‫مقدمه‬

‫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

‫‪ .)Zouache, 2021‬ایران در منطقه ای از جهان قرار گرفته که اغلب من اطق آن آب و ه وای خش ک و‬

‫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 (‬

‫‪ )Cammarano et al., 2019‬ایران کشوری است ک ه عم ده زمین ه ای آن کش اورزی اس ت و تقریب ًا‬

‫‪ 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

‫اراضی کشاورزی را تشکیل می دهد (‪.)KHEIRI et al., 2021‬‬

‫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

‫تاثیر توپوگرافی ثابت می باشد (‪.)Venkatesh et al., 2022‬‬

‫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

‫که به عنوان مث ال (‪ )Kheyruri & Sharafati, 2022‬ب ه بررس ی ص حت داده ه ای ‪NASA-Power،‬‬

‫‪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

‫م دل )‪ Optimal parameters-based geographical detector (OPGD‬ب رای تجزی ه و تحلی ل‬

‫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

‫باالترین تاثیر را در میزان پوشش گیاهی دارد‪.‬‬

‫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

‫پ رداخت نش ده اس ت اس ت و عالوه ب ر این از روش ‪ OPGD‬ن یز ت ا ب ه ح ال ب رای بررس ی رابط ه بین‬

‫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