barley in Arable lands of Sistan plain. Crop Science Research in Arid Region, 2(1), 1-9. (In Persian).
Prescott, J.A. (1940). Evaporation from a water surface in relation to solar radiation. Transactions of the Royal Society of South Australia, 64, 114-118.
Rahimi-Moghaddam, S., Deihimfard, R., Azizi, K., & Roostaei, 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., Eyni-Nargeseh, H., Ahmadi, S.A.K., & Azizi, K. (2021). Towards withholding irrigation regimes and drought-resistant genotypes as strategies to increase canola production in drought-prone environments: A modeling approach. Agricultural Water Management, 243, 106487.
Rahimi-Moghaddam, S., Kambouzia, J., & Deihimfard, R. (2019). Optimal genotype environment management as a strategy to increase grain maize productivity and water use efficiency in water-limited environments and rising temperature. Ecological Indicators, 107, 105-170.
Robertson, M.J., & Lilley, J.M. (2016). Simulation of growth, development and yield of canola (Brassica napus) in APSIM. Crop & Pasture Science, 67(4), 332-344.
Robertson, M.J., Holland, J.F., Kirkegaard, J.A., & Smith, C.J. (1999). Simulating growth and development of canola in Australia. In: Proceedings 10th International Rapeseed Congress, 26–29 Sep., Canberra, Australia.
Salama, M.A., Yousef, K.M., & Mostafa, A.Z. (2015). Simple equation for estimating actual evapotranspiration using heat units for wheat in arid regions. Journal of Radiation Research and Applied Sciences, 8(3), 418-427.
Seifert, E. (2014). OriginPro 9.1: Scientific data analysis and graphing software- software review. Journal of Chemical Information and Modeling, 54, 1552–1552.
Wallach, D., & Goffinet, B. (1987). Mean squared error of prediction in models for studying economic and agricultural systems. Biometrics, 43, 561–576.
Wang, S., Wang, E., Wang, F., & Tan, L. (2012). Phenological development and grain yield of canola as affected by sowing date and climate variation in the Yangtze River basin of China. Crop & Pasture Science, 63, 478–488.
Watson, J., Zheng, B., Chapman, S., & Chenu, K. (2017). Projected impact of future climate on water-stress patterns across the Australian wheatbelt. Journal of Experimental Botany, 68(21), 5907–5921.
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.
Zamani, O., Mortazavi, S., & Baladi, H. (2014). Economical water productivity of agricultural products in Bahar plain, Hamadan. Journal of Water Research in Agriculture, 28(1), 51-62. (In Persian).
Zare, S., Zare Fizabadi, A., & Sabouhi, M. (2014). Investigation of yield and economic analysis of wheat- based crop rotation systems. Seed and Plant Production Journal, 30(2), 19-33. (In Persian).
Zhao, W., Liu, B., & Zhang, Z. (2010). Water requirements of maize in the middle Heihe River basin, China. Agricultural Water Management, 97(2), 215–223.
 
Volume 55, Issue 1
March 2024
Pages 37-48
  • Receive Date: 15 February 2023
  • Revise Date: 21 September 2023
  • Accept Date: 14 October 2023
  • Publish Date: 20 March 2024