تحلیل حساسیت پارامترهای رشد گیاه پنبه در مدل aquacrop تحت مدیریت‌های مختلف زراعی

مدل ‌سازی گیاهی از جمله روش ‌های پرکاربرد برای شبیه‌سازی عملکرد گیاهان زراعی تحت مدیریت‌های مختلف مزرعه است. لیکن، توجه به حساسیت این مدل‌ها نسبت به پارامترهای ورودی می‌تواند عملیات واسنجی را بهبود بخشد و خطای شبیه‌سازی را کاهش دهد. در پژوهش حاضر، به تحلیل حساسیت مدل aquacrop تحت تیمارهای تاریخ کاشت (d1: 15 اسفند و d2: 25 اسفند) کیفیت آب آبیاری (s1: آب کارون با متوسط شوری دو دسی زیمنس بر متر، s2: تلفیق آب کارون و زهاب با متوسط شوری 4 دسی زیمنس بر متر و s3: زهاب با متوسط شوری 6 دسی زیمنس بر متر) و رقم پنبه (c1: خورشید، c2: گلستان، c3: ساجدی و c4: خرداد) برای گیاه پنبه پرداخته شد. برای تحلیل حساسیت، پارامترهای بهره‌وری آب نرمال شده (wp*)، حداکثر ضریب تعرق گیاهی (kctrx)، پوشش گیاهی اولیه (cc0)، ضریب رشد پوشش گیاهی (cgc)، ضریب کاهش پوشش گیاهی (cdc) و شاخص برداشت (hi) با استفاده از روش باون انجام شد. نتایج نشان داد که بیشترین حساسیت در دو پارامتر شاخص برداشت (0.69) و بهره‌وری آب نرمال شده (0.6) و کمترین حساسیت در دو پارامتر ضریب زوال پوشش گیاهی (0.02) و ضریب پوشش گیاهی اولیه (0.03) وجود داشت. افزایش زمان کاشت از d1 به d2 سبب افزایش حساسیت مدل aquacrop نسبت به شاخص برداشت (19 درصد) و بهره-وری آب نرمال شده (15 درصد) و افزایش شوری از s1 به s3 سبب افزایش حساسیت این مدل نسبت به شاخص برداشت (42 درصد) و بهره‌وری آب نرمال شده (50 درصد) گردید. بنابراین در شرایط مدیریت مزرعه مشابه تحقیق حاضر، توجه به دو پارامتر شاخص برداشت و بهره‌وری آب نرمال شده می‌تواند سبب دقت نتایج در مرحله‌ی واسنجی (و صحت‌سنجی) شود.

sensitivity analysis of cotton crop growth parameters of in the aquacrop model under different agricultural managements

crop modeling is one of the widely used methods for simulating the crops yield under different farm management. however, paying attention to the sensitivity of these models to the input parameters can improve the calibration operation and reduce the simulation error. for this reason, in the current research, we analyzed the sensitivity of the aquacrop model under planting date treatments (d1: march 5 and d2: march 15) and irrigation water salinity (s1: karon water with an average salinity of 2 ds.m-1, s2: combination of karon water and drains with an average salinity of 4 ds.m-1 and s3: drain with an average salinity of 6 ds.m-1) and cotton cultivars (c1: khursheed, c2: golestan, c3: sajedi and c4: khordad). for sensitivity analysis, the normalized water productivity (wp*), maximum crop transpiration coefficient (kctrx), initial crop coefficient (cco), crop growth coefficient (cgc), crop decline coefficient (cdc) and harvest index (hi) were used. sensitivity analysis was done using beven method. the results showed that the highest sensitivity was in parameters of hi (0.69) and wp* (0.6) and the lowest sensitivity was in parameters cdc (0.02) and cco (0.3). the increase in planting date from d1 to d2 increases the sensitivity of the aquacrop model to the hi (19%) and wp* (15%), and the increase in salinity from s1 to s3 increases the sensitivity of aquacrop to the hi (42%) and wp* (50%). therefore, in the farm management similar to the current research, paying attention to the two aforementioned parameters can cause the accuracy of the results in the calibration (and validation) stage.