شبیه‌سازی عملکرد گندم در آینده تحت شرایط تغییر اقلیم و پیشرفت فناوری در ایران

. مقدمه

کشور ایران جزء مناطق خشک و نیمه­خشک جهان می‌باشد (Shayanmehr et al, 2020) که به دلیل حساسیت و آسیب‌پذیربودن این مناطق نسبت به تغییرات محیطی، اثرات منفی تغییر اقلیم در این مناطق بسیار شدید خواهد بود (Bannayan et al, 2010). تولید محصولات کشاورزی و تأمین امنیت غذایی کشور نیز طی پدیده تغییر اقلیم دستخوش تغییر خواهد شد
(Ahmadi et al, 2015). از­این­رو، ارزیابی اثرات تغییر اقلیم بر تولید محصولات کشاورزی و امنیت غذایی در ایران می­تواند اطلاعات مناسبی به برنامه‌ریزان و سیاست‌گذاران برای تدوین و اجرای سیاست‌های مناسب به‌منظور کاهش اثرات منفی تغییر اقلیم بر تولید محصولات کشاورزی و امنیت غذایی فراهم آورد.

تأثیر تغییر اقلیم بر تولید محصول با استفاده از مدل‌های گردش جهانی (GCM) همراه با مدل‌های شبیه‌سازی رشد گیاهان زراعی تحت سناریوهای مختلف در نقاط مختلف جهان مورد مطالعه قرارگرفته است (Rahman et al., 2018). از مدل­های شبیه‌سازی رشد گیاهان زراعی می­توان به مدل DSSAT-Nwheat اشاره کرد که یک مدل گیاهی پرکاربرد برای شبیه­سازی رشد و نمو گندم است که از مدل CERES-Wheat مشتق شده است. این مدل بیلان آب و نیتروژن و همچنین انواع تنش­های مختلف در گیاه گندم را به­صورت روزانه شبیه­سازی می­کند. تولید و تجمع ماده خشک بر اساس تشعشع خورشیدی، دما، شاخص سطح برگ و کارایی مصرف تشعشع تعیین می­شود. فنولوژی و نمو محصول نیز به­صورت تابعی از درجه-روز رشد، دوره بهاره­سازی و فتوپریود است (Ritchie et al., 1998). سناریوهای انتشار گازهای گلخانه‌ای را برای پروژه تغییر اقلیم بر اساس عوامل مختلف اجتماعی-اقتصادی، فناوری و مصرف انرژی تعریف کرده‌اند (IPCC, 2023). به علت وابستگی زیاد به تولید انرژی از سوخت‌های فسیلی، غلظت CO₂ در جو از سال 1750 از حدود 280 پی‌پی‌ام به 425 پی‌پی‌ام در سال 2024 افزایش یافته است
 (NOAA, 2024). مطالعات مختلف نشان می‌دهد که عملکرد بسیاری از گیاهان زراعی در پاسخ به CO₂ بالا اگر سایر عوامل بدون تغییر در نظر گرفته شوند، افزایش می‌یابد (Amthor, 2001; De Costa et al., 2006; Bannayan et al., 2005;
Yoon et al., 2009).

بررسی عملکرد محصولات زراعی در سال‏های اخیر روند افزایشی نشان می‌‌دهد که به دلیل پیشرفت در فناوری (ازجمله ارقام جدید، شیوه‌های مدیریت کشاورزی و ...) می‌‌باشد (Burchfield et al., 2020). تجزیه ‌و تحلیل روند 50 ساله تولید گندم در ایران نیز نشان داد که افزایش تولید گندم در کشور به‌ویژه طی سال­های گذشته به دلیل افزایش سطح زیر کشت نبوده و عمدتاً به دلیل افزایش عملکرد در واحد سطح بوده که ناشی از پیشرفت فناوری در زمینه تولید می­باشد (Koocheki et al., 2003). پیشرفت فناوری مانند استفاده از ارقام جدید، زیست­فناوری، کود، آفت‌کش‌ها، مکانیزاسیون، روش‏های نوین آبیاری و سایر عوامل تا حد زیادی دلیل افزایش عملکرد در دهه‌های گذشته بوده‌اند. بنابراین، برای محاسبه دقیق تغییرات عملکرد در آینده، لازم است علاوه بر تغییر متغیرهای آب‌وهوا و اثراتCO₂ ، پیشرفت فناوری نیز به‌عنوان یک عامل تأثیرگذار در نظر گرفته شود (Ewert et al., 2005). این مطالعه با هدف برآورد تغییرات عملکرد گندم در ایران در شرایط تغییر اقلیم آینده با ارزیابی اثرات تلفیقی تغییر اقلیم، غلظت  CO₂و پیشرفت فناوری انجام شد.

تاکنون مطالعات متعددی در زمینه اثرات تغییر اقلیم بر تولیدات گیاهی انجام شده است (Guntukula et al., 2020;
Raza et al., 2019; Yang et al., 2019;). در پژوهشی‌ روند تغییرات دمای ١٨ شهر از چهار ناحیه‌ اقلیمی‌ در طی‌ سال‌های (١٣٩١-١٣٧١) مورد مطالعه‌ قرار گرفت. نتایج‌ نشان داد که‌ در مناطق‌ گرم­و­مرطوب خزری افزایش‌ دمای میانگین‌ سالانه‌، با شدت کمی‌ طول دورة پر شدن و عملکرد دانه‌ را افزایش‌ داده است؛ اما در مناطق‌ گرم­و­خشک‌ جنوب و مرکز ایران افزایش‌ دما به‌تدریج‌ با ایجاد تنش‌ در دورة رسیدگی‌ دانه‌ منجر به‌ کاهش‌ طول دورة پر شدن دانه‌ و کاهش‌ عملکرد گندم شده است‌. باتوجه‌­به‌ نوع مدل‌های مورد استفاده در شبیه‌سازی رشد گیاهان و همچنین‌ سال‌های مورد مطالعه‌ نتایج‌ متفاوتی‌ در مورد عملکرد گندم گزارش شده است (Abbasi Ali Kemer et al., 2019)‌. نتایج مطالعه دیگری که روی برآورد اثرات بالقوه تغییر اقلیم بر هشت محصول عمده زراعی انجام شد نشان داد که درجه حرارت و بارندگی اثر معنی‏داری بر عملکرد محصولات بر جای می‌‌گذارد
(Momeni & Zibaei, 2013). بررسی اثر تغییر اقلیم بر رشد و عملکرد و نیاز آبی گیاه گندم در منطقه گرگان با استفاده از مدل SSM-Wheat نشان داد که در منطقه گرگان در سال‌های آتی حداقل و حداکثر دما در تمام سناریوهای اقلیمی افزایش خواهد یافت که کمترین مقدار افزایش دمای متوسط سالانه در ۶۰ سال آینده حداقل 68/6 درجه سانتی‌گراد و حداکثر 32/8 درجه سانتی‌گراد خواهد بود. همچنین شبیه‌سازی رشد و عملکرد گندم با مدلSSM-Wheat  نشان داد که در دوره ۶۰ سال آینده با­توجه­به نتایج شبیه‌سازی مدل لارس برای دوره‌های آینده دما افزایش خواهد یافت و به همین دلیل طول دوره جوانه‌زنی و به­طورکلی طول دوره رشد در دوره‌های آینده کاهش می‌یابد. در مورد میزان عملکرد نیز نتایج این تحقیق حاکی از آن است که در تاریخ کشت‌های دیرتر، عملکرد کاهش و در آینده به­طورکلی افزایش می‌یابد (Keshtkar, 2020). گزارش­های تغییرات آب و هوایی در مقیاس جهانی کاهش عملکرد گندم دیم و آبی را به­ترتیب 10-40 و 20-50 درصد نشان داده است (Parry et al., 2004). نتایج مطالعه بررسی اثر افزایش CO₂ و افزایش دما بر رشد سیستم ریشه دو رقم گندم بهاره نشان داد که افزایش غلظت CO₂ باعث افزایش ریشه و ساقه شد، اما این اثر مثبت هنگامی­که گیاهان در درجه حرارت بالا رشد داده شدند، کاهش یافت (Benlloch et al., 2014).

2. روش­شناسی پژوهش

1-2. داده‏‏‏های اقلیمی و سناریوهای تغییر اقلیم

در این پژوهش برای بررسی وضعیت آب‌وهوای آینده از مدل‏های جفت­شده پروژه مقایسه متقابل مرحله ششم (CMIP6 [1] ) و از دو سناریو SSP245 و SSP585 استفاده شد. SSP245 یک سناریوی «میانه‌رو» با انتشار گازهای گلخانه‌ای متوسط را نشان می‌دهد، در­حالی­که SSP585 یک سناریوی «بدبینانه» با انتشار گازهای گلخانه‌ای بالا را نشان می‌دهد که اغلب به‌عنوان مسیر «توسعه با سوخت فسیلی» توصیف می‌شود که از این سناریوها برای پیش‌بینی تأثیرات تغییرات اقلیمی آینده استفاده می‌شود.

مدل‏های (CMIP6) توسط کارگروه جهانی برنامه تحقیقات آب­و­هوایی (WCRP [2] ) و کارگروه مدل‏های جفت­شده
(WGCM [3] ) به‌عنوان یک چارچوب اساسی برای اجرای شبیه‌سازی آب­و­هوایی سازماندهی شده‌اند. طیف وسیعی از مدل‏های اقلیمی و سناریوهای مختلف در CMIP6 وجود دارد که در شبیه‌سازی متغیرهای آب و هوایی برای تغییرات اقلیمی آینده مورد استفاده قرار می‌‌گیرد (Eyring et al., 2016). به‌منظور شبیه‌سازی داده‌های اقلیمی در شرایط آینده، داده‌های اقلیمی روزانه شامل حداکثر و حداقل درجه حرارت (درجه­سانتی‌گراد)، تشعشع (مگاژول بر مترمربع در روز) و بارندگی (میلی‌متر) برای یک دوره زمانی 30 ساله (بازه زمانی 1371 تا 1401) از ایستگاه‌‏های اقلیم‌شناسی استان‏های مختلف کشور جمع‌آوری شد. پس از استخراج داده‏های هواشناسی گذشته، با استفاده از روش ریزمقیاس‌نمایی آماری [4](SDSM)  داده‏های اقلیمی برای شرایط آب و هوایی آینده در مناطق مختلف کشور شبیه‌سازی شد. برای این منظور چهار دوره زمانی شامل 1401-1371 (سال پایه) و سه دوره اقلیمی آینده شامل دوره زمانی 1429-1405، 1454-1430 و 1479-1455 برای دو سناریوی SSP585 و SSP245 در نظر گرفته شد. برای ارزیابی و اعتبارسنجی مدل ریزمقیاس‌نمایی آماری از داده‏های هواشناسی واقعی و شبیه‌سازی­شده توسط مدل برای سال پایه استفاده شد.

2-2. مدل رشد گیاهی

به‌منظور شبیه‌سازی رشد گندم از مدل رشد گیاهی DSSAT-Nwheat موجود در نرم‌افزار DSSAT [5] (سیستم پشتیبانی تصمیم‌گیری برای انتقال فناوری کشاورزی) که یک نرم‌افزاری کاربردی برای شبیه‌سازی رشد، نمو و عملکرد محصول می­باشد، استفاده شد (Hoogenboom et al., 2017). ورودی­های مدل شامل اطلاعات اقلیمی (طول و عرض جغرافیایی، ارتفاع از سطح دریا، حداکثر و حداقل دما، تشعشع و بارندگی)، خاک (بافت خاک، مقدار ماده آلی، نیتروژن خاک، ظرفیت نگهداری آب، pH خاک)، گیاه (ضرایب ژنتیکی) و عملیات مدیریتی - زراعی (تاریخ کاشت، تراکم، عمق کاشت، مقدار و زمان آبیاری و کود) می­باشد.

3-2. واسنجی و اعتبارسنجی مدل رشد گیاهی

به­منظور واسنجی و اعتبارسنجی مدل از داده‌های آزمایش‌های مزرعه‌ای که برای سازگاری ژنوتیپ‏ها و لاین­های امیدبخش گندم در ایستگاه‏های تحقیقات غلات کشور در مناطق اصلی تولید انجام می‌‌شود، استفاده شد. برای این منظور از اطلاعات مربوط به تیمار شاهد هر آزمایش که رقم رایج منطقه بوده و از سطح زیر کشت قابل­توجهی نیز در مناطق مختلف برخوردار هستند، انتخاب شد. برای چهار اقلیم سردسیر، معتدل، مرطوب و گرمسیر، رقم متفاوتی به‌عنوان شاهد درنظر گرفته شد. اطلاعات مورد نیاز از ایستگاه‏های تحقیقاتی شامل محل و سال اجرای آزمایش، تاریخ کاشت، تراکم، تاریخ‏های مختلف فنولوژیک (گلدهی و رسیدگی)، عملکرد دانه، اطلاعات خاک محل اجرای آزمایش و مدیریت زراعی بود. اطلاعات برای چهار سال زراعی (از سال 1397 تا 1401) استخراج شد. در هر منطقه داده‏های دو سال زراعی 1397-1398 و 1398-1399 برای واسنجی مدل و داده‏های دو سال زراعی 1399-1400 و 1400-1401 برای اعتبارسنجی مدل استفاده شد.

به‌منظور ارزیابی مدل، چندین معیار برای تعیین کمیت تفاوت بین داده‌های شبیه‌سازی‌شده و مشاهده‌شده محاسبه شد (رابطه 1). ریشه میانگین مربعات خطای نرمال­شده [6] (nRMSE) اختلاف بین مقادیر اندازه‌گیری­شده و شبیه‌سازی‌شده را بیان می‌کند (Rinaldi et al., 2003). برای ارزیابی سیستماتیک مدل نیز از معیار کارایی مدل [7] (ME) استفاده شد که برای تخمین عملکرد مدل در رابطه با میانگین داده‌های مشاهده‌شده استفاده می‌‌شود.

رابطه (1)                                     nRMSE =

رابطه (2)                                                        ME =

در روابط بالا P و O به­ترتیب داده‌های شبیه‌سازی و مشاهده‌شده، O میانگین داده‌های مشاهده‌شده و n تعداد مشاهدات است. nRMSE خطای پیش‌بینی مدل را نشان می‌دهد که در صورتی‌که مقدار آن کمتر از 10 درصد باشد بیانگر دقت بالای مدل، بین 10 تا 20 درصد بیانگر دقت خوب مدل، بین 20 تا 30 درصد دقت متوسط و مقادیر بالای 30 درصد نشان­دهنده دقت ضعیف مدل می‌‌باشد (Huang et al., 2009). ME نیز کارایی مدل را نشان می‌دهد و می‌تواند مقادیر مثبت یا منفی داشته باشد که هرچقدر عدد به­دست­آمده به یک نزدیکتر باشد نشان­دهنده کارایی بالای مدل در شبیه‌سازی داده‏ها می‌‌باشد. علاوه­بر­این، از مقایسه رگرسیون خطی برازش داده­شده بین داده‌های شبیه‌سازی (y) و مشاهده‌شده (x) با خط 1:1 نیز برای ارزیابی مدل استفاده شد. برای این منظور معادله خطی رگرسیون برازش داده­شده بین داده‌های مشاهده­شده و شبیه‌سازی­شده (y = a + (b×x)) با معادله خط 1:1 (y=x) با استفاده از آزمون t مورد مقایسه قرار گرفت. برای ارزیابی عرض از مبدا و شیب دو خط، فرض صفر (H0) برابر با a=0، b=1 و فرض یک (H1) برابر با a≠0،  b≠1در نظر گرفته شد. در صورتی که فرض صفر قبول و فرض یک رد شود به این مفهوم است که اختلاف بین دو خط معنی‏دار نبوده و بین داده‏های مشاهده­شده و شبیه‌سازی­شده اختلاف معنی‏داری وجود ندارد
 (Mansouri et al., 2021).

4-2. اثرات پیشرفت فناوری

به‌منظور کمّی­کردن اثر پیشرفت فناوری بر بهبود عملکرد گندم در شرایط آینده از روش اورت و همکاران استفاده شد
(Ewert et al., 2005). برای این منظور عملکرد واقعی گندم از سال 1371 تا 1401 برای ایستگاه‏های مختلف از مراکز جهاد کشاورزی که مناطق اصلی تولید گندم در کشور می‌‌باشند، جمع‌آوری شد، سپس روند عملکرد گندم با برازش رگرسیون خطی در دوره 30 ساله محاسبه شد (معادله 3). برای برآورد اثر فناوری بر عملکرد گندم در آینده، روند عملکرد گندم در گذشته با استفاده از روش سری زمانی و حذف اثر نوسانات فصلی تصحیح شد. برای به‌دست­آوردن داده‌های تصحیح‌شده، از روش تجزیه [8]
(Mansouri et al., 2015) استفاده شد تا داده‏ها به مؤلفه‌های روند خطی و فصلی و همچنین خطا تفکیک شوند و با حذف اثر مؤلفه فصلی، داده‌های عملکرد تصحیح‌ شد.

رابطه (3)                                                     Y_e = a + r_y × t

در رابطه 3، Ye مقدار برازش داده­شده عملکرد گندم در یک سال خاص t، ry نرخ سالانه تغییر عملکرد و a ثابت معادله است. پارامترهای a و ry با رگرسیون خطی برازش داده­شده بین عملکرد تصحیح‌شده و زمان برای هر منطقه برآورد شد. میزان دقت رگرسیون برازش­شده با میانگین درصد مطلق خطا (MAPE) آزمایش شد. MAPE دقت را به‌صورت درصد بیان می‌کند.

رابطه (4)                                         MAPE =

که در آن Ya برابر با مقدار واقعی عملکرد، Ye برابر با مقدار پیش‌بینی­شده عملکرد و n برابر با تعداد مشاهدات است. مقادیر کوچکتر MAPE نشان‌دهنده برازش بهتر مدل بوده و به­عنوان شاخصی برای ارزیابی دقت رگرسیون برازش داده­شده استفاده شد. سپس تغییر عملکرد نسبی (Yr) با استفاده از رابطه زیر محاسبه شد:

رابطه (5)                                                    Y_r(t) =

تغییر عملکرد گندم تحت تأثیر پیشرفت فناوری در زمان آینده در مقایسه با سال پایه (Pt0) با استفاده از رابطه زیر به­دست آمد:

رابطه (6)                             

Pt ,T عملکرد آینده گندم تحت تأثیر پیشرفت فناوری، Yr(t0) تغییر عملکرد نسبی در سال پایه و Y_r,a افزایش سالانه تغییر عملکرد نسبی با توجه به سال پایه را نشان می‏دهد. بر اساس مطالعات کوچکی و همکاران (1396)، عملکرد فعلی گندم در ایران حدود 50 درصد عملکرد بالقوه است، بنابراین سهم نسبی از عملکرد بالقوه مقدار نصف عملکرد فعلی در نظر گرفته شد. همانطور که توسطEwert et al.  (2005) گزارش شده است، این مقدار برای کشورهای اروپایی 8/0 است. پیشرفت فناوری از طریق افزایش عملکرد پتانسیل (f_T,P) و همچنین کاهش خلاء بین عملکرد واقعی و عملکرد پتانسیل (f_T,G) منجر به افزایش عملکرد می‌‌شود. مقادیر f_T,P و f_T,G از روش اورت و همکاران به‌دست آمد (Ewert et al., 2005).

5-2. اثرات غلظت CO₂

در محاسبه اثر CO₂ بر عملکرد گندم ابتدا غلظت CO₂ در آینده برآورد و سپس میزان افزایش عملکرد به ازای هر واحد افزایش CO₂ مدنظر قرار می­گیرد. تخمین غلظت CO₂ آینده در سناریوهایSSP  توسط منشاسن و همکاران انجام شد
(Meinshausen et al., 2020). بر این اساس غلظت CO₂ در سناریوها و دوره‏های زمانی مورد بررسی در جدول 1 آمده است.

به‌منظور محاسبه اثر دی‌اکسید­کربن بر تغییر عملکرد گندم، تغییر عملکرد نسبی تحت تأثیر افزایش سطوح CO₂ با استفاده از معادله زیر محاسبه شد (Ewert et al., 2005):

رابطه (7)                                               

Pt,co عملکرد آینده گندم تحت تأثیر غلظت CO₂، fco,r تغییر عملکرد نسبی به ازای تغییر در واحد غلظت
 CO₂ (fco,r = 0.05%) و ∆Ct-t0 تفاوت بین غلظت CO₂ آینده و غلظت CO₂ فعلی است. غلظت دی­اکسید­کربن در سال پایه (1401) (2022) برابر با ppm 417 در نظر گرفته شد (NOAA, 2024). میزان افزایش عملکرد گندم به­ازای افزایش هر واحد CO₂ برابر با 05/0 در نظر گرفته شد (Koocheki & Nassiri, 2010; Bannayan et al., 2014; Mansouri et al., 2015).

6-2. اثرات تلفیقی عوامل بر عملکرد گندم

به­منظور برآورد اثرات تلفیقی عوامل تاثیرگذار (تغییر اقلیم، CO₂ و پیشرفت فناوری) بر عملکرد گندم در شرایط آینده از معادله زیر استفاده شد (Ewert et al., 2005).

رابطه (8)                           

در رابطه 8، Pt عملکرد آینده گندم است که تحت‌تاثیر هر سه عامل تغییر اقلیم، CO₂ و پیشرفت فناوری قرار می‌گیرد. بعد از برآورد اثرات هر سه عامل و همچنین اثرات تلفیقی آنها بر عملکرد گندم، میزان اثر افزایشی یا کاهشی هر کدام از عوامل در مناطق مختلف مورد مقایسه و بررسی قرار گرفت. لازم به ذکر است که به­منظور ارزیابی و مقایسه اثرات عوامل بر عملکرد گندم، عملکرد سال پایه به عنوان مبنای مقایسه و یک در نظر گرفته شده و اثرات سایر عوامل نسبت به آن مورد مقایسه قرار گرفتند. بدین صورت که اعداد کمتر از یک نشان­دهنده میزان یا درصد کاهش عملکرد گندم و اعداد بیشتر از یک نشان­دهنده میزان یا درصد افزایش عملکرد نسبت به سال پایه می­باشند.

3. یافته‌های پژوهش و بحث

1-3. اعتبارسنجی مدل اقلیمی

مقادیر مشاهده­شده و شبیه‌سازی­شده داده‏های اقلیمی به‌صورت میانگینی از مناطق مختلف کشور در شکل 1 نشان داده شده است.

نتایج اعتبارسنجی مدل اقلیمی ریزمقیاس­نمایی آماری بر اساس شاخص nRMSE نشان داد که مقدار این شاخص برای داده‌های تشعشع، بیشینه دما، کمینه دما و بارندگی به­ترتیب برابر با 55/7، 45/11، 09/9 و 67/19 درصد بود. با­توجه­به نتایج مدل اقلیمی داده‌های تشعشع را با دقت بالاتر و داده‏های بارندگی را با دقت پایین‌تری شبیه‌سازی کرد؛ به‌طوری‌که داده‏های تشعشع با اختلاف 55/7± درصد و داده‏های بارندگی با اختلاف 67/19± درصد نسبت به داده‏های واقعی شبیه‌سازی شدند. به­طورکلی نتایج اعتبارسنجی مدل اقلیمی نشان داد که داده‌های اقلیمی با­توجه­به مقادیر پایین شاخص nRMSE از دقت قابل­قبولی برای شبیه‌سازی متغیرهای اقلیمی برخوردار است.

2-3. واسنجی مدل رشد گیاهی

نتایج واسنجی مدل برای برآورد ضرایب ژنتیکی ارقام گندم برای مناطق سردسیر، معتدل، مرطوب و گرم در جدول 2 ارائه شده است. هشت ضریب ژنتیکی مورداستفاده در مدل گیاهی شامل دمای مورد نیاز (درجه-روز) از شروع جوانه­زنی تا آغازش گلدهی، دمای مورد نیاز (درجه-روز) از پر شدن دانه تا زمان رسیدگی، حساسیت به فتوپریود و بهاره­سازی، فاصله فیلوکرون، تعداد دانه بر وزن ساقه در زمان شروع پر شدن دانه، بیشترین سرعت رشد دانه و وزن خشک نهایی تک ساقه برای ارقام گندم برآورد شد (جدول 2).

3-3. اعتبارسنجی مدل رشد گیاهی

پراکنش داده‌های شبیه‌سازی­شده در مقابل داده‏های مشاهده­شده به همراه رگرسیون برازشی و مقادیر nRMSE و ME برای صفات عملکرد دانه، روز تا گلدهی و روز تا رسیدگی گندم در شکل 2 نشان داده شده است. نتایج اعتبارسنجی مدل رشد گیاهی نشان داد که با­توجه­به اینکه مقادیر محاسبه­شده برای شاخص nRMSE کمتر از 10 و برای شاخص ME بیشتر از 77/0 بود، بنابراین می‌‌توان عنوان کرد که مدل رشد گیاهی از برآورد قابل­قبولی برای شبیه‌سازی صفات در گیاه گندم بر اساس شاخص‏های آماری nRMSE و ME برخوردار است (شکل 2).

همچنین بر اساس نتایج آزمون t، عرض از مبدا و شیب خط رگرسیون برازش­داده­شده در تمام صفات مورد مطالعه گندم اختلاف معنی‏داری از لحاظ آماری با عرض از مبدا و شیب خط 1:1 نشان نداد (جدول 3). بنابراین به­طور­کلی با­توجه­به نتایج ارزیابی مدل رشد گیاهی بر اساس شاخص­های مورد بررسی، می­توان عنوان کرد که مدل رشد گیاهی DSSAT-Nwheat توانایی و دقت کافی برای شبیه‌سازی داده‏های مربوط به صفات گیاه گندم را دارا می‌‌باشد (جدول 3).

4-3. اثرات پیشرفت فناوری

روند افزایش عملکرد گندم طی دوره زمانی 30 ساله در گذشته (از سال 1371 تا 1401)  بیانگر افزایش عملکرد گندم در این دوره زمانی در مناطق مختلف کشور بود که مدیون پیشرفت فناوری شامل مکانیزاسیون، به­زراعی و به­نژادی گندم بوده است. اثر فناوری از جمله استفاده از ارقام جدید می‌‌تواند سبب افزایش عملکرد شود. پژوهشگران گزارش کردند که در ارقام جدید سبزشدن مناسب به دلیل برخورد گیاه با شرایط مساعدتر محیطی برای رشد رویشی بوته‏های مادری، تولید و تجمع ماده خشک و به­تبع آن باعث بهبود عملکرد گیاه می­شود.

همچنین ارقام اصلاح­شده و مقاوم در برابر تنش و بیماری‌ها عملکرد بالاتری دارند
(Momtazi & Emam, 2006). نتایج مطالعه دیگری نشان داد که اصلاح برای ایجاد مقاومت به بیماری‌ها در گندم، بیشترین تأثیر را در پیشگیری از خسارت و کاهش عملکرد دارد (Aiyong et al., 2015). شیب خط رگرسیونی برازش‌یافته بین زمان و عملکرد گندم در این دوره زمانی نشان داد که شیب افزایش عملکرد سالانه بین 5/26 تا 7/101 کیلوگرم در هکتار (به­ترتیب برای مناطق یاسوج و ساری) بوده است (شکل 3).

مقادیر تغییر عملکرد نسبی برای سال پایه (Y_r (t0)) در مناطق مختلف کشور از 007/1 تا 024/1 متغیر بود که کمترین مقدار مربوط به یزد و بیشترین مقدار مربوط به ساری بود (جدول 4). در این میان مناطق ایلام، اهواز، زنجان وکرج بعد از ساری از لحاظ تغییر عملکرد نسبی در سال پایه در رتبه‏های بعدی قرار داشتند. مناطق ارومیه، اصفهان، شهرکرد و یاسوج نیز از تغییر عملکرد نسبی پایینی در مقایسه با سال پایه برخوردار بودند (جدول 4).

شبیه‌سازی اثر پیشرفت فناوری بر عملکرد گندم در شرایط آینده در سناریوهای مختلف نشان داد که در تمام مناطق مختلف کشور اثر فناوری نسبت به سال پایه مثبت بوده و میزان این اثر بسته به منطقه، سناریو و دوره زمانی از یک تا 27 درصد متغیر بود (جدول 5). بیشترین اثر مثبت فناوری بر عملکرد گندم مربوط به شهر زنجان با 27 درصد افزایش نسبت به سال پایه در سناریو SSP245 در دوره زمانی 1430-1454 بود (جدول 5). سایر محققان نیز اثر مثبت پیشرفت فناوری در آینده بر عملکرد محصولات مختلف را گزارش کرده‌اند که با نتایج مطالعه حاضر همخوانی داشتند (Hampf et al., 2020; Bannayan et al., 2014;
Mansouri et al., 2015; Ewert et al., 2005). در مقایسه بین دوره‏های زمانی، در هر دو سناریو میزان اثر فناوری در دوره زمانی دوم (1430-1454) نسبت به هر دو دوره زمانی اول (1405-1429) و سوم (1455-1479) بیشتر خواهد بود؛ به­طوری­که در سناریوی SSP245 میانگین اثر پیشرفت فناوری برای دوره زمانی 1430-1454 برابر با 9/19 درصد افزایش نسبت به سال پایه خواهد بود، در­صورتی­که برای دوره‏های زمانی اول و سوم به­ترتیب برابر با 3/12 و 12 درصد برآورد شد. در سناریوی SSP585 نیز اثر فناوری برای دوره زمانی دوم برابر با 7/13 درصد و برای دوره زمانی اول و سوم به­ترتیب معادل 1/10 و 3/1 درصد شبیه‌سازی شد (جدول 5). به­طور­کلی اثر فناوری بر عملکرد گندم در سناریوی SSP245 نسبت به سناریوی SSP585 بیشتر خواهد بود؛ به­طوری‌که میانگین اثر پیشرفت فناوری بر عملکرد گندم در مناطق مختلف کشور در دوره‏های زمانی مختلف در سناریوی SSP245 برابر با 7/14 درصد و در سناریوی SSP585 4/8 درصد برآورد شد (جدول 5).

5-3. اثرات دی­اکسیدکربن

میزان اثر افزایش دی­اکسیدکربن در آینده بر عملکرد گندم در سناریوها و دوره­های زمانی آینده در شکل 4 نشان داده شده است. نتایج نشان داد که افزایش دی­اکسیدکربن منجر به افزایش عملکرد گندم در آینده خواهد شد؛ به‌طوری­که افزایش عملکرد ناشی از افزایش CO₂ بسته به سال و سناریو نسبت به سال پایه از 6/2 تا 8/27 درصد متغیر خواهد بود (شکل 4). با­توجه­به اینکه افزایش غلظت CO₂ سرعت فتوسنتز را تحریک می‌‌کند و باعث افزایش عملکرد زیستی و اقتصادی محصولات می‌‌شود
 (De Costa et al., 2006; Bannayan et al., 2010)، بنابراین افزایش عملکرد گندم با افزایش غلظت دی­اکسید­کربن قابل­انتظار بود. بیشترین افزایش عملکرد ناشی از افزایش CO₂ در سناریوی SSP585 در دوره زمانی 1479-1455 و کمترین آن در سناریوی SSP245 در دوره زمانی 1429-1405 خواهد بود (شکل 4). شیب افزایش عملکرد در سناریوی SSP585 به دلیل افزایش بیشتر غلظت دی­اکسید­کربن در این سناریو (جدول 1) نسبت به سناریو SSP245 در تمام دوره‏های زمانی آینده بیشتر بود (شکل 4).

شکل 4. شبیه‌سازی اثر دی­اکسید­کربن بر عملکرد گندم تحت دو سناریوی SSP245 و SSP585.

Figure 4. Simulation of CO₂ effect on wheat yield under two scenarios of SSP245 and SSP585.

3-6. اثر تغییر اقلیم

شبیه‌سازی اثر تغییر اقلیم بر عملکرد گندم در مناطق مختلف کشور نشان داد که تغییر اقلیم باعث کاهش عملکرد گندم در مقایسه با سال پایه در هر دو سناریوی مورد بررسی و در تمام دوره‏های زمانی خواهد شد که میزان این کاهش بسته به سناریو، منطقه و زمان متفاوت بوده و از سه تا 86 درصد متغیر خواهد بود (جدول 6). بیشترین اثر منفی تغییر اقلیم بر عملکرد گندم مربوط به شهر اهواز در سناریوی SSP585 و دوره زمانی سوم (1455-1479) با 86 درصد کاهش عملکرد نسبت به سال پایه و کمترین اثر تغییر اقلیم نیز مربوط به شهر اردبیل با کاهش سه درصدی عملکرد در سناریوی SSP245 و دوره زمانی اول (1405-1429) خواهد بود (جدول 6). به نظر می‌‌رسد با­توجه­به بالا بودن دما در منطقه اهواز، افزایش دما در اثر تغییر اقلیم سبب اثرات منفی بیشتری نسبت به سایر شهرها می‌‌شود. پژوهشگران دیگر نیز بیان کردند که اثرات منفی تغییر اقلیم در مناطق گرم­و­خشک بسیار شدید می‌‌باشد (Gregory et al., 2005). تغییر اقلیم سبب افزایش دما می‌‌شود و بر فرآیندهای فیزیولوژیکی مانند فتوسنتز و تنفس، سرعت توسعه و کارایی محصول برای تکمیل چرخه رشد آن تأثیر می‌گذارد (Yang & Zhang, 2006; Chartzoulakis & Psarras, 2005). مطالعات نشان می‌‌دهد این افزایش دما بر اثر تغییر اقلیم به دلیل کوتاه­شدن دوره پر شدن دانه باعث کاهش عملکرد دانه غلات می‌‌شود (Smith et al., 2013). افزایش دمای تا دو درجه سانتی‌گراد در آینده می‌‌تواند منجر به کاهش میانگین نه درصدی در عملکرد محصول شود (Jagermeyr et al., 2021). میانگین کاهش عملکرد گندم در اثر تغییر اقلیم در دوره‏های زمانی مختلف نشان داد که در هر دو سناریو با گذشت زمان اثر منفی تغییر اقلیم بیشتر می­شود که شیب این کاهش عملکرد در سناریوی SSP585 نسبت به سناریوی SSP245 تندتر بود (جدول 6). در سناریوی SSP245 با گذشت زمان میانگین کاهش عملکرد گندم نسبت به سال پایه از 5/10 درصد در دوره زمانی اول به 2/48 درصد در دوره زمانی سوم رسید که کاهش 7/37 درصدی را در فاصله دو دوره زمانی اول و سوم نشان داد؛ درصورتی­که در سناریوی SSP585 از 8/14 درصد در دوره اول به 8/75 درصد در دوره سوم رسیده و کاهش 61 درصدی را شامل شد. در مقایسه بین دو سناریو نیز سناریو SSP245 در مقایسه با سناریوی SSP585 اثر منفی کمتری بر میزان عملکرد گندم در مناطق مختلف کشور داشت، به­طوری­که میانگین کاهش عملکرد گندم در سناریوی SSP245 نسبت به سال پایه معادل 3/29 درصد و در سناریوی SSP585 برابر با 4/46 درصد شبیه‌سازی شد (جدول 6). بررسی‌ها نشان داد که سناریوی SSP585 نسبت به سناریوی SSP245 اثرات بیشتری برای اکثر مناطق بین این دو مدل CMIP دارد
(Huopo et al., 2020).

3-7. اثرات تلفیقی

شکل 5 اثرات تلفیقی تغییر اقلیم، دی­اکسید­کربن و پیشرفت فناوری بر عملکرد گندم مناطق مختلف کشور در سناریوها و دوره‏های زمانی مختلف را در مقایسه با سال پایه (خط نقطه­چین) نشان می­دهد. در مقایسه بین دو سناریو، سناریوی SSP245 در هر سه دوره زمانی و در تمام مناطق کشور اثرات کمتری بر عملکرد گندم نسبت به سال پایه در مقایسه با سناریوی SSP585 داشت. به­طور کلی اثرات تلفیقی کمترین تاثیر را در دوره زمانی اول و بیشترین تاثیر را در دوره زمانی سوم بر عملکرد گندم در مناطق مختلف داشت. در دوره زمانی اول (1405-1429) اثرات تلفیقی عوامل غیر از مناطق اصفهان، شیراز، قم، کرمان، مشهد، گرگان، ارومیه و یزد اثر مثبتی بر عملکرد گندم در اکثر مناطق کشور در مقایسه با سال پایه داشتند (شکل 5). مطالعات نشان می‌‌دهد عملکرد بسیاری از محصولات کشاورزی در گذشته روند افزایشی داشته است که بیشتر به دلیل پیشرفت فناوری (ازجمله ژنتیک ارقام، شیوه‏های مدیریت کشاورزی و ...) می‌‌باشد (Burchfield et al., 2020). با­این­حال، روند افزایش دما و رویدادهای شدید آب­و­هوایی در طول فصل رشد که ناشی از تغییرات آب­و­هوایی است، عملکرد محصول را در بسیاری از مناطق کاهش می‌‌دهد
(Guo et al., 2022).

برآیند اثرات افزایشی پیشرفت فناوری و تاثیرات تغییر اقلیم ممکن است برای مناطق و محصولات مختلف متفاوت باشد و پیشرفت فناوری می‌‌تواند اثرات منفی تغییر اقلیم را جبران و یا حتی در نهایت باعث افزایش بیشتری نیز شود. نتایج مطالعه بررسی اثرات تلفیقی افزایش CO₂ و پیشرفت فناوری در شرایط تغییر اقلیم آینده بر عملکرد گندم، نشان داد که پیشرفت فناوری عامل مؤثر بر افزایش عملکرد گندم در آینده خواهد بود که اثرات منفی تغییرات اقلیمی بر عملکرد گندم را تعدیل می‌‌کند
(Ewert et al., 2005). با گذشت زمان و در دوره زمانی دوم (1430-1454) برخلاف دوره زمانی اول، در اکثر مناطق اثرات تلفیقی عوامل منجر به کاهش عملکرد گندم در مقایسه با سال پایه شد و فقط برخی از مناطق از جمله اردبیل، ایلام، تهران، زنجان، ساری، شهرکرد، کرج، و همدان در سناریوی SSP245 کاهش عملکرد نداشتند. در دوره زمانی سوم (1455-1479) اثرات تلفیقی در مقایسه با سال پایه در تمام مناطق کشور اثر منفی و کاهشی بر عملکرد گندم نشان دادند که در این میان بیشترین اثر منفی در منطقه اهواز در سناریوی SSP585 با کاهش 57 درصدی عملکرد نسبت به سال پایه و کمترین اثر منفی در منطقه اردبیل در سناریوی SSP245 با کاهش هشت درصدی عملکرد نسبت به سال پایه مشاهده شد (شکل 5). بعد از اردبیل مناطق زنجان، همدان، خرم­آباد و شهرکرد در سناریوی SSP245 با کاهش 14، 18، 19 و 19 درصدی عملکرد در مقایسه با سال پایه در رتبه‏های بعدی قرار داشتند. از طرف دیگر، مناطق بوشهر (55 درصد کاهش عملکرد نسبت به سال پایه)، کرمان و کرمانشاه (53 درصد کاهش عملکرد نسبت به سال پایه)، اصفهان، قم و یاسوج (52 درصد کاهش عملکرد نسبت به سال پایه) در سناریوی SSP585 تحت­تاثیر اثرات تلفیقی عوامل بیشترین کاهش عملکرد را نشان دادند (شکل 5).

در مطالعه بررسی شبیه‌سازی عملکرد محصولات زراعی در آینده تحت شرایط تغییر اقلیم و پیشرفت فناوری در برزیل، نتایج شبیه‌سازی‌ رشد گیاهان نشان داد که عملکرد سویا تقریباً بدون تغییر باقی می‌ماند، در­حالی­که عملکرد ذرت و پنبه بین سال‌های 2019-2015 و 2040-2035 به­ترتیب 28 درصد و 17 درصد کاهش می‌یابد. این کاهش در عملکرد به کاهش بارندگی و دماهای بالاتر در آینده ارتباط دارد. همچنین برآورد روند فناوری نشان داد که پیشرفت فناوری احتمالاً با افزایش عملکرد سویا به میزان 40 درصد و عملکرد ذرت و پنبه تا 68 درصد، اثرات منفی تغییر اقلیم را جبران می‌‌کند (Hampf et al., 2020). با­توجه­به نتایج به نظر می­رسد پیشرفت فناوری و دی­اکسید­کربن در دوره‏های زمانی اول و دوم پتانسیل جبران اثرات منفی تغییر اقلیم را به­ویژه در مناطق سردسیر کشور داشته و حتی در دوره زمانی اول منجر به افزایش عملکرد گندم در مقایسه با سال پایه شده است؛ درصورتی‌که با گذشت زمان و در دوره زمانی سوم اثرات منفی تغییر اقلیم تشدید پیدا کرده و بر اثرات مثبت فناوری و دی­اکسید­کربن غالب گشته و منجر به کاهش عملکرد گندم مخصوصاً در مناطق گرم­و­خشک خواهد شد.

4. نتیجه‌گیری

این مطالعه نشان داد که استان‌های اهواز، بوشهر، کرمان، قم، کرمانشاه، اصفهان و یاسوج پرمخاطره‌ترین استان‌های کشور در رویارویی با اثرات منفی تغییر اقلیم خواهند بود و به نظر می‌رسد پیشرفت فناوری‌ها در آینده می­تواند تا حدودی اثرات منفی تغییر اقلیم را تعدیل کند. نکته­ای که بایستی مورد توجه قرار گیرد این است که با گذشت زمان اثرات منفی تغییر اقلیم به‌ویژه در سناریوی SSP585 تشدید شده و اثرات مثبت توسعه فناوری، پتانسیل جبران اثرات منفی تغییر اقلیم را نخواهد داشت که این امر منجر به کاهش عملکرد گندم خواهد شد. به­عبارت دیگر در دوره‌های زمانی دوم و سوم، اثرات منفی تغییر اقلیم بر اثرات مثبت فناوری غالب شده و در نهایت منجر به کاهش عملکرد گندم خواهد شد؛ بنابراین جلوگیری از کاهش عملکرد گندم در آینده نیازمند این خواهد بود که توسعه و استفاده از فناوری­های نوین در آینده نسبت به گذشته با سرعت بیشتری افزایش یابد. به­طور کلی، از جمله رویکردهای مهم مقابله با کاهش عملکرد گندم در آینده می­توان به سیاست­گذاری کلان بین‌المللی و منطقه‌ای در جهت کاهش انتشار گازهای گلخانه­ای و حرکت در مسیر سناریوهای زیست­محیطی تغییر اقلیم، استفاده و توسعه فناوری­های مدرن در مزارع، تغییر مدیریت زراعی بسته به شرایط تغییر اقلیم و همچنین استفاده از ارقام مقاوم به خشکی و گرما به­ویژه در مناطق گرمسیری و خشک کشور اشاره کرد که در مطالعات بایستی مورد بررسی قرار گیرد.

5. منابع

Abbasi Ali Kemer, R., Nasiri Mahalati, M., & Kochaki, A. (2019). Investigating the trend of temperature changes and its effects on the length of the grain filling period and the yield potential of wheat (Triticum aestivum L.) in different regions of Iran during a 20-year period (1371-91). Journal of Agricultural Ecology, 12(2), 319-343. (In Persian).

Abraham, S., & Dollison, M. (2019). Climate change, agriculture, and adaptations: Policy recommendations for conservation agriculture. Climate and Society, 1(1), 1-16.

Ahmadi, M., Lashkari, H., Keykhosravi, G., & Azadi, M. (2015). Analysis of temperature extreme indicators. In detecting climate change in large Khorasan. Journal of Geography, 13(45), 53-75. (In Persian).

Aiyong, Q.I., Xing, L.I., Lingzhi, S.H.I., Daqun, L.I.U., & Zaifeng, L.I. (2015). Identification of a leaf rust resistance gene in the Chinese wheat line LB0288. Czech Journal of Genetics and Plant Breeding, 51(2), 43-49.

Amthor, J.S. (2001). Effects of atmospheric CO₂ concentration on wheat yield: Review of results from experiments using various approaches to control CO₂ concentration. Field Crops Research, 73, 1-34.

Bannayan, M., Mohamadian, A., & Alizadeh, A. (2010). On climate variability in North-East of Iran. Journal of Water and Soil, 24(1), 118-131.

Bannayan, M., Kobayashi, K., Kim, H.Y., Liffering, M., Okada, M., & Miura, S. (2005). Modelling the interactive effects of CO₂ and N on rice production performance. Field Crops Research, 14, 237-251.

Bannayan, M., Mansoori, H., & Eyshi Rezaei, E. (2014). Estimating climate change, CO₂ and technology development effects on wheat yield in Northeast Iran. International Journal of Biometeorology, 58, 395-405.

Benlloch-Gonzalez, M., Bochicchio, R., & Berger, J. (2014). High temperature reduces the positive effect of elevated CO₂ on wheat root system growth. Field Crops Research, 165, 71-79.

Burchfield, E., Matthews-Pennanen, N., Schoof, J., & Lant, Ch. (2020). Changing yields in the Central United States under climate and technological change. Climatic Change, 159, 329–346.

Chartzoulakis, K., & Psarras, G. (2005). Global change effects on crop photosynthesis and production in Mediterranean: the case of Crete, Greece. Agriculture, Ecosystems & Environment, 106, 147-157.

De Costa, W., Weerakoon, W., Herath, H., Amaratunga, K., & Abeywardena, R. (2006). Physiology of yield determination of rice under elevated carbon dioxide at high temperatures in a subhumid tropical climate. Field Crops Researchs, 96, 336–347.

Ewert, F., Rounsevell, M.D.A., Reginster, I., Metzger, M.J., & Leemans, R. (2005). Future scenarios of European agricultural land use I. Estimating changes in crop productivity. Agriculture, Ecosystems & Environment, 107, 101-116.

Eyring, V., Bony, S., Meehl, G.A., Senior, C.A., Stevens, B., Stouffer, R.J., & Taylor, K.E. (2016). Overview of the Coupled Model Intercomparison Project Phase 6 (CMIP6) experimental design and organization. Geoscientific Model Development, 9(LLNL-JRNL-736881).

Gregory, P.J., Ingram, J.S.I., & Brklacich, M. (2005). Climate change and food security. Philosophical Transactions of the Royal Society, 360, 2139–2148.

Guntukula, R., Goyari, P. (2020). Climate change effects on the crop yield and its variability in Telangana, India. Studies in Microeconomics, 8(1), 119–148.

Guo, S., Erjing, G., Zhentao, Z., Meiqi, D., Xi, W., Zhenzhen, F., Kaixin, G., Wenmeng, Z., Wenjing, Z., Jin, Z., Zhijuan, L., Chuang, Z., & Xiaoguang, Y. (2022). Impacts of mean climate and extreme climate indices on soybean yield and yield components in Northeast China. Science of the Total Environment, 838(3), 156284.

Hampf, A.C., Stella, T., Berg-Mohnicke, M., Kawohl, T., Kawohl, T., Kilian, M., & Nendel, C. (2020). Future yields of double-cropping systems in the Southern Amazon, Brazil, under climate change and technological development. Agricultural Systems, 177, 102707.

Hoogenboom, G., Porter, C.H., Shelia, V., Boote, K.J., Singh, U., White, J.W., Hunt, L.A., Ogoshi, R., Lizaso, J.I., Koo, J., Asseng, S., Singels, A., Moreno, L.P., & Jones, J.W. (2017). Decision Support System for Agrotechnology Transfer (DSSAT) Version 4.7 (https://DSSAT.net). DSSAT Foundation, Gainesville, Florida, USA.

Huang, Y., Yu, Y., Zhang, W., Sun, W., Liu, S., Jiang, J., Wu, J., Yu, W., & Yang, Z. (2009). Agro-C: A biogeophysical model for simulating the carbon budget of agroecosystems. Agricultural and Forest Meteorology, 149, 106-129.

Huopo, C., Jianqi, S., Wenqing, L., & Huiwen, X. (2020). Comparison of CMIP6 and CMIP5 models in simulating climate extremes. Science Bulletin, 65(17-15), 1415-1418.

IPCC, 2023: Climate Change (2023). Synthesis Report. Contribution of Working Groups I, II and III to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change [Core Writing Team, H. Lee and J. Romero (eds.)]. IPCC, Geneva, Switzerland, 184 pp. DOI: 10.59327/IPCC/AR6-9789291691647.

Jagermeyr, J., Muller, C., Ruane, A.C., Elliott, J., Balkovic, J., & Castillo, O. (2021). Climate impacts on global agriculture emerge earlier in new generation of climate and crop models. Nature Food, 2(11), 873–885.

Koocheki, A., Nassiri Mahallati , M., Mansouri, H., & Moradi., R. (2017). Effect of climate and management factors on potential and gap of wheat yield in Iran with using WOFOST model. Iranian Journal of Field Crops Research, 15(2), 244-256. (In Persian).

Koocheki, A., Nassiri Mahallati, M., Soltani, A., Sharifi, H.R., Kamali, G., & Rezvani Moghaddam, P. (2003). Simulating Iran's climate changes under conditions of doubling CO₂ by general circulation models. Desert, 8(2), 178-191.

Mansouri, H., Noshad, H., & Hassani, M. (2021). Optimization of nitrogen fertilizer and water consumption in sugar beet by using response-surface method. Journal of Agroecology, 13(1), 57-72. (In Persian).

Mansouri, H., Raei, Y., & Zaeim, A.N. (2015). Simulating future wheat yield under climate change, carbon dioxide enrichment and technology improvement in Iran. Case study: Azarbaijan region. Spanish Journal of Agricultural Research, 13(4), 10.

Meinshausen, M., Nicholls, Z.R., Lewis, J., Gidden, M.J., Vogel, E., Freund, M., Beyerle, U., Gessner, C., Nauels, A., Bauer, N., & Canadell, J.G., (2020). The shared socio-economic pathway (SSP) greenhouse gas concentrations and their extensions to 2500. Geoscientific Model Development, 13(8), 3571-3605.

Momeni, S., & Zibaei, M. (2013). The potential impacts of climate change on the agricultural sector of Fars province. Journal of Agricultural Economics and Development, 27(3), 18. (In Persian).

Momtazi, F., & Emam Y. (2006). The effect of planting date and plant density on yield and yield components of winter wheat, Shiraz cultivar. Iranian Journal of Agricultural Sciences, 37(1), 1-11. (In Persian).

Nassiri, M., & Koocheki A.R. (2010). Agroecological zoning of wheat in Khorasan provinces: Estimating yield potential and yield gap. Iranian Journal Field Crops Research, 7, 695-709. (In Persian).

NOAA. (2024). NOAA global monitoring laboratory: Trends in atmospheric carbon dioxide', NOAA global monitoring laboratory: Trends in atmospheric carbon dioxide. ( https://gml.noaa.gov/ccgg/trends/global.html ).

Parry, M.L., Rosenzweig, C., Iglesias, A., Livermore, M., & Fischer, G., (2004). Effects of climate change on global food production under SRES emissions and socio-economic scenarios. Global Environmental Change, 14, 53–67.

Rahman, M.H., Ahmad, A., Wang, X., Wajid, A., Nasim, W., Hussain, M., Ahmad, B., Ahmad, I., Ali, Z., & Ishaque, W. (2018). Multi-model projections of future climate and climate change impacts uncertainty assessment for cotton production in Pakistan. Agricultural and Forest Meteorology, 253–254, 94–113.

Raza, A., Razzaq, A., Saher Mahmood, S., Zou, X., Zhang, X., Lv, Y., & Xu, J. (2019). Impact of climate change on crops adaptation and strategies to tackle its outcome: A review. Plant, 8(34), 1-29.

Rinaldi, M., Losavio, N., & Flagella. Z. (2003). Evaluation of OIL CROP-SUN model for sun flower in Southern Italy. Agricultural Systems, 78, 17-30.

Ritchie, J.T., Singh, U., Godwin, D., & Bowen, W.T. (1998). Cereal growth, development, and yield. In: G.Y. Tsuji, G. Hoogenboom, and P.K. Thornton (Eds.), Understanding Options for Agricultural Production. The Netherlands: Kluwer Academic, Dordrecht, pp. 79-98.

Shayanmehr, S., Rastegari Henneberry, S., Sabouhi Sabouni, M., & Shahnoushi Foroushani, N. (2020) Drought, climate change, and dryland wheat yield response: An econometric approach. International Journal of Environmental Research and Public Health, 17(14), 5264.

Smith, W., Grant, B., Desjardins, R., Kroebel, R., Li, C., Qian, B., Worth, D., McConkey, B., & Drury, C. (2013). Assessing the effects of climate change on crop production and GHG emissions in Canada. Agriculture, Ecosystems & Environment, 179, 139–150.

Yang, Ch., Ferga, H., Van Leperen, W., Trindade, H., & Santos, J.A. (2019). Effects of climate change and adaptation options on winter wheat yield under rainfed Mediterranean conditions in southern Portugal. Climatic Change, 154, 159-178.

Yang, J.C., & Zhang, J.H. (2006). Grain filling of cereals under soil drying. New Phytologist, 169, 223-236.

Yoon, S.T., Hoogenboom, G., & Bannayan, M. (2009). Growth and development of cotton (Gossypium hirsutum L.) in response to CO₂ enrichment under two different temperature regimes. Environmental and Experimental Botany, 67(1), 178-187.

1. Coupled Model Intercomparison Project phase 6
2. World Climate Research Programme
3. Working Group on Coupled Modelling
4. Statistical Downscaling model
5. Decision Support System for Agrotechnology Transfer
6. Normalized Root Mean Square Error
7. 7. Model Efficiency
8. 8. Decomposition method