پارامتریابی و ارزیابی مدل SSM-iLegume برای پیش‌بینی رشد و عملکرد سویا در شرایط گرگان

نوع مقاله: پژوهشی

نویسندگان

1 دانشجو/دانشگاه علوم کشاورزی و منابع طبیعی گرگان

2 استاد دانشگاه علوم کشاورزی و منابع طبیعی گرگان

3 عضو هیئت علمی مرکز تحقیقات گرگان

4 دانشجوی دانشگاه علوم کشاورزی و منابع طبیعی گرگان

چکیده

مدل‌های شبیه‌سازی گیاهان زراعی نمود ریاضی فرآیندهای رشد گیاه بوده که توسط روابط بین ژنوتیپ، محیط زیست و مدیریت محصول تحت تاثیر قرار می‌گیرند. استفاده از مدل‌های شبیه‌سازی گیاهان زراعی به عنوان مکملی کارگشا برای تحقیقات آزمایشی مطرح است. این مدل‌ها می‌توانند برای تفسیر نتایج و بررسی سیستم‌های زراعی در شرایط محیطی و مدیریت‌های متفاوت مورد استفاده قرار گیرند.
با وجود مدل‌های فراوان در سویا، مدل SSM-iLegume به دلایل زیر ترجیح داده شد:
1- سایر مدل‌ها به اندازه‌ی کافی روشن و واضح نمی‌باشند. زیرا یک مدل مناسب باید دارای پارامترها، شکل‌ها و کدهای کاملاً مشخص و واضحی باشد.
2- بیشتر مدل‌ها برای پیش‌بینی فرآیندهای کلیدی در گیاهان زراعی از معادلات و پارامترهای زیادی استفاده می‌کنند. در بعضی موارد ساختار مدل به قدری پیچیده است که حتی برای اعضای تیم سازنده مدل نیز واضح نیست. گاهی افزودن پیچیدگی در این مدل‌ها ضرورتی نداشته و منجر به افزایش خطا در آن‌ها می‌شود. کاربرانی که از مدل‌های جعبه سیاه استفاده می‌کنند نمی-توانند بصورت شفاف ساختار مدل و محدودیت‌های آن را بدانند. همچنین مدل‌های پیچیده نیاز به وارد کردن ورودی‌های زیادی هستند که ممکن است به راحتی در دسترس نباشند.
3- گاهی نرم افزار مدل ساده، واضح و انعطاف‌پذیر نیست. در بسیاری از موارد استفاده کننده از مدل نیازمند کمک گرفتن از افرادی است که اشراف کامل به مدل دارند.
4- تعداد زیادی از مدل‌ها دارای یک یا چند پارامتر نامفهوم می‌باشند. در این مدل تمامی پارامترهای مربوط به گیاه زراعی و رقم به‌صورت واضح و شفاف بوده و همه قابل اندازه‌گیری مستقیم است.
هدف از این مطالعه توصیف یک مدل برای گیاه سویا (SSM-iLegume)، تعیین ضرایب ژنتیکی ارقام سویا مورد کشت در گرگان برای مدل و ارایه نتایج حاصل از ارزیابی آن بود.

مواد و روش‌ها:
مدل SSM-iLegume مراحل فنولوژیک را به عنوان تابعی از دما و طول روز پیش بینی می‏کند. محاسبه مراحل فنولوژی در مدل براساس مفهوم روز بیولوژیک (حداقل تعداد روز لازم برای تکمیل مرحله نمو معین در دما، طول روز و رطوبت مطلوب) می-باشد. گسترش و پیر شدن سطح برگ تابعی از دما، نیتروژن فراهم برای رشد برگ، تراکم بوته و انتقال مجدد نیتروژن می‌باشد. برای شبیه سازی گسترش سطح برگ، گام اول تعیین افزایش تعداد برگ در ساقه اصلی در هر روز با استفاده از مفهوم فیلوکرون (واحد دمایی بین ظهور برگ متوالی) است.
تولید ماده خشک به عنوان تابعی از تشعشع دریافت شده و دما تخمین زده می‌شود. افزایش روزانه ماده خشک گیاه زراعی توسط تولید ناشی از تشعشع فعال فتوسنتزی برآورد می‌شود، ‌که تابعی از تشعشع دریافت شده توسط گیاه زراعی (FINT) و کارایی استفاده از PAR جهت تولید ماده خشک گیاه، مانند کارایی استفاده از تشعشع، می‌باشد. مدل‏سازی سرعت رشد دانه‏ها و تشکیل عملکرد بر مبنای مفهوم افزایش خطی شاخص برداشت توسط سلطانی و سینکلر (2011) شرح داده شده است. مدل را می‌تواند از سایت https://sites.google.com/site/afshinsoltani/-9-down دانلود کرد. مدل نیاز به داده‌های هواشناسی روزانه مانند حداقل و حداکثر دما، مقدار بارندگی و تشعشع خورشید دارد. مدل می‌تواند برای سناریوها/تیمارهای متعدد برای بیش از چندین سال اجرا شود.


یافته‌ها:
برای برآورد ضرایب و ارزیابی مدل از داده‌های آزمایش‌های مزرعه‌ای مختلف استفاده شد. بعد از برآورد پارامترهای ژنتیکی، مدل با استفاده از داده‌های مستقل مورد آزمایش قرار گرفت و نتایج حاکی از کارایی قابل قبول آن برای جنبه‌های مهم گیاه زراعی در مقابل آزمایشات مشاهده شده شامل روز تا گلدهی (11CV=، 8/5RMSE=) روز تا رسیدگی (6CV=، 7/8RMSE=)، تعداد گره روی ساقه اصلی (13CV=، 7/1RMSE=) و عملکرد دانه (15CV=، 48RMSE=) بود.

نتیجه‌گیری:
نتایج نشان داد که برآوردها برای متغیرهای مختلف قابل قبولی است. بنابراین، این مدل می‌تواند در مطالعات شبیه‌سازی عملکرد سویا و محدودیت‌های آن در واکنش به شرایط زیست محیطی، ورودی‌های مدیریتی و عوامل ژنتیکی استفاده شود.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Parameterization and evaluation of SSM-soybean model for Prediction of growth and yield of soybean in Gorgan

چکیده [English]

Crop simulation models are mathematical representations of plant growth processes as influenced by interactions among genotype, environment and crop management. Using crop simulation models can be an efficient complement to experimental research. Models are being used to understand the response of crops to possible changes in crop, cultural management and environmental variables.
While there are many simulation models for soybean, SSM-iLegume model was preferred for the following reasons:
(1) Other models are not adequately transparent. A suitable model should have specific and obvious parameters, figures and codes.
(2) Many models use many equations and parameters for crop key process. In some cases, models are so complex that aspects of their structure and performance are not clear even to members of the modeling team. Adding complexity within a model does not necessarily move the model closer to reality. In fact, it is quite likely that including hypotheses without extensive experimental justification can easily increase the imperfection of the model. Users have to use these models as ‘black-boxes’ without a clear understanding of the model structures and limitations. Complex models need considerable input data that may not be easily available.
(3) Sometimes software of the model is not flexible, simple and obvious, and in many cases, expertise person should help for running the model.
(4) Many models include one or more parameters with opaque meaning. We believe all crop and cultivar parameters should have a clear meaning and should be directly measureable.
The objectives of this study were to describe a soybean model (SSM-iLegume), determine the genetic coefficients of soybean cultivar in Gorgan and finally report results of the model evaluation.

SSM-iLegume model predicts phenological stages as a function of temperature, day length. Calculation of phenological development in the model is based on the biological day concept. A biological day is a day with optimal temperature, photoperiod and moisture conditions for plant development.
Leaf area development and senescence is a function of temperature, provide nitrogen for leaf growth, plant density and nitrogen remobilization. To simulate leaf area expansion, the first step is to determine on each day the increase in leaf number on the main stem using the phyllochron (temperature unit between emergences of successive leaves) concept.
Biomass is estimated as a function of the received radiation and temperature. Daily increase of crop mass is estimated as the product of incident photosynthetic active radiation (PAR, MJ m-2 d-1), the fraction of that radiation intercepted by the crop (FINT) and efficiency with which the intercepted PAR is used to produce crop dry mass, i.e., radiation use efficiency (RUE, g MJ-1). Modeling seed growth rate and yield formation in the current model is based on a modified linear increase in harvest index concept as described by Soltani and Sinclair (2011).
The model, can be downloaded from https://sites.google.com/site/afshinsoltani/-9-down. The model needs daily weather data, i.e. maximum and minimum temperatures, rainfall and solar radiation. The model can be run for multiple scenarios/treatments over many years.

Field data were used for coefficient estimation and model evaluation. After estimation of genetic parameters, the model was tested using independent data and indicated an acceptable performance and predictions for important crop variables as compared to observed data including days to flowering (RMSE=5.8, CV=11%) and maturity (RMSE=8.7, CV=6%), main stem node number (RMSE=1.7, CV=13%) and grain yield (RMSE=48, CV=15%).

The results indicate that an acceptable estimate for different variables was obtained. So, the model can be used in simulation studies of soybean yield and its limitations in response to environmental conditions, management inputs and genetic factors.

کلیدواژه‌ها [English]

  • Crop simulation models
  • soybean
  • SSM model
  • simulation