ارزیابی کارایی مدل CERES-Rice در تخمین عملکرد و بهره‌وری آب برنح در مقیاس وسیع

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری آبیاری و زهکشی، گروه مهندسی آب ، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران

2 دانشیار گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی، ساری، ایران

3 دانشیار گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران

4 استادیار گروه مهندسی آب، دانشگاه گیلان، رشت، ایران

چکیده

این پژوهش با هدف بررسی کارایی مدل شبیه­ساز رشد CERES-Rice برای برآورد میزان زیست توده و عملکرد برنج در سطح وسیع انجام گردید. واسنجی و اعتبارسنجی مدل با استفاده از داده­های طرح­های پژوهشی انجام شد. سپس دقت برآورد این مدل در سطح وسیع با استفاده از اطلاعات 110مزرعه شالیکاران محلی شهرستان صومعه­سرای استان گیلان ارزیابی گردید. نتایج نشان داد دقت شبیه­سازی عملکرد و زیست­توده توسط مدل در سطح کوچک بسیار بالا است. ارزیابی مدل در سطح وسیع نشان داد برای مقادیر عملکرد نزدیک به متوسط منطقه نتایج برآورد عملکرد نزدیک به واقعیت است. ولی برای محدوده عملکرد بیش­تر و یا کم­تر از متوسط منطقه از میزان دقت مدل کاسته می­شود. میزان RMSEn  برآورد میزان  عملکرد برنج معادل 21 درصد بوده است. ولی در 75 درصد از اراضی خطای برآورد کم­تر از 10درصد و در 21 درصد از اراضی در محدود 20 تا 10درصد قرار دارد. بهره­وری آب اندازه­گیری شده در بیش­تر اراضی شالیزاری در حد 6/0-5/0 کیلوگرم شلتوک بر متر مکعب آب مصرف شده می­باشد. بهره­وری آب مبتنی بر تعرق در اکثر اراضی منطقه بین 9/0-85/0 کیلوگرم عملکرد شلتوک بر متر مکعب قراردارد. در مجموع می­توان گفت مدل CERES-Rice از توانمندی نسبتاً مناسبی در برآورد عملکرد و زیست توده در سطح وسیع برخوردار می­باشد و می­تواند به عنوان ابزاری برای تصمیم­گیری­های کلان در شبکه آبیاری سفیدرود استفاده گردد.

کلیدواژه‌ها


عنوان مقاله [English]

Large-scale Simulation of Rice yield and Water Productivity Using CERES-Rice Model

نویسندگان [English]

  • Mojtaba Rezaei 1
  • Ali Shahnazari 2
  • Mahmoud Raeini Sarjaz 3
  • Majid Vazifedoust 4
1 PhD student, Irrigation Science Dept., Sari University of Agricultural Science and Natural Resources., Sari., Iran
2 Associate Professor, Sari University of Agricultural Science and Natural Resources., Sari., Iran
3 Associate Professor, Sari University of Agricultural Science and Natural Resources., Sari., Iran
4 Assistant Professor Irrigation Science Dept., University of Guilan., Rasht., Iran
چکیده [English]

In order to evaluate the performance of the CERES-Rice model in rice biomass and grain yield estimation in large scale, this study was carried out in paddy fields of Guilan, Iran. First the model was calibrated and evaluated using data from a research at Rice Research Institute of Iran, then the model accuracy was assessed  in 26000 ha of Some Sara region. 110 common farmers fields were chosen, the soil, water, crop samples and other needed information were taken. The model was ran for each field. The results showed that the Error of yield and biomass estimation in research station were below 10 percent. The results in large scale showed that the model estimation of yield and biomass could be categorized in three different parts. While in fields with average biomass and yield observation the setimation error was negligible. Underestimation was observed  in the fields with the yield above the average of the region while in high yielding fields overestimation was observed. The Normalized Root Mean Square Error was about 22.7 and 21% for biomass and yield prediction.  Although in some cases the error was about 50% , in 75% of the region it was in range of 0-10% , and in 95 % of the region  it was in range of 0-20% . Water productivity based on water used in most of the fields was in the range of 0.5-0.6 kg/m3 and the water productivity based on transpiration was 0.85-0.9 kg/ m3. The model showed a satisfactory accuracy to estimate both yield and biomass in large scale paddy fields. 

کلیدواژه‌ها [English]

  • Rrice
  • DSSAT
  • Large scale
  • Yield
  • model
دواتگر،ن. 1389. پیش بینی عملکرد گیاه برنج در شرایط محدودیت آب با استفاده از مدل­های شبیه­­سازی رشد و نمو گیاه در مقیاس ناحیه­ای. پایان نامه دکتری خاک شناسی دانشکده کشاورزی. دانشگاه تبریز. 250 صفحه.

رضایی،م و نحوی،م. 1382. اثر دور آبیاری بر مقدار مصرف آب و عملکرد برنج در گیلان. مجموعه مقالات یازدهمین همایش کمیته ملی آبیاری و زهکشی ایران. نشریه شماره 83 ، صفحه: 240-233.

رضایی،م. 1387. گزارش نهایی طرح بررسی اثر آبیاری تناوبی و مقادیر مختلف کود نیتروژن بر عملکرد برنج رقم محلی هاشمی. انتشارات موسسه تحقیقات برنج کشور.

Amiri,E., Kavoosi,M and Kaveh,F. 2009. Evaluation of Crop Growth Models ORYZA2000, SWAP and WOFOST under Different Types of Irrigation Management. 2009. Journal of Agricultural Engineering Research. 10 . 3: 13-28.

Amiri,E and Rezaei,M. 2010. Evaluation of Water-Nitrogen Schemes for Rice in Iran, Using ORYZA2000 Model Communications in Soil Science and Plant Analysis, 4: 2459–2477.

 Amiri,E., Rezaei,M., Bannayan,M and  Soufizadeh,S. 2013. Calibration and Evaluation of CERES Rice Model under Different Nitrogen- andWater-Management Options in Semi-Mediterranean Climate Condition Communications in Soil Science and Plant Analysis, 44:1814–1830 .

Dente,L., Satalino,G., Mattia,F and Rinaldi,M., 2008. Assimilation of leaf area index derived from ASAR and MERIS data into CERES-Wheat model to map wheat yield, Remote Sensing of Environment . 112.4 : 1395–1407.

Dettori,M., Cesaraccio,C., Motroni,A., Spano,D and Duce,P. 2011.Using CERES-Wheat to simulate durum wheat production and phonology in Southern Sardinia, Italy. Field Crops Research 120: 179–188.

Ewert,F., et al. [A1] 2014. Crop modelling for integrated assessment of risk to food production from climate change,Environmental Modelling and Software http://dx.doi.org/10.1016/j.envsoft.2014.12.003.

Godwin,D.C and Singh,U. 1998. Nitrogen balance and crop response to nitrogen in upland and lowland cropping systems. p. 41–54. In G.Y. Tsuji, G. Hoogenboom, and P.K. Thornton (ed.) Understanding options for agricultural production. Systems approaches for sustainable agricultural development. Kluwer Academic Publ., Dordrecht, the Netherlands.

Goudriaan,J. 1977. Crop micrometeorology: a simulation study. Simulation Monographs. Wageningen (Netherlands): Production. 257 p.

Iizumi, T., Yokozawa, M., and Nishimori, M. 2009. Parameter estimation and uncertainty analysis of a large scale crop model for paddy rice: Application of a Bayesian approach. agricultural and forest meteorology. 149:333–348.

Jones,J.W., et al. . 2003. The DSSAT cropping system model. EuropeanJournal of Agronomy. 18:235–265.

Kalra,N., Chakraborty,D., Kumar,P.R., Jolly,M and Sharma,P.K. 2007. An approach to bridging yield gaps, combining response to water and other resource inputs for wheat in northern India, using research trials and farmers 'fields data, Agric. Water Manage. 93:54-64.

Lal,M., Singh,K.K., Rathore,L.S., Srinivasan,G and  Saseendran,S.A. 1998. Vulnerability of rice and wheat yields in NW India to future changes in climate. Agricultural and Forest Meteorology. 89:101-114 .

Li,T. et al., 2014. Uncertainties in predicting rice yield by current cropmodels under a wide range of climatic conditions Global Change Biology doi: 10.1111/gcb.12758.[A2] 

Mahmood,R., Legates,D.R and Meo,M. 2004. The role of soil water availability in potential rainfed rice productivity in Bangladesh: applications of the CERES-Rice model. Applied Geography. 24:139–159.

Mahmood,R. 1998. Air temperature variations and rice productivity in Bangladesh: a comparative study of the performance of the YIELD and the CERES-Rice models. Ecological Modeling 106 : 201–212.

Meyer,W.S., White,R.J., Smith,G.D.J and Baer B.D. 1994. Monitoring a rice crop to validate  the CERES-rice model (CSIRO Technical Memorandum 94/13). CSIRO.

Min,J and Jin,Zh. 2009. A Method for upscaling genetic parameters of CERES-Rice in regional applications. Rice Science. 16.4: 292–300.

Ritchie,J.T., Singh,U.,  Godwin,D.C and Bowen,W.T. 1998. Cereal growth, development and yield. p. 79–97. In G.Y. Tsuji, G. Hoogenboom, and P.K. Thornton (ed.) Understanding options for agricultural production. Kluwer
Academic Pub., Dordrecht, the Netherlands.

Roerink,G.J.,  Bojanowski,J.S.,  de Wit,A.J.W.,  Eerens,H., Supit,I., Leo,O and Boogaard,H.L. 2012. Evaluation of MSG-derived global radiation estimates for application in a regional crop model Agricultural and Forest Meteorology 160:36–47.

Soltani,A and Hoogenboom,G. 2007. Assessing crop management options with crop simulation models based on generated weather data. Field Crop Res. 103: 198-207.

Subash,N and Ram Mohan,H.S. 2012. Evaluation of the impact of climatic trends and variability in rice–wheat system productivity using Cropping System Model DSSAT over the Indo-Gangetic Plains of India Agricultural and Forest Meteorology. 164:71–81.

Tao,F., Yousay,H., Zhao,Zh., Toshihiro,S and Yokozawa M. 2008. Global warming, rice production, and water use in China: Developing a probabilistic assessment. agricultural and forest meteorology 148 : 94– 110.

Timsina,J and Humphreys,E. 2006. Performance of CERES-Rice and CERES-Wheat models in rice-wheat systems: A review. Agricultural Systems. 90:5-31.

van Wart,J., Kersebaum,K.C., Peng,S., Milner,M., Cassman,K.G. 2013. Estimating crop yield potential at regional to national scales. Field Crops Research 143:34–43.

Wolfram,S. 1991. Mathematica: a system for doing mathematics by computer. Second edition. Redwood City, Calif. (USA): Addison-Wesley Publishing Company, Inc. 961 p.

Wailes,E.J and Chavez,E.C. 2012. World Rice Outlook. International Rice Baseline with Deterministic and Stochastic Projections, 2012-2021. University of Arkansas Department of Agricultural Economics and Agribusiness, Division of Agriculture Staff. 81 pp.

Xiong,W., Holman,I., Conway,D., Lin,E., and Li,Y. 2008. A crop model cross calibration for use in regional climate impacts studies. ecological modeling. 213: 365–380.

Yun,J.I. 2003. Predicting regional rice production in South Korea using spatial data and crop-growth modeling. Agricultural Systems 77: 23–38.