Simulation of yield and water use productivity in soybean plant under deficit irrigation and different levels of nitrogen fertilizer conditions using DSSAT model
Subject Areas : Farm water management with the aim of improving irrigation management indicators
Amir Nikakhtar
1
,
Ali Neshat
2
*
,
Najmeh Yazdanpanah
3
,
Ali Abdzad Gohari
4
,
Ebrahim Amiri
5
1 - Researcher, Department of Soil and Water Research, Hormozgan Agricultural Research and Training Center, (AREEO), Bandar Abbas, Iran.
2 - Associate Professor, Department of Water Engineering, Kerman Branch, Islamic Azad University, Kerman, Iran.
3 - Associate Professor, Department of Water Engineering, Kerman Branch, Islamic Azad University, Kerman, Iran.
4 - Researcher, Soil and Water Research Institute, Agricultural Research, Education and Extension Organization (AREEO), Karaj, Iran.
5 - Professor, Department of Water Engineering, Lahijan Branch, Islamic Azad University, Lahijan, Iran.
Keywords: Williams cultivar, biomass, yield, fertilizer, water requirement,
Abstract :
Background and Aim: Water and fertilizer stress have a negative effect on many physical and chemical processes related to the efficiency of water productivity in soybean, thus leading to a decrease in the yield and quality of the plant. Predicting yield response for evaluating irrigation and fertilizer management strategies is of particular importance for making decisions. One of the decision support models in soybean is the CSM-CROPGRO-Soybean model, which is included in the DSSAT software package. The researches in the farm to determine the optimal solutions are done in agriculture and this item, in addition to the cost, is also time consuming, so the aim of this research is to use the DSSAT simulation model to evaluate the yield and water productivity in soybean plant under the conditions of water stress and nitrogen fertilizer were in Hormozgan province. Method: The current research was idone in the form of split plots in the form of a randomized complete block design in 3 replications, in Hormozgan province and in Haji Abad city in the years 2021 and 2022. The main factor includes no irrigation and supply of 40, 60, 80, 100 and 120% of water requirement and the sub-factor of nitrogen fertilizer amounts included consumption of zero, 50, 100, 150 and 200 kg/hectare. The data and information needed to implement the model include location, meteorological information, soil information and agricultural operations, and the estimation in the model was done using a combination of graphic and statistical methods. Comparison of values and distribution of simulated and measured data was presented with 1:1 graph and line. Results: The amounts of water use in the treatments of 40, 60, 80, 100 and 120 percent of water requirement in 1400 were 265, 354, 444, 533 and 623 mm, respectively and in 1401 were 259, 347, 435, 541 and 632 mm, respectively. The root mean square of the relative error (RMSEn) based on the years 1400 and 1401 showed that the yield of seeds, pods and biomass and the water productivity based on the yield of seeds, pods and biomass in the first year were 0.162, 0.161, 0.099, 0.304, 0.454 and 0.223%, and in the second year it was 0.195, 0.172, 0.106, 0.349, 0.485 and 0.247%, respectively. Wilmot agreement index (d) in the year 1400 for seed yield, pod and biomass respectively 0.902, 0.891 and 0.939% and for water productivity based on seed yield, pod and biomass respectively 0.828, 0.810 and 0.970 percent. In 1401 were for seed yield, pod and biomass 0.872, 0.885 and 0.936 percent respectively and for water productivity based on seed yield, pod and biomass respectively 0.889, 0.766 0 and 0.961 percent. The closeness of this index to the number one, it indicates the reliability of the simulated values. Conclusion: In general, based on the statistical results, the simulation of seed, pod and biomass yields under the effect of different irrigation requirements and different levels of nitrogen fertilizer was acceptable and it seems that the use of the model as a useful tool to support scientific research and improving decisions in water use management in soybeans in the study area are recommended.
Abdzad Gohari, A., & Babazadeh, H. (2023). Simulation of yield and water productivity of Cowpea cultivars under deficit irrigation conditions using the DSSAT model. Iranian Irrigation and Drainage, 3(1), 215-232 (in Persian).
Adhikari, P., Ale, S., Bordovsky, J.P., Thorp, K.R., Modala, N.R., Rajan, N., & Barnes, E.M. (2016). Simulating future climate change impacts on seed cotton yield in the Texas High Plains using the CSM-CROPGRO-Cotton model. Agricultural Water Management, 164, 317-330.
Allen, R.G., Pereira, L.S., Raes, D., & Smith, M. (1998). Crop Evapotranspiration-Guidelines for Computing Crop Water Requirements-FAO Irrigation and Drainage Paper 56, 300. FAO, Rome, pp. 6541.
Antolin, L.A., Heinemann, A.B., & Marin, F.R. (2021). Impact assessment of common bean availability in Brazil under climate change scenarios. Agricultural Systems, 191, 1-9.
Babazadeh, H., & Sarai Tabrizi, M. (2013). Calibration of SWAP Model for Simulating Crop Yield, Biological Yield and Soybean Water Use Efficiency. Journal of Irrigation Sciences and Engineering, 35(4), 83-96. [in Persian]
Bao, Y., Hoogenboom, G., McClendon, R.W., & Paz, J.O. (2015). Potential adaptation strategies for rainfed soybean production in the south-eastern USA under climate change based on the CSM-CROPGRO-Soybean model. The Journal of Agricultural Science, 798-824.
Bhatia, V.S., Singh, P., Wani, S.P., Chauhan, G.S., Rao, A.K., Mishra, A.K., & Srinivas, K. (2008). Analysis of potential yields and yield gaps of rainfed soybean in India using CROPGRO-Soybean model. Agricultural and Forest Meteorology, 1252-1265.
Biel, W., Gawęda, D., Łysoń, E., & Hury, G. (2017). The effect of variety and agrotechnical factors on nutritive value of soybean seeds. Acta Agrophysica. 24, 395-404.
Boote KJ, Porter C, Jones JW, Thorburn PJ, Kersebaum KC, Hoogenboom G, White JW, Hatfield JL. 2016. Sentinel site data for crop model improvement definition and characterization. Advances in Agricultural Systems Modeling, 7, 125-158.
Boote, K. J., Jones, J.W., Mishoe, J.W., & Wilkerson, G.G. (1986). Modelling growth and yield of groundnut. Agri meteorology of Groundnut: Proceeding of an International Symposium, ICRISAT Sahelian Center, Niamey, Niger. 21-26 Aug, 1985, ICRISAT, Patancheru, A. P. 502 324, India, pp. 243-254.
Boote, K.J., Jones, J.W., Hoogenboom, G., & Pickering, N.B. (1998). The CROPGRO model for grain legumes. In: Tsuji, G.Y., Hoogenboom, G., Thornton, P.K. (Eds.), Understanding Options for Agricultural Production. Springer Science and Business Media, Dordrecht, pp. 99-128.
Boulch, Elmerich, C., Djemel, A., & Lange, B. (2021). Evaluation of soybean (Glycine max L.) adaptation to northern European regions under different agro-climatic scenarios. In Silico Plants, 3(1), pp. 1-13.
Clark, M., & Tilman, D. (2017). Comparative analysis of environmental impacts of agricultural production systems, agricultural input efficiency, and food choice. Environmental Research Letters, 1-11.
D’Amour, C.B., Wenz, L., Kalkuhl, M., Steckel, J.C., & Creutzig, F. (2016). Teleconnected food supply shocks. Environmental Research Letters, 035007.
Das, H.P. (2003). Water use efficiency of soybean and its yield response to evapotranspiration and rainfall. Journal of Agricultural Physics, 3(1), 35-39.
Dias, G.V.S., Silva, E.H.F.M., Vieira Junior, N.A., & Marin, F.R. (2020). Simulation of the water footprint of soybeans in Mato Grosso based on climate change projections. Agrometeoros, 27, 155-163.
Dokoohaki, H., Gheisari, M., Mousavi, S. F., & Mirlatifi, S.M. (2012a). Estimation soil water content under deficit irrigation by using DSSAT. Journal of Water and Irrigation Management . 2 (1): 1-14. [in Persian].
Dokoohaki, H., Gheysari, M. and Karimi Jafari, M. (2012b). Applying the DSSAT model to determine the yield response factor under different growth stage. Third National Conference on Comprehensive Water Resources Management. Sari Agricultural Sciences and Natural Resources University. (In Persian).
Edreira, J.I.R., Guilpart, N., Sadras, V., Cassman, K.G., van Ittersum, M.K., Schils, R.L., & Grassini, P. (2018). Water productivity of rainfed maize and wheat: a local to global perspective. Agricultural and Forest Meteorology, 259, 364-373.
Er-Raki, S., Bouras, E., Rodriguez, J.C., Watts, C.J., Lizarraga-Celaya, C., & Chehbouni, A. (2020). Parameterization of the AquaCrop model for simulating table grapes growth and water productivity in an arid region of Mexico. Agricultural Water Management, 106585, 106585.
FAOSTAT, (2022). Food and Agriculture Organization of the United Nations. Stadistic Division [WWW Document]. URL http://faostat3. fao.org/faostat-gateway/go/to/down. (Accessed 6.14.16).
Farhani pad, P., Paknezhad, F., Ilkaei, M., Habibi, D., & Davoodi Fard, M. (2011). Simulation yield on yield components of soybean (Williams cv.) on the effect of planting date with CROPGRO soybean. Journal of Agriculture and Plant Breeding, 8(4): 31-41. [in Persian].
Garcia, A., Persson, T., Guerra, L.C., & Hoogenboom, G. (2010). Response of soybean genotypes to different irrigation regimes in a humid region of the southeastern USA. Agricultural Water Management, 97, 981-987.
Gheysari, M., Loescher, H.W., Sadeghi, S.H., Mirlatifi, S.M., Zareian, M.J., & Hoogenboom, G. 2015. Water-yield relations and water use efficiency of maize under nitrogen fertigation for semiarid environments: experiment and synthesis. In: Sparks, D.L. (Ed.), Advances in Agronomy, pp. 175–229.
Godwin, D.C., & Allan, C.J. (1991). Nitrogen dynamics in soil-plant systems. Modeling Plant and Soil Systems 287-321.
Godwin, D.C., & Singh, U. (1998). Nitrogen balance and crop response to nitrogen in upland and lowland cropping systems. In: Tsuji, G.Y., Hoogenboom, G., Thornton, P.K. (Eds.), Understanding Options for Agricultural Production. Springer Science and Business Media, Dordrecht, pp. 55-77.
Haghjoo, M., & A. Bahrani. (2015). Simulation of Grain Yield and Biomass of Corn at Different Irrigation Regimes and Nitrogen Application. Journal of Crop Ecophysiology. 9(1): 167-176. [in Persian].
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.
Jones, C.A., & Kiniry., J.R. (1986). CERES-Maize: A simulation model of maize growth and development. Texas A&M Univ. Press, College Station.
Jons, J. W., B. A. Keat & Porer. C.H. (2001). Aproachest mdula mdeldevelopment. Agric. Systems 70: 421-443.
Kahraman, A. 2017. Nutritional value and foliar fertilization in soybean. J. Elem. 22, 55–66.
Karam, F., Karaa, K., & Tarabey, N. (2005). Effects of deficit irrigation on yield and water use efficiency of some crops under semi-arid conditions of the Bekaa valley of Lebanon. , Amman, Jordan, 2 (1), 139-155.
Lich, M.A., Wright, D., Lenssen, & A.W., (2013). Soybean Response to Drought, Agriculture. Iowa State University Extension and Outreach, Ames, IA (USA).
Maiorano, A., P. Martre, S. Asseng, F. Ewert, C. Müller, R.P. Rötter, A.C. Ruane, M.A. Semenov, D. Wallach, E. Wang, P.D. Alderman, B.T.Kassie, C. Biernath, B. Basso, D. Cammarano, A.J. Challinor, J. Doltra, B. Dumont, E. Eyshi Rezaei, S. Gayler, K.C. Kersebaum, B.A. Kimball, A.K. Koehler, B. Liu, G.J. O’Leary, J.E. Olesen, M.J. Ottman, E. Priesack, M. Reynolds, P. Stratonovitch, T. Streck, P. J. Thorburn, K. Waha, G.W. Wall, J.W. White, Z. Zhao, & Zhu., Y. (2017). Crop model improvement reduces the uncertainty of the response to temperature of multi-model ensembles. Field Crops Research, 202, 5-20.
Majidian, M., & Ghadiri, H. (2002). The effect of moisture stress and different amounts of nitrogen fertilizer in different stages of growth on the yield of yield components, water use efficiency and some physiological characteristics of corn plants. Iranian Journal of Agricultural Sciences, 33(3), 492-499. [in Persian]
Marchand, P., Carr, J.A., Dell’Angelo, J., Fader, M., Gephart, J.A., Kummu, M., & Ratajczak, Z. (2016). Reserves and trade jointly determine exposure to food supply shocks. Environmental Research Letters, 095009.
Montoya, F. García, C. Pintos, F. & Otero. A. (2017). Effects of irrigation regime on the growth and yield of irrigated soybean in temperate humid climatic conditions. Agricultural Water Management 193: 30-45.
Mourtzinis, S. Gurpreet Kaurb, John M. Orlowskib, Charles A. Shapiroc, Chad D. Leed, Charles Wortmannc, David Holshousere, Emerson D. Nafzigerf, Hans Kandelg, Jason Niekampf, William J. Rossh, Josh Loftoni, Joshua Vonkf, Kraig L. Roozeboomj, Kurt D. Thelenk, Laura E. Lindseyl, Michael Statonm, Seth L. Naeven, Shaun N. Casteelo, William J. Wieboldp, Shawn & Conleya., P. (2018). Soybean response to nitrogen application across the United States: A synthesis-analysis. Field Crops Research, 215, 74-82.
Panda, R.K., S.K. Behera, and P.S. Kashyap. 2004. Effective management of irrigation water for maize under stressed condition. Agric. Water Manage. 66: 181-203.
Quansah, J.E., Welikhe, P., El Afandi, G., Fall, S., Mortley, D., & Ankumah, R. (2020). CROPGRO-soybean model calibration and assessment of soybean yield responses to climate change. American Journal of Climate Change, 297-316.
Ritchie, J. T., & Otter, S. (1985). Description and performance of CERES-Wheat: a useroriented wheat yield model. In: ARS Wheat Yield Project. ARS-38. Natl Tech Info Serv, Springfield, Missouri, pp. 159-175.
Searchinger, T., Waite, R., Hanson, C., Ranganathan, J., Dumas, P., Matthews, E., & Klirs, C. 2019. Creating a Sustainable Food Future: a Menu of Solutions to Feed Nearly 10 Billion People by 2050 (accessed 16 April 2020).
Silva, E.H.F.M., Boote, K.J., Hoogenboom, G., Gonçalves, A.O., Junior, A.S.A., & Marin, F.R. (2021). Performance of the CSM-CROPGRO-soybean in simulating soybean growth and development and the soil water balance for a tropical environment. Agricultural Water Management, 252, 106929
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.
Singh, U., J. T., Ritchie & Tsuji., G.Y. (1991). Simulation models for crop growth: IBSNAT approach. In: International Symposium on Sweet Potato Technology for the 21th Century, Tuskegee University, Tuskegee, Alabama.
Soler, C.M.T., Sentelhas, P.C. & Hoogenboom, G. (2007). Application of the CSM-CERES-Maize model for planting date evaluation and yield forecasting for maize grown off-season in a subtropical environment. European Journal of Agronomy. 27(2), 165-177.
Souza, T.T., Antolin, L.A.S., Bianchini, V.J.M., Pereira, R.A.A., Silva, E.H.F.M., & Marin, F. R. (2019). Longer crop cycle lengths could offset the negative effects of climate change on Brazilian maize. Bragantia.
Thomson, A.M., Calvin, K.V., Smith, S.J., Kyle, G.P., Volke, A., & Patel, P. (2011). RCP4. 5: a pathway for stabilization of radiative forcing by 2100. Climate Change, 77-94.
Timsina, J., Godwin, D., Humphreys, E., Kukal, S.S., & Smith, D. (2008). Evaluation of options for increasing yield and water productivity of wheat in Punjab, India using the DSSAT-CERES-Wheat model. Agric. Water Manag. 1099-1110.
Tyagi, S.D., Khan, M.H., Teixeira D.A., & Silva, J.A. (2011). Yield stability of some soybean genotypes across diverse environments. Int. J. Plant Breed. 5, 37-41.
White, J., & Hoogenboom, G. (2010). Crop response to climate: ecophysiological models. In: Lobell D, Burke M, editors. Climate change and food security, advances in global change research, 37, 59-83.
Wilkerson, G. G. , J. W. Jones, K. J. Boote, K. T. Ingram, J. W. Mishoe, (1983). Modeling soybean growth for crop management. American Society of Agricultural and Biological Engineers. 26: 63-73.
Willmott, C.J. (1982). Some comments on the evaluation of model performance. Bulletin of American Meteorology Society, 63, 1309-1313.
Wright, G.C. (1996). Selection for water-use efficiency in grain legume species. 554-557, In: Michalk, D.L. and J.E. Dratley (eds.), Proceedings of the 8th Australian Agronomy Conference, Toowoomba, Australia.
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.
Yang, S.H., G. Wilkerson, R. Hejazi, L. Heiniger, & D. Bowman. (2008). Estimating CSM-CERES-Maize genetic coefficients and soil parameters and evaluating model response to varying nitrogen management strategies under North Carolina Conditions. Ph.D Thesis. USA.
Yousefi, S., Pakenjad, F., & Ilkai, M. (2011). The effect of irrigation management and nitrogen fertilization on soybean plant yield and yield. The first national conference on new topics in agriculture, 25-32. [in Persian].
Salmeron, M., Urrego, Y.F., Isla, R. and Cavero, J. 2012. Effect of non-uniform sprinkler irrigation and plant density on simulated maize yield. Agricultural Water Management, 113: 1-9.
Ramezani Vasokolaei., M. Naftchali., A. Saber Ali., F & Kazemi., S.H. 2022. Evaluation and Simulation of Water Table Management Influence on Rice Yield and its Components Involving DSSAT Model. 12(4): 157-175. [in Persian].
Simulation of Yield and Efficiency of Water Productivity in Soybean Plant under Deficit Irrigation and Nitrogen Fertilizer Conditions Using DSSAT Model
Amir Nikaktar1, Ali Neshat2*, Najmeh Yazdanpanah3, Ali Abdzad Gohari4 and Ebrahim Amiri5
1) Researcher, Department of Soil and Water Research, Hormozgan Agricultural Research and Training Center, (AREEO), Bandar Abbas, Iran.
2) Associate Professor, Department of Water Engineering, Kerman Branch, Islamic Azad University, Kerman, Iran.
3) Associate Professor, Department of Water Engineering, Kerman Branch, Islamic Azad University, Kerman, Iran.
4) Researcher, Soil and Water Research Institute, Agricultural Research, Education and Extension Organization (AREEO), Karaj, Iran.
5) Professor, Department of Water Engineering, Lahijan Branch, Islamic Azad University, Lahijan, Iran.
*Corresponding author emails: a.neshat8961@gmail.com
Abstract:
Background and Aim: Water and fertilizer stress have a negative effect on many physical and chemical processes related to the efficiency of water productivity in soybean, thus leading to a decrease in the yield and quality of the plant. Predicting yield response for evaluating irrigation and fertilizer management strategies is of particular importance for making decisions. One of the decision support models in soybean is the CSM-CROPGRO-Soybean model, which is included in the DSSAT software package. The purpose of building this model is the ability to analyze systems and simulate, in order to evaluate income and risk, by changing management strategies in different places and different environmental conditions.
Method: The present research was done in Hormozgan province and in Hajiabad city with a latitude of 55 degrees and 55 minutes and a longitude of 28 degrees and 18 minutes with an average height of 1196 meters above sea level, in the cropping years of 2021and 2022. Each experimental unit had dimensions of 5×20 meters and had 10 cultivation rows. The experiment was done in the form of split plots in the form of a randomized complete block design in 3 replications, which included the main factor without irrigation and supplying 40, 60, 80, 100, and 120% of the water requirement and the sub-factor of nitrogen fertilizer amounts included zero, 50, 100, 150 and 200 kg/hectare. In order to use the DSSAT model, data and information such as spatial location, meteorological information, soil information and agricultural operations are required. The estimation of the development process and performance in this model is based on soil-plant-atmosphere accumulation and for each soil layer, water absorption by roots and water flow in the soil are simulated.
Results: The root mean square relative error (RMSEn) based on the comparison of two years showed that in the first year, this index for seed, pod and biomass yield and water productivity based on seed, pod and biomass yields were 0.162, 0.161, 0.099, 0.304, 0.454 and 0.223 percent respectively, while in the second year it were 0.195, 0.172, 0.106, 0.349, 0.485 and 0.247 percent respectively. Index of Agreement (d or IoA) for seed, pod and biomass yield in the studied years from 0.872 to 0.939 percent and for water productivity based on seed, pod and biomass yield from 0.766 to 0.970 percent was variable, that the vicinity of this index to the number one indicates the reliability of the simulation values.
Conclusion: In general, based on the statistical results, the simulation of seed, pod and biomass yields under the effect of different irrigation requirements and different levels of nitrogen fertilizer was acceptable and it seems that the use of the model as a useful tool to support scientific research and improving decisions in water use management in soybeans in the study area are recommended.
Keywords: Williams cultivar, biomass, yield, fertilizer, water requirement
شبيهسازي عملکرد و بهرهوري مصرف آب گياه سويا تحت شرايط کمآبياري و کود نيتروژن با استفاده از مدل DSSAT
امير نيک اختر1، علي نشاط2*، نجمه يزدان پناه3، علي عبدزادگوهري4 و ابراهيم اميري5
1) محقق، بخش تحقيقات خاک و آب، مركز تحقيقات و آموزش كشاورزي و منابع طبيعي هرمزگان، سازمان تحقيقات و آموزش كشاورزي، بندرعباس، ايران.
2) دانشيار، گروه مهندسي آب، واحد کرمان، دانشگاه آزاد اسلامي، کرمان، ايران.
3) دانشيار، گروه مهندسي آب، واحد کرمان، دانشگاه آزاد اسلامي، کرمان، ايران.
4) محقق، بخش تحقيقات مديريتآب در مزرعه، موسسه تحقيقات خاک و آب، سازمان تحقيقات، آموزش و ترويج کشاورزي، کرج، ايران.
5) استاد، گروه مهندسي آب، واحد لاهيجان، دانشگاه آزاد اسلامي، لاهيجان، ايران.
* ايميل نويسنده مسئول: a.neshat8961@gmail.com
چکيده:
زمينه و هدف: تنشآبي و کود بر بسياري از فرآيندهاي فيزيکي و شيميايي مرتبط با بهرهوري مصرف آب در سويا اثر منفي دارد، بنابراين منجر به کاهش عملکرد و کيفيت گياه ميشود. پيشبيني پاسخ عملکرد براي ارزيابي استراتژيهاي مديريت آبياري و کود از اهميت خاصي جهت اتخاذ تصميم مورد نياز است. يکي از مدلهاي پشتيباني تصميم در سويا، مدل CSM-CROPGRO-Soybean ميباشد که در بسته نرمافزاري DSSAT قرار دارد. هدف از ساخت اين مدل، توانايي آناليز سيستمها و شبيهسازي، به منظور ارزيابي درآمد و ريسک، از طريق تغيير استراتژيهاي مديريتي در نقاط مختلف و شرايط محيطي مختلف است.
روش پژوهش: پژوهش حاضر در استان هرمزگان و در شهرستان حاجيآباد با عرض جغرافيايي 55 درجه و 55 دقيقه و طول جغرافيايي 28 درجه و 18 دقيقه با ارتفاع متوسط 1196 متر از سطح دريا، در سالهاي زراعي 1400 و 1401 انجام شد. هر واحد آزمايشي داراي ابعاد 5×20 متر و داراي 10 رديف کشت بود. آزمايش به صورت طرح کرتهاي خرد شده در قالب طرح بلوک کامل تصادفي در 3 تکرار که شامل عامل اصلي بدون آبياري و تامين 40، 60، 80، 100 و 120 درصد نياز آبي و عامل فرعي مقادير کود نيتروژن شامل صفر، 50، 100، 150 و 200 کيلوگرم بر هکتار بود. جهت استفاده از مدل DSSAT، دادهﻫﺎ و اﻃﻼﻋﺎتي مانند ﻣﻮﻗﻌﻴﺖ ﻣﻜﺎﻧﻲ، اﻃﻼﻋﺎت ﻫﻮاﺷﻨﺎﺳﻲ، اﻃﻼﻋﺎت ﺧﺎکشناسي و ﻋﻤﻠﻴﺎت زراﻋﻲ مورد نظر ميباشد. برآورد روند توسعه و عملکرد در اين مدل بر اساس تجمع خاک-گياه-اتمسفر بوده و براي هر لايه خاک، جذب آب توسط ريشه و جريان آب در خاک شبيهسازي انجام ميشود.
يافتهها: ريشه ميانگين مربعات خطاي نسبي (RMSEn) بر اساس مقايسه دو سال نشان داد که در سال اول اين شاخص براي عملکرد دانه، غلاف و زيست توده و بهرهوري مصرف آب مبتني بر عملکرد دانه، غلاف و زيستتوده به ترتيب 162/0، 161/0، 099/0، 304/0، 454/0 و 223/0 درصد شد، در حاليکه در سال دوم به ترتيب 195/0، 172/0، 106/0، 349/0، 485/0 و 247/0 درصد بود. شاخص توافق ويلموت (d) براي عملکرد دانه، غلاف و زيست توده در سالهاي مورد مطالعه از 872/0 تا 939/0 درصد و براي بهرهوري مصرف آب مبتني بر عملکرد دانه، غلاف و زيستتوده از 766/0 تا 970/0 درصد متغير بود که نزديک بودن اين شاخص به عدد يک، نشاندهنده قابل اطمينان بودن مقادير شبيهسازي شده است.
نتيجهگيري: بهطور کلي ﺑﺮ اﺳﺎس ﻧﺘﺎﯾﺞ آﻣﺎري، ﺷﺒﯿﻪﺳﺎزي ﻋﻤﻠﮑﺮد داﻧﻪ، غلاف و زيستتوده تحتﺗﺄﺛﯿﺮ نيازهاي مختلف آﺑﯿﺎري و سطوح متفاوت کود نيتروژن، ﻗﺎﺑﻞ ﻗﺒﻮل بود و بهنظر ميرسد استفاده از مدل بهعنوان ابزاري راهگشا جهت پشتيباني پژوهشهاي علمي و ارتقاء تصميمگيريها در مديريت مصرف آب در سويا در منطقه مورد مطالعه قابل توصيه ميباشد.
کليد واژهها: رقم ويليامز، زيستتوده، عملکرد، کود، نياز آبي
مقدمه
با توجه به افزايش جمعيت در جهان و مصرف مواد غذايي، در دهههاي آينده تقاضا براي محصولات کشاورزي با افزايش بين 50 تا 100 درصد متصور است (Clark and Tilman, 2017; Searchinger et al., 2019) و اين بدان معنا است که تقاضا براي غلات و بقولات بيشتر شده که ميتواند ناامني غذايي را در کشورهاي جهان به همواره داشته باشد (Marchand et al., 2016; D’Amour et al., 2016). سويا1 منبع پروتئين غذايي و يکي از مهمترين دانههاي روغني در جهان ميباشد که در حال حاضر براي امنيت غذايي بسيار مهم است (Thomson, 2019).اين گياه ششمين محصول کشاورزي کشت شده در جهان است که طي سالهاي 2006 تا 2013، ايالات متحده آمريکا، برزيل و آرژانتين کشورهاي اصلي توليدکننده سويا بودند که توليد سوياي آنها به ترتيب برابر با 70 و 80 درصد کل سطح برداشت و کل توليد در جهان بود (FAOSTAT, 2016).
آبياري درصد زيادي از مصرف آب شيرين را مصرف مي کند. با اين حال، نياز به آبياري به سرعت افزايش يافته است که عمدتاً به دليل کمبود شديد بارش و افزايش دماي هوا ناشي از تغييرات شرايط آب و هوايي است. زماني که سويا در خاکهايي که با کمبود دائمي آب يا دورهاي رشد ميکند، با آبياري ميتوان عملکرد و حاشيه سود سويا را به طور قابل توجهي افزايش داد (Montoya et al., 2017). پاسخ سويا به کمبود آب عمدتاً در شرايط خشک يا نيمه خشک در بسياري از آزمايشات تجربي مورد مطالعه قرار گرفته است (Montoya et al., 2017). کمبود آب در خاک براي دورههاي کوتاه مدت در طول مرحله رويشي عموماً باعث کاهش عملکرد سويا نميشود، با اين حال، کمبود آب شديد يا طولاني مدت مي تواند منجر به کاهش عملکرد دانه سويا شود (Lich et al., 2013). سويا در مرحله زايشي بيشترين حساسيت را نسبت به کاهش عملکرد بالقوه در طول کمبود آب نشان ميدهد، در حالي که کمبود در مرحله گلدهي تأثير منفي کمي بر عملکرد دارد (Lich et al., 2013). با اين حال، کمبود آب در طول مراحل بزرگ شدن غلاف و پر کردن بذر اثر منفي قابل توجهي بر عملکرد نهايي و اجزاي عملکرد دارد (Lich et al., 2013 ; Montoya et al., 2017). يکي از عناصر ضروري براي رشد و نمو سويا، نيتروژن است. از آنجايي که سويا مقادير نسبتاً زيادي از مواد مغذي ضروري در خاک را مصرف ميکند، بايد در مناطقي با محتواي مواد مغذي کافي پرورش داده شود (Kahraman et al., 2017; Tyagi et al., 2017; Biel et al., 2017). نياز نيتروژن سويا بهطور کلي با تثبيت بيولوژيکي نيتروژن به علاوه جذب نيتروژن از خاک برآورده مي شود. گزارش شده است که 50 تا 60 درصد نياز نيتروژن سويا با تثبيت بيولوژيکي برآورده ميشود (Mourtzinis et al., 2018). سويا به دليل محتواي پروتئين بالا در دانه، به ميزان زيادي نيتروژن نياز دارد و کاربرد نيتروژن عمدتاً بر عملکرد محصول تأثير ميگذارد. تهيه اطلاعات جديد به وسيله روشهاي تحقيقات زراعي سنتي براي تأمين نيازهاي کشاورزي کفايت نميکند. از طرفي آزمايشات زراعي مرسوم در زمان و مکان ويژهاي اجرا شده که نتايج آن را ويژه مکان و فصل خاصي قرار داده و نيز اين آزمايشات زمانبر و پرهزينه هستند. از اينرو بهرهگيري از مدلهاي کشاورزي ميتواند مفيد واقع شود. در حال حاضر استفاده از مدلهاي رشد محصول2 و شبيهسازيها بخوبي پذيرفته شده و اين مطلب مستلزم آن است که کاليبراسيون در مزرعه براي آزمايش محصول در زمينههاي اقليمي خاص انجام شود (Boote et al. 2016; Maiorano et al. 2017). مدل 3DSSAT ياسيستم پشتيباني تصميم براي انتقال فناوري کشاورزي، شامل مجموعهاي از برنامههاي مستقل است که هماهنگ با يکديگر عمل ميکنند هدف از ساخت اين مدل، توانايي آناليز سيستمها و شبيهسازي، به منظور ارزيابي درآمد و ريسک، از طريق تغيير استراتژيهاي مديريتي در نقاط مختلف و شرايط محيطي مختلف بود (Singh, et al., 1991). قبل از ارائه مدل DSSAT، سازندگان آن بهطور جداگانه در تهيه و بهکارگيري مدلهاي CERES براي گندم (Ritchie and Otter, 1985) و ذرت (Jones and Kiniry, 1986)، مدل SOYGRO براي سويا (Wilkerson et al., 1983) و PNUTGRO براي بادامزميني (Boote et al., 1986) مشغول بودند. در آن زمان مدلهاي ذکر شده از نظر روشها و ورودي و خروجي دادهها تفاوتهاي بسياري با يکديگر داشتند. جي. دبيليو. جونز4 و کي. جي. بوت5 از دانشگاه فلوريدا از پيشگامان ساخت اين مدل بودهاند. مدل CSM-CROPGRO-Soybean يکي از قويترين و گستردهترين مدلهايي است که براي شبيهسازي محصول سويا استفاده ميشود (Boote et al., 1998). اين مدل داراي ساختار ترکيبي است (Jones et al., 2001)، که فرآيند تعادل کربن و نيتروژن (Godwin and Allan, 1991; Godwin and Singh, 1998)، تعادل آب خاک (Ritchie, 1998; Silva et al., 2021) توانايي شبيهسازي بهرهوري (Dias et al., 2020; Edreira et al., 2018; Er-Raki et al., 2020; Timsina et al., 2008) و رشد و توسعه سويا (Boote et al., 1998; Bhatia et al., 2008) و توليد محصول تحت شرايط تغييرات آب و هوايي (Adhikari et al., 2016; Antolin et al., 2021; Bao et al., 2015; Quansah et al., 2020; Souza et al., 2019) را دارد. گزارشها نشان داد که افزودن آبياري در دوره پر شدن دانه، پتانسيل عملکرد را نسبت به شرايط بدون محدوديت آب، افزايش ميدهد، اگرچه ميزان عملکرد شبيهسازيشده با کمبود آبياري کاهش مييابد، ولي آب تنها عامل محدودکننده براي عملکرد نيست (Boulch et al., 2021). هدف از اين تحقيق، ارزيابي مدل DSSAT در شبيهسازي عملکرد و بهرهوري مصرف آب در گياه سويا تحت شرايط مديريت آبياري و کود نيتروژن ميباشد.
مواد و روشها
روش اجراي پژوهش و تيمارهاي مورد مطالعه
پژوهش حاضر در استان هرمزگان و در شهرستان حاجيآباد با عرض جغرافيايي 55 درجه و 55 دقيقه و طول جغرافيايي 28 درجه و 18 دقيقه با ارتفاع متوسط 1196 متر از سطح دريا، در سالهاي زراعي 1400 و 1401 انجام شد. هر واحد آزمايشي داراي ابعاد 5×20 متر و داراي 10 رديف کشت بود. آزمايش بهصورت طرح کرتهاي خرد شده در قالب طرح بلوک کامل تصادفي در 3 تکرار که شامل عاملاصلي بدون آبياري و تامين 40، 60، 80، 100 و 120 درصد نياز آبي و عامل فرعي مقادير کود نيتروژن شامل صفر، 50، 100، 150 و 200 کيلوگرم بر هکتار بود. پارامترها هواشناسي و خصوصيات خاك منطقه مورد مطالعه بهترتيب در شکل (1) و جدول (1) ارائه شد. رقم کشت شدة سويا در اين پژوهش ويليامز بود. زمان شخم براي هر دو سال، در اواسط ارديبهشت و تاريخ کاشت سويا 30 ارديبهشتماه و در عمق 3 سانتيمتري خاک بود. قبل از کشت نيز، بذر در قارچکش کربوکسين تيرام به نسبت دو در هزار ضدعفوني شد. بر اساس آزمون خاک، در ابتداي فصل کشت، 50 کيلوگرم کود سوپرفسفات تريپل و 120 کيلوگرم کود سولفاتپتاسيم استفاده گرديد. ميزان مصرف کود نيتروژن بهصورت تقسيط در سه نوبت به خاک داده شد. در سال دوم، تکرارهاي اصلي و فرعي تقريباً در مکان کرتهاي سال اول قرار گرفتند. روش آبياري بهکارگيري شده در اين تحقيق از نوع آبياري جويچهاي و فاصله بين دو رديف 50 سانتيمتر و فاصله بين گياه در هر رديف 5 سانتيمتر بود.
|
|
|
|
|
|
شکل1. پارامترها هواشناسي منطقه مورد مطالعه در سالهاي 1400 و 1401 | |
جدول 1. خصوصيات خاک مورد مطالعه در مزرعه آزمايشي | |||||||||||||||||||
سال | عمق خاک (سانتيمتر) | هدايت الکتريکي (dS/m) | کربن آلي (%) | نيتروژن کل(%) | فسفر قابل جذب (mg/kg) | پتاسيم قابل جذب (mg/kg) | رس (%) | سيلت (%) | شن (%) | بافت خاک | رطوبت حجمي (%) | ||||||||
ظرفيت زراعي | نقطه پژمردگي | ||||||||||||||||||
1400 | 0-30 | 9/1 | 484/0 | 031/0 | 03/4 | 105 | 8 | 32 | 60 | لوميشني | 1/18 | 7 | |||||||
30-60 | 8/1 | 329/0 | 035/0 | 36/3 | 131 | 10 | 35 | 55 | لوميشني | 2/20 | 1/8 | ||||||||
1401 | 0-30 | 0/2 | 536/0 | 091/0 | 11/5 | 107 | 8 | 32 | 60 | لوميشني | 1/18 | 7 | |||||||
30-60 | 9/1 | 432/0 | 089/0 | 02/4 | 135 | 10 | 35 | 55 | لوميشني | 2/20 | 1/8 | ||||||||
وزن مخصوص ظاهري در عمق 0 تا 30 برابر با 46/1 گرم بر سانتيمترمترمکعب و در عمق 30 تا 60 سانتيمتر برابر با 45/1 گرم بر سانتيمترمترمکعب بود.
| |||||||||||||||||||
مديريت آبياري و بهرهوري مصرف آب
براي تعيين تيمارهاي آبياري از تخليه رطوبتيخاک استفاده گرديد و نياز آبي گياه بهعنوان تيمار 100 درصد آبياري در نظر گرفته شد و ساير تيمارهاي آبياري بهعنوان درصدي از اين مقدار بود. براي دستيابي به تيمار 100 درصد آبياري، رطوبت خاک در عمق ريشه گياه، بهنحوي محاسبه گرديد که رطوبت خاک تا عمق ريشه به حد ظرفيت مزرعه برسد (رابطه 1). مدت زمان آبياري بر اساس رسيدن آب به جبهه رطوبتي در اطراف عمق ريشه گياه بود.
(1) |
|
که در آن өFc: درصد وزني رطوبت در ظرفيت زراعي. өi: درصد وزني رطوبت موجود در خاک. ρb: جرم مخصوص ظاهري خاک (گرم بر سانتيمترمکعب). Dr: عمق مؤثر ريشه (سانتيمتر). تعيين رطوبت لايههاي مختلف خاک بهروش وزني انجام شد. اندازهگيري ميزان آب تحويلي به هر واحد آزمايشي توسط کنتور انجام گرفت. پس از رسيدگي گياه، اقدام به اندازهگيري عملکرد و بهرهوري مصرف آب شد. براي اجراي صحيح نمونهبرداري و حذف اثرات حاشيهاي، بوتههاي رديف کناري و نيز بوتههاي واقع شده در ابتدا و انتهاي کرتها در نظر گرفته نشدند. براي تعيين عملکرد بيولوژيک، غلاف و دانه، 12 بوته به طور تصادفي انتخاب گرديد. سپس غلافها، برگها و ساقهها از گياه جدا گشتند و در داخل آون و در دماي 70 درجه سانتيگراد به مدت 48 ساعت گذاشته شدند. بعد از خشک شدن، نمونهها بهوسيله ترازوي دقيق يک صدم، وزن و سپس به واحد کيلوگرم در هکتار تبديل گرديد. بهرهوري مصرف آب بر اساس روابط (2 تا 4) محاسبه شد (Babazadeh and Sarai Tabrizi, 2012).
(2) |
| ||||||||||||||||||||||||
(3) |
| ||||||||||||||||||||||||
(4) |
| ||||||||||||||||||||||||
| (5) | ||||||||||||||||||||||||
| (6) | ||||||||||||||||||||||||
| (7) | ||||||||||||||||||||||||
| (8) | ||||||||||||||||||||||||
| (9) | ||||||||||||||||||||||||
| (10) | ||||||||||||||||||||||||
جدول 2. پارامترهاي اندازهگيري شده و واسنجي شده در گياه سويا | |||
تعريف ضرايب | مقادير | واحد | منابع پارامترها |
زمان بين رويش گياه و ظهور گل (R1) | 5/16 | (photothermal days) | واسنجي |
زمان بين اولين گل و اولين غلاف (R3) | 0/7 | (photothermal days) | واسنجي |
زمان بين اولين گل و اولين دانه (R5) | 5/12 | (photothermal days) | واسنجي |
زمان بين اولين دانه (R5) و بلوغ فيزيولوژيکي (R7) | 0/25 | (photothermal days) | واسنجي |
زمان بين اولين گل (R1) و انتهاي انبساط برگ | 0/18 | (photothermal days) | پيش فرض |
سطح برگ خاص رقم در شرايط رشد استاندارد | 400 | (cm2/g) | اندازهگيري شده |
حداکثر اندازه برگ کامل | 150 | (cm2) | اندازهگيري شده |
حداکثر کسري از رشد روزانه تقسيم بر دانه + پوسته | 0/1 | - | پيش فرض |
حداکثر وزن در هر دانه | 155/0 | (g) | اندازهگيري شده |
مدت پر شدن بذر براي گروه غلاف در شرايط رشد استاندارد | 23 | (photothermal days) | اندازهگيري شده |
ميانگين بذر در هر غلاف در شرايط رشد استاندارد | 70/1 | - | اندازهگيري شده |
زمان مورد نياز رقم براي رسيدن به بار نهايي غلاف در شرايط بهينه | 5/7 | (photothermal days) | واسنجي |
حداکثر نسبت (دانه/(دانه+پوسته)) در بلوغ | 0/78 | - | اندازهگيري شده |
دليل بالا بودن بهرهوري مصرف آب در شرايط بدون آبياري، مصرف آب کمتر توسط گياه ميباشد و علت بالاتر بودن عملکرد غلاف تحت شرايط بدون آبياري را ميتوان بهتحمل بيشتر گياه نسبت بهتنش آبي ربط داد. در اين پژوهش محدوده بهرهوري مصرف آب مبتني بر عملکرد دانه در شرايط بدون آبياري براي دو سال از 56/1 تا 70/2 کيلوگرم بر مترمکعب متغير بود (جدول 4). در پژوهشي نشان داده شد که در ارقام مختلف سويا در حالت آبياري کامل بهرهوري مصرف آب از 66/1 تا 44/2 کيلوگرم ماده خشک بهازاي هر گرم آب تعرق شده متغير ميباشد (Wright, 1996). بهرهوري مصرف آب سويا بر مبناي عملکرد زيست توده با ميانگين 11/1 کيلوگرم بهازاي مصرف هر مترمکعب آب برآورد شد (Karam et al, 2005). در پژوهشي بر گياه سويا، ميزان بهرهوري مصرف آب در شرايط آبياري را 74/0 مترمکعب بر هکتار گزارش شد (Das, 2003). در تحقيقي دامنه نوسان بهرهوري مصرف آب در عملکرد دانه سويا در شرايط تنش و آبياري کامل در محدوده 55/0 تا 14/1 کيلوگرم بر مترمکعب گزارش شد (Garcia et al., 2010).
جدول 3. درصد خطاي نسبي و مقادير عملکرد زيستتوده، غلاف و دانه در شرايط شبيهسازي و مشاهدهاي
تيمارها | عملکرد اندازهگيري شده (کيلوگرم بر هکتار) | عملکرد شبيهسازي شده (کيلوگرم بر هکتار) | درصد خطاي نسبي عملکرد | |||||||||||||||
دانه | غلاف | زيستتوده | دانه | غلاف | زيستتوده | دانه | غلاف | زيستتوده | ||||||||||
1400 | 1401 | 1400 | 1401 | 1400 | 1401 | 1400 | 1401 | 1400 | 1401 | 1400 | 1401 | 1400 | 1401 | 1400 | 1401 | 1400 | 1401 | |
I1N1 | 1350s | 1331o | 2200q | 2168s | 3430v | 3381w | 1279 | 1201 | 1673 | 1539 | 3543 | 3434 | 5- | 10- | 24- | 29- | 3 | 2 |
I1N2 | 1728q | 1703m | 2823o | 2783q | 4320t | 4257u | 1275 | 1202 | 1644 | 1540 | 3552 | 3435 | 26- | 29- | 42- | 45- | 18- | 19- |
I1N3 | 1773q | 1749m | 2892o | 2852p | 4363t | 4304t | 1295 | 1226 | 1667 | 1571 | 3575 | 3458 | 27- | 30- | 42- | 45- | 18- | 20- |
I1N4 | 1963o | 1936k | 3198m | 3152m | 4833q | 4765q | 1311 | 1216 | 1683 | 1566 | 3592 | 3419 | 33- | 37- | 47- | 50- | 26- | 28- |
I1N5 | 1860p | 1837l | 3024n | 2987o | 4649s | 4592r | 1312 | 1215 | 1681 | 1562 | 3593 | 3387 | 29- | 34- | 44- | 48- | 23- | 26- |
I2N1 | 1581r | 1560n | 2579p | 2545r | 4016u | 3962v | 2034 | 2003 | 2867 | 2810 | 4694 | 4635 | 29 | 28 | 11 | 10 | 17 | 17 |
I2N2 | 1932o | 1902k | 3031n | 3082n | 4829q | 4755q | 2072 | 2037 | 2916 | 2857 | 4775 | 4714 | 7 | 7 | 4- | 7- | 1- | 1- |
I2N3 | 1993o | 1960k | 3241l | 3187m | 4906p | 4824p | 2103 | 2072 | 2957 | 2900 | 4833 | 4772 | 6 | 6 | 9- | 9- | 1- | 1- |
I2N4 | 2175m | 2145i | 3320k | 3471k | 5354n | 5280n | 2151 | 2114 | 3018 | 2954 | 4905 | 4841 | 1- | 1- | 9- | 15- | 8- | 8- |
I2N5 | 2072n | 2043j | 3347k | 3301l | 5179o | 5107o | 2160 | 2125 | 3032 | 2971 | 4925 | 4865 | 4 | 4 | 9- | 10- | 5- | 5- |
I3N1 | 2098n | 1767m | 3238l | 2887p | 4795r | 4417s | 2492 | 2492 | 3481 | 3481 | 5299 | 5299 | 19 | 41 | 8 | 21 | 11 | 20 |
I3N2 | 2180m | 2145i | 3521j | 3466k | 5365m | 5281m | 2554 | 2554 | 3550 | 3550 | 5429 | 5429 | 17 | 19 | 1 | 2 | 1 | 3 |
I3N3 | 2187m | 2161i | 3539j | 3496k | 5303n | 5238n | 2544 | 2544 | 3535 | 3535 | 5374 | 5374 | 16 | 18 | 0 | 1 | 1 | 3 |
I3N4 | 2435k | 2402g | 3947h | 3894i | 5904j | 5824j | 2624 | 2624 | 3649 | 3649 | 5522 | 5522 | 8 | 9 | 8- | 6- | 6- | 5- |
I3N5 | 2348l | 2312h | 3812i | 3753j | 5780l | 5691l | 2642 | 2642 | 3687 | 3687 | 5561 | 5561 | 13 | 14 | 3- | 2- | 4- | 2- |
I4N1 | 2167m | 1941k | 3203l | 3160m | 4841q | 4776q | 2647 | 2645 | 3748 | 3746 | 5538 | 5538 | 22 | 36 | 17 | 19 | 14 | 16 |
I4N2 | 2387l | 2355h | 3882i | 3829i | 5787l | 5709k | 2708 | 2707 | 3827 | 3825 | 5679 | 5679 | 13 | 15 | 1- | 0 | 2- | 1- |
I4N3 | 2448jk | 2413g | 3974h | 3918i | 5846k | 5763k | 2702 | 2702 | 3817 | 3817 | 5631 | 5631 | 10 | 12 | 4- | 3- | 4- | 2- |
I4N4 | 2697h | 2658e | 4413e | 4350e | 6439f | 6348g | 2770 | 2774 | 3905 | 3909 | 5782 | 5783 | 3 | 4 | 12- | 10- | 10- | 9- |
I4N5 | 2563j | 2530f | 4187g | 4135g | 6212h | 6135h | 2794 | 2794 | 3931 | 3931 | 5822 | 5822 | 9 | 10 | 6- | 5- | 6- | 5- |
I5N1 | 2700g | 2663e | 4405e | 4344e | 6546e | 6455f | 3067 | 3067 | 4254 | 4254 | 6165 | 6165 | 14 | 15 | 3- | 2- | 6- | 4- |
I5N2 | 2758f | 2717d | 4456e | 4389e | 6587e | 6488f | 3123 | 3123 | 4322 | 4322 | 6260 | 6260 | 13 | 15 | 3- | 2- | 5- | 4- |
I5N3 | 2802d | 2764d | 4534d | 4473d | 6593e | 6505e | 3184 | 3184 | 4394 | 4394 | 6343 | 6343 | 14 | 15 | 3- | 2- | 4- | 2- |
I5N4 | 3068a | 3029a | 4972a | 4910a | 7219a | 7128a | 3231 | 3231 | 4448 | 4448 | 6405 | 6405 | 5 | 7 | 11- | 9- | 11- | 10- |
I5N5 | 2962b | 2919b | 4809b | 4739b | 7074b | 6972b | 3249 | 3249 | 4474 | 4474 | 6446 | 6446 | 10 | 11 | 7- | 6- | 9- | 8- |
I6N1 | 2519j | 2480g | 4103g | 4039h | 6154i | 6057i | 3004 | 3021 | 4174 | 4226 | 6341 | 6397 | 19 | 22 | 2 | 5 | 3 | 6 |
I6N2 | 2590i | 2554f | 4212f | 4154g | 6232g | 6146h | 3018 | 3032 | 4177 | 4228 | 6326 | 6380 | 17 | 19 | 1- | 2 | 2 | 4 |
I6N3 | 2618h | 2584f | 4257f | 4202f | 6206h | 6125h | 3013 | 3029 | 4180 | 4232 | 6359 | 6413 | 15 | 17 | 2- | 1 | 2 | 5 |
I6N4 | 2869c | 2833c | 4643c | 4584c | 6801c | 6716c | 3040 | 3055 | 4213 | 4265 | 6423 | 6476 | 6 | 8 | 9- | 7- | 6- | 4- |
I6N5 | 2791e | 2749d | 4509d | 4440d | 6715d | 6614d | 3028 | 3045 | 4200 | 4253 | 6400 | 6454 | 8 | 11 | 7- | 4- | 5- | 2- |
تيمارها شامل بدون آبياري (I1) و تامين 40 (I2)، 60 (I3)، 80 (I4)، 100 (I5) و 120 (I6) درصد نياز آبي و مقادير کود نيتروژن شامل صفر(N1)، 50(N2)، 100(N3)، 150 (N4) و200 (N5) کيلوگرم بر هکتار | ||||||||||||||||||
جدول 4. درصد خطاي نسبي و مقادير بهرهوري مصرف آب در زيستتوده، غلاف و دانه در شرايط شبيهسازي شده و مشاهدهاي
تيمارها | بهرهوري مصرف آب اندازهگيري شده (کيلوگرم بر هکتار) | بهرهوري مصرف آب شبيهسازيشده (کيلوگرم برهکتار) | خطاي نسبي (درصد) | |||||||||||||||
دانه | غلاف | زيستتوده | دانه | غلاف | زيستتوده | دانه | غلاف | زيستتوده | ||||||||||
1400 | 1401 | 1400 | 1401 | 1400 | 1401 | 1400 | 1401 | 1400 | 1401 | 1400 | 1401 | 1400 | 1401 | 1400 | 1401 | 1400 | 1401 | |
I1N1 | 58/1w | 56/1d | 57/2e | 54/2e | 01/4e | 95/3e | 50/1 | 40/1 | 96/1 | 80/1 | 14/4 | 02/4 | 5- | 10- | 24- | 29- | 3 | 2 |
I1N2 | 02/2v | 99/1d | 30/3d | 25/3d | 05/5d | 98/4d | 49/1 | 41/1 | 92/1 | 80/1 | 15/4 | 02/4 | 26- | 29- | 42- | 45- | 18- | 19- |
I1N3 | 07/2v | 05/2c | 38/3c | 34/3c | 10/5c | 03/5c | 51/1 | 43/1 | 95/1 | 84/1 | 18/4 | 04/4 | 27- | 30- | 42- | 45- | 18- | 20- |
I1N4 | 30/2u | 26/2a | 74/3a | 69/3a | 65/5a | 57/5a | 53/1 | 42/1 | 97/1 | 83/1 | 20/4 | 00/4 | 33- | 37- | 47- | 50- | 26- | 28- |
I1N5 | 18/2t | 15/2b | 54/3b | 49/3b | 44/5b | 37/5b | 53/1 | 42/1 | 97/1 | 83/1 | 20/4 | 96/3 | 29- | 34- | 44- | 48- | 23- | 26- |
I2N1 | 60/0s | 70/0i | 97/0m | 13/1j | 52/1j | 77/1j | 77/0 | 89/0 | 80/1 | 25/1 | 77/1 | 07/2 | 29 | 28 | 11 | 10 | 17 | 17 |
I2N2 | 73/0r | 71/0h | 15/1i | 15/1i | 83/1h | 78/1i | 78/0 | 76/0 | 10/1 | 07/1 | 80/1 | 76/1 | 7 | 7 | 4- | 7- | 1- | 1- |
I2N3 | 75/0q | 73/0g | 22/1h | 19/1h | 85/1h | 80/1h | 79/0 | 77/0 | 12/1 | 08/1 | 83/1 | 78/1 | 6 | 6 | 9- | 9- | 1- | 1- |
I2N4 | 82/0p | 80/0e | 25/1g | 30/1f | 02/2f | 97/1f | 81/0 | 79/0 | 14/1 | 10/1 | 85/1 | 81/1 | 1- | 1- | 9- | 15- | 8- | 8- |
I2N5 | 78/0o | 76/0f | 26/1f | 23/1g | 96/1g | 91/1g | 82/0 | 79/0 | 15/1 | 11/1 | 86/1 | 82/1 | 4 | 4 | 9- | 10- | 5- | 5- |
I3N1 | 59/0n | 59/0m | 91/0p | 96/0m | 35/1m | 47/1m | 70/0 | 83/0 | 98/0 | 16/1 | 50/1 | 77/1 | 19 | 41 | 8 | 21 | 11 | 20 |
I3N2 | 62/0m | 60/0l | 99/0l | 97/0m | 52/1j | 47/1m | 72/0 | 71/0 | 00/1 | 99/0 | 53/1 | 51/1 | 17 | 19 | 1 | 2 | 1 | 3 |
I3N3 | 62/0l | 60/0l | 0/1k | 97/0m | 50/1k | 46/1n | 72/0 | 71/0 | 00/1 | 99/0 | 52/1 | 50/1 | 16 | 18 | 0 | 1 | 1 | 3 |
I3N4 | 69/0l | 67/0j | 11/1j | 09/1k | 67/1i | 62/1k | 74/0 | 73/0 | 03/1 | 02/1 | 56/1 | 54/1 | 8 | 9 | 8- | 6- | 6- | 5- |
I3N5 | 66/0k | 64/0k | 08/1k | 05/1l | 63/1i | 59/1l | 75/0 | 74/0 | 04/1 | 03/1 | 57/1 | 55/1 | 13 | 14 | 3- | 2- | 4- | 2- |
I4N1 | 49/0j | 52/0o | 72/0w | 84/0s | 09/1q | 27/1t | 60/0 | 70/0 | 84/0 | 00/1 | 25/1 | 47/1 | 22 | 36 | 17 | 19 | 14 | 16 |
I4N2 | 54/0i | 52/0o | 87/0r | 85/0r | 30/1o | 27/1t | 61/0 | 60/0 | 86/0 | 85/0 | 28/1 | 26/1 | 13 | 15 | 1- | 0 | 2- | 1- |
I4N3 | 55/0h | 54/0n | 90/0q | 87/0q | 32/1no | 28/1s | 61/0 | 60/0 | 86/0 | 85/0 | 27/1 | 25/1 | 10 | 12 | 4- | 3- | 4- | 2- |
I4N4 | 61/0h | 59/0m | 99/0l | 97/0m | 45/1l | 41/1o | 62/0 | 62/0 | 88/0 | 87/0 | 30/1 | 29/1 | 3 | 4 | 12- | 10- | 10- | 9- |
I4N5 | 58/0gh | 56/0n | 94/0n | 92/0n | 40/1l | 36/1p | 63/0 | 62/0 | 89/0 | 87/0 | 31/1 | 29/1 | 9 | 10 | 6- | 5- | 6- | 5- |
I5N1 | 51/0g | 49/0r | 83/0u | 80/0v | 23/1p | 19/1v | 58/0 | 57/0 | 80/0 | 79/0 | 16/1 | 14/1 | 14 | 15 | 3- | 2- | 6- | 4- |
I5N2 | 52/0f | 50/0q | 84/0t | 81/0u | 24/1p | 20/1u | 59/0 | 58/0 | 81/0 | 80/0 | 17/1 | 16/1 | 13 | 15 | 3- | 2- | 5- | 4- |
I5N3 | 53/0f | 51/0p | 85/0s | 83/0t | 24/1p | 20/1u | 60/0 | 59/0 | 82/0 | 81/0 | 19/1 | 17/1 | 14 | 15 | 3- | 2- | 4- | 2- |
I5N4 | 58/0f | 56/0n | 93/0o | 91/0o | 35/1m | 32/1q | 61/0 | 60/0 | 83/0 | 82/0 | 20/1 | 18/1 | 5 | 7 | 11- | 9- | 11- | 10- |
I5N5 | 56/0e | 54/0n | 90/0q | 88/0p | 33/1n | 29/1r | 61/0 | 60/0 | 84/0 | 83/0 | 21/1 | 19/1 | 10 | 11 | 7- | 6- | 9- | 8- |
I6N1 | 40/0d | 39/0w | 66/0y | 64/0z | 99/0s | 96/0z | 48/0 | 48/0 | 67/0 | 67/0 | 02/1 | 01/1 | 19 | 22 | 2 | 5 | 3 | 6 |
I6N2 | 42/0c | 40/0v | 68/0x | 66/0y | 00/1r | 97/0v | 48/0 | 48/0 | 67/0 | 67/0 | 02/1 | 01/1 | 17 | 19 | 1- | 2 | 2 | 4 |
I6N3 | 42/0c | 41/0u | 68/0x | 66/0y | 00/1r | 97/0v | 48/0 | 48/0 | 67/0 | 67/0 | 02/1 | 01/1 | 15 | 17 | 2- | 2 | 2 | 5 |
I6N4 | 46/0b | 45/0s | 75/0v | 73/0w | 09/1q | 06/1w | 49/0 | 48/0 | 68/0 | 67/0 | 03/1 | 02/1 | 6 | 8 | 9- | 7- | 6- | 4- |
I6N5 | 45/0a | 43/0t | 72/0w | 70/0x | 08/1q | 05/1x | 49/0 | 48/0 | 67/0 | 67/0 | 03/1 | 02/1 | 8 | 4 | 7- | 4- | 5- | 2- |
تيمارها شامل بدون آبياري (I1) و تامين 40 (I2)، 60 (I3)، 80 (I4)، 100 (I5) و 120 (I6) درصد نياز آبي و مقادير کود نيتروژن شامل صفر(N1)، 50(N2)، 100(N3)، 150 (N4) و200 (N5) کيلوگرم بر هکتار | ||||||||||||||||||
با توجه به جدول (5)، ريشه ميانگين مربعات خطاي نسبي (RMSEn) در مديريت آب مصرفي در سالهاي 1400 و 1401 در عملکرد دانه بين 11/0 و 31/0 بود که در اين ميان در شرايط بدون آبياري ريشه ميانگين مربعات خطاي نسبي در سال اول 28/0 درصد و در سال دوم 31/0 درصد بود. اين شاخص براي عملکرد غلاف از 04/0 تا 46/0 درصد و براي عملکرد زيست توده از 04/0 تا 23/0 درصد متغير بود. شاخص ضريب کارايي (EF) براي صفات عملکرد و بهرهوري مصرف آب، فاصله کمي تا عدد يک را نشان داد، از اينرو مقادير شبيهسازي شده حاکي از قابل اطمينان بودن نتايج دارد (جدول 5). شاخص توافق ويلموت (d) در سالهاي مورد مطالعه براي عملکرد دانه از 35/0 تا 50/0 و براي غلاف از 28/0 تا 68/0 و در عملکرد زيست توده از 38/0 تا 61/0 متغير بود. براي بهرهوري مصرف آب مبتني بر عملکرد دانه، غلاف و زيستتوده نيز اين شاخص بين 21/0 و 68/0 متغير بود که نزديک بودن اين شاخص به عدد يک، نشاندهنده قابل اطمينان بودن مقادير شبيهسازي شده است (جدول 5). ﻣﯿﺎﻧﮕﯿﻦ اﻧﺤﺮاف ﺧﻄﺎ در تمام تيمارها، به غير از تيتمار تنش (بدون آبياري) از دقت خوبي برخوردار بود، در شرايط بدون آبياري با کاهش عملکرد دانه همراه بود که حاکي از برآورد پايين عملکرد در شرايط تنش است (جدول 5). ريشه ميانگين مربعات در برآورد ميزان بهرهوري مصرف آب مبتني بر عملکرد دانه بر اساس آب مصرفي در سال 1400 و 1401 بهترتيب 06/0 و 629/0 کيلوگرم بر مترمکعب بود و براي بهرهوري آب در غلاف در سال 1400 و 1401 بهترتيب 030/0 و 491/1 کيلوگرم بر مترمکعب را نشان داد. در بهرهوري آب مصرفي مبتني بر عملکرد زيست توده در سال اول و دوم بهترتيب 030/0 و 491/1 کيلوگرم بر مترمکعب بود (جدول 5). مقادير R2 براي تمام تيمارها، به جزء تيمار تنش بدون آبياري، از ضريب R2 بالايي برخوردار بود (جدول 5).
جدول 5. شاخصهاي آماري در شبيهسازي عملکرد و بهرهوري مصرف آب تحت مديريتهاي مختلف آبياري در سالهاي 1400 و 1401
صفات | شاخص هايآماري | بدون آبياري | 40 درصد نياز آبي | 60 درصد نيازآبي | 80 درصد نياز آبي | 100 درصدنياز آبي | 120 درصد نياز آبي | ||||||||||||||||||
1400 | 1401 | 1400 | 1401 | 1400 | 1401 | 1400 | 1401 | 1400 | 1401 | 1400 | 1401 | ||||||||||||||
MBE | 3/440- | 1/499- | 5/153 | 3/148 | 5/321 | 7/413 | 0/272 | 9/344 | 7/312 | 3/352 | 0/343 | 4/396 | |||||||||||||
RMSE | 4/482 | 7/537 | 4/221 | 7/216 | 0/330 | 7/446 | 3/302 | 5/396 | 2/323 | 6/361 | 363 | 8/413 | |||||||||||||
RMSEn | 28/0 | 31/0 | 11/0 | 11/0 | 15/0 | 21/0 | 12/0 | 17/0 | 11/0 | 13/0 | 14/0 | 16/0 | |||||||||||||
d | 38/0 | 35/0 | 56/0 | 55/0 | 44/0 | 43/0 | 50/0 | 48/0 | 48/0 | 44/0 | 40/0 | 37/0 | |||||||||||||
EF | 36/4- | 82/5- | 20/0- | 19/0- | 16/6- | 22/3- | 90/1- | 67/1- | 62/4- | 10/6- | 69/6- | 03/9- | |||||||||||||
R2 | 75/0 | 63/0 | 91/0 | 91/0 | 94/0 | 92/0 | 91/0 | 90/0 | 89/0 | 89/0 | 97/0 | 99/0 | |||||||||||||
YPod | MBE | 7/1157- | 9/1232- | 5/145- | 7/218- | 1/31- | 2/81 | 2/86- | 7/32- | 9/256- | 7/192- | 1/156- | 9/42- | ||||||||||||
RMSE | 5/1205 | 1/1275 | 8/270 | 4/340 | 2/181 | 9/291 | 360 | 5/343 | 2/299 | 9/245 | 9/241 | 189 | |||||||||||||
RMSEn | 43/0 | 46/0 | 09/0 | 11/0 | 05/0 | 08/0 | 09/0 | 09/0 | 06/0 | 05/0 | 06/0 | 04/0 | |||||||||||||
d | 29/0 | 28/0 | 6/0 | 56/0 | 68/0 | 53/0 | 46/0 | 46/0 | 60/0 | 64/0 | 52/0 | 36/0 | |||||||||||||
EF | 66/11- | 5/13- | 09/0 | 18/0- | 46/0 | 29/0 | 22/0 | 27/0 | 87/0- | 28/0- | 47/0- | 10/0 | |||||||||||||
R2 | 21/0 | 73/0 | 93/0 | 91/0 | 93/0 | 88/0 | 91/0 | 91/0 | 87/0 | 87/0 | 99/0 | 99/0 | |||||||||||||
YBio | MBE | 9/747- | 5/833- | 4/30- | 3/20- | 6/7 | 9/146 | 7/134- | 5/55- | 1/480- | 8/385- | 9/51- | 3/92 | ||||||||||||
RMSE | 7/880 | 4/965 | 1/383 | 7/376 | 3/302 | 5/430 | 8/474 | 7/450 | 7/523 | 6/438 | 7/248 | 2/259 | |||||||||||||
RMSEn | 20/0 | 23/0 | 08/0 | 08/0 | 06/0 | 08/0 | 08/0 | 08/0 | 08/0 | 07/0 | 04/0 | 04/0 | |||||||||||||
d | 42/0 | 38/0 | 50/0 | 50/0 | 61/0 | 50/0 | 51/0 | 50/0 | 53/0 | 57/0 | 41/0 | 52/0 | |||||||||||||
EF | 33/2- | 09/3- | 31/0 | 31/0 | 41/0 | 23/0 | 25/0 | 30/0 | 41/2- | 41/1- | 19/0 | 11/0 | |||||||||||||
R2 | 87/0 | 40/0- | 94/0 | 94/0 | 96/0 | 93/0 | 91/0 | 92/0 | 82/0 | 82/0 | 94/0 | 94/0 | |||||||||||||
WPSeed | MBE | 52/0- | 584/0- | 06/0 | 062/0 | 10/0 | 12/0 | 06/0 | 08/0 | 06/0 | 065/0 | 006/0 | 063/0 | ||||||||||||
RMSE | 56/0 | 629/0 | 08/0 | 094/0 | 10/0 | 14/0 | 07/0 | 09/0 | 06/0 | 067/0 | 006/0 | 066/0 | |||||||||||||
RMSEn | 28/0 | 31/0 | 11/0 | 13/0 | 15/0 | 22/0 | 12/0 | 18/0 | 11/0 | 13/0 | 14/0 | 16/0 | |||||||||||||
d | 38/0 | 35/0 | 56/0 | 28/0 | 44/0 | 26/0 | 50/0 | 26/0 | 48/0 | 44/0 | 40/0 | 37/0 | |||||||||||||
EF | 36/4- | 82/5- | 20/0- | 14/5- | 16/6- | 65/18- | 9/1- | 08/12- | 62/4- | 1/6- | 69/6- | 04/9- | |||||||||||||
R2 | 75/0 | 63/0 | 91/0 | 40/0- | 94/0 | 32/0- | 91/0 | 39/0- | 89/0 | 89/0 | 97/0 | 99/0 | |||||||||||||
WPPod | MBE | 35/1- | 442/1- | 06/0- | 078/0- | 01/0- | 029/0 | 02/0- | 002/0- | 05/0- | 036/0- | 03/0- | 007/0- | ||||||||||||
RMSE | 41/1 | 491/1 | 10/0 | 13/0 | 05/0 | 095/0 | 08/0 | 085/0 | 06/0 | 045/0 | 04/0 | 03/0 | |||||||||||||
RMSEn | 43/0 | 46/0 | 09/0 | 11/0 | 05/0 | 09/0 | 09/0 | 10/0 | 06/0 | 05/0 | 06/0 | 04/0 | |||||||||||||
d | 29/0 | 28/0 | 60/0 | 27/0 | 68/0 | 21/0 | 46/0 | 20/0 | 60/0 | 64/0 | 52/0 | 36/0 | |||||||||||||
EF | 67/11- | 5/13- | 09/0 | 94/3- | 46/0 | 6/2- | 22/0 | 28/2- | 87/0- | 28/0- | 47/0- | 10/0 | |||||||||||||
R2 | 21/0 | 73/0 | 93/0 | 40/0- | 93/0 | 24/0- | 91/0 | 39/0- | 87/0 | 87/0 | 99/0 | 99/0 | |||||||||||||
WPBio | MBE | 87/0- | 975/0- | 01/0- | 002/0 | 002/0 | 051/0 | 03/0- | 006/0- | 09/0- | 071/0- | 01/0- | 015/0 | ||||||||||||
RMSE | 03/1 | 129/1 | 14/0 | 159/0 | 09/0 | 14/0 | 11/0 | 112/0 | 10/0 | 081/0 | 04/0 | 041/0 | |||||||||||||
RMSEn | 20/0 | 23/0 | 08/0 | 09/0 | 06/0 | 09/0 | 08/0 | 08/0 | 08/0 | 07/0 | 04/0 | 04/0 | |||||||||||||
d | 42/0 | 38/0 | 50/0 | 21/0 | 61/0 | 18/0 | 51/0 | 26/0 | 53/0 | 57/0 | 41/0 | 52/0 | |||||||||||||
EF | 33/2- | 09/3- | 31/0 | 28/2- | 41/0 | 21/3- | 25/0 | 73/2- | 41/2- | 14/0- | 19/0 | 11/0 | |||||||||||||
R2 | 87/0 | 40/0- | 94/0 | 34/0- | 96/0 | 21/0- | 91/0 | 27/0- | 82/0 | 82/0 | 94/0 | 94/0 | |||||||||||||
YSeed، YPodو YBio، به ترتيب عملکرد دانه، غلاف، زيستتوده بر حسب کيلوگرم بر هکتار و WPSeed، WPPod و WPBio بهترتيب بهرهوري مصرفآب مبتني بر عملکرد دانه، غلاف و زيستتوده بر حسب کيلوگرم برمترمکعب و واحد شاخصهاي MBE و RMSE کيلوگرم بر هکتار و واحد شاخصهاي RMESn، d (IOA)، E (EF) و R2 بر حسب درصد است. | |||||||||||||||||||||||||
ريشه ميانگين مربعات خطاي نسبي (RMSEn) بر اساس مقايسه دو سال نشان داد که در سال 1400 اين ميزان براي عملکرد دانه، غلاف و زيست توده و بهرهوري دانه، غلاف و زيست توده به ترتيب 162/0، 161/0، 099/0، 304/0، 454/0 و 223/0 درصد بود، در حالي که اين شاخص در سال 1401 براي عملکرد دانه، غلاف و زيست توده و بهرهوري مصرف آب مبتني بر دانه، غلاف و زيست توده بهترتيب 195/0، 172/0، 106/0، 349/0، 485/0 و 247/0 درصد بود (جدول 6). شاخص توافق ويلموت (d) براي عملکرد دانه، غلاف و زيست توده در سالهاي مورد مطالعه از 872/0 تا 939/0 درصد، و براي بهرهوري مصرف آب مبتني بر عملکرد دانه، غلاف و زيست توده از 766/0 تا 970/0 درصد متغير بود که نزديک بودن اين شاخص به عدد يک، نشاندهنده قابل اطمينان بودن مقادير شبيهسازي شده است (جدول 6). شاخص ضريب کارايي (EF) در عملکرد دانه، غلاف و زيست توده در سال اول به ترتيب 447/0، 479/0 و 764/0 درصد و براي سال دوم به ترتيب 250/0، 411/0 و 740/0 درصد بود. اين شاخص در بهرهوري مصرف آب مبتني بر عملکرد دانه، غلاف و زيست توده در سال اول به ترتيب 816/0، 600/0 و 907/0 درصد و براي سال دوم به ترتيب 759/0، 537/0 و 884/0 درصد مشاهده شد (جدول 6). ميانگين انحراف خطا (MBE) در عملکرد دانه با ميانگين 389/160 کيلوگرم بر هکتار، نشاندهنده پيشبيني بيش از ميزان واقعي است، در حالي که براي عملکرد غلاف و زيستتوده اين پيشبيني بهترتيب با کاهش 589/305 و 556/239 کيلوگرم بر هکتار بود (جدول 6). مقايسه مقادير عملکرد دانه، غلاف و زيستتوده (شکل 2) و بهرهوري مصرف آب مبتني بر عملکرد دانه، غلاف و زيستتوده (شکل 3) در شرايط مشاهده شده و شبيهسازي شده به وسيله مدل با خط 1:1 نشان داد که در مدل، شبيهسازي عملکرد زيستتوده و دانه ايدهآل بود و نقاط مربوط به عملکرد نزديک به خط 1:1 هستند و ميتوان شبيهسازي عملکرد زيستتوده و دانه را براي مراحل مختلف رشد در سالهاي مورد مطالعه، مطلوب ارزيابي کرد.
جدول 6 . ﻧﺘﺎﯾﺞ ﺷﺒﯿﻪﺳﺎزي ﭘﺎراﻣﺘﺮﻫﺎي ﮔﯿﺎﻫﯽ ﻣﺪل Dssat در سالهاي 1400 و 1401 | ||||||
صفات گياهي | EF | d | RMSEn | RMSE | MBE | |
1400 | عملکرد دانه | 447/0 | 902/0 | 162/0 | 0/346 | 389/160 |
عملکرد غلاف | 479/0 | 891/0 | 161/0 | 3/533 | 589/305- | |
عملکرد زيست توده | 764/0 | 939/0 | 099/0 | 4/512 | 556/239- | |
بهرهوري مصرف آب در دانه | 816/0 | 928/0 | 304/0 | 2401/0 | 032/0- | |
بهرهوري مصرف آب در غلاف | 600/0 | 810/0 | 454/0 | 5791/0 | 252/0- | |
بهرهوري مصرف آب در زيست توده | 907/0 | 970/0 | 223/0 | 4305/0 | 169/0- | |
1401 | عملکرد دانه | 250/0 | 872/0 | 195/0 | 2/407 | 744/192 |
عملکرد غلاف | 411/0 | 885/0 | 172/0 | 2/583 | 133/273- | |
عملکرد زيست توده | 740/0 | 936/0 | 106/0 | 7/535 | 956/175- | |
بهرهوري مصرف آب در دانه | 759/0 | 899/0 | 349/0 | 2714/0 | 031/0- | |
بهرهوري مصرف آب در غلاف | 537/0 | 766/0 | 485/0 | 6138/0 | 256/0- | |
بهرهوري مصرف آب در زيست توده | 884/0 | 961/0 | 247/0 | 4727/0 | 164/0- | |
واحد MBE و RMSE کيلوگرم بر هکتار و واحد RMESn، d (IOA) و E (EF) بر حسب درصد است. | ||||||
|
|
شکل 2. مقادير شبيهسازي و اندازهگيري شده عملکرد و بهره وري مصرف آب در زيستتوده، غلاف و دانه سويا در سالهاي 1400 |
|
|
شکل 3. مقادير شبيهسازي و اندازهگيري شده عملکرد و بهره وري مصرف آب در زيستتوده، غلاف و دانه سويا در سالهاي 1401 |
محتواي رطوبت خاک
شبيهسازي رطوبت در عمق توسعه ريشه براي سطوح مختلف نياز آبي نشان داد که در طي دو سال، شاخص آماري ﻣﯿﺎﻧﮕﯿﻦ اﻧﺤﺮاف ﺧﻄﺎ (MBE) در همه تيمارها با افزايش پيشبيني همراه بود که اين مقادير توسط مدل در سال دوم بهتر ار از سال اول برآورد شد (جدول 7). ريشه ميانگين مربعات خطا (RMSE) در سال اول از 038/2 تا 117/2 درصد و در سال دوم 020/0 تا 021/0 درصد متغير بود که با توجه به نزديک بودن اين اعداد به صفر، نشان از تخمين مناسب مدل دارد (جدول 7). ريشه ميانگين مربعات خطاي نسبي (RMSEn) در سال 1400 در محدوده 144/0 تا 159/0 درصد و در سال 1401 در محدوده 144/0 تا 164/0 درصد متغير بود (جدول 7). مقادير شاخص توافق يا سازگاري (d) در سال اول در محدوده 927/0 تا 941/0 درصد و در سال دوم در محدوده 925/0 تا 940/0 درصد را نشان داد که با توجه به نزديک بودن اين ارقام به عدد يک، برآورد بالاي مدل را نشان مي دهد. ضريب کارايي (EF) براي سال 1400 در تيمارهاي نياز آبي بين 772/0 تا 810/0 درصد متغير بود، در حالي که براي سال 1401 اين محدوده بين 764/0 تا 809/0 درصد بود که با توجه به نزديک بودن آنها به عدد يک، نشاندهنده شبيهسازي بهتر مدل است.
جدول 7. ﻧﺘﺎﯾﺞ آماري ﺷﺒﯿﻪﺳﺎزي و اندازهگيري شده رطوبت خاک با استفاده از ﻣﺪل Dssat | ||||||
سال | نياز آبي | EF | d | RMSEn | RMSE | MBE |
1400 | بدون آبياري | 810/0 | 941/0 | 159/0 | 078/2 | 00/1 |
40 در صدنياز آبي | 789/0 | 933/0 | 158/0 | 106/2 | 986/0 | |
60 در صدنياز آبي | 787/0 | 934/0 | 158/0 | 117/2 | 119/1 | |
80 در صدنياز آبي | 772/0 | 928/0 | 148/0 | 057/2 | 052/1 | |
100 در صدنياز آبي | 773/0 | 927/0 | 148/0 | 084/2 | 176/1 | |
120 در صدنياز آبي | 806/0 | 938/0 | 144/0 | 038/2 | 167/1 | |
1401 | بدون آبياري | 809/0 | 940/0 | 164/0 | 021/0 | 010/0 |
40 در صدنياز آبي | 793/0 | 934/0 | 157/0 | 021/0 | 010/0 | |
60 در صدنياز آبي | 787/0 | 934/0 | 158/0 | 021/0 | 011/0 | |
80 در صدنياز آبي | 764/0 | 925/0 | 151/0 | 021/0 | 011/0 | |
100 در صدنياز آبي | 776/0 | 928/0 | 147/0 | 021/0 | 012/0 | |
120 در صدنياز آبي | 802/0 | 937/0 | 144/0 | 020/0 | 012/0 | |
واحد شاخصهاي MBE و RMSE، RMESn، d (IOA)، E (EF) و R2 بر حسب درصد ميباشد. | ||||||
| ||
شکل 4. مقادير شبيهسازي و اندازهگيري شده رطوبت خاک در تيمارهاي مختلف آبياري در سال 1400
|
نتيجهگيري
نتايج حاصل از ارزيابي مدل DSSAT نشان داد که اين مدل قادر است با دقت قابل قبولي عملکرد سويا را شبيهسازي کند. با افزايش تنشآبي، درصد خطاي نسبي شبيهسازي شده در شرايط تنش بيشتر از شرايط آبياري شده بود. ميزان عملکرد زيستتوده، دانه و غلاف با تأمين 100 درصد نياز آبي با خطاي نسبتاً کمتري همراه بود که نشان دهنده روند تغييرات عملکرد در نيازهاي مختلف آبي و سطوح متفاوت کودي در شبيهسازي ميباشد. با افزايش تنشآبي تا سطح 40 درصد نياز آبي، مدل توانسته عملکردها را با تقريب مناسبي برآورد نمايد. اما با افزايش تنش و در حالت بدون آبياري، مدل توانايي لازم براي شبيهسازي مناسب و دقيق از مقادير عملکرد را دارا نميباشد. ولي با اين رويکرد، ميزان خطاي نسبي براي عملکرد زيستتوده در سال 1400 و 1401 به ترتيب 3 و 2 درصد بود که بهترين ميزان خطاي نسبي را داشت. ريشه ميانگين مربعات خطاي نسبي (RMSEn) بر اساس مقايسه دو سال نشان داد که در سال 1400 اين ميزان براي عملکرد دانه، غلاف و زيست توده و بهرهوري دانه، غلاف و زيست توده به ترتيب 162/0، 161/0، 099/0، 304/0، 454/0 و 223/0 درصد بود، در حالي که اين شاخص در سال 1401 براي عملکرد دانه، غلاف و زيست توده و بهرهوري مصرف آب مبتني بر دانه، غلاف و زيست توده بهترتيب 195/0، 172/0، 106/0، 349/0، 485/0 و 247/0 درصد بود. بهطور کلي ﺑﺮ اﺳﺎس ﻧﺘﺎﯾﺞ آﻣﺎري، ﺷﺒﯿﻪﺳﺎزي ﻋﻤﻠﮑﺮد داﻧﻪ، غلاف و زيستتوده تحتﺗﺄﺛﯿﺮ نيازهاي مختلف آﺑﯿﺎري و سطوح متفاوت کود نيتروژن، ﻗﺎﺑﻞ ﻗﺒﻮل و ﻣﻄﻠﻮب بود و بهنظر ميرسد استفاده از مدل بهعنوان ابزاري راهگشا جهت پشتيباني پژوهشهاي علمي و ارتقاء تصميمگيريها در مديريت مصرف آب در سويا در منطقه مورد مطالعه قابل توصيه ميباشد.
Reference:
Abdzad Gohari, A., & Babazadeh, H. (2023). Simulation of yield and water productivity of Cowpea cultivars under deficit irrigation conditions using the DSSAT model. Iranian Irrigation and Drainage, 3(1), 215-232 (in Persian).
Adhikari, P., Ale, S., Bordovsky, J.P., Thorp, K.R., Modala, N.R., Rajan, N., & Barnes, E.M. (2016). Simulating future climate change impacts on seed cotton yield in the Texas High Plains using the CSM-CROPGRO-Cotton model. Agricultural Water Management, 164, 317-330.
Allen, R.G., Pereira, L.S., Raes, D., & Smith, M. (1998). Crop Evapotranspiration-Guidelines for Computing Crop Water Requirements-FAO Irrigation and Drainage Paper 56, 300. FAO, Rome, pp. 6541.
Antolin, L.A., Heinemann, A.B., & Marin, F.R. (2021). Impact assessment of common bean availability in Brazil under climate change scenarios. Agricultural Systems, 191, 1-9.
Babazadeh, H., & Sarai Tabrizi, M. (2013). Calibration of SWAP Model for Simulating Crop Yield, Biological Yield and Soybean Water Use Efficiency. Journal of Irrigation Sciences and Engineering, 35(4), 83-96. [in Persian]
Bao, Y., Hoogenboom, G., McClendon, R.W., & Paz, J.O. (2015). Potential adaptation strategies for rainfed soybean production in the south-eastern USA under climate change based on the CSM-CROPGRO-Soybean model. The Journal of Agricultural Science, 798-824.
Bhatia, V.S., Singh, P., Wani, S.P., Chauhan, G.S., Rao, A.K., Mishra, A.K., & Srinivas, K. (2008). Analysis of potential yields and yield gaps of rainfed soybean in India using CROPGRO-Soybean model. Agricultural and Forest Meteorology, 1252-1265.
Biel, W., Gawęda, D., Łysoń, E., & Hury, G. (2017). The effect of variety and agrotechnical factors on nutritive value of soybean seeds. Acta Agrophysica. 24, 395-404.
Boote KJ, Porter C, Jones JW, Thorburn PJ, Kersebaum KC, Hoogenboom G, White JW, Hatfield JL. 2016. Sentinel site data for crop model improvement definition and characterization. Advances in Agricultural Systems Modeling, 7, 125-158.
Boote, K. J., Jones, J.W., Mishoe, J.W., & Wilkerson, G.G. (1986). Modelling growth and yield of groundnut. Agri meteorology of Groundnut: Proceeding of an International Symposium, ICRISAT Sahelian Center, Niamey, Niger. 21-26 Aug, 1985, ICRISAT, Patancheru, A. P. 502 324, India, pp. 243-254.
Boote, K.J., Jones, J.W., Hoogenboom, G., & Pickering, N.B. (1998). The CROPGRO model for grain legumes. In: Tsuji, G.Y., Hoogenboom, G., Thornton, P.K. (Eds.), Understanding Options for Agricultural Production. Springer Science and Business Media, Dordrecht, pp. 99-128.
Boulch, Elmerich, C., Djemel, A., & Lange, B. (2021). Evaluation of soybean (Glycine max L.) adaptation to northern European regions under different agro-climatic scenarios. In Silico Plants, 3(1), pp. 1-13.
Clark, M., & Tilman, D. (2017). Comparative analysis of environmental impacts of agricultural production systems, agricultural input efficiency, and food choice. Environmental Research Letters, 1-11.
D’Amour, C.B., Wenz, L., Kalkuhl, M., Steckel, J.C., & Creutzig, F. (2016). Teleconnected food supply shocks. Environmental Research Letters, 035007.
Das, H.P. (2003). Water use efficiency of soybean and its yield response to evapotranspiration and rainfall. Journal of Agricultural Physics, 3(1), 35-39.
Dias, G.V.S., Silva, E.H.F.M., Vieira Junior, N.A., & Marin, F.R. (2020). Simulation of the water footprint of soybeans in Mato Grosso based on climate change projections. Agrometeoros, 27, 155-163.
Edreira, J.I.R., Guilpart, N., Sadras, V., Cassman, K.G., van Ittersum, M.K., Schils, R.L., & Grassini, P. (2018). Water productivity of rainfed maize and wheat: a local to global perspective. Agricultural and Forest Meteorology, 259, 364-373.
Er-Raki, S., Bouras, E., Rodriguez, J.C., Watts, C.J., Lizarraga-Celaya, C., & Chehbouni, A. (2020). Parameterization of the AquaCrop model for simulating table grapes growth and water productivity in an arid region of Mexico. Agricultural Water Management, 106585, 106585.
FAOSTAT, (2016). Food and Agriculture Organization of the United Nations. Stadistic Division [WWW Document]. URL http://faostat3. fao.org/faostat-gateway/go/to/down. (Accessed 6.14.16).
Garcia, A., Persson, T., Guerra, L.C., & Hoogenboom, G. (2010). Response of soybean genotypes to different irrigation regimes in a humid region of the southeastern USA. Agricultural Water Management, 97, 981-987.
Godwin, D.C., & Allan, C.J. (1991). Nitrogen dynamics in soil-plant systems. Modeling Plant and Soil Systems 287-321.
Godwin, D.C., & Singh, U. (1998). Nitrogen balance and crop response to nitrogen in upland and lowland cropping systems. In: Tsuji, G.Y., Hoogenboom, G., Thornton, P.K. (Eds.), Understanding Options for Agricultural Production. Springer Science and Business Media, Dordrecht, pp. 55-77.
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.
Jones, C.A., & Kiniry., J.R. (1986). CERES-Maize: A simulation model of maize growth and development. Texas A&M Univ. Press, College Station.
Jons, J. W., B. A. Keat & Porer. C.H. (2001). Aproachest mdula mdeldevelopment. Agric. Systems 70: 421-443.
Kahraman, A. 2017. Nutritional value and foliar fertilization in soybean. J. Elem. 22, 55–66.
Karam, F., Karaa, K., & Tarabey, N. (2005). Effects of deficit irrigation on yield and water use efficiency of some crops under semi-arid conditions of the Bekaa valley of Lebanon. , Amman, Jordan, 2 (1), 139-155.
Lich, M.A., Wright, D., Lenssen, & A.W., (2013). Soybean Response to Drought, Agriculture. Iowa State University Extension and Outreach, Ames, IA (USA).
Maiorano, A., P. Martre, S. Asseng, F. Ewert, C. Müller, R.P. Rötter, A.C. Ruane, M.A. Semenov, D. Wallach, E. Wang, P.D. Alderman, B.T.Kassie, C. Biernath, B. Basso, D. Cammarano, A.J. Challinor, J. Doltra, B. Dumont, E. Eyshi Rezaei, S. Gayler, K.C. Kersebaum, B.A. Kimball, A.K. Koehler, B. Liu, G.J. O’Leary, J.E. Olesen, M.J. Ottman, E. Priesack, M. Reynolds, P. Stratonovitch, T. Streck, P. J. Thorburn, K. Waha, G.W. Wall, J.W. White, Z. Zhao, & Zhu., Y. (2017). Crop model improvement reduces the uncertainty of the response to temperature of multi-model ensembles. Field Crops Research, 202, 5-20.
Majidian, M., & Ghadiri, H. (2002). The effect of moisture stress and different amounts of nitrogen fertilizer in different stages of growth on the yield of yield components, water use efficiency and some physiological characteristics of corn plants. Iranian Journal of Agricultural Sciences, 33(3), 492-499. [in Persian]
Marchand, P., Carr, J.A., Dell’Angelo, J., Fader, M., Gephart, J.A., Kummu, M., & Ratajczak, Z. (2016). Reserves and trade jointly determine exposure to food supply shocks. Environmental Research Letters, 095009.
Montoya, F. García, C. Pintos, F. & Otero. A. (2017). Effects of irrigation regime on the growth and yield of irrigated soybean in temperate humid climatic conditions. Agricultural Water Management 193: 30-45.
Mourtzinis, S. Gurpreet Kaurb, John M. Orlowskib, Charles A. Shapiroc, Chad D. Leed, Charles Wortmannc, David Holshousere, Emerson D. Nafzigerf, Hans Kandelg, Jason Niekampf, William J. Rossh, Josh Loftoni, Joshua Vonkf, Kraig L. Roozeboomj, Kurt D. Thelenk, Laura E. Lindseyl, Michael Statonm, Seth L. Naeven, Shaun N. Casteelo, William J. Wieboldp, Shawn & Conleya., P. (2018). Soybean response to nitrogen application across the United States: A synthesis-analysis. Field Crops Research, 215, 74-82.
Quansah, J.E., Welikhe, P., El Afandi, G., Fall, S., Mortley, D., & Ankumah, R. (2020). CROPGRO-soybean model calibration and assessment of soybean yield responses to climate change. American Journal of Climate Change, 297-316.
Ritchie, J. T., & Otter, S. (1985). Description and performance of CERES-Wheat: a useroriented wheat yield model. In: ARS Wheat Yield Project. ARS-38. Natl Tech Info Serv, Springfield, Missouri, pp. 159-175.
Searchinger, T., Waite, R., Hanson, C., Ranganathan, J., Dumas, P., Matthews, E., & Klirs, C. 2019. Creating a Sustainable Food Future: a Menu of Solutions to Feed Nearly 10 Billion People by 2050 (accessed 16 April 2020).
Silva, E.H.F.M., Boote, K.J., Hoogenboom, G., Gonçalves, A.O., Junior, A.S.A., & Marin, F.R. (2021). Performance of the CSM-CROPGRO-soybean in simulating soybean growth and development and the soil water balance for a tropical environment. Agricultural Water Management, 252, 106929
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.
Singh, U., J. T., Ritchie & Tsuji., G.Y. (1991). Simulation models for crop growth: IBSNAT approach. In: International Symposium on Sweet Potato Technology for the 21th Century, Tuskegee University, Tuskegee, Alabama.
Souza, T.T., Antolin, L.A.S., Bianchini, V.J.M., Pereira, R.A.A., Silva, E.H.F.M., & Marin, F. R. (2019). Longer crop cycle lengths could offset the negative effects of climate change on Brazilian maize. Bragantia.
Thomson, A.M., Calvin, K.V., Smith, S.J., Kyle, G.P., Volke, A., & Patel, P. (2011). RCP4. 5: a pathway for stabilization of radiative forcing by 2100. Climate Change, 77-94.
Timsina, J., Godwin, D., Humphreys, E., Kukal, S.S., & Smith, D. (2008). Evaluation of options for increasing yield and water productivity of wheat in Punjab, India using the DSSAT-CERES-Wheat model. Agric. Water Manag. 1099-1110.
Tyagi, S.D., Khan, M.H., Teixeira D.A., & Silva, J.A. (2011). Yield stability of some soybean genotypes across diverse environments. Int. J. Plant Breed. 5, 37-41.
White, J., & Hoogenboom, G. (2010). Crop response to climate: ecophysiological models. In: Lobell D, Burke M, editors. Climate change and food security, advances in global change research, 37, 59-83.
Wilkerson, G. G. , J. W. Jones, K. J. Boote, K. T. Ingram, J. W. Mishoe, (1983). Modeling soybean growth for crop management. American Society of Agricultural and Biological Engineers. 26: 63-73.
Willmott, C.J. (1982). Some comments on the evaluation of model performance. Bulletin of American Meteorology Society, 63, 1309-1313.
Wright, G.C. (1996). Selection for water-use efficiency in grain legume species. 554-557, In: Michalk, D.L. and J.E. Dratley (eds.), Proceedings of the 8th Australian Agronomy Conference, Toowoomba, Australia.
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.
Yousefi, S., Pakenjad, F., & Ilkai, M. (2011). The effect of irrigation management and nitrogen fertilization on soybean plant yield and yield. The first national conference on new topics in agriculture, 25-32. [in Persian].
يادداشت ها13
[1] Glycine max L
[2] Crop Growth Models (CGM)
[3] Decision Support System For Agrotechnology Transfer (DSSAT)
[4] JW Jones
[5] KJBoote
[6] Priestley and Physics
[7] Mean Relative Error (MRE)
[8] Root Mean Square Error (RMSE)
[9] Mean Bias Error (MBE)
[10] Normalized Root Mean Square Error (RMSEn)
[11] Index of Agreement (d or IoA)
[12] Coefficient of Efficiency (EF)
Related articles
The rights to this website are owned by the Raimag Press Management System.
Copyright © 2021-2025