The effect of climate change on agriculture (in persian) (اثر تغییر اقلیم بر کشاورزی)

This article is actually an introduction to research that I did a few years ago in Ardabil, Iran, and I read a little about the studies on the effect of climate change on agriculture, which are presented below. In addition, my article has been published in a magazine, and I am posting the link for anyone who is interested in reading it.

Surce

in Peraian
تغییر اقلیم همه بخش های اقتصادی را تحت تأثیر قرار می دهد، اما بخش کشاورزی شاید حساسترین و آسیب پذیرترین بخش باشد، چرا که محصولات کشاورزی وابستگی زیادی به منابع اقلیمی دارند. بر اساس شواهد علمی تغییر اقلیم آینده ،بویژه اثرات ترکیبی افزایش دما ،بالا رفتن غلظت CO2 جو، افزایش احتمال وقوع حوادث حدی (خشکسالی ها ،سیلاب ها ،یخ بندان ها و...) و کاهش آب قابل دسترس گیاه می تواند اثرات قابل ملاحظه ای بر روی محصولات کشاورزی داشته باشد(Chiotti & Johnston, 1995). بر اساس گزارش IPCC منطقه خاورمیانه در آینده گرم تر و خشک تر خواهد شد. افزایش دما و کاهش بارندگی منجر به خشکسالی‌های شدیدی در منطقه خواهد شد(Sowers, Vengosh, & Weinthal, 2011). برنامه ریزی آبیاری و توجه به میزان عملکرد محصولات در شرایط تغییر اقلیم، جهت گیری خوبی برای کشاورزان جهت کاهش سطح خطر در سطح مزرعه است. از مهمترین محصولات کشاورزی که نقش اساسی در تولید و بهبود امنیت غذایی جهان دارد ، گندم می باشد (FAO, 2018). این محصول حدود 20 درصد کل کالری و پروتئین در رژیم غذایی را در سراسر جهان را تامین می کند(Shiferaw et al., 2013). گندم به عنوان چهارمین محصول کشاورزي مهم در جهان شناخته شد. این محصول در پنجاه سال گذشته بیشترین میزان تولید، صادرات و واردات در جهان را به خود اختصاص داده است(FAOSTAT, 2018). ذرت گياهي از خانواده گرامينه و از غلات مهم مناطق گرمسيري و معتدل جهان است و در دنيا از نظر توليد رتبه دوم و از نظر سطح زير كشت بعد از گندم رتبه دوم را به خود اختصاص داده است(FAOSTAT, 2018). و با توجه به روند تغييرات اقليمي اخير و گرم شدن هوا(Lane, Kirshen, & Vogel, 1999)، به نظر مي رسد كشت و كار اين گياه به عنوان يك گونه با مسير فتوسنتزي C4 اهميت بيشتري پيدا خواهد كرد(Trnka, Dubrovský, & Žalud, 2004). سویا گیاهی از خانواده بقولات است. نیام و دانه آن (لوبیا) غذای میلیون‌ها نفر را فراهم می‌کنند و در تهیه مواد شیمیایی نقش عمده دارند. سویا پس از گندم و ذرت در جهان بیشترین تولید را بخود اختصاص داده است و در یک دهه گذشته با توجه افزایش ارزش این محصول، با ارزش ترین محصول جهان از نظر تجارت جهانی شده است(FAOSTAT, 2018). اثر تغیر اقلیم معمولا با استفاده از پارامتر های بارش روزانه، دمای حداقل و حداکثر روزانه و خروجی مدل های GCM، نشان داده می‌شود(Lobell et al., 2005)(Meza, Silva, & Vigil, 2008)(Khan, Coulibaly, & Dibike, 2006). یکی از مشکلات خروجی مدل های GCM بزرگ مقیاس بودن آنها است که استفاده از ابزارهای ریز مقیاس را برای تبدیل داده های بزرگ مقیاس جهانی به داده های اقلیمی برای منطقه مورد نظر ضروری کرده است. جهت کوچک مقیاس سازی داده های اقلیمی با داده های بزرگ مقیاس مدل های AOGCM، مدل ها و روش های مختلفی مورد استفاده قرار می گیرد، همچنین مدل های مختلف اگرچه روش های کوچک مقیاس سازی نتایج عددی یکسانی را نشان نمی دهند ولی معمولا تمامی مدل ها تأثیر تغییر اقلیم در حوزه مطالعاتی در تمام سری‌های زمانی از بارندگی ودما را یکسان نشان می دهند(Fowler, Blenkinsop, & Tebaldi, 2007). کاری‌های پژهشی زیادی برای بررسی مدل های مختلف ریز مقیاس سازی در دنیا صورت گرفته و چندین نرم‌افزار و درگاه با روابط دینامیکی-تجربی و رگرسیونی جهت ریز مقیاس سازی وجود دارد. یکی از بهترین مدل های ریزمقیاس نمایی آماری مدل SDSM توسعه یافته توسط آقای Wilby و همکارانش می باشد(Wilby, Dawson, & Barrow, 2002). روش وزن دهی عکس فاصله (IDW)، این روش با استفاده از مقادیر نقاط یا سلول های معلوم به برآورد مقادیر نا معلوم سایر نقاط می پردازد، در واقع میان یابی نقاط نمونه در طول میان یابی وزن دهی شده است. به طوری که تاثیر یک نقطه نسبت به نقطه دیگر با فاصله از نقطه نامعلوم که می خواهیم ساخته شود کاهش می یابد(Fowler et al., 2007). یکی دیگر از منابع کاربردوست دیگر CDASDP می باشد که یکی از پروژه های ENSEMBLE را منتشر کرده است. پرتال به کاربر اجازه می دهد تا پیش بینی شونده و پیش بینی کننده را از پایگاه داده آمار روزانه انتخاب کنند و پیش بینی های محلی و منطقه ای را با استفاده از یکی از روش های ریزمقیاس سازی انجام دهد(Araújo & New, 2007). و در انتها، مدل LARS-WG يكي از مشهورترين مدل‌هاي توليد دادهاي ریز مقیاس سازی است كه براي توليد مقادير روزانه دماهاي بيشينه و كمينه، بارش و تابش يا ساعت آفتابي در يك ايستگاه، تحت شرايط اقليم حاضر و آينده به كار مي رود. نسخه اوليه اين مدل در بوداپست طي سال 1990 به عنوان بخشي از پروژه ارزيابي ريسك هاي كشاورزي در كشور مجارستان ابداع شد. هسته اصلي اين مدل استفاده از زنجيره ماركف است كه به كرات از آن استفاده شده است(Semenov, Brooks, Barrow, & Richardson, 1998). اثر تغيير اقليم بر محصولات زراعي معمولاً به دو صورت، بررسي تاثير افزايش دما و غلظت CO2 بر جنبه هاي فيزيولوژيك رشد و نمو گياهان زراعي نظير فتوسنتز، تنفس، مقاومت روزنه اي در محيط هاي كنترل شده و يا بررسي تاثير تغيير اقليم بر توليد محصولات زراعي در مقياس منطقه اي انجام مي پذيرد(Leemans & Solomon, 1993). به طوركلي، اساس مطالعه آثار منطقه اي تغيير اقليم بر توليد محصولات زراعي شامل، تعيين شاخص هاي اقليمي كشاورزي در شرايط كنوني، پيشبيني اين شاخص ها براي شرايط اقليمي آينده بر اساس سناريوهاي مختلف تغيير اقليم و مقايسه آنها با شرايط كنوني و در نهايت ارزيابي تاثير شرايط اقليمي آينده بر رشد و توليد گياهان مي باشد. دی اکسید کربن فتوسنتز را افزایش و تنفس را کاهش می دهد. انتظار می رود این اثرات رشد گیاهان را افزایش داده و بر فرآیندهای دیگر اثر بگذارد. البته بعضی از فرآیندهای فیزیولوژی گیاهان تحت تاثیر تغییرات درجه حرارت، ازون، تشعشع ماورای بنفش، عناصر غذایی و آب که تماماً عوامل متغیر مربوط به تغییر اقلیم هستند قرار می گیرند(Reilly et al., 2007). کشاورزی به عنوان یک نظام زیست فیزیکی وابسته به منابع اقلیمی است و می تواند از طریق تغییر عملکرد و تولید محصولات زراعی تحت تاثیر قرار گیرد. اثر مثبت افزایش CO2 بار محصولات زراعی می تواند برای بعضی از گیاهان زراعی به ویژه گونه ی C3 مفید باشد(Reilly et al., 2007). بدون در نظر گرفتن اثر مثبت غلظت دی اکسید کربن، تا سال 2050 اثر تغییر اقلیم منجر به کاهش 6/1 درصدی تولید غذا و محصولات کشاورزی می شود(Calzadilla, Zhu, Rehdanz, Tol, & Ringler, 2013). هم چنین نتایج پژوهش در خصوص بررسی اثر دی اکسید کربن نشان می دهد که افزایش سه درصدی در بهره وری تولید محصولات دیم و آبی تا حد زیادی می‌تواند اثرات زیان بار تغییرات اقلیم را جبران نماید. (Shiferaw et al., 2013) تعدادی از پژهشگران با بررسی روند تغییر پذیری های اقلیمی در مورد عملکرد گندم در مکزیک نشان دادند که از دهه 1980 به بعد افزایش عملکرد گندم به خاطر شرایط اقلیمی (دما و بارش) بوده است(Lobell et al., 2005). بررسی های محققان نشان می دهد که غالبا در پزوهش های انجام شده علارغم کاهش نسبی باران و افزایش دما معمولا عملکرد گندم در دهه های آینده افزایش خواهد یافت(Ludwig & Asseng, 2006). افزایش درجه حرارت و کاهش بارندگی ها تا پایان سال 2100 را نشان می دهد. همچنین نیاز آبی ذرت کاهش یافته در حالی که نیاز آبی گندم افزایش می یابد(Liu, Wang, Yang, & Wang, 2010). با افزایش درجه حرارت دوره رشد هر دو محصول کوتاهتر شده و صرفنظر از اثر 2CO کل ماده خشک تولیدی توسط هر دو محصول کاهش مییابد .اما با در نظر گرفتن تاثیر همزمان افزایش دما و بالا رفتن غلظت2CO ،عملکرد دانه در گندم افزایش و در ذرت کاهش می یابد(Yano, Aydin, & Haraguchi, 2007). حساسترين مرحله رشد ذرت مرحله گلدهي آن است و افزايش دما، طول اين دوره را كاهش مي دهد. بنابراين، اگر استراتژي هاي سازگاري مناسب در نظر گرفته نشود، به دليل كاهش دوره گلدهي و نيز طول دوره رشد ذرت تحت تاثير تغييرات اقليمي و گرمايش زمين، ممكن است عملكرد دانه ذرت در اين شرايط كاهش يابد(Meza et al., 2008). با استفاده از باران موثر که مقداری از بارندگی می باشد که در منطقه ریشه گیاه ذخیره می شود(Naeini, Azimi, & Shahraki, 2013) و روابط ارائه شده در نشریه فائو 56، میزان تبخیر تعرق بر اساس خروجی های مدل های GCM محاسبه می شود که با توجه به آن نیاز خالص آبیاری محاسبه می گردد(Karanja, 2006). میزان نیاز خالص آبیاری در دهه های 2020 و 2070 در حدود دو سوم مناطق جهان افزایش می یابد که علت آن افزایش درجه حرارت و در نتیجه افزایش تبخیر و تعرق و نیز غیرهمگن بودن توزیع مکانی بارندگی ها می باشد. همچنین تغییراقلیم در اکثر مناطق باعث جابجایی دوره رشد و تغییر الگوی کشت خواهد شد(Döll, 2002). تغییر اقلیم بر تعادل آب و خاک که منجر به تغییر تبخیر از سطح خاک و تعرق گیاه خواهد شد تأثیرمی گذارد، در نتیجه معمولا طول دوره رشد گیاه ممکن است کوتاه تر می شود. در بعضی مناطق حاصلخیزی محصول در اثر تغییراقلیم افزایش و در بعضی مناطق کاهش می یابد،که وابسته به عرض جغرافیایی و وسعت نواحی آبیاری شده می باشد. همچنین با افزایش بارندگی حاصلخیزی محصول افزایش می یابد(Kang, Khan, & Ma, 2009). برای شبیه سازی عملکرد محصولات در نشریه شماره 33 آبیاری و زهکشی سازمان خواربار و کشاورزی ملل متحد (FAO)، روابطی ارائه شده که اساس آن نسبت تبخیر و تعرق واقعی به پتانسیل و ضریب حساسیت گیاهی به تنش آبی است(Doorenbos & Kassam, 1979). هينمن و همکاران (2017) اثرات تغيير اقليم را بر کشت ديم لوبيا بررسي کردند. آن‌ها داده‌هاي 26 ايستگاه هواشناسي در دوره 2005-1980 در مرکز برزيل را به عنوان داده‌ها دوره مشاهداتي انتخاب کردند آن‌ها از نتايج CMIP5 به عنوان مجموعه سناريوهاي تغيير اقليم تحت دو سناريوي انتشار استفاده کردند. تغييرات داده‌هاي بارش، تابش خورشيد، دماي حداقل و حداکثر دراين تحقيق بررسي شدند و به عنوان ورودي مدل رشد گياه لوبيا مورد استفاده قرار گرفتند. آن‌ها براي ريزمقياس‌نمائي اين داده‌ها از نتايج 12 مدل‌هاي چرخه عمومي از دو روش 1. ضريب تغييرات اصلاح ميانگين و 2. ضريب تغييرات اصلاح ميانگين و تغييرات استفاده کردند. نتايج تحقيق نشان مي‌دهد براي سناريوي RCP 2.6 بازده کشت از 267- تا 272 کيلوگرم در هکتار و براي RCP 8.5 از 439- تا 314 کيلوگرم در هکتار تغيير خواهد کرد(Heinemann, Ramirez-Villegas, Stone, & Didonet, 2017). یانگ و همکاران (2017) پاسخ عملکرد ذرت آبی به سناریوهاي تغییر اقلیم را در پرتغال مورد بررسی قرار دادند. در این پژوهش از مدل تغییر اقلیم 4M-MPI-ESM-LR/SMHI-RCA تحت سناریوهاي 4.5RCP و 8.5RCP براي دوره 2080-2021 استفاده نمودند. جهت ارزیابی عملکرد ذرت و شاخص هاي مورد بررسی دیگر ،از مدل هاي AquaCrop و STICS استفاده شد. نتایج این پژوهش برای بدترین حالت کاهش 17 درصدي عملکرد ذرت را نشان داد همچنین با توجه به اثرات مخرب تغییر اقلیم، تاثیر مثبت افزایش CO2 بسیار ناچیز می باشد. (Yang, Fraga, Van Ieperen, & Santos, 2017). دوبی و شارما(2018) افزایش و یا کاهش عملکرد، ذرت، گندم و جو را با استفاده از سه مدل ریز مقیاس سازی و دو سناریو در بازه زمانی 2021 تا 2050 با استفاده از مدل AquaCrop بررسی کردند که نتایج نشان داد که هر سه محصول با توجه به اثر مثبت تغییر اقلیم در دشت باناس هندوستان افزایش عملکرد خواهند داشت(Dubey & Sharma, 2018). Climate change affects all economical sections but agriculture systems might be the most vulnerable because of high deponent of the agricultural crops to climate resources. Based on scientific evidence future climate change, especially the combined effect of temperature increase, heightened CO2 concentration, increase the occurrence of serious events (such as droughts, floods, frost and etc) and also decrease water availability for the plant can affect agricultural crop incredibly (Chiotti and Johnston, 1995). Intergovernmental Panel on Climate Change (IPCC) reports Middle East region become warmer and dryer in future (Masson-Delmotte et al., 2018). Temperature increasing and decreasing of rainfall depth would result in severe droughts in the arid and semi-arid regions (Sowers et al., 2011). Hence, irrigation scheduling in different climate conditions by considering crop yield is a proper direction for farmers to reduce risk level in the field. Climate change has significant effect on plan growth period by changing the soil evaporation and plant respiration. In some area plant productivity increased due to climate change and decreased in somewhere which is dependent on latitude and extent of irrigated areas (Kang et al., 2009). However, agriculture as a biophysical system depends on climate resources and can be affected through a change in crop production. In this regard, CO2 enhanced photosynthesis which increase plant growth. The positive effect of CO2 on agricultural crop might be beneficial on some crop especially C3 species (Reilly et al., 2007). By increasing the temperature, growth periods of wheat and corn crops were shortened and regardless CO2 impact, total dry matter decreased in both of them while considering the simultaneous effect of temperature rise and increasing the CO2 concentration, seed yield increased in wheat but decreased in corn (Yano et al., 2007). Regardless of the positive effect of CO2 concentration, until 2050 climate change resulted in a 1.6 % reduction in food and agronomy production (Calzadilla et al., 2013). However, previous investigation on the effect of carbon dioxide revealed that 3% increase in crop productivity in rainfed and irrigated cultivation can compensate the adverse effects of climate change in large extent (Shiferaw et al., 2013). Climate change effects typically demonstrated by parameters such as daily precipitation, minimum and maximum daily temperature using General Circulation Models (GCMs) (Khan et al., 2006; Lobell et al., 2005; Meza et al., 2008). Large scaling is a crucial concern of GCMs output which makes it essential to use down scaling approaches to convert global large scale data to climatic data for the target area. Several studies were evaluated different down scaling methods such as dynamic-empirical and regression approaches. In this regard, Statistical Down Scaling Model (SDSM) is a well-known software which provided by Wilby et al.(Wilby et al., 2002). It uses the Inverse Distance Weighting (IDW) method to estimate unknown points value by values of given points (Fowler et al., 2007). Other best-known stochastic weather generator model is Long Ashton Research Station Weather Generator (LARS-WG) LARS-WG which developed in 1997 (M. Semenov et al., 1998). It can generate the down scaled daily data such as minimum and maximum temperatures, precipitation, radiation or sunshine in a point (station) under current and future climate. The preliminary version of this model was invented in Budapest during 1990 as a part of agricultural risk assessment project in Hungary. The main core of this model was using Markov chain which has been used frequently (M. A. Semenov et al., 1998). The impact of climate change on agriculture crops can be investigated through two approaches: (i) climate change impact on physiological aspect of plant growth and development and (ii) climate change impact on crops production in regional scale (Leemans and Solomon, 1993). To assess the regional climate change effects on crop production, it should to determine agricultural climatic indicators in current conditions then predicting these indicators for future climatic conditions based on different scenarios of climate change and comparison with the current situation and eventually assess the impact of future climatic conditions. Lobell et al.(2005) assessed the climate change impact on wheat yield in Mexico. The results shown the yield increment have been observed from 1980 due to climate condition (temperature and precipitation). Ludwig and Asseng(2006) showed despite the relative reduction in rain and temperature rise, wheat yield typically increases in future decades. Heinemann et al.(Heinemann et al., 2017) studied climate change impact on rainfed bean cultivation. They’ve been selected 26 synoptic station data during 1980-2005 in middle of Brazil and used CMIP5 results as a climate change scenario set under two emission scenarios. The changes of input variables of bean growth model (e.g. precipitation, solar radiation, minimum, and maximum temperature) were assessed using 12 general circulation models. Results showed the crop yield has higher variability in RCP 8.5 (314-439 kg/ha) compared to RCP2.6 (267-272 kg/ha). Yang et al. (2017) evaluated the yield response of irrigated corn to climate change scenarios in Portugal using AquaCrop model and 4M-MPI-ESM-LR/SMHI-RCA climate model and RCP4.5 and RCP8.5 scenarios over 2021-2080 period. Results showed 17% yield reduction while the positive effects of CO2 were negligible. Dubey and Sharma(2018) studied on the yield of corn, wheat, and barley using three downscaling models and two scenarios during 2021 to 2050 period with AquaCrop model. results showed all three products yield will increase in Banas plain in India. To calculate the future net water demand of crops, evapotranspiration should be simulated based on GCM model output (Karanja, 2006). The net water demand of crops within 2020s - 2070s will increase in some world regions which is due to temperature rise and resulted in an increase in evaporation and transpiration. In addition, climate change in most regions resulted in transposition of the growth period and change in cropping pattern (Döll, 2002). Among agriculture crops, wheat considered one of the main crops which have a critical role in the production and improvement of food security in the world (FAO, 2018). This product provided about 20% of total protein and energy in diet all over the world (Shiferaw et al., 2013). Wheat is known as the 4th agricultural crop in the world. Also, it has the highest production and global export and import from 50 years ago (FAOSTAT, 2018). Corn is an important grain in tropical and temperate regions of the world and placed after wheat in the aspect of production and harvest area (FAOSTAT, 2018). Soybean assigned after wheat and corn in production and during the past 10 years considering the increased value of this product designate as the world's most valuable agricultural crop in world trade (FAOSTAT, 2018) . Therefore, this study considers these corps (e.g. wheat, corn and soybean) as strategic ones to assess variability of their productions in future condition.