Professional Documents
Culture Documents
Introduction
Introduction
جو و گندم یکی از قدیمی ت رین محص والت کش ت ش ده توس ط بش ر از آغ از خلقت می باش د ک ه در اغلب
مناطق جهان قابل کشت است ( .)Dawson et al., 2015جو محصول مقاوم در برابر خشگی بوده است
( .)Cammarano et al., 2019همچنین این دو محصول از محصول های استراتژیک در دنی ا ب وده و
سهم بسزایی در تجارت جهانی دارد .گندم و جو به عنوان اصلی ترین کمبود غذا در سراسر دنی ا محس وب
می شود ( .)Bren D’Amour et al., 2016; Fellmann et al., 2014امروزه غالت نقش مهمی در
تامین غذای انسان های زمین ایفا می کند .غالت )گندم ذرت جو و )...غذای ۷۰درصد از جمعیت جه ان
را تامین میکند)Shara et al., 2022( .بیش از نیمی از پروتئین مورد نیاز برای ادامه حیات انس ان از
غالت تعیین می شود ( .)Tilman et al., 2011با توجه به میزان افزایش جمعیت در جهان تا ۴۰س ال
آینده ،به منظور تامین نیاز غالت جهان بای د م یزان تولی د غالت ۳۸درص د اف زایش یاب د (Ray et al.,
.)2013
کشور ایران با توجه با تولید س االنه 8.98میلی ون تن غالت یکی از بزرگ ترین تولی د کنن ده غالت در دنی ا
است ( .)Shara et al., 2022در ایران حدود ۵۰درصد از اراض ی کش اورزی را گن دم و ج و پوش ش
میدهد و بیش از ۹۰درصد از اراضی دیم نیز به محصوالت به این دو محصول اختصاص یافت ه اس ت و
این دو محص ول نقش مهمی در اقتص اد و معیش ت و ت امین غ ذای م ردم ای ران دارد (KHEIRI et al.,
.)2021بنابراین فراهم کردن شرایط بهتر برای بازدهی باال این دو محص ول می توان د نقش مهم و حی اتی
باشد )Shara et al., 2022(.روند کاشت و تولید غالت در ایران نشان می دهد که سطح زیر کشت گندم
و جو در سالیان اخیر افزایش یافته است و در ۱۰سال اخ یر اف زایش تولی د ناش ی از اف زایش عملک رد در
سطح بوده است ( .)KHEIRI et al., 2021به علت اینکه اغلب گندم و جو کاشته شده به صورت دیم باشد
پس از عوام ل ترکی بی بس یاری می توان د در م یزان برداش ت این دو محص ول م وثر باش د (& Bertini
نیم ه خش ک دارد .ب ر اس اس آخ رین گ زارش و تحقیق ات انج ام ش ده این تغی یرات آب و ه وایی اث رات
(Bathiany et al., 2018; Bisbis et al., نامطلوبی بر روی تولیدات محصوالت کشاورزی دارد
.)2018; Y. Chen, Zhang, et al., 2016بررسی ها نشان می دهد که با افزایش یک درجه سانتیگراد
دمای میانگین فصلی بازدهی غالت بین 4.1تا 10درصد ک اهش می یاب د ( )Hatfield et al., 2011و
همچنین کاهش 14تا 21درصدی بارش موجب ک اهش 27درص دی ب ازدهی در زمینه ای دیم می ش ود (
1.76 ×10 6کیلومتر مربع اراضی کشاورزی دارد ( .)Karimi et al., 2018غالت به عنوان مهم ترین
محصول قابل کشت در ایران شناخته میشود و در معیشت مردم نقش بسزایی دارند در ایران دو محص ول
گندم و جو به ترتیب اصلی ت رین غالت می باش د و از نظ ر س طح زی ر کش ت ،ج و تقریب ًا ۱۸درص د از
تغییرات اقلیم عامل مهمی است که در تخریب مراتع در دنیا موثر است .همچنین عواملی مانند پوشش برف
دما بارش رطوبت خاک عمق برف خشکسالیهای هواشناس ی و هی درولوژیکی توپ وگرافی منطق ه (ش یب
ارتفاع) از عواملی است که بر روی رشد و بازدهی محصوالت کشاورزی موثر استY. Chen, Li, et( .
)al., 2016یافتند که بارندگی و تغییرات دما اولین محرک در وقوع خشکسالی های کشاورزی می باشد و
افزایش دما موجب تصویر در آب ش دن پوش ش ب رف در ق رن ۲۱می باش دTomaszewska et al.,( .
)2020دریافت که پوشش و عمق برق ی ک عام ل مهم در پوش ش گی اهی منطق ه می باش د و همچ نین آب
ذخیره سازی شده نیز در راندمان پوش ش گی اهی در فص ل تابس تان بس یار مهم می باش د (Jiang et al.,
)2017توپوگرافی نیز در پوشش گیاهی و محصوالت کشاورزی موثر است ولی بر خالف عوام ل اقلیمی
با توجه به اینکه هر دو محصول گندم و جو محصوالت استراتژیک و مهم در اقتصاد و تغذیه م ردم ای ران
می باشد از این رو بررسی تاثیر عوامل موثر در س طح زی ر کش ت این دو محص ول ب ه لح اظ اهمیت می
باشد و همچنین به علت اینکه اقتصاد ایران وابسته به محصوالت کشاورزی می باشد برقصی عوامل موثر
در باال بردن مشت این دو محصول می توان از نظر اقتصادی نیز برای کشور مهم و حائز اهمیت باشد.
امروزه با پیشرفت تکنولوژی داده های ماهواره ای در مطالعات مختل ف ب ه خ وبی عم ل ک رده اس ت .این
پایگاه اطالعاتی داده های مختلف مانند بارش ،دما ،پوشش برف ،ض خامت ب رف ،پوش ش گی اهی و ...را
در اختیار عموم قرار می دهد .تحقیقات بسیاری برای بررسی صحت داده های ماهواره ای انجام شده است
CHIRPS، )(Ghozat et al., 2021به بررسی صحت داده های (S. Chen et
) al., 2019به بررسی صحت داده های Merraو ( )Merdji et al., 2022به بررسی صحت داده های
MODISپرداختند .عالوه بر این در تحقیقات بسیاری نیز از این داده های م اهواره ب رای آن الیز زم انی و
مک انی تغی یرات آب و ه وای فص لی و محاس به خشکس الی ه ای مختل ف هواشناس ی هی درولوژیکی و
کشاورزی استفاده شده است Cammalleri et al. 2023; Senatilleke et al. 2023; Cai et al. (.
)2023
فضایی داده های گسسته و پیوسته میباشد .این مدل با پارامترهای مختلف را با روش ه ای گسس ته س ازی
متفاوت مورد بررسی قرار میدهد و برهم کنش پارامترهای مختلف با همدیگر را محاس به میکن د (Song
از این مدل امروزه در تحقیقات بسیاری استفاده شده است)Zhang et al., 2023( . .)et al., 2020
بررسی تاثیر فعالیت های انسانی و تغییرات پوش ش گی اهی ب ر روی پوش ش گی اهی در چین ب ا اس تفاده از
مدل OPGDپرداخته است نتایج نشان داد ک ه ارتف اع بیش ترین ت اثیر را روی پوش ش گی اهی دارد و ب رهم
کنش دادهها نشان داد که اثر متقابل عوام ل جغرافی ایی ب ه ص ورت غ یر خطی ب وده و ت اثیر دو عام ل می
باشد )Shi et al., 2023( .با استفاده از م دل OPGDنش ان داد ک ه در ح وزه رودخان ه yellowاث رات
عوامل آب و هوایی و توپوگرافی با هم موجب افزایش پوشش گیاهی در این ح وزه میباش د و قوی ترین اث ر
نیز مربوط به تاثیر ارتفاع و بارش با هم دیگر اس ت )Venkatesh et al., 2022( .ب ه بررس ی ت اثیر
پارامترهای مختلف آب و هوایی و عوامل انسانی بر روی پوش ش گی اهی در قزاقس تان پرداخت ه اس ت ک ه
نتایج نشان داد که عوامل رطوبت و توپوگرافی نسبت به عوامل اجتماعی اقتصادی بر روی پوشش گی اهی
تاثیر بیشتری دارد باالترین مقدار به قدرت تعیین کنندگی را ش یب و رط وبت خ اک می باش د و ح دود ۷۰
درصد از واریانس NDVIرا داراس ت .اث رات تعام ل جف تی بین دو عام ل ،مرب وط ب ه رط وبت و ارتف اع
با توجه به موارد فوق ذکر شده در قسمت مقدمه می توان دید که در هیچی ک از تحقیق ات قبلی ب ه بررس ی
تاثیرات پارامترهای مختلف آب و هوایی ،توپوگرافی و عوامل انسانی بر روی سطح زیر کشت گندم و جو
پارامترهای مختلف با سطح زیر کشت این دو محصول استراتژیک در هیچ تحقیقی استفاده نگردیده است.
هدف از این تحقیق بررس ی رابط ه بین پ ارامتر ه ای مختل ف اقلیمی و هواشناس ی (دم ا ،ب ارش ،پوش ش
برف ،عمق برف ،رطوبت خاک )NDVI ،و عوامل توپوگرافی (شیب و ارتفاع) و عوامل انس انی (جمعیت
شهرهاف فاصله ش هرها ،ت راکم دام و )GDPب ر روی س طح زی ر کش ت گن دم و ج و ب ا اس تفاده از روش
) م وثر مق دار س طحtwo-factor( می باشد و همچنین بررسی و شناسایی مهمترین عامل کوپلیOPGD
. می باشد2020 تا2006 زیر کشت دو محصول گندم و جو در تمامی استان های ایران از سال
Bathiany, S., Dakos, V., Scheffer, M., & Lenton, T. M. (2018). Climate models
predict increasing temperature variability in poor countries. Science Advances,
4(5).
https://doi.org/10.1126/SCIADV.AAR5809/SUPPL_FILE/AAR5809_SM.PD
F
Bertini, R., & Zouache, A. (2021). Agricultural Land Issues in the Middle East and
North Africa. American Journal of Economics and Sociology, 80(2), 549–583.
https://doi.org/10.1111/AJES.12391
Bisbis, M. B., Gruda, N., & Blanke, M. (2018). Potential impacts of climate
change on vegetable production and product quality – A review. Journal of
Cleaner Production, 170, 1602–1620.
https://doi.org/10.1016/J.JCLEPRO.2017.09.224
Bren D’Amour, C., Wenz, L., Kalkuhl, M., Christoph Steckel, J., & Creutzig, F.
(2016). Teleconnected food supply shocks. Environmental Research Letters,
11(3). https://doi.org/10.1088/1748-9326/11/3/035007
Cai, S., Zuo, D., Wang, H., Xu, Z., Wang, G. Q., & Yang, H. (2023). Assessment
of agricultural drought based on multi-source remote sensing data in a major
grain producing area of Northwest China. Agricultural Water Management,
278, 108142. https://doi.org/10.1016/J.AGWAT.2023.108142
Cammalleri, C., Camilo, J., Navarro, A., Bavera, D., Diaz, V., Ciollo, C. Di,
Maetens, W., Magni, D., Masante, D., Spinoni, J., & Toreti, A. (2023). An
event-oriented database of meteorological droughts in Europe based on spatio-
temporal clustering. Scientific Reports 2023 13:1, 13(1), 1–9.
https://doi.org/10.1038/s41598-023-30153-6
Cammarano, D., Ceccarelli, S., Grando, S., Romagosa, I., Benbelkacem, A., Akar,
T., Al-Yassin, A., Pecchioni, N., Francia, E., & Ronga, D. (2019). The impact
of climate change on barley yield in the Mediterranean basin. European
Journal of Agronomy, 106, 1–11. https://doi.org/10.1016/J.EJA.2019.03.002
Chen, S., Gan, T. Y., Tan, X., Shao, D., & Zhu, J. (2019). Assessment of CFSR,
ERA-Interim, JRA-55, MERRA-2, NCEP-2 reanalysis data for drought
analysis over China. Climate Dynamics 2019 53:1, 53(1), 737–757.
https://doi.org/10.1007/S00382-018-04611-1
Chen, Y., Li, W., Deng, H., Fang, G., & Li, Z. (2016). Changes in Central Asia’s
Water Tower: Past, Present and Future. Scientific Reports 2016 6:1, 6(1), 1–
12. https://doi.org/10.1038/srep35458
Chen, Y., Zhang, Z., Wang, P., Song, X., Wei, X., & Tao, F. (2016). Identifying
the impact of multi-hazards on crop yield-A case for heat stress and dry stress
on winter wheat yield in northern China. European Journal of Agronomy, 73,
55–63. https://doi.org/10.1016/J.EJA.2015.10.009
Dawson, I. K., Russell, J., Powell, W., Steffenson, B., Thomas, W. T. B., &
Waugh, R. (2015). Barley: a translational model for adaptation to climate
change. The New Phytologist, 206(3), 913–931.
https://doi.org/10.1111/NPH.13266
Fellmann, T., Hélaine, S., & Nekhay, O. (2014). Harvest failures, temporary export
restrictions and global food security: the example of limited grain exports from
Russia, Ukraine and Kazakhstan. Food Security, 6(5), 727–742.
https://doi.org/10.1007/S12571-014-0372-2/FIGURES/6
Ghozat, A., Sharafati, A., & Hosseini, S. A. (2021). Long-term spatiotemporal
evaluation of CHIRPS satellite precipitation product over different climatic
regions of Iran. Theoretical and Applied Climatology, 143(1–2), 211–225.
https://doi.org/10.1007/S00704-020-03428-5
Hatfield, J. L., Boote, K. J., Kimball, B. A., Ziska, L. H., Izaurralde, R. C., Ort, D.,
Thomson, A. M., & Wolfe, D. (2011). Climate Impacts on Agriculture:
Implications for Crop Production. Agronomy Journal, 103(2), 351–370.
https://doi.org/10.2134/AGRONJ2010.0303
Jiang, L., Jiapaer, G., Bao, A., Guo, H., & Ndayisaba, F. (2017). Vegetation
dynamics and responses to climate change and human activities in Central
Asia. The Science of the Total Environment, 599–600, 967–980.
https://doi.org/10.1016/J.SCITOTENV.2017.05.012
Karimi, V., Karami, E., & Keshavarz, M. (2018). Climate change and agriculture:
Impacts and adaptive responses in Iran. Journal of Integrative Agriculture,
17(1), 1–15. https://doi.org/10.1016/S2095-3119(17)61794-5
KHEIRI, M., KAMBOUZIA, J., DEIHIMFARD, R., MOGHADDAM, S. M.,
ANVARI, S., KHEIRI, M., KAMBOUZIA, J., DEIHIMFARD, R.,
MOGHADDAM, S. M., & ANVARI, S. (2021). Assessing the response of
dryland barley yield to climate variability in semi-arid regions, Iran. Journal
of Arid Land, 13(9), 905–917. https://doi.org/10.1007/S40333-021-0017-1
Kheyruri, Y., & Sharafati, A. (2022). Spatiotemporal Assessment of the NASA
POWER Satellite Precipitation Product over Different Regions of Iran. Pure
and Applied Geophysics 2022, 1–13. https://doi.org/10.1007/S00024-022-
03133-6
Merdji, A. B., Xu, X., Lu, C., Habtemicheal, B. A., & Li, J. (2022). Accuracy
assessment and climatology of MODIS aerosol optical properties over North
Africa. Environmental Science and Pollution Research 2022 30:5, 30(5),
13449–13468. https://doi.org/10.1007/S11356-022-22997-8
Ray, D. K., Mueller, N. D., West, P. C., & Foley, J. A. (2013). Yield Trends Are
Insufficient to Double Global Crop Production by 2050. PLOS ONE, 8(6),
e66428. https://doi.org/10.1371/JOURNAL.PONE.0066428
Senatilleke, U., Sirisena, J., Gunathilake, M. B., Muttil, N., & Rathnayake, U.
(2023). Monitoring the Meteorological and Hydrological Droughts in the
Largest River Basin (Mahaweli River) in Sri Lanka. Climate 2023, Vol. 11,
Page 57, 11(3), 57. https://doi.org/10.3390/CLI11030057
Shara, S., Nahvinia, M. J., Ghaleni, M. M., & Mokari, E. (2022). MLR approaches
for the estimation of the grain yield of rainfed wheat and barley across Iran.
https://doi.org/10.21203/rs.3.rs-2357137/v1
Shi, S., Wang, X., Hu, Z., Zhao, X., Zhang, S., Hou, M., & Zhang, N. (2023).
Geographic detector-based quantitative assessment enhances attribution
analysis of climate and topography factors to vegetation variation for spatial
heterogeneity and coupling. Global Ecology and Conservation, 42, e02398.
https://doi.org/10.1016/J.GECCO.2023.E02398
Song, Y., Wang, J., Ge, Y., & Xu, C. (2020). An optimal parameters-based
geographical detector model enhances geographic characteristics of
explanatory variables for spatial heterogeneity analysis: cases with different
types of spatial data. GIScience and Remote Sensing, 57(5), 593–610.
https://doi.org/10.1080/15481603.2020.1760434/SUPPL_FILE/TGRS_A_176
0434_SM6333.ZIP
Tilman, D., Balzer, C., Hill, J., & Befort, B. L. (2011). Global food demand and
the sustainable intensification of agriculture. Proceedings of the National
Academy of Sciences of the United States of America, 108(50), 20260–20264.
https://doi.org/10.1073/PNAS.1116437108/SUPPL_FILE/PNAS.201116437SI
.PDF
Tomaszewska, M. A., Nguyen, L. H., & Henebry, G. M. (2020). Land surface
phenology in the highland pastures of montane Central Asia: Interactions with
snow cover seasonality and terrain characteristics. Remote Sensing of
Environment, 240, 111675. https://doi.org/10.1016/J.RSE.2020.111675
Venkatesh, K., John, R., Chen, J., Xiao, J., Amirkhiz, R. G., Giannico, V., &
Kussainova, M. (2022). Optimal ranges of social-environmental drivers and
their impacts on vegetation dynamics in Kazakhstan. Science of The Total
Environment, 847, 157562.
https://doi.org/10.1016/J.SCITOTENV.2022.157562
Zhang, Z., Liang, S., & Xiong, Y. (2023). Vegetation Dynamics and Their
Response to Climate Changes and Human Activities: A Case Study in the
Hanjiang River Basin, China. Forests 2023, Vol. 14, Page 509, 14(3), 509.
https://doi.org/10.3390/F14030509