برآورد پتانسیل تولید نیشکر با مدل‌های مختلف در اراضی جنوب استان خوزستان

درک شناخت عواملی که پیش‌بینی عملکرد منطقه ای محصول نیشکر را محدود کرده و روش‌های مدیریت را بهبود بخشد، امری ضروری است. هدف از این تحقیق انتخاب مدلی بود که پتانسیل تولید نیشکر را با در نظر گرفتن ویژگی های اقلیمی، گیاهی و خاکی و زمین‌نما منطقه برآورد کند. مناطق موردمطالعه در جنوب استان خوزستان شامل کشت و صنعت های امیرکبیر، میزا کوچک خان، دعبل خزایی، سلمان فارسی و فارابی بود. بدین منظور 100 سایت در مزارع مناطق مختلف تحت کشت نیشکر در استان خوزستان بر اساس تنوع در ویژگی های خاک موردمطالعه قرار گرفت. روش انجام این تحقیق طی دو سلسله‌مراتب انجام شد. در مرحله اول پتانسیل تولید نیشکر با استفاده از روش مدل رشد فائو برآورد شد و در مرحله دوم پتانسیل تولید اراضی برای نیشکر با توجه به تاثیر عوامل محدودکننده در خاک (که به‌صورت شاخص خاک به روش پارامتری محاسبه و موجب کاهش عملکرد محصول نیشکر در مرحله اول شد) برآورد گردید. برای تجزیه‌ و تحلیل داده‌ها ، رگرسیون به روش‌های استاندارد، گام‌به‌گام و منحنی تخمین به کار رفت. در رگرسیون به روش استاندارد و گام‌به‌گام ویژگی های خاک به‌عنوان متغیر مستقل و عملکرد مشاهده‌شده به‌عنوان متغیر وابسته در نظر گرفته شد و درروش منحنی تخمین به روش های خطی، درجه دوم و درجه سوم، عملکرد مشاهده‌شده نیشکر به‌عنوان متغیر مستقل و عملکرد پیش‌بینی‌شده به‌عنوان متغیر وابسته انتخاب شدند. نتایج مرحله اول نشان داد که پتانسیل تولید محصول به روش مدل رشد فائو 95.8 تن در هکتار است و نتایج مرحله دوم نشان داد که پتانسیل تولید اراضی برای نیشکر در منطقه در سطوح مختلف مدیریتی از 18 تا 69.3 تن در هکتار تخمین زده شد.  از عوامل کاهش عملکرد می‌توان به عوامل محدودکننده‌ای از قبیل محدودیت‌های آهک، بافت خاک سنگین و خیلی سنگین، زهکشی، شوری و سدیمی بودن و عدم مدیریت مناسب اشاره نمود. نتایج روش رگرسیون استاندارد و گام‌به‌گام نشان دادند که به ترتیب ضریب تبیین 0.52 و 0.49 و خطای استاندارد (me) برابر 10.13 و 9.77 تن در هکتار به دست آمد. ویژگی‌های خاک به روش استاندارد تا 52 درصد و به روش گام‌به‌گام تا 49 درصد توانست عملکرد را پیش بینی کند و درروش منحنی تخمین برای مدل خطی، درجه دوم و درجه سوم، ضریب تبیین به ترتیب 0.74، 0.85 و 0.87 و خطای استاندارد 7.8، 5.8 و 5.3 تن در هکتار محاسبه شد. بنابراین روش منحنی تخمین درجه سوم که از مدل رشد فائو برای پیش‌بینی عملکرد محصول استفاده نموده دارای دقت بالاتر و خطای کمتر از مدل رگرسیون استاندارد و گام‌به‌گام است که فقط از اثر ویژگی های سرزمین بر عملکرد مشاهده‌شده را استفاده نموده است

Estimation of Sugarcane Production Potential Using Different Models in the Southern Lands of Khuzestan Province

Understanding the factors that limit prediction of regional performance of sugarcane crop and improve management practices is essential. The purpose of this study was to select a model that could estimate the potential of sugarcane production by considering the climatic, plant, and soil and terrain characteristics of the region. The study areas in the south of Khuzestan Province included the agroindustries of Amir Kabir, Miza Kuchak Khan, Dabal Khazaei, Salman Farsi, and Farabi. For this purpose, 100 sites in farms of different areas under sugarcane cultivation were studied based on diversity in soil characteristics. The method of this research was done in two hierarchies. In the first stage, estimation of sugarcane production potential using FAO growth model and, in the second stage, estimation of land production potential for sugarcane according to the effect of limiting factors in soil (as calculated using soil index with parametric method) that reduced yield in the first stage. To analyze the data, regression by standard methods, stepwise, and estimation curve were used. In standard and stepwise regression, soil properties were considered as an independent variable and the observed yield was considered as a dependent variable. In the linear, second and third degree estimation curve methods, the observed yield of sugarcane was considered as an independent variable and predicted yield was selected as dependent variable. The results of the first phase showed that the production potential of the FAO growth model was 95.8 tons/ha while the results of the second phase showed that the production potential of sugarcane in the region at different management levels was estimated from 18 to 69.3 tons/ha. Factors of yield reduction included limiting factors such as lime content, heavy and very heavy soil texture, drainage, salinity and sodicity, and lack of proper management. The results of standard and stepwise regression methods showed that the coefficient of determination was 0.52 and 0.49 and the standard error (ME) was 10.13 and 9.77 tons/ha, respectively. Soil properties could predict yield by standard method up to 52% and stepwise method up to 49%. In the estimation curve method for linear model, second degree, and third degree, the coefficients of determination were 0.74, 0.85, and 0.87, respectively, and standard errors were 7.8, 5.8 and 5.3 tons/ha. Therefore, the third degree estimation curve method, which uses the FAO growth model to predict crop yield, has higher accuracy and less error than the standard and stepwise regression model, which use only the effect of land characteristics on the observed yields.