رهیافت الگوریتم‏ سازی تعیین تاریخ کاشت گیاهان زراعی در ایران

سابقه و هدف: امنیت غذایی یکی از مهمترین مسائل در ارتباط با افزایش رشد جمعیت است. انتخاب تاریخ کاشت در مدل‌های شبیه‌سازی رشد و تولید گیاهان زراعی در مطالعات مرتبط با امنیت غذایی و تغییر اقلیم اهمیت زیادی دارد. در بیشتر موارد بر اساس آمار برداری، تاریخ کاشت ثابتی انتخاب می‌شود. این در حالی است که تاریخ کاشت واقعی کشاورزان ثابت نبوده و بسته به شرایط آب و هوایی هر سال ممکن است تغییر نماید. بنابراین استفاده از داده‏های اقلیمی برای الگوریتم‌سازی و تخمین زمان کاشت در مدل های گیاهان زراعی رهیافتی مفید برای پیش بینی دقیق عملکرد می باشد.مواد و روش ها: در این مطالعه اطلاعات تاریخ کاشت گیاهان زراعی مهم کشور (12 گیاه زراعی مهم) از استان‌های مختلف با کمک مراکز استانی سازمان تحقیقات، آموزش و ترویج کشاورزی کشور جمع آوری گردید. سپس با توجه به هر گیاه و تاریخ کاشت کشاورزان، الگوریتم سازی انجام شد. با کمک مدل ssm-icrop2 مقادیر مختلف آستانه برای الگوریتم‌های مختلف در هر گیاه بررسی شدند و مقدار مناسب انتخاب گردید طوری که تاریخ کاشت پیش‌بینی شده با تاریخ کاشت کشاورزان بیشترین انطباق را داشته باشد. جهت ارزیابی الگوریتم کاشت، داده‏های واقعی تاریخ کاشت در مطالعات مختلف گردآوری شد. سپس برای همان مطالعات که تاریخ کاشت واقعی در دسترس بود، الگوریتم‏سازی تاریخ کاشت صورت گرفت. یافته ها: دو الگوریتم پر کاربرد بودند از: گیاهان پاییزه مثل گندم، جو، کلزا، نخود، عدس، سیب زمینی و چغندر قند زمانی کشت می‌شوند که میانگین دمای هوا به کمتر از 16 درجه سانتی‌گراد کاهش یافته باشد. در مناطق گرمتر این حد دمایی به 17 تا 20 درجه سانتی‌گراد نیز افزایش پیدا می‌کند. در کشت بهاره، گیاهانی مثل لوبیا، نخود، عدس و سیب زمینی زمانی کشت می شوند که متوسط دمای هوا به بالاتر از 7 درجه سانتی‌گراد افزایش یافته‌باشد. این حد دمایی برای چغندر قند بهاره درجه سانتی‌گراد 12 و برای ذرت در اقلیم‌های سرد و نیز گیاهان تابستانی مثل لوبیا در تاریخ کاشت های زود 15 تا 17 درجه‌سانتی‌گراد است. نتیجه گیری: از نتایج این مطالعه می‌توان در مدل‌های شبیه سازی گیاهی برای تقلید رفتار کشاورزان در کاشت استفاده نمود. همچنین برای نقاطی که اطلاعات تاریخ کاشت در دسترس نباشد، الگوریتم‌های کاشت قابل استفاده هستند. به عبارت دیگر، استفاده از یک الگوریتم به جای تاریخ کاشت ثابت در مدل می‏تواند تاریخ کاشت نزدیک‌تر به کشاورز را به‏ویژه در شرایطی که مناطق و سال‏های متفاوتی مدنظر باشد را شبیه‏ سازی کند. واژه های کلیدی: دما، شبیه سازی، گیاهان زراعی، ssm-icrop2.

an algorithmic approach for determining the optimal sowing dates for crops in iran

background and objectives: the selection of sowing dates within crop simulation models holds great importance when addressing issues pertaining to food security and climate change. typically, statistical analyses lead to the adoption of a fixed sowing date in these models. however, it should be noted that farmers do not adhere to such a rigid schedule; rather, their sowing dates are subject to annual variations influenced by weather conditions. consequently, incorporating climatic data becomes an effective methodology for developing algorithms and estimations regarding sowing date within crop models.materials and methods: this study involved the collection of information regarding the sowing dates of 12 important crops in iran from various provinces, with the assistance of agricultural research, education and extension organization (areeo) ’s provincial centers. subsequently, algorithmization was performed for each crop based on the sowing dates of farmers. the ssm-icrop2 model was utilized to evaluate different threshold values for each algorithm in each crop, and the appropriate value was selected to ensure that the predicted sowing date aligned with that of the farmers. to evaluate the sowing algorithm, observed sowing date data were collected from various studies. for those studies where observed sowing dates were available, algorithmization of the sowing date was conducted.results: the results of the evaluation of different algorithms indicate that the third algorithm is well-suited for autumn crops, including wheat, barley, rapeseed, chickpeas, lentils, potatoes, and sugar beets, with sowing recommended when the average air temperature is below 16°c. moreover, this temperature threshold increases to 17-20°c in warmer areas. algorithm number two was found to be suitable for spring cultivation of crops such as beans, chickpeas, lentils, and potatoes, with sowing recommended when the average air temperature exceeds 7°c. for spring sugar beets, this temperature was 12°c, and for corn in cold climates and summer crops such as beans during early sowing dates, the recommended temperature range was 15-17°c.conclusion: the results of our study can be utilized in crop simulfor spring sugar beets, this temperature was 12°c, and for corn in cold climates and summer crops such as beans during early sowing dates, the recommended temperature range was 15-17°c.ation models to replicate farmers’ sowing behavior. additionally, these algorithms can be applied in regions where information regarding sowing dates is unavailable. by incorporating an algorithm instead of a fixed sowing date within the model, a sowing date that more closely aligns with that of the farmer can be simulated, particularly in situations where various regions and years are being considered.keywords: crops, simulation, ssm-icrop2,temperature.