برآورد توابع عملکرد گندم دیم با استفاده از پارامترهای اقلیمی و کاربرد روش‌های رگرسیونی چند متغیره

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز

2 دانشجوی دکترای آبیاری و زهکشی-پردیس کشاورزی و منابع طبیعی دانشگاه تهران

3 دانشجوی دکتری آبیاری و زهکشی، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران.

4 هیئت علمی دانشگاه تبریز

چکیده

بیش از نیمی از اراضی کشاورزی در مناطق اقلیمی خشک و نیمه­خشک، تحت کشت دیم هستند. متغیرهای اقلیمی بسیاری بر عملکرد محصولات دیم تأثیرگذارند که متغیرهای مربوط به بارش مهم­ترین آن­ها هستند. هدف مطالعه حاضر، تعیین توابع عملکرد گندم دیم در ایستگاه­های تبریز، سراب و مراغه واقع در شرق حوضه دریاچه ارومیه با در نظر گرفتن تغییرات متغیرهای اقلیمی در طول مراحل مختلف رشد گندم دیم می­باشد. به­منظور مدل­سازی عملکرد با استفاده از روش­ رگرسیون چندمتغیره، از متغیرهای بارش، تعداد رویداد­های بارش مؤثر، کمبود بارش گیاهی، کمبود بارش مرجع و تبخیر-تعرق در شرایط دیم در طول شش مرحله رشد گندم دیم شامل جوانه­زنی، اتمام جوانه­زنی تا آغاز گل­دهی، مرحله گل­دهی، اتمام گل­دهی تا آغاز پر شدن دانه، مرحله پر شدن دانه و کل فصل رشد استفاده شد. بر اساس نتایج به­دست آمده، به­طور کلی نوسانات بارش بیش­ترین تأثیر را بر نوسانات عملکرد دارد. لذا شناسایی رژیم بارش و آنالیز مشخصات بارش در ارزیابی نوسانات عملکرد محصولات دیم حائز اهمیت است. در بین مراحل رشد نیز نوسان صفات مورد بررسی در کل فصل رشد نقش بیش­تری در تعیین توابع عملکرد دارد. توابع عملکرد با استفاده از متغیرهایی که همبستگی معنی­داری با عملکرد داشتند، تعیین شد. برای این منظور از داده­های 22 سال و 3 سال به­ترتیب برای واسنجی و صحت­سنجی استفاده شد. نتایج ارزیابی ضریب کارآیی مدل و جذر میانگین مربعات خطای نرمال شده حاکی از کارآیی بهتر روش همزمان در برآورد عملکرد گندم دیم سراب (55/0= EF و 19/0NRMSE =) و دقت متوسط روش گام به گام در برآورد عملکرد گندم مراغه و تبریز است. در مراغه و تبریز روش گام به گام به­ترتیب با مقادیر متوسط خطای نسبی 21 درصد و 6/15 درصد و در سراب نیز روش همزمان با متوسط خطای نسبی 5/16 درصد نتایج بهتری در برازش عملکرد داشتند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Estimation of Rainfed Wheat Yield Functions Using Climatic Parameters and Multivariate Regression Methods

نویسندگان [English]

  • MOEIN HADI 1
  • SAEID JALILI 2
  • vahid Mouneskhah 3
  • ABOLFAZL MAJNOONI HERIS 4
1 Department of Water Science and Engineering, Faculty of Agriculture, University of Tabriz, Tabriz
2 Department of Irrigation and Reclamation Engineering, Faculty of Agriculture Engineering and Technology, College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran.
3 Ph. D Candidate of Irrigation and Drainage, Department of Water Engineering, Tabriz University, Tabriz, Iran.
4 Associate Professor, Department of Water Engineering, Tabriz University, Tabriz, Iran
چکیده [English]

More than half of the agricultural lands in arid and semi-arid climates are rainfed. Many climatic variables affect the yield of rainfed crops, among them rainfall is the most important variable. The aim of the present study is to determine the yield functions of rainfed wheat in Tabriz, Sarab and Maragheh stations located in the east of Lake Urmia basin, considering the changes of climatic variables during different stages of rainfed wheat growth. In order to model the yield using multivariate regression method, some precipitation variables such as, number of effective precipitation events, vegetation precipitation deficit, reference precipitation and evapotranspiration deficit in rainfed conditions during six stages of rainfed wheat growth including germination; End of germination until the beginning of flowering; Flowering stage; Finishing flowering until the seeds start to fill; Seed filling stage and whole growing season were used. In general, based on the obtained results, precipitation fluctuations have the greatest effect on wheat yield. Therefore, identifying the precipitation regime and analyzing its characteristics is important for assessing yield fluctuations of rainfed crops. Among the growth stages, the fluctuation of the proposed traits in the whole growth season has a greater role in determining yield functions. Yield functions were determined using variables that had a significant correlation with yield. For this purpose, 22-year and 3-year data were used for calibration and validation, respectively. The results of the model efficiency coefficient and normalized root mean square error indicated better effeciency of Enter method in the Sarab (EF=0.55 and NRMSE=0.19) and the Moderate accuracy of Stepwise method in estimating the rainfed wheat yield in Maragheh and Tabriz. In Maragheh and Tabriz, the Stepwise method with average relative error values of 21% and 15.6%, respectively, and in Sarab, the Enter method with an average relative error of 16.5% had better results in yield fitting.

کلیدواژه‌ها [English]

  • Correlation
  • Enter method
  • Rainfall
  • Stepwise method
  • Yield

مراجع

Allen, R.G., Pereira, L.S., Raes, D & Smith, M. (1998). Crop evapotranspiration guidelines for computing crop water requirements. In: Irrigation and Drainage Paper No. 56. Food and Agriculture Organization of the United Nations (FAO), Rome, Italy.
Bannayan, M., Asadi, S., Salehi, H., & Koozegaran, S. (2017). Evaluating the relationship between cumulative rainfall and yield of wheat and barley using a evenness index in the semi-arid region of Mashhad. Iranian Journal of Irrigation and Drainage, 4(11), 636- 646. (In Farsi)
Bannayan, M., Sanjani, S., Alizadeh, A., Sadeghi-Lotfabadi, S. & Mohammadian, A. (2010). Association between climate indices, aridity index, and rainfed crop yield in northeast of Iran. Field Crops Research, 118(2), 105–114.
Battisti, R., Sentelhas, P. & Boote, k. (2017). Inter-comparison of performance of soybean crop simulation modelsand their ensemble in southern Brazil. Field Crops Research, 200, 28-37.
De-Pauw, E. (2002). An Agroecological Exploration of the Arabian Peninsula. ICARDA, Aleppo, Syria, 77 pp.
Fakheri-Fard, A., Majnooni-Heris, A., Ahmadzade, H., Isazade, M. & Mousavi, M.M. (2018). Soil studies of Ajichai basin, 141pp.
Fateh, S., Rasouli, A.A., Sari-Saraf, B., & Kamali, G.A. (2016). Study on GDD for wheat growing season period in iran. Climate Research, 27, 1-9. (In Farsi)
Ghivi, J. (1997). Qualitative assessment of land suitability for crops. Soil and Water Research Institute. Issue 1015. (In Farsi)
Hadi, M.  Majnooni-Heris, A. & Delirhasannia, R. (2017).  Assessing rainfed wheat cultivation risk and suitable time for supplemental irrigation in tabriz plain. Water and Soil Science, 27(2), 307- 320. (In Farsi)
Hosseini, S.M.T., Siosemarde, A., Fathi, P. & Siosemarde, M. (2007). Application of artificial neural network (ANN) and multiple regressions for estimating assessing the performance of dry farming wheat yield in Ghorveh region, Kurdistan Province.  Agriculture research ,  7(1), 41-54.(In Farsi)
Hundal, S.S., Singh ,R & Dhaliva, L.K. (1997). Agro-climatic indices for predicting phonology of wheat (Triticum-aestivum) in Punjab. Agriculture Science, 67, 265- 268.
Kamali, G.A., Sadaghiani-Poor, A., & Sedaghatkerdar, A. (2008). The climatic zoning of dryland wheat in Eastern Azerbaijan. Water and Soil, 22(2), 467-483. (In Farsi).
Labus, M. P., Nielsen, G., Alawrence, R.L., Engeld, R. & Long, S., (2002). Wheat yield estimates using multi-temporal NDVI satellite imagery. International Journal of Remote Sensing, 23(20), 4169-4180.
Landau, S., Mitchell, R.A.C., Barnett V., Colls, J.H., Craigon, J. & Payne R.W. (2000). A parsimonious, multiple regression model of wheat yield response to environment; Agricultural and Forest Meteorology, (101), 151-161.
Mam-karimi, B. (2017).  Evaluating crop yield functions of rain-fed wheat in West Azarbaijan using water inputs. Master's thesis, Faculty of Agriculture, University of Tabriz. (In Farsi)
Mouneskhah, V. & Majnooni-Heris, A. (2017). Effect of supplemental irrigation on water requirement satisfaction index of rainfed wheat in the Tabriz plain semi-arid climate. Iranian Journal of irrigation and Drainage, 11(6), 1143-1151. (In Farsi)
Mousavi-Baygi, M., Bannayan, M., Ashraf, B. & Asadi-Oskuei, E. (2016). Assessment of climatic indices limiting rainfed wheat yield. Ecological Indicators, 62, 298–305.
Naserin, A.  & Saeed-Mousavi, S.M. (2017). Determining Climatic Model of Rain-fed Wheat Yield at North of Khouzestan Province. Irrigation and Water Engineering, 8(1), 125-138. (In Farsi)
Quiring, S.M., & Papakryiakou, T.N. (2003). An evaluation of agricultural drought indices for the Canadian prairies. Agricultural and Forest Meteorology, 118(1–2), 49–62.
Sabziparvar, A.A., Torkaman, M. & Maryanaji, Z. (2013). Investigating the Effect of Agro-climatic Indices and Variables on Optimum Wheat Performance (Case study: Hamedan Province). Water and Science, 26(6),1554-1567. (In Farsi)
Shokouhi, M. & Sanaei-Nejad, S.H. (2016).  Effect of precipitation period and SPI index as an indicator of moisture supply on rainfed Barley Crop Yield (Case Study: Tabriz County). Water and Soil, 30(1), 210-221. (In Farsi).
Singh A. K., Tripathy R., and Chopra U. K. (2008). Evaluation of CERESWheat and CropSystmodels for water-Nitrogen interactions in Wheat crop. Agricultural Water Management, 95: 776-786.
Sohrabie-Mollayousef, S., Fakheri-Fard, A. & BozorgHaddad, O. (2012). Assessment the effect of intermittent rainfall of autumn and winter on annual dry farming yield by using the time-rain indicator (RTI). Water and Science, 26(1), 75-84. (In Farsi)
Zare-abyaneh, H. (2013).  Evaluating roles of drought and climatic factors on variability of four dry farming yields in mashhad and birjand. Water and Soil Science, 23(1), 39-56. (In Farsi).
تحقیقات آب و خاک ایران
دوره 52، شماره 2
اردیبهشت 1400
صفحه 497-506

فایل ها

هم رسانی

ارجاع به این مقاله

آمار