سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات161
تعداد شماره‌ها6,533
تعداد مقالات70,506
تعداد مشاهده مقاله124,125,225
تعداد دریافت فایل اصل مقاله97,233,717
شرفی, سعید, صادقی, ساویز, نحوی نیا, محمد جواد, عبداللهی پور, محمد. (1401). ارزیابی معادلات رگرسیونی چندمتغیره در تخمین عملکرد گندم و جو دیم در اقلیم‌های مختلف ایران. , 12(1), 201-211. doi: 10.22059/jwim.2022.333203.935
سعید شرفی; ساویز صادقی; محمد جواد نحوی نیا; محمد عبداللهی پور. "ارزیابی معادلات رگرسیونی چندمتغیره در تخمین عملکرد گندم و جو دیم در اقلیم‌های مختلف ایران". , 12, 1, 1401, 201-211. doi: 10.22059/jwim.2022.333203.935
شرفی, سعید, صادقی, ساویز, نحوی نیا, محمد جواد, عبداللهی پور, محمد. (1401). 'ارزیابی معادلات رگرسیونی چندمتغیره در تخمین عملکرد گندم و جو دیم در اقلیم‌های مختلف ایران', , 12(1), pp. 201-211. doi: 10.22059/jwim.2022.333203.935
شرفی, سعید, صادقی, ساویز, نحوی نیا, محمد جواد, عبداللهی پور, محمد. ارزیابی معادلات رگرسیونی چندمتغیره در تخمین عملکرد گندم و جو دیم در اقلیم‌های مختلف ایران. , 1401; 12(1): 201-211. doi: 10.22059/jwim.2022.333203.935

ارزیابی معادلات رگرسیونی چندمتغیره در تخمین عملکرد گندم و جو دیم در اقلیم‌های مختلف ایران

مدیریت آب و آبیاری
دوره 12، شماره 1، فروردین 1401، صفحه 201-211    اصل مقاله (2.01 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22059/jwim.2022.333203.935
نویسندگان
سعید شرفی* 1؛ ساویز صادقی1؛ محمد جواد نحوی نیا2؛ محمد عبداللهی پور3
1استادیار، گروه علوم و مهندسی محیط زیست، دانشکده کشاورزی و محیط زیست، دانشگاه اراک، ایران.
2استادیار، گروه علوم و مهندسی آب، دانشکده کشاورزی و محیط زیست، دانشگاه اراک، اراک، ایران.
3استادیار، گروه مهندسی آب، دانشکدگان ابوریحان، دانشگاه تهران، تهران، ایران.
چکیده
ایران در منطقه‌ای خشک و نیمه خشک قرار دارد و بررسی شرایط کشت دیم گیاهان راهبردی امری بسیار ضروری است. بدین منظور برای مدلسازی عملکرد گندم و جو دیم در شرایط آب و هوایی ایران در واکنش به تغییرات اقلیمی داده‌های هواشناسی 44 ایستگاه در یک دوره چهل ساله (2020-1981) مورد بررسی قرار گرفت. داده‌های هواشناسی پس از میان‌یابی مکانی بین ایستگاه‌ها و تبدیل کردن آن‌ها به داده‌های روزانه به‌عنوان ورودی یک مدل رگرسیون خطی چند متغیره برای تخمین عملکرد گندم و جو دیم به‌کار گرفته شدند. در این مطالعه ایران به شش اقلیم ساحلی مرطوب، کوهستانی، نیمه‌کوهستانی، نیمه‌بیابانی، بیابانی و بیابان ساحلی تقسیم گردید. نتایج نشان داد که بیشترین و کمترین بارندگی سالانه به‌ترتیب در ایستگاه‌های بندرانزلی (1748 میلی‌متر در سال) و زابل (55 میلی‌متر در سال) رخ داد. بیشترین کاهش بارندگی در ایستگاه بندرانزلی (شیب 5/8- درصد) و کمترین تغییرات در ایستگاه کرمانشاه با شیب معادله آن 0/08- درصد صورت گرفت. در بین ایستگاه‌های مورد بررسی فقط 11/36 درصد از نظر کشاورزی در شرایط مناسبی قرار دارند و در بقیه ایستگاه‌ها وضعیت بحرانی است (88/64 درصد). نتایج تحقیق نشان داد که ضریب تبیین در عملکرد شبیه‌سازی شده گندم دیم برای اقلیم‌ مرطوب‌تر به نسبت سایر اقلیم‌ها از دقت بیشتری برخوردار است (0/83=R2). کمترین ضریب تبیین در عملکرد شبیه‌سازی شده گندم دیم (0/71=R2) و جو دیم (0/53=R2) برای اقلیم بیابانی بدست آمد.
کلیدواژه‌ها
اقلیم؛ خشکسالی؛ خلأ عملکرد؛ دیم‌کاری؛ ضریب تبیین
عنوان مقاله [English]
Assessment of multiple regression equations for yield estimation of rain-fed wheat and barley in different Iran’s climates
نویسندگان [English]
Saeed Sharafi1؛ Saviz Sadeghi1؛ mohammad Javad Nahvinia2؛ Mohammad Abdolahipour3
1Assistant Professor, Department of Environment Science and Engineering, Faculty of Agriculture and Environment, Arak University, Iran.
2Assistant Professor, Department of Water Science and Engineering, Faculty of Agriculture and Environment, Arak University, Iran.
3Assistant Professor, Department of Water Engineering, College of Aburaihan, University of Tehran, Tehran, Iran.
چکیده [English]
Iran is located in the arid and semi-arid area and it is very necessary to assess the conditions of rainfed farming of strategic plants. In order to assessment of wheat and barley yield under rainfed climatic conditions collected data from 44 stations were studied during the period of 1981-2020 (40 years). Weather data after spatial interpolation between stations and converting to daily values were used as inputs of a multiple regression model for estimating wheat and barley yield. In this study, Iran was divided into six coastal wet, mountain, semi mountain, semi desert, desert and, coastal desert. The results showed that the highest and lowest annual rainfall was observed in stations Bandar Anzali (1748 mm y-1) and Zabol (57.7 mm y-1), respectively. The greatest and lowest decrease in rainfall occurred in Bandar-Anzali station (gradient 5.8 percent) and, in Kermanshah station (gradient -0.8 percent) respectively. Only 11.36 percent of the stations were in good condition and, in other stations were in a critical situation (88.64 percent). The results of this study showed that the coefficient of determination of predicted yield for rainfed wheat in humid climates was more accurate than in other climates (R2=0.83). The lowest coefficient of determination predicted yield was obtained for rain-fed wheat (R2=0.71) and rain-fed barley (R2=0.53) in desert climates.
کلیدواژه‌ها [English]
Climate, Coefficient of determination. Drought, Rain-fed farming, Yield gap
مراجع
  1. Abeledo, L. G, Savin, R., & Slafer, G. A. (2008). Wheat productivity in the Mediterranean Ebro Valley: Analyzing the gap between attainable and potential yield with a simulation model. European Journal of Agronomy, 28, 541-550.
  2. Antle, J. M. (1996). Meteorological issues in assessing potential impacts of climate change on agriculture. Agricultural and Forest Meteorology, 80, 67-85.
  3. Becker, M., & Johnson, D. E. (1999). Rice yield and productivity gaps in irrigated systems of the forest zone of CoAte d'Ivoire. Field Crops Research, 60, 201-208.
  4. Boote, K. J., & Tollenaar, M. (1994). Modeling yield potential. In: Boote, K. J., Bennett, J. M., Sinclair, T. R., Paulsen, G. M. (Eds.), Physiology and Determination of Crop Yield. American Society of Agronomy, Madison, WI, USA.
  5. Chanasyk, D. S., Mapfumo, E., Willms, W. D., & Naeth, M. A. (2004). Quantification and simulation of soil water on grazed fescue watersheds. Journal of Range Management, 57(2), 169-177.
  6. Chow, T. T., Long, H., Mok, H. Y., & Li, K. W. (2011). Estimation of soil temperature profile in hong kong from climatic variables. Energy and Building Journal, 43, 3568-3575.
  7. Delbari, M., Sharifazari, S., & Mohammadi, E. (2108). Modeling daily soil temperature over diverse climate conditions in Iran-a comparison of multiple linear regression and support vector regression techniques. Theoretical and Applied Climatology, 131, 1-11.
  8. Fischer, G., Van Velthuizen, H., & Nachtergaele, F. (2000). Global Agroecological zones assessment: Methodology and results. Interim Report IR-00-064. IIASA, Vienna and FAO, Rome.
  9. Gholipoor, M. (2008). Quantifying threshold frost hardiness for overwintering survival of wheat in Iran, using simulation. International Journal of Plant Production, 2, 125-136.
  10. Hammera, G. L., Hansenb, J. W., Phillipsb, J. G., Mjeldec, J. W., Hillc, H., Lovec, A., & Potgietera, A. (2001). Advances in application of climate prediction in Agriculture. Agricultural Systems, 70, 515-553.
  11. Holden, N. M., & Brereton, A. J. (2004). Definition of agroclimatic regions in Ireland using hydro-thermal and crop yield data. Agricultural and Forest Meteorology, 122, 175-191.
  12. Imam, Y. (2002). Cereal farming. Shiraz University. Shiraz, Iran. (In Persian).
  13. Johnson, D. E. (1998). Applied multivariate methods for data analysts. Duxbury Press.
  14. Kamali, M. R. (2009). World situation of Wheat in the past, present and future. 10th congress of agronomy and modification of plants, Karaj, Iran. 23-45. (In Persian).
  15. Kamkar, B., Koocheki, A., Nassiri, A., & Rezvani Moghadam, P. (2006). Analysis of yield gap of Cumin in 9 regions of Great Khorasan by modeling approach. Agronomy Researches, 5, 332-342. (In Persian with English Abstract).
  16. Koocheki, A., Nassiri, M., Kamali, G., & Shahandeh, G. (2006). Potential impacts of climate change on agro-climatic indicators in Iran. Arid Land Research and Management, 20, 1-15.
  17. Krause, P., Boyle, D. P., & Base, F. (2005). Comparison of different efficiency criteria for hydrological model assessment. Advances in Geosciences, 5, 89-97.
  18. Mohammadi, E., & Delbari, M. (2015). Simulation of Water and Salt Transport in Soil Using the HYDRUS-1D Software. Water and Soil Science, 25(1), 67-78. (In Persian).
  19. Nassiri, M., Koocheki, A., Kamali, G. & Shahandeh, G. (2006). Impacts of climatic change on rainfed wheat production in Iran. Archives in Agronomy and Soil Science, 25(1), 113-124.
  20. Nicholls, N. (2000). Impediments to the use of climate predictions. In: Hammer, G.L., N. Nicholls, C. Mitchell. (Eds.). Applications of Seasonal Climate Forecasting in Agricultural and Natural Ecosystems: The Australian Experience. Kluwer, Dordrecht, the Netherlands.
  21. Rosenzweig, C., & Parry, M. L. (1994). Potential Impact of Climate Change on World Food Supply. Nature, 367, 133-138.
  22. Sabziparvar, A. (2008). A Simple Formula for Estimating Global Solar Radiation in Central Arid Deserts of Iran, Journal of Renewable Energy, 33(5), 1002-1010.
  23. Sadeghi, A. R., Kamgar-Haghighi, A. A., Sepaskhah, A. R., Khalili, D., & Zand-Parsa, S. (2002). Regional classification for dryland agriculture in southern Iran. Journal of Arid Environments, 50, 333-341.
  24. Sharafi, S., & Ghaleni, M. M. (2021a). Calibration of empirical equations for estimating reference evapotranspiration in different climates of Iran. Theoretical and Applied Climatology, 1453, 1-15.
  25. Sharafi, S., & Ghaleni, M. M. (2021b). Evaluation of multivariate linear regression for reference evapotranspiration modeling in different climates of Iran. Theoretical and Applied Climatology, 143(3), 1409-1423.
  26. Sharafi, S., & Ghaleni, M. M. (2021c). Spatial assessment of drought features over different climates and seasons across Iran. Theoretical and Applied Climatology, 145(4), 1-17. ‏
  27. Sharafi, S., & Karim, N. M. (2020). Investigating trend changes of annual mean temperature and precipitation in Iran. Arabian Journal of Geosciences, 13(16), 1-11.
  28. Sharafi, S., Ramroudi, M., Nassiri, M., Galavi, M., & Kamali, G. A. (2017). Assessment of moisture status and crop production in different climates of Iran. Journal of Agriculture Knowledge and Sustainable Production, 7(1), 103-120. (In Persian).
  29. Sharafi, S., Ramroudi, M., Nassiri, M., Galavi, M., & Kamali, G. A. (2016). Role of Early Warning Systems for Sustainable Agriculture in Iran. Arabian Journal of Geoscience, 9, 734-754.
  30. Soltani, A., & Sinclair, T. R. (2012). Modeling Physiology of Crop Development, Growth and Yield. CABI publication.
  31. Soltani, A., Robertson, M. J., Mohammad Nejad, Y., & Rahemi Karizaki, A. (2006). Modeling chickpea growth and development: Leaf production and senescence. Field Crops Research, 99, 14-23.
  32. Torabi, B., Soltani, A., Galeshi, S., & Zeinali, A. (2012). The analysis of limited factors for wheat yield in Gorgan conditions. Journal of Crop Production, 4(4), 1-17. (In Persian).
  33. Zare Feizabadi, A., Koocheki, A. R., & Nassiri, M. (2007). Investigation of plantation area, yield and cereal production in Iran and forecasting of the future. Journal of Agronomy Researches, 4(1), 42-69. (In Persian).
آمار
تعداد مشاهده مقاله: 492
تعداد دریافت فایل اصل مقاله: 332


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب