ﺷﺒﯿﻪﺳﺎزی تأثیر مدیریت آب مصرفی در مراحل مختلف رﺷﺪ بر ﻋﻤﻠﮑﺮد دو رقم بادام‌زمینی با استفاده از مدل WOFOST
محورهای موضوعی : مدیریت آب در مزرعه با هدف بهبود شاخص های مدیریتی آبیاری
1 - بخش تحقیقات مدیریت آب در مزرعه، موسسه تحقیقات خاک و آب، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران.
کلید واژه: مدلسازی گیاهی, تبخیر-تعرق, بهره‌وری مصرف آب, تنش آبی,
چکیده مقاله :
زمینه و هدف: یکی از مهم ترین عوامل محدود کننده تولید محصول بادام زمینی، تنش و کمبود آب در مراحل رشد گیاه است. از این رو مدل‌های شبیه‌سازی محصول می‌تواند برای پیش‌بینی عملکرد و تأثیر تنش آبی بر رشد و نمو گیاه مفید باشند. در این مطالعه، از مدل WOFOST برای شبیه‌سازی عملکرد زیست توده، عملکرد دانه و بهره وری مصرف آب در بادام زمینی استفاده شد. با توجه به این که پژوهش-های زیادی در خصوص استفاده از مدل در گیاه بادام زمینی در کشور گزارش نشده است، لذا هدف از این پژوهش، ارزیابی توانایی مدل مذکور در شبیه سازی عملکرد دو رقم بادام زمینی در شرایط آبیاری در مراحل مختلف رشد در منطقه آستانه اشرفیه بود.روش پژوهش: این آزمایش به صورت کرت های خرد شده و در قالب طرح بلوک های کامل تصادفی در سه تکرار انجام شد. فاکتور اصلی شامل آبیاری تا آغاز زمان گلدهی (I1)، آبیاری تا آغاز زمان غلاف دهی (I2) و آبیاری کامل (I3) و فاکتور فرعی شامل دو رقم بادام زمینی جنوبی (C1) و گیل (C2) بود. برای شبیه سازی عملکرد بادام زمینی، از مدل WOFOST نسخه 7.1.3 استفاده شد. در این مدل، شبیه سازی رشد گیاه بر مبنای چرخه کربن بوده که رشد گیاه را در سه وضعیت عدم وجود عامل محدود کننده، محدودیت آب و محدودیت مواد غذایی شبیه سازی می نماید.یافته ها: ارزیابی مدل نشان داد که ریشه میانگین مربعات بین مقادیر مشاهده شده و شبیه سازی شده در برآورد میزان عملکرد زیست توده برای رقم جنوبی و گیل در سال 1396 به ترتیب 554/0 و 501/0 درصد، برای سال 1397 به ترتیب 872/0 و 897/0 درصد و در سال 1398 به ترتیب 449/0 و 466/0 درصد بود. ریشه میانگین مربعات بین مقادیر مشاهده شده و شبیه سازی شده در برآورد میزان عملکرد دانه برای رقم جنوبی و گیل در سال 1396 به ترتیب 052/0 و 065/0 درصد، در سال 1397 به ترتیب 132/0 و 131/0 درصد و در سال 1398 به ترتیب 101/0 و 096/0 درصد بود. مقادیر میانگین خطای نسبی بین مقادیر مشاهده شده و شبیه سازی شده در سال های 1396، 1397 و 1398 برای عملکرد زیست توده به ترتیب 2/10، 1/18 و 7/7 درصد و برای عملکرد دانه به ترتیب 35/4، 4/6 و 5/4- درصد و شاخص ضریب کارایی بین 442/0 تا 960/0 متغیر بود.نتایج: ﺑﺮرﺳﯽ ﻣﻘﺎدﯾﺮ ﺷﺒﯿﻪﺳﺎزی و ﻣﺸﺎﻫﺪه ای بر عملکرد زیست توده و عملکرد دانه ﻧﺸﺎن داد ﮐﻪ شاخص های ریشه میانگین مربعات خطای نسبی و متوسط میزان خطای نسبی و سایر آزﻣﻮنﻫﺎی آماری در ﻣﺤﺪوده ﻗﺎﺑﻞ ﻗﺒﻮﻟﯽ بود و ﻣﺪل WOFOST، ﻋﮑﺲاﻟﻌﻤﻞ دو رقم بادام زمینی را در ﺗﯿﻤﺎرﻫﺎی مختلف آبیاری به‌خوبی ﺷﺒﯿﻪﺳﺎزی نمود.
Background and Aim: One of the most important factors limiting peanut production is water stress and shortage in plant growth stages. Therefore, crop simulation models can be useful for predicting yield and assessing the effect of water stress on plant growth and development. In this study, the WOFOST model was used to simulate biomass yield, seed yield and water use productivity in peanut. As the peanut modeling research has not been well-addressed in Iran, thus, the purpose of this study is to evaluate the ability of WOFOST model to simulate the yield of two peanut cultivars under irrigation conditions at different growth stages in Astaneh Ashrafiyeh region.Method: This experiment was performed in the form of split plots in a randomized complete block design with three iterations. The main treatment included irrigation until the beginning of flowering time (I1), irrigation until the beginning of pod time (I2) and full irrigation (I3), and the sub-treatment included two cultivars of Jonobi peanut (C1) and Guil (C2). The WOFOST version 7.1.3 model was employed. In this model, crop growth simulation is based on carbon cycle, which models crop growth in three situations: absence of limiting factor, water limitation, and nutrient limitation.Results: Model evaluation showed that the root mean square between the observed and simulated values in estimating biomass yield for Jonobi and Guil cultivars in 2017 were 0.554 and 0.501%, in 2018 were 0.872 and 0.897%, and in 2019 were 0.449 and 0.466%, respectively. The root of the mean squares between the observed and simulated values in estimating seed yield for Jonobi and Guil cultivars in 2017 were 0.052 and 0.065%, in 2018 were 0.132 and 0.131%, and in 2019 were 0.101 and 0.096%, respectively. The mean values of relative error between the observed and simulated values in 2017, 2018 and 2019 for biomass yield were 10.2, 18.1, and 7.7%, and for seed yield were 4.35, 6.4 and, -4.5%, respectively; also the efficiency coefficient index ranged from 0.442 to 0.960.Conclusion: Evaluation of simulated and observed values on biomass yield and seed yield demonstrate that RMSE, RMSEn and other statistical indexes were acceptable and the WOFOST model simulated two peanut cultivars accurately in different irrigation treatments.
Abdzad Gohari, A. & Sadeghipour, A. (2019). Weed management in Peanut fields. Andishmandan Pars Publications, 62 p. [in Persian]
Abdzad Gohari, A. (2021a). Investigations of yield, production function and water productivity of two Peanut cultivars under conditions deficit irrigation in different irrigation methods. Iranian Journal of Irrigation and Drainage, 467-482. [in Persian]
Abdzad Gohari, A. (2021b). Investigation of the effect of deficit irrigation and two irrigation methods on yield and yield components of two Peanut cultivars. Journal of Water Research in Agriculture (Soil and Water Science), 35(1), 61-73. [in Persian]
Abdzad Gohari, A., Tafteh, A., Ebrahimipak, N., & Babazadeh, H. (2022). Estimation of Stress Coefficients, Plant Coefficients and Yield Response to Water in Peanut under Different Levels Irrigation. Iranian Journal of Soil and Water Research, 52 (11), 2763-2774. [in Persian]
Arunyanark, A., Jogloy, S., Akkasaeng, C., Vorasoot, N., Nageswara Rao, R.C., Wright, G.C. & Patanothai, A. (2009). Association between aflatoxin contamination and drought tolerance traits in peanut. Field Crops Research, 114, 14-22.
Arya, S. S., Salve, A. R., & Chauhan, S. (2015). Peanuts as Functional Food: A Review. Journal of Food Science and Technology, 53, 31-41.
Babazadeh, H., Abdzad Gohari, A., & Khonok, A. (2018). Effect of Different Amounts of Water and Nitrogen fertilizer on Peanut Yield and Its Components. Journal of Water Research in Agriculture, 31 (4), 571-584. [in Persian]
Boogaard, H.L., Diepen, C. A., Van Rotter, R. P., Cabrera, J. M.C.A., & Van Laar, H.H. (1998). User's guide for the WOFOST 7.1 crop growth simulation model and WOFOST Control Center 1.5. Technical document 52, DLO Winand Staring Centre, Wageningen, Netherland.
Bouman, B.A.M., Van Keulen, H.H., Van Laar, H., & Rabbinge, R. (1996). The school of de Wit crop growth simulation models: A pedigree and historical overview. Agricultural Systems, 52, 171-198.
Dong, Y.J., Chen, W.F., Zhuge, Y.P., Song, Y.L., Hu, G.Q., Wan, Y.S., Liu, F.Z., & Li, X. (2018). Effect of application of exogenous nitric oxide at different critical growth stages in alleviating Fe deficiency chlorosis of peanut growing in calcareous soil. Journal of Plant Nutrition, 47, 867-887.
Han, L.Z., Liu, C., & Zhou, J. (2019). Effects of inoculation with growth-promoting bacteria on peanut rhizosphere soil microorganism and nutrient elements. In: Genom. Applied Biology, 38, 3065-3073.
Jamieson, P.D., Porter, J.R., & Wilson, D.R. (1991). A test of the computer simulation model ARCWHEAT on wheat crops grown in New Zealand. Field Crops Research, 27, 337-350.
Nataraj, K.C., Babu, M.V., Narayanaswamy, G., Bhargavi, K., Reddy, B.S., Rao, C.S. (2016). Nutrient management strategies in groundnut-based crop production systems in dry-land regions of southern Andhra Pradesh. Indian Journal of Fertiliser, 16 (10), 58-75.
Pimratch S, Jogloy S, Vorasoot N, Toomsan B, Patanothai A, Holbrook CC. (2008). Relationship between biomass production and nitrogen fixation under drought-stress conditions in peanut genotypes with different levels of drought resistance. Journal of Agronomy and Crop Science, 194, 15-25.
Qin, F.F., & Ci, D.W., (2017). Previous drought alters physiological responses to subsequent drought stress in peanut seedlings. Acta Ecologica Sinica, 37 (24), 8486–8498.
Rabbinge, R. & Van Latesteijn, H.C. (1992). Long-term options for land use in the European Community. Agricultural Systems, 40,195-210.
Reddy, T.Y., Reddy, V.R., & Anbumozhi, V. (2003). Physiological responses of groundnut (Arachis hypogea L) to drought stress and its amelioration: a critical review. Plant Growth Regulation, 41:75-88.
Rotter, R., Van Keulen, H., & Jansen, M.J.W. (1997). Variations in yield response to fertilizer application in the tropics: I. quantifying risks for small holders based on crop growth simulation. Agricultural Systems, 53, 41-68.
Shi cheng, Z. JiLong, L. Xin-Peng, X. Xiao-Mao, L. Moro, L., Shao-Jun, R. Ignacio, Q., & Ping, H.E. (2021). Peanut Yield, Nutrient Uptake and Nutrient Requirements in Different Regions of China. Journal of Integrative Agriculture. 20(9), 2502-2511.
Singh, A. K., Tripathy, R., & Chopra, U.K. (2008). Evaluation of CERES Wheat and Crop System models for water-nitrogen interactions in wheat crop. Agricultural Water Management, 95, 776-786.
Thangthong, N., Sanun Jogloy., S. Punjansing, T. Craig, K. Kesmala, T. & Vorasoot, N. (2019). Changes in Root Anatomy of Peanut (Arachis hypogaea L.) under Different Durations of Early Season Drought. Agronomy, 9(215), 1-18.
Tojo Soler, CM., Suleiman, A., Anothai, J., Flitcroft, I., & Hoogenboom, G. (2013). Scheduling irrigation with a dynamic crop growth model and determining the relation between simulated drought stress and yield for Peanut. Irrigation Science, 31, 889-901.
Van Ittersum, M.K., Leffelaar, P.A., Van Keulen, H., Kropff, M.J., Bastiaans, L., & Goudriaan, J. (2003). On approaches and applications of the Wageningen crop models. Eurpean Journal Agronomy, 18, 201-234.
Van Keulen, H., & Van Diepen, C.A. (1990). Crop growth models and agroecological characterization. In: Scaife, A. (ed.): Proceedings of the first congress of the European Society of Agronomy, 5-7 December 1990, Paris. CEC, ESA, INRA. 2, 1-16.
Walpole, R.E., Myers, R.M. & Myers, S.L. (1998). Probability and Statistics for Engineers and Scientists. (6th ed) New Jersey, Prentice Hall International, 823 pp.
Willmott, C.J. (1982). Some comments on the evaluation of model performance. Bulletin of American Meteorology Society, 63, 1309-1313.
Wolf, J., & Van Diepen, C.A. (1994). Effects of climate change on silage maize production potential in the European Community. Agric. Forest Meteorol. 71(12), 33-60.
Yang, J.M., Yang, J.Y., Liu, S., & Hoogenboom, G. (2014). An evaluation of the statistical methods for testing the performance of crop models with observed data. Agricultural Systems, 127, 81-89.
Zhang, J., Wang, Q., Xia, G., Wu, Q., & Chi., D. (2021). Continuous regulated deficit irrigation enhances peanut water use efficiency and drought resistance. Agricultural Water Management. 255, 106997.
Zhao, Y.J., Liu, J.L., Zhang, Y.B., Liu, S., & Sun., H.J. (2019). The response of spring peanut to nitrogen, phosphorus and potassium in Eastern Hebei Province. Acta Agriculturae. Boreali Sinica, 34, 192-198.
_||_