پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 127 |
| تعداد شمارهها | 7,200 |
| تعداد مقالات | 77,257 |
| تعداد مشاهده مقاله | 157,666,900 |
| تعداد دریافت فایل اصل مقاله | 118,693,752 |
پارامتریابی و ارزیابی مدل اپسیم جهت شبیهسازی عملکرد و صفات فنولوژیک برخی از ارقام گندم، جو و تریتیکاله (مطالعه موردی: استان البرز) | ||
| به زراعی کشاورزی | ||
| دوره 28، شماره 2، تیر 1405، صفحه 151-168 اصل مقاله (1.25 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jci.2026.406960.2964 | ||
| نویسندگان | ||
| ثریا نوید1؛ محمدرضا جهانسوز* 2؛ سعید صوفی زاده3 | ||
| 1گروه زراعت و اصلاح نباتات، دانشکدهگان کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران. | ||
| 2گروه زراعت و اصلاح نباتات، دانشکدهگان کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| 3گروه کشاورزی اکولوژیک، پژوهشکده علوم محیطی، دانشگاه شهید بهشتی، تهران، ایران. | ||
| چکیده | ||
| هدف: پژوهش حاضر با هدف بررسی کارایی زیر مدلهای اپسیم (APSIM-Wheat و APSIM-Barley) جهت برآورد میزان تولید و مراحل فنولوژیک برخی از ارقام گندم، جو و تریتیکاله در استان البرز انجام شد. روش پژوهش: ورودیهای زیر مدلهای اپسیم دادههای خاکی، اقلیمی، گیاهی و مدیریتی بودند که جهت ثبت اطلاعات مذکور آزمایشی چهار ساله در دو بخش مزرعهای و میدانی انجام شد. جهت پارامتریابی مدل و تعیین ضرایب ژنتیکی ارقام موردمطالعه، آزمایشی دوساله در مزرعه سازمان انرژی اتمی (سال زراعی 94-1393) و دانشکده کشاورزی دانشگاه تهران (سال زراعی 96-1395) در قالب طرح بلوکهای کامل تصادفی با 14 تیمار (شش رقم جو، شش رقم گندم و دو رقم تریتیکاله) و سه تکرار انجام شد. با استفاده از دادههای آزمایش مزرعهای، ضرایب ژنتیکی ارقام شناسایی و مدل بر مبنای آن کالیبره/واسنجی شد. بهمنظور ارزیابی مدل، طی سالهای زراعی ۱۳۹۷-۱۳۹۸ و ۱۳۹۸-۱۳۹۹ از مزارع کشاورزان نمونهبرداری انجام شد. در شرایط واقعی کشت (مدیریت کشاورزان)، تعداد ۳۰ مزرعه جو و ۳۰ مزرعه گندم در استان البرز انتخاب گردید. از طریق پرسشنامه طیف گستردهای از اطلاعات مشتمل بر تاریخچه مزرعه، عملیات کاشت، داشت، برداشت و چگونگی مدیریت مزرعه ثبت شد. همچنین بهمنظور بررسی وضعیت رشد ارقام در مزارع انتخابشده، از خاک و گیاه نمونهبرداری شد. یافتهها: نتایج شبیهسازی تاریخ گلدهی و بلوغ فیزیولوژیک با استفاده از زیر مدلهای APSIM-Wheat و APSIM-Barley تطابق بسیار خوبی بین مقادیر شبیهسازیشده و مشاهدهشده آزمایش در تمام ارقام موردمطالعه گندم، جو و تریتیکاله نشان داد و مدل توانست با دقت خیلی خوب (nRMSE˂10%) تاریخهای فنولوژیک را پیشبینی کند. در هر دو سال آزمایش مقدار جذر میانگین مربعات نرمالشده (nRMSE)، برای صفات عملکردهای دانه و زیستتوده گندم، جو و تریتیکاله کمتر از 5 درصد بود، لذا مدل اپسیم توانست با دقت خیلی خوب مراحل عملکرد گیاهان را برآورد نماید. سایر شاخصهای ارزیابی مدل (CRM، D-index و R2) نیز کارایی زیر مدلهای مذکور را با کیفیت خوب تأیید کردند. تطابق مقادیر شبیهسازی صفات فنولوژیکی و عملکردی ارقام تریتیکاله بیشتر از گیاهان گندم و جو بود. تطابق مقادیر شبیهسازیشده صفات عملکردی نیز در ارقام جو بیشتر از گندم بود. نتیجهگیری: بنابر نتایج این بررسی، براساس ضرایب ژنتیکی بهدستآمده، با استفاده از زیرمدلهای اپسیم میتوان تاریخهای فنولوژیک و عملکرد ارقام را در سطوح مختلف رژیمهای رطوبتی، کودی، تاریخ کشتهای مختلف و غیره، در شرایط اقلیمی کالیبره شده بدون اجرای آزمایشهای زمانبر و پرهزینه برآورد نمود. در این راستا استفاده از مدل زراعی اپسیم در پیشبینی، سناریوسازی و اتخاذ تصمیمهای مدیریتی میتواند راهگشا باشد. | ||
| کلیدواژهها | ||
| اعتبارسنجی مدل؛ پیشبینی تولید؛ ضرایب ژنتیکی؛ کالیبراسیون مدل؛ مدلهای زراعی | ||
| عنوان مقاله [English] | ||
| The parameterization and evaluation of the APSIM model to simulation of yield and phenological traits of some wheat, barley and triticale cultivars (Case study: Alborz province) | ||
| نویسندگان [English] | ||
| Sorayya Navid1؛ Mohammadreza Jahansouz2؛ Saied Soufizadeh3 | ||
| 1Department of Agronomy and Plant Breeding, University College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran | ||
| 2Department of Agronomy and Plant Breeding, University College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran | ||
| 3Department of Agroecology, Environmental Sciences Research Institute, Shahid Beheshti University, Tehran, Iran | ||
| چکیده [English] | ||
| Objective: This study aimed to parameterize and evaluate the APSIM-Wheat and APSIM-Barley sub-models for simulating the yield and phenological traits of wheat, barley, and triticale cultivars in Alborz Province, Iran. Methods: Model inputs included soil, climatic, plant, and management data. A four-year experiment was conducted to collect the required information. For model parameterization and determination of genetic coefficients, two-year field experiments were performed using a randomized complete block design with 14 treatments (six barley, six wheat, and two triticale cultivars) and three replications—conducted at the Atomic Energy Organization farm (2014–2015) and the Faculty of Agriculture, University of Tehran (2016–2017). Genetic coefficients were identified from field data, and the model was locally calibrated. For model evaluation, farm sampling was carried out during the 2018–2019 and 2019–2020 growing seasons. Under real farming conditions (farmers' management), 30 barley and 30 wheat farms were selected across Alborz Province. A comprehensive questionnaire was used to collect information on farm history, planting, management, and harvesting operations, along with overall farm management practices. Soil and plant samples were also collected to assess crop growth status. Findings: Simulation of flowering and physiological maturity stages using APSIM-Wheat and APSIM-Barley showed strong agreement between simulated and observed values across all wheat, barley, and triticale cultivars. The model predicted phenological traits with excellent quality and acceptable accuracy, with normalized root mean square error (nRMSE) values below 10%. In both experimental years, nRMSE values for grain and biological yield were below 5% for all cultivars. Additional evaluation metrics (CRM, D-index, and R²) further confirmed the robustness of the sub-models. Agreement between simulated and observed traits was higher for triticale than for wheat and barley. Among barley cultivars, yield simulations showed better agreement than those for wheat cultivars. Conclusions: The estimated genetic coefficients and APSIM sub-models can be reliably used to predict phenological dates and yields of the studied cultivars across diverse regions and environmental conditions — including varying moisture regimes, fertilizer levels, and sowing dates — without the need for time-consuming and costly field experiments. | ||
| کلیدواژهها [English] | ||
| Calibration of model, Crop Models, Genetic coefficients, Model validation of model, Prediction of yield | ||
| مراجع | ||
|
Ahmed, M., Akram, M.N., Asim, M., Aslam, M., Hassan, F., Higgins, S., Stockle, C., & Hoogenboom, G. (2016). Calibration and validation of APSIM-Wheat and CERES-Wheat for spring wheat under rainfed conditions: Models evaluation and application. Computers and Electronics in Agriculture, 123, 384-401. Andarzian, B., Bannayan, M., Steduto, P., Mazrae, H., Barati, M.E., Barati, M.A., & Rahnama, A. (2011). Validation and testing of the AquaCrop model under full and deficit irrigated wheat production in Iran. Agricultural Water Management, 100(1), 1-8. Araya, A., Hoogenboom, G., Luedeling, E., Hadgue, K.M., Kisekkaf, I., & Martorano, L.G. (2015). Assessment of maize growth and yield using crop models under present and future climate in southwestern Ethiopia. Agricultural and forest Meteorology, 214, 252-265. Asseng, S., Zhu, Y., Wang, E., & Zhang, W. (2015). Crop modelling climate change impact and adaptation. Nature Climate Change, 5, 143-147. Bannayan, M., Hoogenboom, G., & Crout, N.M.J. (2009). Photothermal impact on maize performance: a simulation approach. Ecological Modeling, 180, 277-290. Bannayan, M., Hoogenboom, G., & Crout, N.M.J. (2009). Photothermal impact on maize performance: a simulation approach. Ecological Modeling, 180, 277-290. Bassu, S., Asseng, S., Giunta, F., & Motzo, R. (2013). Optimizing triticale sowing densities across the Mediterranean Basin. Field Crops Research, 144, 167-178. Bento, V.A., Ribeiro, A.F.S., Russo, A., Gouveia, C.M., Cardoso, R.M., & Soares, P.M.M. (2021). The impact of climate change in wheat and barley yields in the Iberian Peninsula. Scientific Reports, 11, 15484. Briak, H., & Kebede, F. (2021). Wheat (Triticum aestivum L.) adaptability evaluation in a semi-arid region of Central Morocco using APSIM model. Scientific Reports, 11, 24092. Chen, C., Wang, E., & Yu, Q. (2010). Modelling the effects of climate variability water management on crop water productivity and water balance in the China Plain. Agricultural Water Management, 97(8), 1175-1184. Confalonieri, R. (2023). Modeling triticale growth and yield under Mediterranean conditions using APSIM-Triticale. Agronomy, 13(10), 2521. Desilva, S. H., Takahashi, T., & Okada, K. (2021). Evaluation of APSIM – Wheat to simulate the response of yield and grain protein content to nitrogen application on an Andosol. Plant Production Science, 3(5), 50-63. Devkota, K.P., Hoogenboom, G., Boote, K.J., Singh, U., Lamers, J.P.A., Devkota, M., & Vlek, P.L.G. (2015). Simulating the impact of water saving irrigation and conservation agriculture practices for rice–wheat systems in the irrigated semi-arid drylands of Central Asia. Agricultural and Forest Meteorology, 214, 266-280. Donatelli, M., & Confalonieri, R. (2011). Biophysical models for cropping system simulation, in: Flichman, G. (Eds). Bio-Economic Models Applied to Agricultural Systems, pp, 59-87. Dong, C., Hu, D., Fu, Y., Wang, M., & Liu, H. (2014). Analysis and optimization of the effect of light and nutrient solution on wheat growth and development using an inverse system model strategy. Computers and Electronics in Agriculture, 109, 221-231. Gaydon, D.S., Wang, E., Poulton, P.L., Ahmad, B., Ahmed, F., Akhter, S., Ali, I., Amarasingha, R., Chaki, A.K., & Chen, C. (2017). Evaluation of the APSIM model in cropping systems of Asia. Field Crops Research, 204, 52-75. Hao, S., Ryo, D., Western, A., Perry, E., Bogena, H., Jan, H., & Franssen, H. (2021). Performance of a wheat yield prediction model and factors influencing the performance. Agricultural Systems, 194, 103-225. Hochman, Z., Gobbett, D., Horan, H., & Garcia, J.N. (2017). Data rich yield gap analysis of wheat in Australia. Field Crops Research, 197, 97-106. Keating, B.A., Carberry, P.S., Hammer, G.L., Probert, M.E., Robertson, M.J., Holzworth, D., Huth, N.I., & Smith, C.J. (2024). An overview of APSIM, a model designed for farming systems simulation. European Journal of Agronomy. 18(3), 267-288. Keir, A.M.S., Ding, Z., Feike, T., & Elnashar, A. (2020). Wheat crop modelling for higher production. Systems Modeling, 179-202. Kumar, U., Hansen, E., Thomsen, I., & Vogeler, I. (2023). Performance of APSIM to simulate the dynamics of winter wheat growth, phenology, and nitrogen uptake from early growth stages to maturity in Northern Europe. Plants, 12(5), 986. Loague, K., & Green, R.W. (1991). Statistical and graphical methods for evaluating solute transport models: overview and application. Journal of Contaminant Hydrology, 7, 51-73. Ma, Y., Feng, S., & Song, X. (2015). Evaluation of optimal irrigation scheduling and groundwater recharge at representative sites in the North China Plain with SWAP model and field experiments. Agriculture Journal, 116, 125-136. Martin, M.M., Olesen, J.E., & Porter, J.R. (2014). A genotype, environment and management analysis of adaption in winter wheat to climate change in Denmark. Agricultural and Forest Meteorology, 187, 1-13. Mihret, Y.C., Ketsela, G.M., & Mintesinot, S.M. (2024). Implementation and application of APSIM for crop modelling in Ethiopia: A comprehensive review. Heliyon, 10(10), e31612. Oleary, G.J., Christy, B., Nuttall, J., Huth, N., Cammarano, D., Stockle, C., Basso, B., Shcherbak, I., Fitzgerald, G., Luo, Q., Farre-Codina, I., Palta, J., & Asseng, S. (2015). Response of wheat growth, grain yield and water use to elevate CO2 under a free-air CO2 enrichment (FACE) experiment and modelling in a semi-arid environment. Global Change Biology, 21 (7), 2670-2686. Rezaei, E.E., Siebert, S., & Ewert, F. (2015). Intensity of heat stress in winter wheat phenology compensates for the adverse effect of global warming. Environmental Research Letters, 10 (2), 12-24. Safer, G.A., & Savin, R. (2023). Comparative performance of barley and wheat across a wide range of yielding conditions. Does barley outyield wheat consistently in low-yielding conditions? European Journal of Agronomy, 143, 1-8. Vogeler, I., Jensen, J.L., Thomsen, I.K., Labouriau, R., & Hansen, E.M. (2021). Fertiliser N rates interact with sowing time and catch crops in cereals and affect yield and nitrate leaching. European Journal of Agronomy, 124, 126244. Wallach, D., Buis, S., Lecharpentier, P., Bourges, J., Clastre, P., Launay, M., Bergez, J.E., Guerif, M., Soudais, J., & Justes, E. (2011). A package of parameter estimation methods and implementation for the STICS crop-soil model. Environmental Modelling and Software, 26, 386-394. Willmott, C.J. (1982). Some comments on the evaluation of model performance. Bulletin of the American Meteorological Society, 63, 1309-1313. Zhang, Y., Ai, P., Ma, Y., Fu, Q., & Ma, X. (2025). Global sensitivity analyses of the APSIM-Wheat model at different soil moisture levels. Plants, 14(17), 2608. Zhao, G., Bryan, B., & Song, X. (2014). Sensitivity and uncertainty analysis of the APSIM-Wheat model: Interaction between cultivar, environment and management parameters. Ecological Modelling, 279, 1-11. Zheng, B., Chenu, K., Doherty, A., Doherty, T., & Chapman, L. (2014). The APSIM-Wheat module. apsru australia. pp. 1-44. Zhu, F. (2018). Triticale: Nutritional composition and food uses. Food Chemistry, 241, 468-479. | ||
|
آمار تعداد مشاهده مقاله: 164 تعداد دریافت فایل اصل مقاله: 24 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب