ارزیابی تأثیر بافت خاک بر صحت شبیه‌سازی عملکرد و زیست‌توده برنج توسط مدل DSSAT در مقیاس ناحیه‌ای

نوع مقاله : مقاله پژوهشی

نویسندگان

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

2 دانشیار، مؤسسه تحقیقات خاک و آب، سازمان تحقیقات، آموزش و‌‌ ترویج ‌کشاورزی، کرج، ایران.

3 استاد، گروه مهندسی آب، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران.

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

10.22092/ijsr.2025.368903.773

چکیده

مدل‌های رشد گیاهی در سطح کوچک و مقیاس مزرعه‌ای از صحت شبیه‌سازی زیادی برخوردار هستند. اما به‌کارگیری آن‌ها در سطح بزرگ‌تر و مقیاس ناحیه‌ای باعث کاهش قابل ملاحظه در صحت مدل می‌شود. کمتر مطالعه‌ای به بررسی دلایل این پدیده پرداخته است. هدف از پژوهش حاضر بررسی تأثیر بافت خاک بر میزان صحت مدل DSSAT برای پیش‌بینی عملکرد و زیست‌توده برنج در مقیاس ناحیه‌ای است. ابتدا مدل DSSAT با استفاده از داده‌های مزرعه‌ای واسنجی و اعتبارسنجی شد و سپس برای پیش‌بینی عملکرد و زیست‌توده برنج 110 شالیزار شهرستان صومعه‌سرای استان گیلان مورد استفاده قرار گرفت. داده‌های موردنیاز از مزارع جمع‌آوری و وارد مدل شد. ارزیابی خروجی مدل نشان داد که خطای مطلق مربوط به مدل دامنه نسبتاً زیادی را (تا 50 %) دارد. اما قسمت عمده این خطا در محدوده %30± رخ می‌دهد. همچنین صحت مدل برای میانگین عملکرد منطقه، قابل قبول است، ولی برای محدوده عملکرد بیشینه یا کمینه، از صحت مدل کاسته می‌شود. نتایج نشان داد که صحت شبیه‌سازی عملکرد و زیست‌توده توسط مدل با مقدار شن خاک رابطه معکوس دارد. کمترین مقدار خطای مدل یا بالاترین صحت در گروه شن 15-0 % و بیشترین خطا و کمترین صحت شبیه‌سازی در گروه شن بالای 30 % مشاهده شد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Evaluation of the Effect of Soil Texture on the Accuracy of Rice Yield and Biomass Simulation Using the DSSAT Model at a Large Scale

نویسندگان [English]

  • Mojtaba Rezaei 1
  • Naser Davatgar 2
  • Ebrahim Amiri 3
  • Morteza Kamali 4
1 Assistant Professor, Rice Research Institute of Iran, Agricultural Research, Education and Extension Organization (AREEO), Rasht, Iran.
2 Associate Professor, Soil and Water Research Institute, Agricultural Research, Education and Extension Organization (AREEO), Karaj, Iran
3 Professor, Water Engineering Department, Lahijan Branch, Islamic Azad University, Lahijan, Iran.
4 Rice Research Institute of Iran, Agricultural Research, Education and Extension Organization (AREEO), Rasht, Iran.
چکیده [English]

Crop Growth Models have high simulation precision at a small level and field scale. However, their application at larger and regional levels causes a significant decrease in model precision. Few studies have investigated the reasons for this phenomenon. The aim of the present study is to investigate the effect of soil texture on the precision of the DSSAT model for predicting rice yield and biomass at a large scale. First, the DSSAT model was calibrated and validated using field data and then used to predict rice yield and biomass in 110 paddy fields in Soumeh-Sara County, Guilan Province. The required data was collected from the fields and entered into the model. Evaluation of the model output showed that the absolute error related to the model covers a relatively large range (up to 50%). However, the majority of this error occurs in the range of ±30%. Also, the model precision is acceptable for average regional yield values, but the model precision decreases for maximum or minimum yield ranges. The results showed that the precision of the model's simulation of yield and biomass was inversely related to the amount of sand in the soil. The lowest model error, or in other words, the highest precision, was observed in the 0-15 percent sand group, and the highest error and lowest simulation precision were observed in the sand percentage group above 30 percent.

کلیدواژه‌ها [English]

  • Crop growth model
  • Model error
  • Yield in paddy field
  • Soil sand content

مراجع

  1. دلقندی، م.، اندرزیان، ب.، برومندنسب، س.، مساح بوانی، ع. و جواهری، ا. 1393. ارزیابی مدل CERES-Wheat نسخه DSSAT 4.5 در شبیه‌سازی رشد، عملکرد مراحل فنولوژی گندم در شرایط مدیریت‌های مختلف تخصیص آب در مزرعه: مطالعه موردی: شهرستان اهواز. نشریه آب و خاک (علوم و صنایع کشاورزی)، 28 (1): 82-91.
  2. دواتگر، ن. 1389. پیش‌بینی عملکرد گیاه برنج در شرایط محدودیت آب با استفاده از مدل‌های شبیه‌سازی رشد و نمو گیاه در مقیاس ناحیه‌ای. پایان‌نامه دکتری خاکشناسی دانشکده کشاورزی. دانشگاه تبریز.
  3. رضایی، م. 1387. گزارش نهایی طـرح بررسـی اثـر آبیـاری تنـاوبی و مقادیر مختلف کود نیتروژن بر عملکرد برنج رقم محلی هاشـمی. انتشارات موسسه تحقیقات برنج کشور، رشت.
  4. رضایی، م. 1391. بررسی برهمکنش سطوح مختلف زئولیت و آبیاری تناوبی بر عملکرد و اجزای عملکرد برنج. گزارش نهایی پروژه تحقیقاتی. موسسه تحقیقات برنج کشور، رشت.
  5. رضایی، م. و نحوی، م. 1382. اثر دور آبیـاری بـر مقـدار مصـرف آب و عملکرد برنج در گـیلان. مجموعـه مقـالات یـازدهمین همـایش کمیته ملی آبیاری و زهکشی ایران. 83، 233-240.
  6. Amiri, E., Rezaei, M., Bannayan, M. and Soufizadeh, S. 2013. Calibration and evaluation of CERES rice model under different nitrogen-and water-management options in semi-mediterranean climate condition. Communications in soil science and plant analysis, 44(12): 1814-1830.
  7. Amiri, E., Rezaei, M., Rezaei, E.E. and Bannayan, M. 2014. Evaluation of Ceres-Rice, Aquacrop and Oryza2000 models in simulation of rice yield response to different irrigation and nitrogen management strategies. Journal of Plant Nutrition, 37(11): 1749-1769.
  8. Bouman, B.A.M., Van Keulen, H., Van Laar, H.H. and Rabbinge, R. 1996. The ‘School of de Wit’crop growth simulation models: a pedigree and historical overview. Agricultural systems, 52(2-3): 171-198.
  9. De Wit, A., Boogaard, H., Fumagalli, D., Janssen, S., Knapen, R., van Kraalingen, D., Supit, I., van der Wijngaart, R. and van Diepen, K. 2019. 25 years of the WOFOST cropping systems model. Agricultural systems, 168: 154-167.
  10. Dettori, M., Cesaraccio, C., Motroni, A., Spano, D. and Duce, P. 2011. Using CERES-Wheat to simulate durum wheat production and phenology in Southern Sardinia, Italy. Field crops research, 120 (1): 179-188.
  11. Dhillon, M.S., Dahms, T., Kuebert-Flock, C., Rummler, T., Arnault, J., Steffan-Dewenter, I. and Ullmann, T. 2023. Integrating random forest and crop modeling improves the crop yield prediction of winter wheat and oil seed rape. Frontiers in Remote Sensing, 3, 1010978.
  12. Faivre, R., Leenhardt, D., Voltz, M., Benoit, M., Papy, F., Dedieu, G. and Wallach, D. 2009. Spatializing crop models. In: Lichtfouse, E., et al. (Eds.), Sustainable Agriculture. Springer, Berlin, Germany, 686–705.
  13. Fry, J., Guber, A.K., Ladoni, M., Munoz, J.D. and Kravchenko, A.N. 2017. The effect of up-scaling soil properties and model parameters on predictive accuracy of DSSAT crop simulation model under variable weather conditions. Geoderma, 287: 105-115.
  14. Ge, J., Yu, Z., Gong, X., Ping, Y., Luo, J. and Li, Y. 2023. Evaluation of Irrigation Modes for Greenhouse Drip Irrigation Tomatoes Based on AquaCrop and DSSAT Models. Plants, 12(22): 3863.
  15. He, Y., Hou, L., Wang, H., Hu, K. and McConkey, B. 2014. A modelling approach to evaluate the long-term effect of soil texture on spring wheat productivity under a rain-fed condition. Scientific reports, 4(1): 5736.
  16. Huang, J., Sedano, F., Huang, Y., Ma, H., Li, X., Liang, S., Tian, L., Zhang, X., Fan, J. and Wu, W. 2016. Assimilating a synthetic Kalman filter leaf area index series into the WOFOST model to improve regional winter wheat yield estimation. Agricultural and Forest Meteorology, 216: 188-202.
  17. Jamieson, P.D., Porter, J.R., Goudriaan, J., Ritchie, J.V., Van Keulen, H. and Stol, W. 1998. A comparison of the models AFRCWHEAT2, CERES-Wheat, Sirius, SUCROS2 and SWHEAT with measurements from wheat grown under drought. Field Crops Research, 55(1-2): 23-44.
  18. Jones, J.W., Hoogenboom, G., Porter, C.H., Boote, K.J., Batchelor, W.D., Hunt, L.A., Wilkens, P.W., Singh, U., Gijsman, A.J. and Ritchie, J.T. 2003. The DSSAT cropping system model. European journal of agronomy, 18(3-4): 235-265.
  19. Keating, B.A., Carberry, P.S., Hammer, G.L., Probert, M.E., Robertson, M.J., Holzworth, D., Huth, N.I., Hargreaves, J.N., Meinke, H., Hochman, Z. and McLean, G. 2003. An overview of APSIM, a model designed for farming systems simulation. European journal of agronomy, 18(3-4), 267-288.
  20. Khan, A., Stöckle, C.O., Nelson, R.L., Peters, T., Adam, J.C., Lamb, B., Chi, J. and Waldo, S. 2019. Estimating biomass and yield using metric evapotranspiration and simple growth algorithms. Agronomy journal, 111(2), 536-544.
  21. Kosamkar, P.K. and Kulkarni, D.V. 2019. Agriculture crop simulation models using computational intelligence. International Journal of Computer Engineering and Technology, 10(3).
  22. Negm, L.M., Youssef, M.A., Skaggs, R.W., Chescheir, G.M. and Kladivko, E.J. 2014. DRAINMOD-DSSAT simulation of the hydrology, nitrogen dynamics, and plant growth of a drained corn field in Indiana. Journal of Irrigation and Drainage Engineering, 140(8), 04014026.
  23. Ojeda, J.J., Rezaei, E.E., Remenyi, T.A., Webber, H.A., Siebert, S., Meinke, H., Webb, M.A., Kamali, B., Harris, R.M., Kidd, D.B. and Mohammed, C.L. 2021. Implications of data aggregation method on crop model outputs–The case of irrigated potato systems in Tasmania, Australia. European Journal of Agronomy, 126, 126276.
  24. Ovando, G., Sayago, S. and Bocco, M. 2018. Evaluating accuracy of DSSAT model for soybean yield estimation using satellite weather data. ISPRS Journal of Photogrammetry and Remote Sensing, 138, 208-217.
  25. Palosuo, T., Kersebaum, K.C., Angulo, C., Hlavinka, P., Moriondo, M., Olesen, J.E,Patil, R.H., Ruget, F., Rumbaur, C. and Taka C,J. 2011. Simulation of winter wheat yield and its variability in different climates of Europe: a comparison of eight crop growth models. European Journal of Agronomy. 35, 103–114.
  26. Refsgaard, J. C., Van der Sluijs, J. P., Brown, J. and Van der Keur, P. 2006. A framework for dealing with uncertainty due to model structure error. Advances in water resources, 29(11), 1586-1597.
  27. Reynolds, M., Kropff, M., Crossa, J., Koo, J., Kruseman, G., Molero Milan, A., Rutkoski, J., Schulthess, U., Sonder, K., Tonnang, H. and Vadez, V. 2018. Role of modelling in international crop research: overview and some case studies. Agronomy, 8(12), 291.
  28. Salamon, P., and Feyen, L. 2009. Assessing parameter, precipitation, and predictive uncertainty in a distributed hydrological model using sequential data assimilation with the particle filter. Journal of Hydrology, 376 (3-4), 428-442.
  29. Salmerón, M., Cavero, J., Isla, R., Porter, C.H., Jones, J.W. and Boote, K.J. 2014. DSSAT nitrogen cycle simulation of cover crop–maize rotations under irrigated Mediterranean conditions. Agronomy Journal, 106(4), 1283-1296.
  30. Satir, O. and Berberoglu, S. 2016. Crop yield prediction under soil salinity using satellite derived vegetation indices. Field Crop Research, 192, 134–143.
  31. Steduto, P., Hsiao, T.C., Raes, D. and Fereres, E. 2009. AquaCrop—The FAO crop model to simulate yield response to water: I. Concepts and underlying principles. Agronomy Journal, 101(3), 426-437.
  32. Stöckle, C.O., Donatelli, M. and Nelson, R. 2003. CropSyst, a cropping systems simulation model. European journal of agronomy, 18(3-4), 289-307.
  33. Thorp, K.R., Batchelor, W.D., Paz, J.O., Kaleita, A.L. and DeJonge, K.C. 2007. Using cross-validation to evaluate CERES-Maize yield simulations within a decision support system for precision agriculture. Transactions of the ASABE, 50(4), 1467-1479.
  34. Van Genuchten, M.T. 1980. A closed‐form equation for predicting the hydraulic conductivity of unsaturated soils. Soil science society of America journal, 44 (5), 892-898.
  35. Van Ittersum, M. K., Leffelaar, P. A., Van Keulen, H., Kropff, M. J., Bastiaans, L., & Goudriaan, J. 2003. On approaches and applications of the Wageningen crop models. European journal of agronomy, 18(3-4), 201-234.
  36. Woli, P., Rouquette Jr, F. M., & Long, C. R. 2019. Investigating DSSAT: Bermudagrass response to nitrogen as influenced by soil and climate. Agronomy Journal, 111(4), 1741-1751.
  37. Yang, J.M., Yang, J.Y., Dou, S., Yang, X.M., Hoogenboom, G. 2013. Simulating the effect of long-term fertilization on maize yield and soil C/N dynamics in northeastern China using DSSAT and CENTURY-based soil model. Nutr. Cycl. Agroecosyst. 95, 287–303.
  38. Zhang, Q., Shi, L., Holzman, M., Ye, M., Wang, Y., Carmona, F. and Zha, Y. 2019. A dynamic data-driven method for dealing with model structural error in soil moisture data assimilation. Advances in Water Resources, 132, 103407.
پژوهش های خاک
دوره 38، شماره 4
اسفند 1403
صفحه 365-379

فایل ها

هم رسانی

ارجاع به این مقاله

آمار