مدیریت آب در کشاورزی

مدیریت آب در کشاورزی

توسعه یک مدل جدید رشد منطقه‌ای ذرت بر اساس تبخیر - تعرق گیاه مرجع

نوع مقاله : مقاله پژوهشی

نویسندگان
ایمان حاجی راد 1
خالد احمدالی 2
عبدالمجید لیاقت 3
ساناز محمدی 4
سید مجید میرلطیفی 5
حسین دهقانی سانیج 6
1 دانشجوی دکتری گروه مهندسی آبیاری و آبادانی، دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران،کرج، ایران.
2 استادیار، گروه مهندسی آبیاری و آبادانی، دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران
3 استاد، گروه مهندسی آبیاری و آبادانی، دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران.
4 دکتری گروه مهندسی و مدیریت آب، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران، ایران
5 دانشیار گروه مهندسی و مدیریت آب، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران، ایران
6 استاد، مؤسسه تحقیقات فنی و مهندسی کشاورزی، سازمان تحقیقات آموزش و ترویج کشاورزی، کرج، ایران
چکیده
شرایط آب و هوایی و میزان آبیاری از عوامل کلیدی تأثیرگذار بر فرآیندهای رشد محصول هستند. اطلاع از میزان عملکرد بیولوژیک محصولات در مراحل مختلف رشد، می­توان ابزار سودمندی برای برنامه­ریزی و مدیریت آب و کود در مزرعه می­باشد. تولید ذرت علوفه­ای (Zea mays L.) یکی از مهم­ترین محصولات زارعی است که تأثیرات گسترده­ای بر اقتصاد کشاورزی دارد. در این مطالعه به بررسی برآورد عملکرد نسبی ذرت در دو حالت یکی با استفاده از متغیر تبخیر – تعرق مرجع تجمعی نسبی ( ) و دیگری با استفاده از متغیر درجه-روز-رشد تجمعی نسبی ( )، توسط مدل لجستیک پرداخته شد. نتایج نشان داد که بر اساس آماره­های ، RMSE و MAPE، مدل لجستیک در برآورد عملکرد بیولوژیک در طول دوره رشد، از صحت بالایی برخوردار است. همچنین با مقایسه نتیجه مدل برای دو متغیر مستقل   و ، این نتیجه حاصل شد که مدلی که از تبخیر - تعرق گیاه مرجع تجمعی نسبی، دقیق‌تر از مدلی است که از درجه – روز – رشد تجمعی نسبی استفاده می‌کند. متغیر ورودی  به این دلیل که می­تواند به­طور جامع اثرات عوامل هواشناسی بر رشد ذرت علوفه­ای را منعکس کند، توانایی بالاتری در شبیه­سازی فرآیند رشد ذرت علوفه­ای دارد. هر چند که در شرایط کمبود داده مدل ارائه­شده بر اساس درجه – روز – رشد نیز می­تواند عملکرد ذرت را با دست مناسبی برآورد نماید. پیشنهاد می­شود مدل ارائه شده در دستگاه­های اجرایی کشور به­منظور آمایش سرزمین، الگوی بهینه کشت و نهایتاً برنامه­ریزی­های کلان مدنظر قرار گیرد.
کلیدواژه‌ها
درجه – روز – رشد
عملکرد بیولوژیک
کم‌آبیاری
مدیریت آبیاری

عنوان مقاله English

Development of a New Regional Corn Growth Model based on Reference Crop Evapotranspiration

نویسندگان English

Iman Hajirad 1
Khaled Ahmadaali 2
Abdolmajid Liaghat 3
Sanaz Mohammadi 4
Seyed Majid Mirlatifi 5
hossain dehghanisanij 6
1 Ph.D. Student, Department of Irrigation and Reclamation Engineering, College of Agricultural and Natural Resources, University of Tehran, Karaj, Iran.
2 Assistant Professor, Department of Irrigation and Reclamation Engineering, College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran
3 Professor, Department of Irrigation and Reclamation Engineering, College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran
4 Ph.D. Water Management and Engineering Department, Collage of Agriculture, Tarbiat Modares University, Tehran, Iran
5 Associate Professor, Water Management and Engineering Department, Collage of Agriculture, Tarbiat Modares University, Tehran, Iran
6 Professor, Agricultural Engineering Research Institute, Agricultural Research, Education and Extension Organization, Alborz, Iran
چکیده English

Weather conditions and the amount of irrigation are key factors influencing crop growth processes. Knowing the biological performance of crops at different growth stages can be a useful tool for planning and managing water and fertilizers on the farm. Forage corn production (Zea mays L.) is one of the most important agricultural crops, with significant impact on the agricultural economy. In this study, the relative performance of corn was estimated in two scenarios, one using the variable of cumulative relative reference crop evaporation-transpiration ( ) and the other using the variable of cumulative relative growing degree days ( ), by logistic model. The results showed that based on statistical indices such as R2, RMSE and MAPE, the logistic model has high accuracy in estimating biological performance during the growth period. Also, by comparing the results of the model for two independent variables  and , indicated that the model using cumulative relative reference crop evapotranspiration-transpiration was more accurate than the model using cumulative growing degree days. The input variable  has a higher capability to simulate the fodder corn growth process due to the fact that it can comprehensively reflect the effects of meteorological factors on the growth of fodder corn. Although, in the conditions of lack of data, the presented model based on growing degree days can also estimate the yield of corn with a suitable hand. It is recommended that the proposed model be considered by executive organizations in the country for land-use planning, optimal cropping patterns, and ultimately macro-scale agricultural planning.

کلیدواژه‌ها English

Biological Yield
Deficit Irrigation
Irrigation Management
Growing Degree Days
حاجی­راد، ا.، میرلطیفی، س.م.، دهقانی­سانیج، ح و محمدی، س. 1400. تأثیر دو نوع مدیریت آبیاری بر شاخص‌های رشد ذرت علوفه‌ای در اقلیم خشک و نیمه‌خشک. نشریه آبیاری و زهکشی ایران. 15(6): 1444-1458.
حاجی­راد، ا.، میرلطیفی، م.، دهقانی­ سانیج، ح.، و محمدی، س. 1400. برآورد ضریب گیاهی و ضریب تنش آبی ذرت علوفه­ای تحت سطوح مختلف آبیاری به روش بیلان آب خاک (مطالعه موردی: دشت ورامین). مجله تحقیقات آب و خاک ایران. 52 (9): 2359-2371.
حاجی­راد، ا.، احمد آلی، خ.، و لیاقت، ع. 1402. مدل­سازی ریاضی تبخیر – تعرق محصولات استراتژیک در عرض­های جغرافیایی مختلف کشور. تحقیقات منابع آب ایران. 19(5): 51-61.
حاجی­راد، ا.، احمدآلی، خ و لیاقت، ع. 1403. ارزیابی توابع غیرخطی رشد در توصیف شاخص سطح برگ. نشریه آبیاری و زهکشی ایران. 18(1): 173-184.
Akao, S., Yasutake, D., Kondo, K., Nagare, H., Maeda, M. and Fujiwara, T. 2018. Effects of cultivation period on catch crop chemical composition and potential for bioenergy production. Industrial crops and products. 111: 787-793.
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. Fao, Rome. 300(9): D05109.
Anandhi, A. 2016. Growing degree days–Ecosystem indicator for changing diurnal temperatures and their impact on corn growth stages in Kansas. Ecological Indicators. 61: 149-158.
Cammarano, D. and Tian, D. 2018. The effects of projected climate and climate extremes on a winter and summer crop in the southeast USA. Agricultural and Forest Meteorology. 248: 109-118.
Chen SiLong, C. S., Li YuRong, L. Y., Xu GuiZhen, X. G., and Cheng ZengShu, C. Z. 2008. Simulation on oil accumulation characteristics in different high-oil peanut varieties.
Elnesr, M. N., Alazba, A. A. and Alsadon, A. A. 2013. An arithmetic method to determine the most suitable planting dates for vegetables. Computers and electronics in agriculture. 90: 131-143.
Ewert, F., Rötter, R. P., Bindi, M., Webber, H., Trnka, M., Kersebaum, K. C. and Asseng, S. 2015. Crop modelling for integrated assessment of risk to food production from climate change. Environmental Modelling & Software. 72: 287-303.
Guan, B. T., Chung, C. H., Lin, S. T. and Shen, C. W. 2009. Quantifying height growth and monthly growing degree days relationship of plantation Taiwan spruce. Forest ecology and management. 257(11): 2270-2276.
Guo, Y., Wang, Q. J., Zhang, J. H. and Wei, K. 2023. PREDICTION OF DRY MATTER AND YIELD OF SPRING MAIZE (ZEA MAYS L.) IN NORTHWEST CHINA BASED ON LOGISTIC MODEL. Applied Ecology & Environmental Research. 21(1).
Hinchliffe, D. J., Meredith, W. R., Delhom, C. D., Thibodeaux, D. P. and Fang, D. D. 2011. Elevated growing degree days influence transition stage timing during cotton fiber development resulting in increased fiber‐bundle strength. Crop science. 51(4): 1683-1692.
Jamieson, P. D., Porter, J. R. and Wilson, D. R. 1991. A test of the computer simulation model ARCWHEAT1 on wheat crops grown in New Zealand. Field crops research. 27(4): 337-350.
Jung, M., Reichstein, M., Ciais, P., Seneviratne, S. I., Sheffield, J., Goulden, M. L. and Zhang, K. 2010. Recent decline in the global land evapotranspiration trend due to limited moisture supply. Nature. 467(7318): 951-954.
Lin, S., Deng, M., Wei, K., Wang, Q. and Su, L. 2023. A new regional cotton growth model based on reference crop evapotranspiration for predicting growth processes. Scientific Reports. 13(1): 7368.
Liu, Y., Su, L., Wang, Q., Zhang, J., Shan, Y. and Deng, M. 2020. Comprehensive and quantitative analysis of growth characteristics of winter wheat in China based on growing degree days. Advances in agronomy. 159: 237-273.
Maruyama, A. and Kuwagata, T. 2010. Coupling land surface and crop growth models to estimate the effects of changes in the growing season on energy balance and water use of rice paddies. Agricultural and Forest Meteorology. 150(7-8): 919-930.
McMaster, G. S. and Wilhelm, W. W. 1997. Growing degree-days: one equation, two interpretations. Agricultural and forest meteorology. 87(4): 291-300.
Mohammadi, S., Mirlatifi, S. M., Homaee, M., Dehghanisanij, H., and Hajirad, I. 2024. Evaluation of silage maize production under pulsed drip irrigation in a semi-arid region. Irrigation Science. 42(2), 269-283.
Muswera, T. J. 2016. Modelling maize (Zea Mays L.) phenology using seasonal climate forecasts (Master's thesis, University of Twente).
Peichl, M., Thober, S., Samaniego, L., Hansjürgens, B. and Marx, A. 2019. Climate impacts on long-term silage maize yield in Germany. Scientific reports. 9(1): 7674.
Penman, H. L. 1948. Natural evaporation from open water, bare soil and grass. Proceedings of the Royal Society of London. Series A. Mathematical and Physical Sciences. 193(1032): 120-145.
Pronk, A. A., Heuvelink, E. and Challa, H. 2003. Dry mass production and leaf area development of field-grown ornamental conifers: measurements and simulation. Agricultural systems. 78(3): 337-353.
Sawan, Z. M. 2018. Climatic variables: Evaporation, sunshine, relative humidity, soil and air temperature and its adverse effects on cotton production. Information processing in agriculture. 5(1): 134-148.
Sepaskhah, A. R., Fahandezh-Saadi, S., and Zand-Parsa, S. 2011. Logistic model application for prediction of maize yield under water and nitrogen management. Agricultural Water Management. 99(1), 51-57.
Su, L., Tao, W., Sun, Y., Shan, Y. and Wang, Q. 2022. Mathematical models of leaf area index and yield for grapevines grown in the turpan area, xinjiang, China. Agronomy. 12(5): 988.
Su, L., Wang, Q. and Bai, Y. 2013. An analysis of yearly trends in growing degree days and the relationship between growing degree day values and reference evapotranspiration in Turpan area, China. Theoretical and applied climatology. 113: 711-724.
Undersander, D. J. and Christiansen, S. 1986. Interactions of water variables and growing degree days on heading phase of winter wheat. Agricultural and Forest Meteorology. 38(1-3): 169-180.
Van Delden, A., Kropff, M. J. and Haverkort, A. J. 2001. Modeling temperature-and radiation-driven leaf area expansion in the contrasting crops potato and wheat. Field Crops Research. 72(2): 119-141.
Villegas, D., Aparicio, N., Blanco, R., and Royo, C. 2001. Biomass accumulation and main stem elongation of durum wheat grown under Mediterranean conditions. Annals of Botany. 88(4): 617-627.
Wang, K., Su, L. and Wang, Q. 2021. Cotton growth model under drip irrigation with film mulching: A case study of Xinjiang, China. Agronomy Journal. 113(3): 2417-2436.
Wang, Y. J., Zhang, J. H., Wang, Q. J., Su, L. J. and Feng, J. 2013. Comparative analysis of growth models of aboveground dry biomass of grape. Agric. Res. Arid Areas. 31: 257-263.
Zhang, Z., Chattha, M. S., Ahmed, S., Liu, J., Liu, A., Yang, L. and Yang, G. 2021. Nitrogen reduction in high plant density cotton is feasible due to quicker biomass accumulation. Industrial Crops and Products. 172: 114070.
Zúñiga, E. C. T., Cruz, I. L. L. and García, A. R. 2014. Parameter estimation for crop growth model using evolutionary and bio-inspired algorithms. Applied Soft Computing, 23: 474-482.