اخبار و اعلانات

 آمار

تعداد نشریات282
تعداد نشریات سازمان80
تعداد شماره‌ها3,208
تعداد مقالات35,560
تعداد مشاهده مقاله53,002,438
تعداد دریافت فایل اصل مقاله92,287,874
روستایی, مریم, سهرابی, تیمور, مساح بوانی, علیرضا, احدی, محمدصادق. (1391). ارزیابی ریسک عملکرد زیست‌توده گیاه ذرت تحت تأثیر تغییر اقلیم. سامانه مدیریت نشریات علمی, 26(4), 425-438. doi: 10.22092/jwra.2013.131420
مریم روستایی; تیمور سهرابی; علیرضا مساح بوانی; محمدصادق احدی. "ارزیابی ریسک عملکرد زیست‌توده گیاه ذرت تحت تأثیر تغییر اقلیم". سامانه مدیریت نشریات علمی, 26, 4, 1391, 425-438. doi: 10.22092/jwra.2013.131420
روستایی, مریم, سهرابی, تیمور, مساح بوانی, علیرضا, احدی, محمدصادق. (1391). 'ارزیابی ریسک عملکرد زیست‌توده گیاه ذرت تحت تأثیر تغییر اقلیم', سامانه مدیریت نشریات علمی, 26(4), pp. 425-438. doi: 10.22092/jwra.2013.131420
روستایی, مریم, سهرابی, تیمور, مساح بوانی, علیرضا, احدی, محمدصادق. ارزیابی ریسک عملکرد زیست‌توده گیاه ذرت تحت تأثیر تغییر اقلیم. سامانه مدیریت نشریات علمی, 1391; 26(4): 425-438. doi: 10.22092/jwra.2013.131420

ارزیابی ریسک عملکرد زیست‌توده گیاه ذرت تحت تأثیر تغییر اقلیم

پژوهش آب در کشاورزی
دوره 26، شماره 4، بهمن 1391، صفحه 425-438    اصل مقاله (422.8 K)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22092/jwra.2013.131420
نویسندگان
مریم روستایی* 1؛ تیمور سهرابی2؛ علیرضا مساح بوانی3؛ محمدصادق احدی4
1کارشناس ارشد آبیاری و زهکشی، دانشگاه تهران؛ پردیس کرج
2استاد گروه آبیاری و آبادانی، دانشگاه تهران، پردیس کرج؛
3استادیار گروه آبیاری و زهکشی دانشگاه تهران، پردیس ابوریحان؛
4معاون دفتر ملی تغییر آب و هوا، سازمان محیط زیست
چکیده
این مطالعه به تحلیل ریسک عملکرد زیست‌توده گیاه ذرت در دوره 2039-2010 میلادی در مزرعه­ای واقع در پاکدشت تحت تأثیر عدم قطعیت‌ ناشی از مدل‌های جفت شده جوی- اقیانوسی (AOGCM) پرداخته ­است. به ‌این منظور سناریوهای تغییر اقلیم حاصل از 9 مدل AOGCM-AR4 تحت سناریوی انتشار A2 در دو دوره 2000-1971 و 2039-2010 برای منطقه مورد مطالعه محاسبه و با برازش تابع بتا وزن‌دهی شدند. در ادامه با استفاده از روش مونت کارلو، 2000 نمونه از هر سناریو اقلیمی دما و بارش ماهانه منطقه تولید و مقادیر تغییرات دما و بارش مربوط به سطوح ریسک 25، 50 و 75 درصد استخراج شدند. مدل آماری LARS-WG برای ریزمقیاس‌نمایی داده‌ها در سطح مزرعه بکار برده شد. در مرحله آخر با معرفی مقادیر دما و بارش منطقه در سه سطح ریسک 25، 50 و 75 درصد در دوره 2039-2010 به مدل AquaCrop، مقادیر زیست‌توده ذرت در دوره 2039-2010 شبیه‌سازی شدند. نتایج نشان­دهنده روند نزولی زیست‌توده، در تیمارهای آبیاری کامل و کم‌آبیاری بود، بطوریکه در سطح ریسک 50 درصد، 1/21 و 1/42 تن بر هکتار کاهش در زیست‌توده به ترتیب در تیمارهای آبیاری کامل و کم‌آبیاری، پیش‌بینی شد.
کلیدواژه‌ها
تغییر اقلیم؛ پاکدشت؛ ذرت؛ ریسک؛ زیست توده؛ آکواکراپ
عنوان مقاله [English]
Risk Analysis of Maize Biomass under Climate Change Impacts(Case tudy: Pakdasht)
نویسندگان [English]
Maryam Roostai1؛ Teymour Sohrabi2؛ Alireza Mesah3؛ Mohammadsadegh Ahadi4
1MSc student, Irrigation and Reclamation Engineering Dept., University of Tehran
2Professor of Irrigation and Reclamation Engineering Dept., University of Tehran
3Assistant Professor of Irrigation Engineering Dept., College of Abureihan, University of Tehran
4Project Assistant for Climate Change Enabling Activity (UNDP-GEF), Department of Environment, National Climate Change Office
چکیده [English]
A variety of factors contributing to food insecurity should be evaluated precisely. Among these factors, climate change has the major influence. This study evaluates risk analysis of maize biomass under climate change in the period of 2010-2039, in a maize field in Pakdasht (east of Tehran, Iran) using AOGCM uncertainties. Climate Change scenarios were derived from 9 climate experiments (9 AOGCMs under A2 emission scenario) for two time periods (1971-2000 and 2010-2039). Beta probability density function (pdf) was fitted to these scenarios and 2000 samples of temperature and rainfall of climate change scenarios were produced. Also, their cumulative distribution functions (cdf) were depicted and changes of temperature and rainfall at 25%, 50%, and 75% risk levels were extracted. LARS-WG model was used for statistical downscaling of data and AquaCrop model was employed in simulation of maize biomass for future period (2010-2039).Descending trend was detected from biomass simulation in future period. At 50 % risk level, decreasing biomass was 1.21 ton per hectare in full irrigation treatment and 1.42 ton per hectare in deficit irrigation treatment. Risk analysis results showed that difference between 25% and 75% risk’s biomass amount in full and deficit irrigation were 0.7 and 0.5 ton per hectare, respectively.
کلیدواژه‌ها [English]
AOGCM uncertainties, LARS-WG model, AquaCrop, Simulation of biomassi
مراجع
  • Abbasi, F., Malbusi, S., babaeian, I., Asmari, M. and Borhani, R. 2010. Climate Change Prediction of South Khorasan Province during 2010-2039 by Using Statistical Downscaling of ECHO-G Data. Journal of Water and Soil Vol. 24, No. 2, May-Jun 2010, p. 218-233 (In Farsi)
  • EL Afandi, G.E., Khalil, F.A. and Ouda, S.A. 2010. Using irrigation scheduling to increase water productivity of wheat-maize rotation under climate change conditions. Chilean Journal of Agricultural Research,. 70(3):474-484.
  • Elmahdi, A., Shahkarami, N., Morid, S. and Massah Bavani, A.R. 2009. Assessing the impact of AOGCMs uncertainty on the risk of agricultural water demand caused by climate change. 18th World IMACS / MODSIM Congress, Cairns, Australia 13-17 July 2009.
  • García-Vila, M., Fereres, E., Mateos, L., Orgaz, F. and Steduto, P. 2009. Deficit irrigation optimization of cotton with AquaCrop. Agronomy Journal,. 101(3).
  • Giglioli N. Saltelli A. 2003. SimLab 2.2, Software for Sensitivity and uncertainty Analysis, Simlab Manual. Joint Research Centre European Commission.
  • Guo, R., Lin, Z., Mo, X. and Yang, C. 2010. Responses of crop yield and water use efficiency to climate change in the North China Plain. Agricultural Water Management,. 97: 1185–1194.
  • Hsiao C.T. Heng L. Steduto P. Rojas-Lara B. Raes D. Fereres E. 2009. AquaCrop-The FAO Crop Model to Simulate Yield Response to Water: III. Parameterization and Testing for Maize. Agronomy Journal,. 101(3).
  • Jones, P.D., and Hulme, M. 1996. Calculating regional climatic time series for temperature and precipitation: methods and illustrations. International Journal of Climatology,. 16: 361-377.
  • Jones, P.G., and Thornton, P.K. 2003. The potential impacts of climate change on maize production in Africa and Latin America in 2055. Global Environmental Change,. 13:51-59.
  • Jones, R.N. 2000. Analyzing the risk of climate change using an irrigation demand model. Climate research,. 14: 89-100.
  • Knox, J.W., Hess, T.M., Daccache, A., and Perez Ortola, M. (2011). What are the projected impacts of climate change on food crop productivity in Africa and south Asia?. DFID systematic review, Cranfield University.
  • Massah Bavani, A.R. and Morid, S. 2006. Impact of Climate Change on the Water Resources of Zayandeh Rud Basin. JWSS - Isfahan University of Technology. 2006,. 9:17-28 (In Farsi)
  • Meza, J.F. Silva, D., and Vigil H. 2008. Climate change impact on irrigated maize in Mediterranean climates: Evaluation of double cropping as an emerging adaption alternative. Agricultural System,. 98:21-30.
  • Minville, M. Brissette, F., and Leconte, R. 2008. Uncertainty of the impact of climate change on the hydrology of a Nordic watershed. Journal of Hydrology,. 358: 70-83
  • Mirsane, M. S., Sohrabi, T., Massah Bavani, A.R. and Bazrafshan, J. 2010. Risk analysis of crop water requirement under climate change (Case study: Qazvin), Master thesis, University of Tehran (In Farsi).
  • Najjar, Z., Massah Bavani, A.R. and Mashal, M. 2009. Adaptation strategies of climate change impacts on maize yield. Master thesis, University of Tehran, College of Abureyhan (In Farsi).
  • Prudhomme, Ch., Davies, H. 2005: Comparison of different sources of uncertainty in climate change impact studies in Great Britain. Center for Ecology and Hydrology, Wallingford, OXON, OX10 0QN, UK
  • Racsko, P., Szeidl, L. and Semenov, M.A. 1991. A serial approach to local stochastic weather models. Ecological Modeling,. l (57): 27–41.
  • Rowhani, P., Lobell, D.B., Linderman, M. and Ramankutty, N. 2011. Climate variability and crop production in Tanzania. Agricultural and Forest Meteorology,. 15: 449–460.
  • Semenov, M.A. and Barrow, E.M. 2002. LARS-WG: A Stochastic Weather Generator for Use in Climate Impact Studies, Version 3.0, User’s Manual.
  • Semenov, M.A., Brooks, R.J., Barrow E.M. & Richardson, C. W. 1998. Comparison of the WGEN and LARS-WG stochastic weather generators for diverse climates. Climatic Research,. 10 (2): 95–107.
  • Steduto, P., Raes, T., Hsiao, T.C. Fereres, E. 2009. AquaCrop-reference manual.
  • Steduto, P., Raes, T., Hsiao, T.C. Fereres, E., Heng, L., Izzi, G. and Hoogeveen, J. 2009. “AquaCrop: a new model for crop prediction under water deficit conditions”. Options Mediterranean’s,. 80:285-292
  • Tao, F., and Zhang, Z. 2010. Adaptation of maize production to climate change in North China Plain: Quantify the relative contributions of adaptation options. European Journal of Agronomy,. 10.
  • Toews M. W. and Allen D. M (2009): Evaluating different GCMs for predicting spatial recharge in an irrigated arid region. Journal of Hydrology, 374: 265-281.
  • Torriani, D.S., Calanca, P., Schmid, S., Beniston, M., and Fuhrer, J. 2007a. Potential effects of changes in mean climate and climate variability on the yield of winter and spring crops in Switzerland. Climate Research,. 34:59-69.
  • Turral, H., Burke, J., and Faures, J.M. 2011. Climate change, water and food security. Food and Agriculture Organization of the United Nations. Rome
آمار
تعداد مشاهده مقاله: 403
تعداد دریافت فایل اصل مقاله: 229


counter
سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب