کارایی مدل‌ SWAP بروز رسانی شده با تصاویر ماهواره‌ای و مدل AquaCrop در شبیه سازی عملکرد برنج رقم هاشمی در استان گیلان

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانش‌آموخته کارشناسی ارشد، گروه علوم خاک، دانشکده علوم کشاورزی، دانشگاه گیلان، رشت، ایران

2 استادیار، گروه علوم خاک، دانشکده علوم کشاورزی، دانشگاه گیلان، رشت، ایران

3 استادیار، گروه مهندسی آب، دانشکده علوم کشاورزی، دانشگاه گیلان، رشت ، ایران

4 استادیار پژوهش، مؤسسه تحقیقات برنج کشور. سازمان تحقیقات، آموزش و ترویج کشاورزی، رشت، ایران

5 استادیار، گروه علوم و مهندسی آب، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.

چکیده

امروزه استفاده از مدل­های شبیه­ساز در مدیریت بهینه فرآیند تولید و عملکرد محصول در مقیاس مزرعه­ای از اهمیت ویژه‌ای برخوردار است. با توجه به اینکه تلفیق سنجش‌ازدور و مدل سبب افزایش دقت شبیه‌سازی می‌شود، پژوهش حاضر باهدف ارزیابی دو مدل SWAP تلفیق‌شده با تصاویر ماهواره‌ای‌ سنتینل 2 و AquaCrop در شبیه‌سازی عملکرد گیاه برنج رقم هاشمی در یکی از مزارع تحقیقاتی مؤسسه تحقیقات برنج کشور انجام شد. پارامترهای اندازه­گیری شده که مورد مقایسه دو مدل مذکور قرار گرفتند شامل مقدار ماده خشک اجزای گیاه طی دوره رشد بود. ارزیابی مقادیر شبیه‌سازی‌شده و اندازه‌گیری شده نشان داد که ریشه میانگین مربعات خطا در عملکرد شلتوک شبیه‌سازی‌شده توسط مدل SWAP به‌روزرسانی شده با تصاویر ماهواره‌ای سنتینل 2 در دو مرحله زایشی و رسیدگی به ترتیب 28/6 و 40/142 کیلوگرم بر هکتار و در مدل AquaCrop به ترتیب 55/9 و 46/338 کیلوگرم بر هکتار به دست آمد. بر اساس نتایج به دست آمده از آماره­ها می­توان نتیجه گرفت که هر دو مدل AquaCrop و SWAP به‌روزرسانی شده با تصاویر ماهواره‌ای عملکرد شلتوک و زیست‌توده برنج رقم هاشمی را با دقت بالایی پیش­بینی کردند. لیکن با اندکی تفاوت (96/0R2=) مدل AquaCrop نسبت به مدل SWAP به‌روزرسانی شده با تصاویر ماهواره‌ای در شبیه­سازی مقدار شلتوک از دقت کمتری برخوردار بود و مدل SWAP که ورودی­هایش توسط داده­های به‌دست‌آمده از تصاویر ماهواره‌ای بروز رسانی شده بود، در مراحل مختلف از دقت بالاتری برای شبیه­سازی عملکرد شلتوک برخوردار بوده و می­توان با اطمینان بیشتری جهت شبیه­سازی عملکرد محصول برنج به آن اکتفا نمود.

کلیدواژه‌ها


عنوان مقاله [English]

Investigation capability of updated SWAP model with satellite images and AquaCrop model in simulating the Hashemi rice yield in Guilan province

نویسندگان [English]

  • Adineh Abdi 1
  • Safoora Asadi Kapourchal 2
  • Majid Vazifedoust 3
  • Mojtaba Rezaei 4
  • Aslan Egdernezhad 5
1 Graduated MSc, Department of Soil Science, Faculty of Agricultural Sciences, University Of Guilan, Rasht, Iran
2 Assistant Professor, Department of Soil Science, Faculty of Agricultural Sciences, University Of Guilan, Rasht, Iran.
3 Assistant Professor, Water Engineering Department, Faculty of Agricultural Sciences, University Of Guilan, Rasht, Iran
4 Research Assistant Professor, Rice Research Institute of Iran, Agricultural Research, Education and Extension Organization (AREEO), Rasht, Iran
5 Assistant Professor, Department of Water Sciences and Engineering, Ahvaz Branch, Islamic Azad University, Ahvaz, Iran.
چکیده [English]

Nowadays, the use of simulation models is of great importance for optimal management of the production process and yield on farm scale. Due to the fact that combination of remote sensing with a model increases the accuracy of simulation, this study was conducted to evaluate the updated SWAP model combined with Sentinel 2 satellite images and AquaCrop model to simulate Hashemi rice yield in one of the research farms at the National Rice Research Institute of Iran. The measured parameters that were compared with two models included the quantity of dry matter of plant components during growth period. Evaluation of simulated and measured values indicated that the root mean square error of paddy and rice yield simulated with SWAP model updated with Sentinel 2 satellite images in two stages of reproductive and ripening were 6.28 and 142.40 kg/ha, respectively. Also, the RMSE values obtained for AquaCrop model were 9.55 and 338.46 kg/ha, respectively. Further evaluation of obtained statistics revealed that both SWAP updated with satellite images and AquaCrop models, can predict the yield and biomass of Hashemi cultivar with reasonably high accuracy. However, the AquaCrop model with a slight difference (R2=0.96), was less accurate in simulating the quantity of paddy than the SWAP model updated with satellite images. Furtheremore, when SWAP’s inputs were updated by data obtained from satellite images, at different stages, provided a higher accuracy to simulate the yield of paddy. Thus, it can be fairly used to simulate the rice yield.

کلیدواژه‌ها [English]

  • Crop growth models
  • LAI
  • Paddy field
  • Satellite Image
  • Simulation
ابراهیمی پاک، ن. ع.، اگدرنژاد، ا.، تافته، ا. و خدادادی دهکردی، د. 1397. بررسی کارایی مدل AquaCrop در شبیه­سازی عملکرد گیاه کلزا تحت سناریوهای کم­آبیاری در دشت قزوین. تحقیقات آب و خاک ایران. 49(5): 1003-1015.
اعلایی بازکیایی، پ.، کامکار، ب.، امیری، ا.، کاظمی، ح.، رضایی، م. و اکبرزاده، س. 1398. شبیه­سازی عملکرد و بهره­وری مصرف آب در کشت برنج تحت شرایط مدیریت آبیاری و تاریخ کاشت با مدل AquaCrop . نشریه حفاظت منابع آب و خاک. 9(2): 17-34.
اعلایی بازکیایی، پ.، کامکار، ب.، امیری، ا.، کاظمی، ح. و رضایی، م. 1399. ارزیابی مدل‌های گیاهی AquaCrop و ORYZA2000 در شبیه‌سازی عملکرد برنج تحت مدیریت‌های زراعی در شهر رشت. نشریه پژوهش­های زراعی ایران. 18(4): 401-412.
امیری، ا. و شیرشاهی، ف. 1396. ارزیابی عکس­العمل ذرت دانه‌ای به مدیریت کم­آبیاری با استفاده از مدل SWAP. اکوفیزیولوژی گیاهان زراعی. 11(4): 759-774.
برزیکار، م. ع.، اگدرنژاد، ا.، تافته، ا. و ابراهیمی پاک، ن. ع. 1399. شبیه­سازی عملکرد و بهره­وری آب گندم در دشت هندیجان با استفاده از مدل AquaCrop. مدیریت آب در کشاورزی. 7(1): 53- 64.
بی‌نام، 1399. آمارنامه کشاورزی سال 1398-1397 (جلد اول: محصولات زراعی). وزارت جهاد کشاورزی. 97 صفحه.
پندی، ح.، اسدی کپورچال، ص.، وظیفه‌دوست، م. و رضایی، م. 1399. شبیه­سازی عملکرد و اجزای عملکرد گیاه برنج با استفاده از مدل SWAP و فناوری سنجش‌ازدور به‌منظور استفاده بهینه از منابع آب ‌و خاک. محیط‌زیست و مهندسی آب. 6(4): 374-387.
حیدری نیا، م.، ناصری، ع. ع. و برومند نسب، س. 1391. بررسی امکان کاربرد مدل AquaCrop در برنامه­ریزی آبیاری آفتابگردان در اهواز. مهندسی منابع آب. 5(12): 37-50.
رضایی، م،. وظیفه­دوست، م.، دواتگر، ن.، پیرمرادیان، ن.، مختاری، ش.، شاه­نظری، ع.، رائینی­سرجاز، م. و امیری، ا. 1395. استفاده از تصاویر ماهواره لندست در برآورد شاخص سطح برگ برنج در سطوح وسیع. مدیریت آب در کشاورزی. 2(3): 53-60.
سیاحی، ح.، اگدرنژاد، ا. و ابراهیمی پاک، ن.ع. 1399. مقایسه دو مدل AquaCrop  و SWAP در شبیه‌سازی عملکرد و بهره‌وری آب چغندرقند تحت دوره‌های مختلف آبیاری. نشریه آبیاری و زهکشی ایران. 14(4): 1311-1321.
صدوقی، ل.، همایی، م.، نوروزی، ع. ا. و اسدی کپورچال، ص. 1395. برآورد عملکرد برنج با استفاده از مدل VSM و تصاویر ماهواره­ای در استان گیلان. تحقیقات غلات. 6(3): 397-410.
علیزاده، ح. ع.، نظری، ب.، پارسی­نژاد، م.، رمضانی اعتدالی، ه. و جانباز، ح. ر. 1389. ارزیابی مدل AquaCrop  در مدیریت کم­آبیاری گندم در منطقه کرج. نشریه آبیاری و زهکشی ایران. 4(2): 273-283.
کریمی، ش.، اگدرنژاد، ا. و نخجوانی مقدم، م.م. 1399. ارزیابی مدل SWAP برای شبیه‌سازی دو رقم زودرس و متوسط رس ذرت دانه‌ای در تراکم‌های مختلف کاشت تحت آبیاری بارانی. نشریه آبیاری و زهکشی ایران. 14(6): 1893-1907.
موسوی، س. ا. ح.، اگدرنژاد، ا. و گیلانی، ع. ع. 1398. شبیه‌‌سازی عملکرد و کارایی مصرف آب ارقام مختلف برنج تحت شرایط مختلف کاشت با استفاده از دو مدل AquaCrop و SWAP. نشریه مدیریت آب در کشاورزی. 6(1): 123-134.
یاقوتی، ح.، پذیرا، ا.، امیری، ا. و مسیح­آبادی، م. ح. 1397. کاربرد تصاویر ماهواره­ای و فناوری سنجش‌ازدور برای تخمین عملکرد برنج. نشریه حفاظت منابع آب و خاک. 7(3): 55-69.
Abdul-Ganiyu, S., Kyei-Baffour, N., Agyare, W.A. and Dogbe, W. 2018. Evaluating the Effect of Irrigation on Paddy Rice Yield by Applying the AquaCrop Model in Northern Ghana. Chapters in Book: Strategies for Building Resilience against Climate and Ecosystem Changes in Sub-Saharan Africa. Springer, Singapore. 93-116
Alemie. A., Habtu, S., Hadgu, K. M. Kebede, A. and Dejene, T. 2010. Test of AquaCrop model in nTest of AquaCrop model in simulating biomass and yield of water deficient and irrigated barley (Hordeum vulgare). Agricultural Water Management. 97(11): 1838-1846.
Allen, R.G., Pereira, L.S., Raes, D. and Smith, M. 1998. Crop Evapotranspiration: Guidelines for Computing Crop Water Requirements. FAO Irrigation and drainage. paper 56. Food and Agriculture Organization. Rome. Italy.  300 pp.
Besalatpour, A. A., Hajabbasi, M. A., Ayoubi, S. and Jalalian, A. 2012. Identification and prioritization of critical sub-basins in a highly mountainous watershed using SWAT model. Eurasian Journal of Soil Science. 1(1): 58-63.
Doorenbos, J. and Kassam, A.H. 1979. Yield response to water. FAO Irrigation and Drainage. Paper 33. Rome. 193 P.
FAO, 2017. FAOSTAT. Statistical Databases. Food and Agriculture Organization of the United Nations. http:/ www.fao.org.
FAO. 2020. Food and Agricultural Organization of the United Nations. http://www.fao.org.
Geerts, S. and Raes, D. 2009. Defecit irrigation as on-farm strategy to maximize crop water productivity in dry areas. Agricultural Water Management. 96(9): 1275-1284.
Jamieson, P.D., Porter, J.R. and Wilson, D.R. 1991. A test of the computer simulation model ARC-WHEAT1 on wheat crops grown in New Zeland. Field Crops Research, 27(4): 337-350.
Jin, X., Li, Z., Nie, C., Xu, X., Feng, H., Guo, W. and Wang, J. 2018. Parameter sensitivity analysis of the AquaCrop model based on extended fourier amplitude sensitivity under different agro-meteorological conditions and application. Field Crops Research. 226: 1-15.
Johnson, D.M. 2014. An assessment of pre-and whithin-season remotely sensed variable for forecasting corn and soybean yields in the United States. Remote Sensing of Environment. 141(0):116-128.
Jonubi, R., Rezaverdinejad, V. and Salemi, H. 2018. Enhancing field scale water productivity for several rice cultivars under limited water supply. Paddy and Water Environment. 16(1): 125-141.
Kumar, P., Sarangi, A., Singh, D.K. and Parihar, S.S. 2014. Evaluation of aquacrop model in predicting wheat yield and water productivity under irrigation saline regimes. Irrigation and Drainage. 63(4): 474–487.
Liu, Y., Yang, H. S., Li, J. S., Li, Y. F. and Yan, H. J. 2018. Estimation of irrigation requirements for drip-irrigated maize in a subhumid climate. Journal of integrative agriculture. 17(3): 60345-7.
Noureldin, N.A., Aboelghar, M. A., Saudy, H.S. and Ali, A.M. 2013. Rice yield forecasting models using satellite imagery in Egypt. The Egyptian Journal of Remote Sensing and SpaceSciences. 16(1): 125-131.
Raes, D., Steduto, P., Hsiao, T.C. and Fereres, E. 2012. Reference manual AquaCrop, FAO, Land and Water Division, Rome, Italy.
Raes, D.; Steduto, P.; Hsiao, et al. 2018. AquaCrop Version 6.0 - 6.1 Reference Manual June. FAO, Rome, Italy.
Steduto, P., Hsiao, T. C. and Fereres, E. 2007. On the conservative behavior of biomass water productivity. Irrigation Science. 25(3): 189-207.
Steduto, P., Hsiao, T.C., Raes, D. and Fereres, E. 2009. AquaCrop. The FAO crop model to predict yield response to water. Agronomy Journal. 101(3): 426-437.
Zeleke, K.T. 2019. Calibration and validation for faba bean (Vicia faba L.) under different agronomic managements. Agronomy. 9(6): 320: 1-20.