نوع مقاله : مقاله پژوهشی

نویسنده

استادیار موسسه تحقیقات فنی و مهندسی کشاورزی

چکیده

محدودیت منابع آب، نبود برنامه­ریزی آبیاری، و استفاده نامطلوب و غیر اقتصادی از آب عامل اصلی محدود کننده توسعۀ کشاورزی و افزایش تولیدات غذایی در ایران است.  در استفاده‌ بهینه‌ از منابع‌ آب موضوعاتی متفاوت وجود دارد که در میان آنها‌ می‌توان‌ به‌ بهبود بهره­وری آب با استفاده از برنامه­ریزی آبیاری و بهبود مدیریت‌ آب‌ در مزرعه و افزایش‌ سودمندی آب اشاره‌ کرد.  در این تحقیق ضمن بررسی وضعیت موجود بهره­وری آب برای تولید گندم، راهکارهای افزایش بهره‌وری آب در شرایط مختلف کمی آب شبکۀ آبیاری آبشار اصفهان، تعیین و تجزیه و تحلیل می­شود.  بدین منظور با در نظر گرفتن وضعیت موجود بهره­برداری از منابع آب از جمله توزیع گردشی آب بین حقابه‌داران، کمیت‌های مختلف آب آبیاری و بهره‌گیری از تلفیق اطلاعات مزرعه‌ای و مدل‌ شبیه‌سازی AquaCrop، برنامۀ آبیاری (زمان و عمق)، توابع تولید-آب کاربردی برای محصول گندم تعیین شد و عملکرد محصول، بهره­وری مصرف آب در شرایط مدیریت زارع، راهکارهای پیشنهادی و آبیاری در زمان مناسب و به عمق بهینه به کمک مدل شبیه­سازی مقایسه گردید.  نتایج اندازه­گیری­های مزرعه­ای در سال زراعی83-1382 در شبکۀ آبیاری مورد مطالعه نشان داد که در شرایط موجود میزان آب کاربردی برای گندم 800 میلی‌متر و متوسط عملکرد حدود 5000 کیلوگرم در هکتار است و با حذف آبیاری­های نوبت دوم، سوم، و هفتم در شرایط موجود (کاهش 38 درصد آب آبیاری)، عملکرد محصول فقط 4 درصد کاهش و کارایی مصرف آب بیش از 45 درصد افزایش می­یابد.  با بهبود مدیریت زراعی و کاهش 50 درصد عمق آب آبیاری اول، عملکرد محصول تغییر نمی­کند.  این نتایج حاکی از آن است که با برنامه­ریزی صحیح آبیاری به کمک مدل AquaCrop همراه با بهبود مدیریت زراعی و کاهش عمق آب آبیاری اول به میزان 50 درصد، می­توان ضمن کاهش 38 درصد آب آبیاری، عملکرد گندم و کارایی مصرف آب را به ترتیب 16 و 79 درصد افزایش داد. 

کلیدواژه‌ها

Anon, 2002. Agriculture Statistics Book. Agricultural Ministry Statistics and Information Bureau. (in Farsi) 
Aghdaei, M. 2002. Determination of potential water consumption in wheat and corn. Esfahan Agricultural Research Center. Research Report. 81/537. (in Farsi)
Akbari, M, and DehghaniSanij, H. 2010. Impact of irrigation scheduling on water productivity using SWAP and AquaCrop simulation models, Workshop on Improving farm management strategies through AquaCrop: Worldwide collection of case studies. Oct.8-9. Yogyakarta. Indonesia.
Akbari, M., Dehghanisanij, H. and Torabi, M. 2008. Evaluation of farm salinity using SWAP simulation model. Agric. Sci. Technol. J. Special Issue in Soil. Water and Air. 21(2):105-114. (in Farsi)
Akbari, M., Dehghanisanij, H. and Mirlatifi, S.M. 2009. Impact of irrigation scheduling on agriculture water productivity. Iranian J. Irrig. Drain. 1, 69-79. (in Farsi)
Droogers, P. and Kite, G. 2001. Simulation modelling at different scales to evaluate the productivity of water. Physics and Chemistry of the Earth. 26, 11-12; 877-880.
Droogers, P. and Torabi, M. 2002. Field scale scenarios for water and salinity management by simulation modeling in the Zayandeh Rud basin. Esfahan Province. Iran. IAERI-IWMI Research Reports 12.
Droogers, P., Torabi, M., Akbari, M. and Pazira, E. 2001, Field-scale modeling toexplore salinity problems in irrigated agriculture. Irrig. Drain. 50, 77-90.
Farahani, H.J., Izzi, G., Steduto, P. and Oweis, T.Y. 2009. Parameterization and evaluation of AquaCrop for full and deficit irrigated cotton. Agron. J. 101, 469-476.
García-Vila, M., Fereres, E., Mateos, L., Orgaz, F. and Steduto, P. 2009. Deficit irrigation optimization of cotton with AquaCrop. Agron. J. 101, 477-487.
García-Vila, M., Lorite, I.J., Soriano, M.A. and Fereres, E. 2008. Management trends and responses to water scarcity in an irrigation scheme of Southern Spain. Agric. Water Manage. 95, 458-468.
Geerts, S., Raes, D., Garcia Cardenas, M., Condori, O., Mamani, J., Miranda, R., Cusicanqui, J., Taboada, C., Yucra, E. and Vacher, J. 2008. Could deficit irrigation be a sustainable practice for quinoa (Chenopodium quinoa Willd.) in the Southern Bolivian Altiplano Agric. Water Manage. 95, 909-917.
Geerts, S., Raes, D., Garcia, M., Miranda, R., Cusicanqui, J.A., Taboada, C., Mendoza, J., Huanca, R., Mamani, A., Condori, O., Mamani, J., Morales, B., Osco, V. and Steduto, P. 2009. Simulating yield response to water of quinoa (Chenopodium quinoa Willd.) with FAO-AquaCrop. Agron. J. 101, 499-508.
Heng, L.K., Evett, S.R., Howell, T.A. and Hsiao, T.C. 2009. Calibration and testing of FAO aquacrop model for rainfed and irrigated maize. Agron. J. 101, 488-498.
Hsiao, T.C., Heng, L., Steduto, P., Rojas-Lara, B., Raes, D. and Fereres, E. 2009. AquaCrop. the FAO crop model to simulate yield response to water: III. Parameterization and testing for maize. Agron. J. 101, 448-459.
Isidoro, D., Qulez., D. and Aragues, R. 2004. Water balance and irrigation performance analysis: La Violada irrigation district (Spain) as a case study. Agric. Water Manage. 64, 123-142.
Molden, D. 2007. Water for food, water for life: A comprehensive assessment of water management in agriculture. Earthscan. London.
Panigrahi, B. and Sudhindra, N. P. 2003. Field test of a soil water balance simulation model. Agricultural Water Manage. 58, 223-240.
Raes, D., Steduto, P., Hsiao, T.C. and Fereres, E. 2009. AquaCrop. the FAO crop model to simulate yield response to water: II. Main algorithms and software description. Agron. J. 101, 438-447.
Steduto, P., Hsiao, T.C. and Fereres, E. 2007. On the conservative behavior of biomass water productivity. Irrig. Sci. 25, 189-207.
Steduto, P., Hsiao, T.C., Raes, D. and Fereres, E. 2009. AquaCropThe FAO crop model to simulate yield response to water: I. Concepts and underlying principles. Agron. J. 101, 426-437.