مقایسه دو روش برازش خط مرزی در آنالیز خلا عملکرد: مطالعه موردی گندم دیم در استان گلستان

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری اکولوژی گیاهان زراعی دانشگاه علوم کشاورزی و منابع طبیعی گرگان

2 استاد گروه زراعت دانشگاه علوم کشاورزی و منابع طبیعی گرگان

3 دانشیار گروه زراعت دانشگاه علوم کشاورزی و منابع طبیعی گرگان

4 مدیر ترویج کشاورزی استان گلستان، سازمان جهاد کشاورزی استان گلستان

5 استاد گروه زراعت و اصلاح نباتات دانشگاه شهید چمران اهواز

6 کارشناس دفتر گندم استان گلستان، سازمان جهاد کشاورزی استان گلستان

چکیده

سابقه و هدف:
در سال‎های اخیر به علت نگرانی‎های به وجود آمده در مورد مباحث امنیت غذایی، مطالعات نیز در این زمینه در سطح جهان رو به افزایش است و نیاز است تا با روش‎های آماری مناسب اقدام به برآورد عملکرد پتانسیل و شناسایی عوامل محدود کننده‎ی عملکرد پتانسیل نمود. در مدیریت زراعت دیم، بهینه‎سازی رشد رویشی قبل از مرحله گلدهی در جهت حداکثر بهره‎برداری از آب موجود در خاک یک اصل اساسی می‎باشد و عوامل مدیریتی مانند تاریخ کاشت، میزان بذر مصرفی و میزان کود نیتروژن (N) مصرفی می‎توانند تعیین کننده‎ی میزان رشد رویشی تا قبل از گلدهی باشند. آنالیز خط مرزی یک روش آماری است که به کمک آن می‎توان واکنش عملکرد به یک عامل محیطی یا مدیریتی در شرایطی که سایر عوامل نیز متغییر باشند را مشخص کرد. اهداف تحقیق حاضر عبارت از معرفی، استفاده و مقایسه دو روش آنالیز خط مرزی جهت تعیین همزمان بهترین مدیریت‏ها، برآورد پتانسیل‎ها و محاسبه خلا عملکرد گندم دیم در سه شهرستان آق‎قلا، گمیشان، و کلاله در استان گلستان بوده است؛ یکی روش معمول بر مبنای استفاده از روش حداقل توان‎های دوم (LS) و دیگری روشی بر مبنای برنامه‎ریزی خطی (LP) که در آن اصل بر این است که هیچ نقطه‎ای بالاتر از خط رسم شده قرار نگیرد.
مواد و روش‌ها:
برای این مطالعه اطلاعات مورد نیاز از 332 مزرعه گندم در سه شهرستان آق‎قلا، گمیشان و کلاله در طی دو سال زراعی 93-1392 و 94-1393 جمع‎آوری شدند. عوامل مدیریتی مورد بررسی شامل تاریخ کاشت، میزان بذر مصرفی و میزان کود نیتروژن (N) مصرفی (به صورت پایه و سرک)، بودند. برای برازش خط مرزی به روش LS با استفاده از قانون حداقل توان‎های دوم یک خط از میان حداکثر عملکردها برازش داده شد. اما در روش LP، یک تابع بر لبه‏ی بالایی پراکنش داده‏ها برازش داده شد به گونه‎ای که هیچ نقطه‎ای در بالای این خط قرار نگیرد. برای این منظور، به نحوی پارامترهای معادله مورد نظر تغییر داده شد که مجموع باقی‎مانده‎ها در کمترین حد ممکن باشد، با این شرط که هیچ تک باقی‎مانده‎ی منفی نیز وجود نداشته باشد. در ادامه حد بهینه هر عامل مدیریتی مشخص و در نهایت با برآورد پتانسیل‎ها و کم کردن متوسط عملکرد در هر شهرستان، خلا عملکرد برای هر عامل و در مجموع محاسبه شد.
یافته‌ها:
نتایج آنالیز خط مرزی، حد بهینه‎ی عوامل مدیریتی جهت دستیابی به عملکرد پتانسیل در هر شهرستان را نشان داد و تاریخ کشت مطلوب، میزان بذر مصرفی و میزان نیتروژن (N) مصرفی بهینه در هر شهرستان تعیین شدند. متوسط عملکرد گندم دیم در سه شهرستان آق‎قلا، گمیشان و کلاله در حدود 2600 کیلوگرم در هکتار و عملکرد پتانسیل نیز بر اساس روش LS در حدود 4700 کیلوگرم و بر اساس روش LP در حدود 4800 کیلوگرم برآورد شد که نشان از خلا عملکردی در حدود 2100-2000 کیلوگرم در هکتار (44 تا 45 درصد) دارد. لازم به ذکر است که نتایج این تحقیق دارای قطعیت نبوده و برای دستیابی به حدود بهینه هر شهرستان نیاز به چندین سال آزمایش وجود دارد.
نتیجه‎گیری:
از مزایای روش LP این است که احتیاج به تقسیم‎بندی عامل مستقل به محدوده‎های مشخص و تعیین نقاط مرزی ندارد، همچنین برازش خط با مشارکت تمامی نقاط انجام می‎شود و به عبارتی تمامی نقاط بر روی خط رسم شده تأثیرگذار هستند. شاید ضعف این روش را بتوان در عدم دخالت تجربه کاربر در برازش این خط مرزی دانست، اما به نظر می‎رسد هر کدام از این روش‎ها در شرایط خاصی بسته به نوع و پراکندگی داده‎ها می‎توانند مفید باشند و کاربر باید بعد از رسم پراکندگی نقاط بهترین روش برازش خط را برای آن داده‎ها انتخاب کند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Comparison of two methods for fitting boundary line in yield gap analysis: Case study of rainfed wheat in Golestan province

نویسنده [English]

  • Amir Hajjarpoor 1
چکیده [English]

Abstract:
Background and objectives:
In the recent year, due to increasing concerns about the future food security, researches in this field are growing globally and it requires to use proper statistic methods for estimation the amount of yield gap and determination of it’s causes. In dryland management, optimization of vegetative growth before flowering in order to maximize the utilization of available water in the soil is a fundamental principle and consequently management factors such as planting date, seeding rate and amount of fertilizer nitrogen (N) use can determine the amount of vegetative growth before flowering. Boundary line analysis is a statistical method that can quantify the response of yield to an environmental or management factor in a situation in which other parameters are variable. The objectives of this study were to introduce, use and comparison of two methods for fitting boundary line to determine the best managements and simultaneously estimate potentials and calculate wheat yield gap in three county of the Golestan province include Aghala, Gomishan and Kalaleh. One, the common method based on the least squares (LS) method and another method based on linear programming (LP) so that no point is fall above the drawn line.

Materials and methods:
For this study, the required information were collected from 332 wheat field during two growing season of 2014 and 2015 in Aghala, Gomishan and Kalaleh. The investigated management factors included planting date, seeding rate and amount of nitrogen fertilizer (N) use (at the base and the road). To fit a boundary line using LS method, a curve was fitted through the maximum yield points based on the least squares method. However in LP method, a curve was fitted on the top edge of the data so that any point is not fall above the drawn line. For this purpose, the parameters of the function were changed so that the total remaining was at the lowest level, in the condition that no single negative remaining was left. Then, the optimum of each specific management factor was recognized and finally with estimating potential yield and minus the average yield in each county, yield gap was calculated for each factor and in whole.

Results:
The results show the optimum of each specific management factor to reach the potential yield and optimum planting date, seeding rate and optimum nitrogen (N) use in each county were determined. The average wheat yield in drylands of Aghala, Gomishan and Kalaleh was about 2600 kg ha-1 and also potential yield was about 4700 kg ha-1 according to LS method and 4800 kg ha-1 according to LP method. So there is a yield gap about 2000-2100 kg ha-1 (44-45%). It should be noted that these results are not conclusive and it would be required to several years of testing to achieve the optimal range of each region.

Conclusion:
LP method doesn’t require dividing independent factor and determining the boundary point, and also the fitted curve done with participate of all the data. In other words, all points have their impacts on the drawn curve and this is the advantage of this method. However the lack of involvement of user experience to choice the ideal points for fitting the curve would be the weakness of this method, it seems that each of these methods in certain situations -depend on the type and distribution of data- can be useful. So user after drawing the scatter plot of data should choice the best method to fit line to the data.

کلیدواژه‌ها [English]

  • Food security
  • Dryland management
  • Boundary line analysis
  • Least square
  • Liner programming
1. Van Ittersum, M.K., Cassman, K.G.,
Grassini, P., Wolf, J., Tittonell, P., and
Hochman, Z. 2013. Yield gap analysis
with local to global relevance—A
review. Field Crop. Res., 143: 4-17.
2. Lobell, D.B., Cassman, K.G., and Field,
C.B. 2009. Crop Yield Gaps: Their
Importance, Magnitudes, and Causes.
Annu. Rev. Environ. Resour., 34: 179-
204.
3. Soltani, A., and Faraji, A. 2007. Soil
Water and Plant Relationship. JMD
press. 246p. (In Persian)
4. Koocheki, A., and Soltani, A. 1998.
Agriculture in Dry Lands Principles and
Practice. Agricultural Education
Publish. 942p. (In Persian)
5. Alimagham, M., and Soltani, A. 2015.
The evaluation of rainfed wheat yield
gap and production gap in Iran based on
yield-rainfall function. Unpub.
6. Van Wart, J., Kersebaum, K.C., Peng,
S., Milner, M., and Cassman, K.G.
2013. Estimating crop yield potential at
regional to national scales. Field Crop.
Res., 143: 34-43.
7. Wang, N., Jassogne, L., van Asten,
P.J.A., Mukasa, D., Wanyama, I.,
Kagezi, G., and Giller, K.E. 2015.
Evaluating coffee yield gaps and
important biotic, abiotic, and
management factors limiting coffee
production in Uganda. Eur. J. Agr., 63:
1-11.
8. Soltani, A., Hajjarpoor, A., and Vadez,
V. 2016. Analysis of chickpea yield gap
and water-limited potential yield in Iran.
Field Crop Res., 185: 21-30.
9. Hajjarpoor, A., Soltani, A., and Torabi,
B. 2016. Using boundary line analysis in
yield gap studies: Case study of wheat in
Gorgan. J. crop prod. In press. (In
Persian)
10. Makowski, D., Doré, T., and Monod, H.
2007. A new method to analyse
relationships between yield components
with boundary lines. Agron. Sustain.
Dev., 27: 119-128.
11. Shatar, T.M., and Mcbratney, A.B.
2004. Boundary-line analysis of fieldscale
yield response to soil properties.
JAS., 142: 553-560.
12. Feiziasl, V., Jafarzadeh, J., Amiri, A.,
Ansari, Y., Mousavi, S.B., and Chenar,
M.A. 2010. Analysis of yield stability of
wheat genotypes using new crop
properties balance index (CPBI)
method. Not. Bot. Hort. Agrobot. Cluj.
38: 228-33.
13. Casanova, D., Goudriaan, J., Bouma, J.,
and Epema, G. 1999. Yield gap analysis
in relation to soil properties in directseeded
flooded rice. Geoderma. 91: 191-
216
14. Kitchen, N.R., Drummond, S.T., Lund,
E.D., Sudduth, K.A., and Buchleiter,
G.W. 2003. Soil electrical conductivity
and topography related to yield for three
contrasting soil–crop systems. Agr. J.,
95: 483-495.
15. Schmidt, U., Thöni, H., and
Kaupenjohann, M. 2000. Using a
boundary line approach to analyze N2O
flux data from agricultural soils. Nutr.
Cycl. Agroecosys., 57: 119-129.
16. Patrignani, A., Lollato, R.P., Ochsner,
T.E., Godsey, C.B., and Edwards, J.T.
2014. Yield Gap and Production Gap of
Rainfed Winter Wheat in the Southern
Great Plains. Agr. J., 106: 1329.
17. Banneheka, B., Dhanushika, M.,
Wijesuriya, W., and Herath, K. 2013. A
linear programming approach to fitting
an upper quadratic boundary line to
natural rubber data. J. Nat. Sci. Found
Sri. Lanka., 41: 13-20.
18. Khajepoor, M.R. 2014. Cereals. JMDEsfahan
press. 764p. (In Persian)
19. Feiziasl, V., and Pourmohammad, A.
2013. Effects of nitrogen rates and
application time on agronomic
efficiency of nitrogen and seed yield of
drylandʼs wheat genotypes. Sci. water
soil. 24: 93-104.
20. Institute of soil and water research.
2014. Integrated management of soil
fertility and wheat nutrition, Institute of
soil and water research, Iranian Ministry
of agriculture.
21. Deputy of improving plant production.
2013. Deputy of improving plant
production, Iranian Ministry of
Agriculture.
22. Mueller, N.D., Gerber, J.S., Johnston,
M., Ray, D.K., Ramankutty, N., and
Foley, J.A. 2012. Closing yield gaps
through nutrient and water management.
Nature. 490: 254-257.
23. Connor, D.J., Loomis, R.S., and
Cassman, K.G. 2011. Crop ecology:
productivity and management in
agricultural systems. Camb. Univ. Press.
556p.
24. Egli, D.B., and Hatfield, J.L. 2014.
Yield gaps and yield relationships in
central U.S. soybean production
systems. Agr. J., 106: 560.
25. Huang, X., Wang, L., Yang, L., and
Kravchenko, A.N. 2008. Management
Effects on Relationships of Crop Yields
with Topography Represented by
Wetness Index and Precipitation. Agr.
J., 100: 1463
26. Grassini, P., Hall, A.J., and Mercau, J.L.
2009. Benchmarking sunflower water
productivity in semiarid environments.
Field Crop Res., 110: 251-262.
27. Tittonell, P., and Giller, K.E. 2013.
When yield gaps are poverty traps: The
paradigm of ecological intensification in
African smallholder agriculture. Field
Crop. Res., 143: 76-90.
28. Tasistro, A. 2012. Use of boundary lines
in field diagnosis and research for
Mexican farmers. Better Crop. Plant
Food., 96: 11-13.
29. Tittonell, P., Shepherd, K., Vanlauwe,
B., and Giller, K. 2008. Unravelling the
effects of soil and crop management on
maize productivity in smallholder
agricultural systems of western Kenya—
An application of classification and
regression tree analysis. Agric. Ecosyst.
Environ., 123: 137-150.