پايش عملكرد گندم و چغندرقند در استان خراسان: 1- تجزيه و تحليل روش‌هاي پيش‌بيني عملكرد پتانسيل

Yield Monitoring for Wheat and Sugar beet in Khorasan Province: 1- Analysis of Methods for Estimating Potential Yield

پیش‌بینی عملكرد پتانسیل در شرایط بدون محدودیت آب و عناصر غذایی و عاری از آفات، بیماری‌ها و علف‌های هرز اولین قدم در تخمین خلاء عملكرد محصولات زراعی است. عدم دسترسی به داده‌های كامل و دقیق محدودیت اصلی در استفاده از مدل‌های شبیه‌سازی برای برآورد عملكرد پتانسیل است و در این‌صورت استفاده از مدل‌های ساده شده جایگزین مناسبی محسوب می‌شود، البته پیش از استفاده از این مدل‌های ساده اطمینان از قدرت پیش‌بینی آنها در مقایسه با مدل‌های شبیه‌سازی ضروری ‌می‌باشد. در این پژوهش عملكرد پتانسیل گندم و چغندرقند در سه منطقه از استان خراسان رضوی (تربت حیدریه، مشهد و نیشابور) با استفاده از سه روش ساده محاسباتی و نیز با دو مدل شبیه‌سازی برآورد و دقت روش‌ها مورد مقایسه قرار گرفته است. محاسبات ساده بر اساس روش فائو (FAO)، مدل تغییر یافته فائو (FAO-M) و روشی مبتنی بر كارآیی مصرف نور (RUE) انجام شد كه در آنها عملكرد پتانسیل به‌وسیله دو معادله و با استفاده از میانگین ماهانه داده‌های آب و هوایی برآورد می‌شود. عملكرد پتانسیل دو محصول در همان مناطق توسط مدل‌های LINTUL و SUCROS كه بر اساس داده‌های روزانه آب و هوایی اجرا می‌شوند و قبلاً برای مطالعات در مقیاس منطقه‌ای واسنجی شده بودند نیز پیش‌بینی شد و قدرت پیش‌بینی 5 روش بر اساس شاخص‌های آماری مورد مقایسه قرار گرفت. میانگین عملكرد مشاهده شده گندم در سه منطقه تحت بررسی 18/7 تن در هكتار بود و در 5 روش تحت بررسی میانگین عملكرد پتانسیل گندم سه منطقه بین 92/6 تا 63/7 تن در هكتار پیش‌بینی شد. بر این اساس خطای پیش‌بینی در مورد مدل‌های شبیه‌سازی 39/1 و برای سه روش ساده كمتر از 5 درصد (64/4 %) به‌دست آمد. باوجودی‌كه مقدار نسبی جذر میانگین مربعات خطا (RMSEn) برای سه روش ساده بیشتر از مدل‌های شبیه‌سازی بود ولی بین 11/7 تا 16/10 درصد و در محدوده مطلوب قرار داشت. به‌علاوه كارآیی مدل‌سازی (ME) نیز مثبت و به‌جز در روش RUE بالاتر از 60/0 بود. میانگین عملكردهای انداره‌گیری شده چغندرقند 5/82 تن در هكتار بود در حالی‌كه میانگین عملكرد پتانسیل پیش‌بینی شده به روش‌های مختلف در محدوه 91-89 تن در هكتار قرار داشت. دقت پیش‌بینی عملكرد چغندر به‌وسیله روش‌های ساده كمتر از مدل‌های شبیه‌سازی بود ولی قابلیت پیش‌بینی آنها بر اساس شاخص‌های آماری قابل قبول محسوب شد به‌طوری‌كه RMSEn محاسبه شده برای این روش‌ها از 5/11 درصد تجاوزر نكرد. در تعیین اعتبار متقابل روش‌های ساده با مدل‌های شبیه‌سازی نیز همبستگی معنی‌داری بین عملكردهای پیش‌بینی شده توسط روش‌های ساده و مدل‌های پیچیده به‌دست آمد كه نشان‌دهنده انطباق مطلوب آنهاست. نتایج این تحقیق نشان داد كه با استفاده از روش‌های محاسباتی ساده و حداقل داده‌های آب و هوایی می‌توان عملكرد پتانسیل محصولات زراعی را با دقت فابل قبولی برآورد كرد. چنین روش‌هایی در صورت عدم دسترسی به مدل‌های شبیه‌سازی كه به‌طور دقیق واسنجی شده باشند و در اختیار نداشتن داده‌های كامل آب و هوایی روزانه جهت تخمین خلاء عملكرد در مقیاس منطقه‌ای و نیز در پهنه‌بندی‌های اگرواكولوژیك مفید خواهند بود.

Introduction Potential production condition is defined as situation where water and nutrients are supplied in ample with no damage from weeds, pests and diseases. Under this situation potential yield (Yp) which is defined by solar radiation, temperature, CO2 concentration and genotypic characteristics of the crop species could be achieved. Closing the gap between Yp and actual yield (Ya) harvested by farmers is considered as the main challenge of agronomic sciences all around the world. Crop simulation models provide a powerful tool for prediction of Yp at regional and national scales. However, the accuracy of these models is highly dependent on the quality of input data which are usually not fully available even in developed countries. Simplified models designed based on few simple equations may be considered as an alternative where accurate data sets are lacking. In this research, Yp of wheat and sugar beet were estimated using some simple methods and the results were compared with those of complex simulation models under the same climatic and management conditions in Khorasan province, north east of Iran. Materials and Methods Potential yields of wheat and sugar beet were estimated by three simple calculation methods including FAO method (FAO, 1981), modified FAO, FAO-M (Versteeg and van Keulen, 1986) and RUE-based method (Nonhebel, 1997) at three different regions (Torbat, Mashhad and Neishabor) in Khorasan province. In these methods total above ground dry matter (DM) is calculated using two equations and Yp is estimated as the product of DM and harvest index with minimum weather data requirements. In addition, Yp for both crops and at the same locations was predicted using LINTUL and SUCROS simulation models which were previously calibrated for yield estimation of wheat and sugar beet at regional level. The accuracy of predicted potential yields by five methods was compared statistically against the measured yields obtained from the field experiments and high yielding farms at the studied regions. Results and Discussion Mean observed yield of wheat over the three studied regions was 7.18 t ha-1 and the estimated potential yield in the same regions using two simulation models and three simplified models was ranged between 6.92 and 7.63 t ha-1. Prediction error for the simulation models was 1.39 and for simple methods less than 5% (4.64%). Relative root mean squared error (RMSEn) for the simple methods was higher than that of complex models. However, it was between 7.11 and 10.16 % of the mean measured wheat yield which could be statistically considered as reasonable. Calculated values of modeling efficiency (ME) were positive and higher than 0.60 except for FAO-M method (ME=0.48). Measured sugar beet yield averaged over regions was 82.5 t ha-1 and estimated potential yield by different methods was between 89 and 91 t ha-1. Simple calculation methods had lower accuracy in predicting sugar beet yield compared to simulation models but RMSEnof simple methods never exceeded 11.5% showing statistically acceptable prediction. Cross validation indicated significant correlation between the results of three simple methods and that of complex simulation models. Conclusions Results of this study showed that potential yields of different crops can be estimated accurately using simple calculation methods with minimum weather data requirements. Such methods may be used as an alternative for agroecological zoning and yield gap analysis at regional level where calibrated simulation models and complete daily weather data sets are not available.