مستندسازی فرآیند تولید و برآورد خلاء عملکرد برنج با استفاده از روش تحلیل مقایسه کارکرد (CPA) در منطقه ساری

الموضوعات : پژوهش های به زراعی

روژین شیخی ¹ , هرمز فلاح ² , یوسف نیک نژاد ³ , سلمان دستان ⁴ , داوود براری تاری ⁵

1 - گروه زراعت، واحد آیت الله آملی، دانشگاه آزاد اسلامی، آمل، ایران
2 - گروه زراعت، واحد آیت الله آملی، دانشگاه آزاد اسلامی، آمل، ایران
3 - گروه زراعت، واحد آیت الله آملی، دانشگاه آزاد اسلامی، آمل، ایران
4 - پژوهشگر، پژوهشگاه بیوتکنولوژی کشاورزی ایران، کرج
5 - گروه زراعت، واحد آیت الله آملی، دانشگاه آزاد اسلامی، آمل، ایران

تاريخ الإرسال : 12 الخميس , شوال, 1446 تاريخ التأكيد : 16 الخميس , ذو الحجة, 1446 تاريخ الإصدار : 25 السبت , ذو الحجة, 1446

الکلمات المفتاحية: برنج, پتانسیل عملکرد, رگرسیون گام به گام, عملکرد واقعی, مدیریت مزرعه ,

ملخص المقالة :

مستندسازي فرآیند تولید در کشاورزي شامل تهیه کلیه اطلاعات و فعالیت‌هایی است که سیر تولید یک محصول زراعی را از مرحله تهیه بستر بذر تا برداشت نشان می‌دهد. اولین قدم برای کاهش خلاء عملکرد، مشخص کردن متغیرهای مهم محدودکننده عملکرد است. لذا هدف از مطالعه حاضر مستندسازی فرآیند تولید و برآورد خلاء عملکرد ارقام محلی برنج با استفاده از روش تحلیل مقایسه کارکرد (CPA) بود. در این پژوهش کلیه عملیات‌ مدیریتی انجام شده از مرحله تهیه بستر بذر تا برداشت برای ارقام محلی برنج از طریق مطالعات میدانی در منطقه ساری در 100 مزرعه شالیزاری واقع در استان مازندران طی سال‌های 1395 و 1396 با استفاده از پرسشنامه ثبت شد. جهت تعیین مدل عملکرد (تولید)، رابطه بین تمامی متغیرها و عملکرد شلتوک از طریق رگرسیون گام به گام بررسی شد. خلاء عملکرد نیز از تفاضل عملکرد پتانسیل و عملکرد واقعی به‌دست آمد. نتایج نشان داد که از حدود 155 متغیر مورد بررسی، مدل نهایی با هشت متغیر مستقل انتخاب شد. متوسط عملکرد واقعی ثبت شده برابر 4221 کیلوگرم در هکتار بود. در معادله تولید، متوسط و حداکثر عملکرد به‌ترتیب 4437 و 6690 کیلوگرم در هکتار تخمین زده شد که کل خلاء عملکرد تخمین زده شده برابر 2253 کیلوگرم در هکتار بود. سهم متغیرهای سن گیاهچه، تاریخ نشاکاری، تعداد نشا در کپه و برداشت توسط کمباین به ‌ترتیب برابر 104، 224، 534 و 24 کیلوگرم در هکتار سهمی، معادل 5، 10، 24 و 1 درصد از کل خلاء عملکرد را شامل شدند. همچنین، متغیرهای تناوب زراعی، مصرف کود پتاسیم و کود نیتروژن بعد از گلدهی و تعداد دفعات استفاده از کود به صورت سرک به ‌ترتیب با 262، 408، 405 و 292 کیلوگرم در هکتار خلاء عملکرد سهمی معادل 12، 18، 18 و 13 درصد از کل را نشان دادند. بنابراین، بر اساس برازش رابطه بین عملکرد مشاهده شده و عملکرد پیش‌بینی شده می‌توان بیان کرد که دقت مدل رگرسیونی گام ‌به گام (R2=61) مناسب بوده و می‌تواند برای برآورد میزان خلاء عملکرد و تعیین سهم هر یک از متغیرهای محدود‌ کننده عملکرد به‌کار گرفته شود. اگرچه هدف از این پژوهش برآورد میزان خلاء عملکرد برنج در منطقه ساری بوده است و دلایل به‌وجود آمدن این میزان خلاء عملکرد نیازمند بررسی و مطالعه بیشتر است، اما محتمل‌ترین راه‌کار که می‌تواند منجر به افزایش عملکرد و کاهش خلاء عملکرد شود، بهبود مدیریت زراعی در مزارع کشاورزان است.

المصادر:

آمارنامه کشاورزی. 1395. وزارت جهاد کشاورزی، معاونت برنامه‌ریزی و اقتصادی، مرکز فناوری اطلاعات و ارتباطات. جلد اول: محصولات زراعی، 163 صفحه.
ترابی، ب.، ا. سلطانی، س. گالشی، ا. زینلی، و م. کاظمی‌کرگهی. 1392. اولویت‌بندی عوامل ایجاد کننده خلاء عملکرد گندم در منطقه گرگان. مجله تولید گیاهان زراعی، 6 (1): 171-189.
حق‌شناس، ح.، ا. سلطانی، ع. قنبری، ح. عجم نوروزی، و س. دستان. 1397. شناسایی صفات زراعی مؤثر بر عملکرد ارقام بومی برنج با استفاده از مدل‌هاي رگرسیون چندگانه. مجله کشاورزی بوم‌شناختی، 8 (2): 13-28.
حلالخور، س.، س. دستان، ا. سلطانی، و ح. عجم نوروزی. 1397. مستندسازی فرآیند تولید و برآورد خلأ عملکرد مرتبط با مدیریت زراعی ارقام بومی برنج (مطالعه موردی: استان مازندران- منطقه بابل). مجله به‌زراعی کشاورزی، 20 (2): 397-414.
گرجی‌زاد، ا.، س. دستان، ا. سلطانی، و ح. عجم نوروزی. 1398. مستندسازی فرآیند تولید و تحلیل عوامل محدودکننده عملکرد ارقام اصلاح‌شده برنج (Oryza sativa L.) به روش CPA در منطقه نکا. مجله بوم شناسی کشاورزی، 11 (1): 277-294.

Beza, E., J. Vasco Silva, L. Kooistra, and P. Reidsma. 2017. Review of yield gap explaining factors and opportunities for alternative data collection approaches. Eur. J. Agron, 82: 206-222.

De Bie, C.A.J.M. 2000. Yield gap studies through comparative performance analysis of agro-ecosystems. International Institute for Aerospace and Earth Science (ITC), Enschede. The Netherlands, 234 p.
Delmotte, S., P. Tittonell, J.C. Moureta, R. Hammonda, and S. Lopez-Ridaura. 2011. On farm assessment of rice yield variability and productivity gaps between organic and conventional cropping systems under Mediterranean climate. Eur. J. Agron, 35: 223-236.

Espe, M.B., H. Yang, K.G. Cassman, N. Guilpart, H. Sharifi, and B.A. Linquist. 2016a. Estimating yield potential in temperate high-yielding, direct-seeded US rice production systems. Field Crops Res, 193: 123-132.

Espe, M.B., K.G. Cassman, H. Yang, N. Guilpart, P. Grassini, J. Van Wart, M. Anders, D. Beighley, D. Harrell, S. Linscombe, K. McKenzie, R. Mutters, L.T. Wilson, and B.A. Linquist. 2016b. Yield gap analysis of US rice production systems shows opportunities for improvement Matthew. Field Crops Res, 196: 276-283.

FAO. 2016. Faostat-Trade/Crops and livestock products, available in http://faostat3.fao.org/browse/T/TP/E [15 April 2016].

Hochman, Z., D. Gobbett, D. Holzworth, T. McClelland, H. Van Rees, O. Marinoni, K.N. Garcia, and H. Horan. 2013. Reprint of Quantifying yield gaps in rain-fed cropping systems: A case study of wheat in Australia. Field Crops Res, 143: 65-75.

Kayiranga, D. 2006. The effects of land factors and management practices on rice yields. International Institute for Geo-Information Science and Earth Observation Enscheda (ITC). The Netherlands.72 p.

Lobell, D.B., K.G. Cassman, and C.B. Field. 2009. Crop yield gaps: their importance, magnitudes, and causes. Annu. Rev. Environ. Resour, 34: 179-204.

Liu, Z., X. Yang, X. Lin, K.G. Hubbard, S. Lv, and J. Wang. 2016. Narrowing the agronomic yield gaps of maize by improved soil, cultivar, and agricultural management practices in different climate zones of northeast China. Earth Interact, 20: 1-18.

Mueller, N.D., J.S. Gerber, M. Johnston, D.K. Ray, N. Ramankutty, and J.A. Foley. 2012. Closing yield gaps through nutrient and water management. Nature, 490: 254-257.

Reidsma, P., and H. Jeuffroy. 2017. Farming systems analysis and design for sustainable intensification: new methods and assessments. Eur. J. Agron, 82: 203-205.
Silva, J.V., P. Reidsma, A.G. Laborte, and M.K. Van Ittersum. 2017. Explaining rice yields and yield gaps in Central Luzon, Philippines: An application of stochastic frontier analysis and crop modeling. Eur. J. Agron, 82: 223-241.

Soltani, A., A. Hajjarpoor, and V. Vadez. 2016. Analysis of chickpea yield gap and water-limited potential yield in Iran. Field Crops Res, 185: 21-30.

Tanaka, A., K. Saito, K. Azoma, and K. Kobayashi. 2013. Factors affecting variation in farm yields of irrigated lowland rice in southern-central Benin. European J. Agron, 44: 46-53.

Tanaka, A., M. Diagne, and K. Saito. 2015. Causes of yield stagnation in irrigated lowland rice systems in the Senegal River Valley: Application of dichotomous decision tree analysis. Field Crops Res, 176: 99-107.

Van Ittersum, M.K., K.G. Cassman, P. Grassini, J. Wolf, P. Tittonell, and Z. Hochman. 2013. Yield gap analysis with local to global relevance-A review. Field Crops Res, 143: 4-17.

Van Wart, J., K.C. Kersebaum, S. Peng, M. Milner, and K.G. Cassman. 2013. Estimating crop yield potential at regional to national scales. Field Crops Res, 143: 34-43.

Xu, X., P. He, S. Zhaoa, S. Qiua, A.M. Johnstond, and W. Zhou. 2016. Quantification of yield gap and nutrient use efficiency of irrigated rice in China. Field Crops Res, 186: 58-65.