ارزیابی عوامل مدیریتی مؤثر برخلاء عملکرد پنبه در شرایط آب و هوای معتدل نیمه خشک با روش تحلیل مقایسه کارکرد(CPA). (مطالعه موردی: غرب استان گلستان)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 محقق بهزراعی(تغدیه گیاهی)

2 استادیار گروه کشاورزی دانشگاه گنبد

3 استاد گروه زراعت، دانشگاه فردوسی مشهد

4 استادیار گروه امور زراعی دانشکده کشاورزی و منابع طبیعی دانشگاه گنبد کاووس

5 استادیار بخش به زراعی موسسه تحفیفات پنبه کشور.گرگان

6 استادیار گروه تولیدات گیاهی دانشگاه گنبد کاووس

10.22092/ijcr.2024.363702.1203

چکیده

سابقه و هدف: برآورد میزان خلاء عملکرد و تعیین عوامل به وجود آورنده آن مستلزم به‌کارگیری روش‌های مناسب می‌باشد. روش تحلیل مقایسه کارکرد (CPA) به عنوان یکی از روش‌های کمی‌کردن خلأ عملکرد، گزینه مناسبی است که با استفاده از رگرسیون چندگانه به روش گام به گام می‌تواند محدودیت‌های اصلی عملکرد را شناسایی و در جهت حذف یا کاهش این عوامل کاهنده عملکرد اقدام نماید.
مواد و روش‌ها: در این تحقیق از روش تحلیل مقایسه کارکرد (CPA) به منظور بررسی عوامل مدیریتی محدودکننده عملکرد پنبه و برآورد خلاء عملکرد آن در غرب استان گلستان (شهرستان‌های کردکوی و بندرگز) استفاده شد. تمامی داده‌های مربوط به مدیریت زراعی از مرحله کاشت تا برداشت محصول (متغیر‌های کمی و کیفی) به صورت مراجعه حضوری و گفتگوی مستقیم جمع‌آوری شد. از اطلاعات جمع‌آوری شده از پایش مزارع پنبه در نهایت 9 متغیر انتخاب شدند که رابطه تمامی این متغیرها و عملکرد واقعی به دست آمده از مزارع با استفاده از رگرسیون گام به گام در نرم افزار  SASمورد تجزیه و تحلیل قرار گرفت. در نهایت با استفاده از معادله تولید به دست آمده و مقادیر مؤلفه های مدل، سهم هر یک از عوامل محدودکننده در ایجاد خلأ عملکرد مشخص شد.
یافته‌ها: نتایج این تحقیق نشان داد که از 82 متغیر مدیریت زراعی مزارع پنبه در منطقه، مدل نهایی عملکرد شامل 9 متغیر مستقل بود. این متغیرها عبارت بودند از تاریخ کاشت، مصرف نیتروژن خالص، مصرف فسفر خالص، نیتروژن، زمان گلدهی، محلول پاشی با عناصر ضروری گیاه، حجم آب آبیاری، خسارت آفت، آبیاری زمان جوانه زدن و آبیاری زمان جوانه زدن. این عوامل به عنوان عوامل اصلی محدودکننده عملکرد پنبه در غرب گلستان شناسایی شدند. شکاف عملکرد 3119.5 کیلوگرم در هکتار محاسبه شد که تفاوت بین میانگین عملکرد واقعی (1988.48 کیلوگرم در هکتار) و عملکرد بهینه (5108 کیلوگرم در هکتار) برآورد شده توسط مدل است. عواملی مانند مصرف نیتروژن، محلول پاشی عناصر ضروری، حجم آبیاری و زمان آبیاری در زمان جوانه زدن (به‌ترتیب 8/283، 2/267، 3/177 و 3/175 کیلوگرم در هکتار) بیشترین سهم و بترتیب معادل (30، 19، 15 و 10 درصد). در ایجاد خلاء عملکرد داشتند.
نتیجه‌گیری: با توجه به نتایج، به‌نظر می‌رسد با اجرای شیوه‌های مؤثر مدیریت مزرعه و کنترل عوامل کلیدی محدودکننده عملکرد پنبه، می‌توان خلاء (61 درصد) مشاهده‌شده در مناطق مورد مطالعه را کاهش داد و عملکرد پنبه را به‌طور چشمگیری افزایش داد.
 

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Evaluation of management factors affecting cotton yield gap in the semi-arid moderate climate conditions using comparative performance analysis (CPA).

نویسندگان [English]

  • Ali Nakhzari moghaddam 2
  • Mohammad Banayan 3
  • Ali Rahemi karizaki 4
  • Habib Ollah Kashiri 5
  • Masoumeh Naeemi 6
1 مخقق بهزراعی
2 Assistant Professor, Department of Agronomy, Faculty of gonbad Agricultural Sciences, Gonbad, Iran,
3 Professor, Department of Agronomy, Mashhad Ferdosi Agricultural Sciences University, Mashhad, Iran
4 Assistant Prof. Dept. of Plant Production Gonbad University, Gonbad, Iran
5 Assistant Professor, Department of Agronomy, Cotton Research Institute of Iran, Gorgan, Iran
6 Crop production, Gnobad Kavous university
چکیده [English]

Background and objectives: Estimating the yield gap and determining the factors causing it require the use of appropriate methods. The Comparative Performance Analysis (CPA) method is a suitable option for quantifying the yield gap, as it can identify the main limitations affecting performance. By using multiple regression in a step-by-step approach, CPA can help in taking actions to eliminate or reduce these yield-reducing factors.
 
Materials and Methods: In this research, the CPA method was employed to investigate the management factors limiting the yield of cotton and to estimate the yield gap in the western part of Golestan province (Kordkoi and Bandargaz counties). Data related to agricultural management, from planting to harvest (including quantitative and qualitative variables), were collected through face-to-face consultations and direct conversations. Nine variables were selected from the information collected during the monitoring of cotton fields. The relationship between these variables and the actual yield obtained from the fields was analyzed using step-by-step regression in SAS software. Finally, using the production equation and the values of the model components, the contribution of each limiting factor to the yield gap was determined.
 
Results: The results showed that out of 82 farm management variables, the final yield model included 9 independent variables: planting date, pure nitrogen consumption, pure phosphorus consumption, nitrogen at flowering time, foliar spraying with essential plant elements, irrigation water volume, pest damage, and irrigation timing at budding. These factors were identified as the main limitations to cotton yield in West Golestan. The yield gap was calculated as 3119.5 kg/ha, which is the difference between the actual average yield (1988.48 kg/ha) and the optimal yield (5108 kg/ha) estimated by the model. Factors such as nitrogen application, foliar spraying of essential elements, irrigation volume, and timing of irrigation at budding (283.8, 267.2, 177.3, and 175.3 kg/ha, respectively) had the most significant impact on the yield gap, contributing 30%, 19%, 15%, and 10%, respectively.
 
Conclusion: The results indicate that by implementing effective farm management practices and controlling the key factors limiting cotton yield, it is possible to reduce the observed yield gap by 61% in the studied areas and significantly enhance cotton yield.
 

کلیدواژه‌ها [English]

  • Cotton
  • Yield
  • Gap yield and Management from
  1. Asian Journal of Agricultural Extension, Economics & Sociology 40(5): 60-64, 2022; Article no.AJAEES.85115 ISSN: 2320-7027.
  2. Barre Jyothsna, Priyadarshini. D. K. Sinha., Nasim Ahmed., K. M. Singh., Mahesh Kumar. and S. P. Singh .2020. Yield Gap Analysis of Cotton in Bhadradri Kothagudem District of Telangana.
  3. Annu. Rev. Environ. Resour. 34: 179-204.
  4. Cochran, W.G. 1977. Sampling Techniques (3rd Edition). John Wiley and Sons: New York.USA, 442 p.
  5. Dastan, S., A. Soltani, and M. Alimagham. 2017. Documenting the process of local rice varieties production in two conventional and semi-mechanized planting methods in Mazandaran province. Cereal Res. 7(4): 485-502. (In Persian with English abstract).
  6. Egli, D.B. and Hatfield, J.L. 2017. Yield gaps and yield relationships in central U.S. soybean production systems. Agron. J. 106: 2. 560-566.
  7. Fazili, I.S., Jamal, A., Ahmad, S., Masoodi, M., Khan, J.S. and Abdin, M.Z. 2008. Interactive effect of sulfur and nitrogen on nitrogen accumulation and harvest in oilseed crops differing in nitrogen assimilation potential. J. Plant Nutr. 31: 7. 1203-1220.
  8. Ghorbani Nasrabad, Gh. and Hezarjaribi, A. 2010. Cotton response to deficit irrigation during different growth stages. J. Plant Prod., 17(4): 129-141. (In Persian).
  9. Haghshenas, H., Soltani, A., Ghanbari, A., Ajam Norouzi, H., and Dastan, S., 2018.Identification of effective agronomic traits on yield of local rice cultivars using multiple regression models. Journal of        Agroecology, 8(2): 13-28. (In Persian.(
  10. Hajjarpour, A., A. Soltani, E. Zeinali, E. Kashiri, A. Aynehband and M. Nazari. 2018. Determination of the optimum managements ranges in order to increasing wheat yield in Golestan province. J. Crop Improv.19 (3): 577-590. (In Persian with English abstract).
  11. Hajjarpour, A., A. Soltani, E. Zeinali, H. Kashiri and A. Aynehband. 2017. Evaluation of wheat (Triticum aestivum ) yield gap in Golestan province of Iran using comparative performance analysis method. Iranian J Crop Sci, 19(2): 86-101. (In Persian with English abstract)
  12. Hakoomat, A., Muhammad Naveed, A., Shakeel, A., and Dilbaugh, M. 2009. Effect of cultivars and sowing dates on yield and quality of Gossypium hirsutum crop J. Food, Agric. Environ., 7(3): 244-247.
  13. Henderson, B., Godde, C., Medina-Hidalgo, D., Van Wijk, M., Silvestri, S., Douxchamps, S., Stephenson, E., Power, B., Rigolot, C., Cacho, O. and Herrero, M. 2016. Closing system-wide yield gaps to increase food production and mitigate GHGs among mixed crop–livestock smallholders in Sub-Saharan Africa. Agric. Syst. 143: 106-113.
  14. Hochman, Z., Gobbett, D., Horan, H., and Garcia, J.N. 2016. Data rich yield gap analysis of wheat in Field Crops Research, 197: 97-106.
  15. Kalimuthu, S. Closing rice yield gaps in Africa requires integration of good agricultural practices. Field Crops Research. Volume 285, 1 September 2022, 108591.
  16. Lobell, D. B., K. G. Cassman and C. B. Field. 2009. Crop yield gaps: their importance, magnitudes, and
  17. Nehbandani, A., Soltani, A., Rahemi-Karizaki, A., Dadrasi, A. and Noubakhsh, F. 2021. Determination of soybean yield gap and potential production in Iran using modeling approach and GIS. J. Integr. Agric. 20: 2. 395-407.
  18. Nezamzadeh, S. E., Soltani, A., Dastan, S., Ajam Norouzi, H.. 2019. Evaluation of yield gap associated with Crop management in rapeseed productionusing comparative performance analysis (CPA) and boundaryline analysis (BLA) methods in Neka region Applied Research in Field Crops Vol 32, No. 02, - Page: 13-15: 76-107(in Persian).
  19. Pettigrew, W.T. 2004. Moisture deficit effects on cotton lint yield, yield components and boll distribution. J., 96: 377-383.
  20. Sentelhas, P.C., Battisti, R., Câmara, G.M.S., Farias, J.R.B., Hampf, A.C. and Nendel, C. 2015. The soybean yield gap in Brazil–magnitude, causes and possible solutions for sustainable production. J. Agric. Sci. 153: 8. 1394-1411.
  21. Shahbazi, K. and Bisharti, 2012. An overview of the fertility status of agricultural soils in Iran. Amor Arazi magazine. volume 1. Number 1. 15 p.Akbari Nodehi, D. 2010. The Effect of Different Water Quantities on Yield, Water Use efficiency and Cotton Yield Function inMazandaran Province, Iran. Journal of Sustainable Agriculture and Production , 21/2(1): 103-111. (In Persian with English abstract)Cotton response to deficit irrigation during    different growth stages. J. Plant Prod., 17(4): 129-141. (In Persian)
  22. Shukarzardarabi, M., Soltani, A., Zainli, A. 2015. Evaluation of cotton yield gap by boundary line analysis method in Agh Qola and Ali Abad Katul cities in Golestan province. Journal of crop production. 11(3): 15-28.
  23. Soltani, A., A. Hajjarpour, and V. Vadez. 2016. Analysis of chickpea yield gap and water-limited potential yield in Field Crops Research. 185: 21-30.
  24. Soltani, A., Alimagham, S. M., Nehbandani, A., Torabi, B., Zeinali, E., Zand, E., Vadez, V., van Loon, P. and Van Ittersum, M. K. 2020. Future food self-sufficiency in Iran: A model-based analysis. Global Food Security, 24:79-93.
  25. Soltani, A., G.L. Hammer, B. Trabi, M.J. Robertsonand Zeinali, E. 2006. Modeling chickpea growth and evelopment: Phenological development. Field Crops Research. 99: 1-13.
  26. Soltani, A., Galeshi, S., and Zeinali, E. 2000. Analysis of limitations contained in wheat production in Golestan province (Research Report). Management and Planning Organization of Golestan province. (In Persian).
  27. Soltani, A., Hajjarpour, A. and Vadez, V. 2016. Analysis of chickpea yield gap and water-limited potential yield in Iran. Field Crops Res. 185: 21-30.
  28. Awio, K. Senthilkumar, ChO. Dimkpa, G.William Otim-Nape, P C. Struik andT J.Stomph. 2022. Yields and Yield Gaps in Lowland Rice Systems and Options to Improve Smallholder Production. Agronomy2022, 12(3), 555.
  29. Torabi, B., A. Soltani, S. Galeshi, E. Zeinali and M. Kazemi Korgehei. 2013. Ranking factors causing the wheat yield gap in Gorgan. Electronic J. Crop Prod. 6(1): 171-189. (In Persian with English abstract).
  30. Van Ittersum, M.K., Cassman, K.G., Grassini, P., Wolf, J., Tittoneli, P and Hochm, Z. 2013.Yield gap analysis with local to global relevance–A review. Field Crops Res. 143:4-17.
  31. Wang, X., Tang, C., Guppy, C.T., and Sale, P.W.G. 2010. Cotton, Wheat and white lupin differ in phosphorus acquisition from sparingly soluble sources. Environ. Exp. Bot., 69: 267-272.
  32. Yucheng, W., S. Peng, J. Huang, Y. Zhang, L. Feng, W. Zhao, H. Qi , G. Zhou, N. Deng. 2022. Prospects for cotton self-sufficiency in China by closing yield gaps.European Journal of Agronomy.Volume 133, 126437.