Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Sistem Pertanian 164 (2018) 58–70

Daftar isi tersedia diScienceDirect

Sistem Pertanian
halaman utama jurnal:www.elsevier.com/locate/agsy

Memprediksi dampak perubahan iklim skala lokal terhadap hasil padi dan penyerapan
karbon organik tanah: Studi kasus di Provinsi Roi Et, Thailand Timur Laut
Nopol ArunratA,⁎, Nathsuda PumijumnongA, Ryusuke HatanoB
AFakultas Studi Lingkungan dan Sumber Daya, Universitas Mahidol, Salaya, Phutthamonthon, Nakhon Pathom 73170, Thailand
BLaboratorium Ilmu Tanah, Sekolah Pascasarjana Pertanian, Universitas Hokkaido, Kita 9 Nishi 9, Kita-ku, Sapporo 060-8589, Jepang

INFO ARTIKEL ABSTRAK

Kata kunci: Perubahan iklim menjadi ancaman serius bagi produksi beras dan kualitas tanah di daerah monsun tropis yang
Perubahan iklim merupakan garis hidup ketahanan pangan daerah. Dalam studi ini, model Environmental Policy Integrated Climate
Model EPIK (EPIC) dievaluasi keandalan prosedur kalibrasi dan validasi model dengan menggunakan data skala lokal. Model
Beras
tersebut kemudian digunakan untuk mengevaluasi kemungkinan dampak perubahan iklim terhadap hasil padi dan
Karbon organik tanah
penyerapan karbon organik tanah (SOC) di Provinsi Roi Et, Thailand Timur Laut. Faktor dominan yang
Thailand
mempengaruhi perubahan hasil padi dan sekuestrasi SOC diidentifikasi. Empat skenario Jalur Konsentrasi
Perwakilan (RCP) (RCP 2.6, 4.5, 6.0, dan 8.5) dan Enam Belas Model Sirkulasi Umum dalam empat periode waktu
mendatang; masa depan dekat (2020–2039), masa depan tengah (2040–2059), masa depan jauh (2060–2079),
terangkat Model Intercomparison Project Phase 5 (CMIP5) digunakan sebagai iklim masa depan d bahwa
proyeksi. Hasil temuan mengungkapkanperubahan iklim akan berdampak positif pada hasil panen padi, yang akan menguntungkan

petani, terutama saat hujan- diberi makan adalah

sebesar +2,6% (RCP8.5: 2080–2099) hingga +22,7% (RCP6.0: 2080–2099). Beras
hasil dalam semua kasus cenderung meningkat secara signifikan sebesar +0,7% (RCP8.5: 2060–2079) menjadi +18,8% (RCP6.0:
2080–2099), dengan pengecualian 2080–2099 di bawah RCP8.5, yang menghasilkan penurunan hasil padi sebesar
- 8,4%. Curah hujan merupakan faktor terpenting bagi hasil padi di daerah ini. Meskipun kenaikan suhu akan
membawa sedikit penurunan hasil padi, dampaknya akan ditiadakan oleh peningkatan CO2 dalam jumlah besar2
konsentrasi dan curah hujan. Sebaliknya, SOC menurun secara signifikan di semua periode waktu. Penurunan SOC
tertinggi adalah penurunan -32,0% di bawah RCP8.5 dalam waktu yang sangat lama. Ini karena kenaikan suhu dan
curah hujan, dengan curah hujan sebagai pendorong terpenting, meniadakan pengayaan CO22pemupukan,
menghasilkan laju dekomposisi SOC yang dipercepat, yang dapat meningkatkan ketersediaan nitrogen ke tanah dan
meningkatkan hasil.

1. Perkenalan
Menurut Laporan Penilaian Kelima Panel Antarpemerintah tentang
Perubahan Iklim (IPCC, 2013AR5), suhu rata-rata global telah meningkat
sekitar 0,85 °C selama periode 1880 hingga 2012. Disebutkan juga bahwa
suhu permukaan rata-rata global akan meningkat sebesar 0,3 hingga 4,8 °C
pada akhir abad ke-21 (IPCC, 2013). Dengan demikian, perubahan iklim dan
peningkatan CO2 di atmosfer2konsentrasi dapat mempengaruhi hasil beras
(Parry et al., 2004;Adejuwon, 2005) dan dengan demikian mengancam
ketahanan pangan (Nguyen, 2006). Di daerah tropis, produksi tanaman lebih
sensitif terhadap pemanasan karena sudah beroperasi mendekati suhu
optimal, sehingga hasil dapat menurun tajam (Oteng-Darko et al., 2012;
Candradijaya et al., 2014). Iklim Thailand sedang mengalami pemanasan
bertahap, yang ditunjukkan oleh perubahan suhu dan curah hujan yang
signifikan dengan tren ekstrem dari catatan yang diamati (Limjirakan
dan Limsakul, 2012;Limsakul et al., 2010). Meningkatnya curah hujan musim
kemarau di timur laut Thailand ditemukan konsisten dengan dinamika iklim
berkelanjutan yang lebih luas yang diamati di Asia Timur dan dijelaskan oleh
melemahnya monsun musim dingin di Asia Timur (Zhou, 2011). Perubahan
ini disebabkan oleh pemanasan global (Zhang et al., 2011), menunjukkan
bahwa suhu kemungkinan akan terus meningkat di masa mendatang.
Meskipun tanah memiliki potensi untuk mengurangi peningkatan CO22
konsentrasi melalui penyerapan karbon (C), penyalahgunaan lahan dan
kesalahan pengelolaan tanah telah menyebabkan penipisan karbon organik
tanah (SOC) (Li dan Zhang, 2007;Li et al., 2010). Oleh karena itu, model
simulasi komputer tanah, hasil panen, dan sistem atmosfer dapat
memberikan kontribusi yang berharga untuk menentukan respons
tanaman, memprediksi kinerja tanaman, dan mengevaluasi dampak
lingkungan dari praktik manajemen yang berbeda.
Model Iklim Terintegrasi Kebijakan Lingkungan (EPIC), a

⁎Penulisyang sesuai.
Alamat email:noppol.aru@mahidol.ac.th (N.Arunrat).

https://doi.org/10.1016/j.agsy.2018.04.001
Diterima 3 Mei 2017; Diterima dalam bentuk revisi 27 Maret 2018; Diterima 3 April 2018
Tersedia online 16 April 2018
0308-521X/ © 2018 Elsevier Ltd. Semua hak dilindungi undang-undang.
N. Arunrat dkk.
model pengelolaan terintegrasi yang terkenal dari sistem tanah-air-
atmosfer, dikembangkan dan telah berhasil digunakan untuk
mensimulasikan efek dari sistem ini pada produksi tanaman dan dinamika
tanah (Williams et al., 1984;Williams et al., 1989;Sharpley dan William, 1990);
Williams dkk. (2006)mencatat bahwa model EPIC juga dapat digunakan
untuk mensimulasikan siklus nitrogen (N) dan C, limpasan permukaan dan
pencucian N dan fosfor (P), sistem tanam alternatif, praktik manajemen,
pertumbuhan tanaman dan hasil dari sekitar 100 spesies tanaman tanaman
yang berbeda, perubahan iklim, dan efek CO atmosfer2konsentrasi.
BerdasarkanZhao dkk. (2013), model EPIC adalah model yang paling cocok
untuk simulasi SOC untuk berbagai perlakuan irigasi, pemupukan, dan
pengolahan tanah. Dengan meningkatnya kekhawatiran tentang perubahan
iklim dan isu-isu terkait, model EPIC semakin banyak digunakan untuk
mensimulasikan dampak perubahan iklim terhadap hasil panen (Brown et
al., 2000;Izaurralde et al., 2003;Wang dan Li, 2010), SOC (Causarano et al.,
2007, 2008;Gaiser et al., 2008;Zhang et al., 2010;Balkovic et al., 2011), dan
pencucian nitrat (Chung et al., 2001). Namun, studi ini telah dilakukan pada
skala besar (cekungan, negara, atau regional), di mana heterogenitas lokal
dalam faktor-faktor seperti iklim lokal, sifat tanah, dan praktik pengelolaan
petani tidak dapat digabungkan. Dampak perubahan iklim pada skala yang
berbeda mungkin berbeda tingkat keparahannya.
Memang, simulasi skala lokal seringkali menantang karena data yang
akurat jarang tersedia dan dapat diakses. Contohnya,Xiong et al. (2008)
memeriksa kinerja CERES-Rice pada skala regional di seluruh China
menggunakan proses kalibrasi silang berdasarkan data eksperimen
terbatas, zona agroekologi, dan database geografis dengan skala grid 50
km× 50 km; disarankan untuk mengurangi kesalahan antara hasil yang
disimulasikan dan yang sebenarnya dengan menggunakan area tertentu
dan faktor kehilangan hasil lainnya.Niu dkk. (2009)melaporkan bahwa
penggunaan data pengukuran lapangan atau data spesifik lokasi alih-alih
data dari sumber yang tersedia secara luas mengurangi bias simulasi dalam
studi di mana model EPIC digunakan untuk mensimulasikan hasil biji
sorgum di Great Plains AS di bawah skenario iklim yang berbeda.Causarano
et al. (2011)menyarankan agar lebih banyak data tentang variasi spasial dan
temporal dalam SOC diperlukan untuk meningkatkan kalibrasi dan validasi
model EPIC. Xiong et al. (2014)menyarankan bahwa data yang lebih tepat
pada skala lokal atau regional dapat meningkatkan keandalan dan akurasi
kalibrasi model bahkan untuk simulasi global hasil beras dengan model
EPIC. Namun, sepengetahuan kami, belum ada penelitian yang menilai
potensi dampak perubahan iklim terhadap hasil padi dan dinamika SOC di
provinsi Roi Et, di wilayah timur laut Thailand (walaupun lihatArunrat, 2017).
Pekerjaan olehArunrat (2017)menggunakan model EPIC0509 dan skenario
A2 dan B2 untuk memprediksi hasil padi dan SOC di provinsi Roi Et, tetapi
skenario iklim dan versi model sudah usang dan masih belum jelas faktor
iklim apa yang paling dominan mengendalikan hasil padi dan perubahan
SOC.Tao dkk. (2006 dan 2014)menyarankan bahwa efek suhu dan CO2
konsentrasi pada proses fisiologis dan mekanisme untuk pertumbuhan
tanaman dan produksi harus diselidiki secara terpisah. Juga,Hobley dan
Wilson (2016)mengusulkan bahwa presipitasi dan temperatur mengontrol
dinamika C tanah pada skala regional. Oleh karena itu, jelas bahwa
penggunaan skenario dan versi model iklim baru lebih lanjut diperlukan
untuk memberikan prediksi yang kuat tentang dampak perubahan iklim
terhadap hasil padi dan SOC di masa depan di daerah ini.
Untuk mengisi kesenjangan yang tersisa dalam penelitian ini, terdapat
kebutuhan mendesak untuk meningkatkan akurasi simulasi model melalui
penggunaan data spesifik lokasi untuk kalibrasi dan validasi model. Pada
penelitian kali ini, versi EPIC0810 digunakan dan dijalankan menggunakan
interface i-EPIC (interactive EPIC). Tujuan penelitian ini adalah: 1)
mengevaluasi keandalan proses kalibrasi dan validasi model EPIC
berdasarkan data skala lokal, 2) mengevaluasi kemungkinan dampak
perubahan iklim terhadap hasil padi dan sekuestrasi SOC, dan 3)
mengidentifikasi faktor terpenting yang mempengaruhi perubahan hasil
padi dan sekuestrasi SOC di daerah ini.
59
Sistem Pertanian 164 (2018) 58–70
2. Bahan-bahan dan metode-metode
2.1. Deskripsi situs
Daerah penelitian berada di Kecamatan Thung Kula, Distrik
Suwannaphum, Provinsi Roi Et, Thailand, terletak pada 15°28′N, 103°48′
Tanah E. Roi Et berasal dari endapan batupasir yang tercuci dan terdapat di
bagian bawah dataran penebalan. Ketinggian berkisar dari 100 hingga 200
m di atas permukaan laut. Daerah ini memiliki iklim muson tropis (Köppen
“Aw”). Curah hujan tahunan rata-rata pada tahun 2014 berkisar antara 800
hingga 2900 mm, dan suhu udara tahunan rata-rata berkisar antara 26
hingga 28 °C. Jenis tanah utama di Provinsi Roi Et adalah ultisol dengan
kandungan pasir > 60%; SOC rendah, mulai dari 0,40%–1,29%; dan tanah
permukaan agak masam dengan kisaran pH 5,0–6,0 (LDD, 1991).
2.2. Deskripsi model EPIC
2.2.1. Model pertumbuhan tanaman
Model EPIC mampu mensimulasikan pertumbuhan tanaman tahunan
dan tahunan berdasarkan model pertumbuhan tanaman tunggal. Model ini
menggunakan efisiensi penggunaan radiasi untuk menghitung produksi
fotosintesis biomassa. Intersepsi radiasi matahari diperkirakan sebagai
fungsi dari indeks luas daun (LAI). LAI disimulasikan dengan persamaan
yang ditentukan berdasarkan satuan panas, LAI maksimum untuk tanaman,
koefisien genetik, dan lima tekanan lingkungan (air; suhu; nutrisi, N dan P;
dan aerasi). Nilai faktor stres berkisar dari 0 hingga 1, dan perkembangan
fonologis tanaman didasarkan pada akumulasi satuan panas harian dan
nilai indeks satuan panas (HUI) yang dihitung dari 0 saat tanam hingga 1
saat dewasa. CO atmosfer2konsentrasi juga mempengaruhi fotosintesis
dengan meningkatkan efisiensi penggunaan radiasi. Oleh karena itu, hasil
panen diperkirakan dengan mengalikan biomassa di atas tanah pada saat
jatuh tempo (ditentukan berdasarkan akumulasi unit panas atau tanggal
panen tertentu) dengan indeks panen (hasil ekonomi dibagi dengan
biomassa di atas tanah) yang ditentukan untuk tanaman tertentu (Easterling
et al., 1998;Liu et al., 2014).
2.2.2. Karbon mengalir dalam model EPIC
Model EPIC mensimulasikan proses C dinamis menggunakan rutin C secara
konseptual mirip dengan yang digunakan dalam model Century (Izaurralde et al.,
2001, 2006). Model abad (Parton et al., 1987, 1994) berhasil digunakan untuk
mensimulasikan bahan organik tanah (SOM) di berbagai jenis penggunaan lahan
dan iklim dan merupakan salah satu model yang secara konsisten menghasilkan
kesalahan rendah dan menunjukkan bias keseluruhan yang rendah (Kelly et al.,
1997;Smith et al., 1997). Kolam C total untuk estimasi C tanah terdiri dari lima
kompartemen: serasah struktural, serasah metabolik, biomassa mikroba, humus
lambat, dan humus pasif.Parton dkk. (1987, 1993, 1994) DanIzaurralde dkk. (2006)
menggambarkan proses C dinamis asli dalam model Century dan modul C dan N
baru yang dikembangkan untuk model EPIC. Modul baru ini dibangun untuk
menghubungkan simulasi dinamika C dan N tanah dengan pengelolaan tanaman,
metode pengolahan tanah, dan proses erosi. Tingkat perputaran kumpulan
mikroba permukaan tidak tergantung pada tekstur tanah, sedangkan tekstur
tanah mempengaruhi pergantian SOM aktif (tingkat yang lebih tinggi untuk tanah
berpasir). Model tersebut mengasumsikan hilangnya 60% karbon karena respirasi
mikroba untuk mikroba permukaan dan 55% untuk semua lapisan lainnya. Alokasi
karbon dari lignin dalam serasah struktural ke CO2diatur pada 0,3, dan sisanya
dipartisi menjadi humus lambat. Dalam setiap proses, ada kontrol kelembaban
dan suhu pada proses biologis tanah (Izaurralde et al., 2006).
2.3. Pengumpulan data dan model input data
2.3.1. Satuan simulasi
Area studi dibagi menjadi sub-area kecil untuk mengumpulkan sampel
tanah, menyiapkan data iklim, dan menentukan pengelolaan lahan
N. Arunrat dkk.
Gambar 1.Lokasi pengambilan data dan unit simulasi.
karakteristik menggunakan kisi poligonal berukuran 0,01 × 0,01°, dan
mencakup ~1 × 1 km. Total area ditutupi oleh total 64 sel grid, dengan
24 sel grid di daerah irigasi, dan 40 sel grid di daerah tadah hujan (
Gambar 1).
2.3.2. Pengambilan sampel dan analisis tanah
Dalam survei status hara tanah di Thailand dari tahun 2004 hingga 2008,
13 lokasi di wilayah studi diambil sampelnya oleh laboratorium Office of
Science for Land Development, Land Development Department, Ministry of
Agriculture, and Cooperatives, Thailand. Dari 13 lokasi di wilayah studi di
Kecamatan Thung Kula, sembilan di antaranya di daerah irigasi dan empat
di daerah tadah hujan, data dikumpulkan dan SOC diperkirakan pada tahun
2004. Pada tahun 2014, sampel tanah dikumpulkan kembali dari 13 lokasi
studi yang sama untuk menyelidiki perubahan sifat tanah dan kalibrasi
model, dan 51 lokasi baru juga diselidiki untuk validasi model. Pengambilan
sampel tanah dilakukan pada musim kemarau setelah panen padi
(November 2014). Di setiap lokasi, horizon tanah dari kedalaman 0 hingga
40 cm diidentifikasi berdasarkan ciri fisik tertentu, yaitu warna dan tekstur.
Tiga sampel (ulangan) dari setiap horizon tanah kemudian dikumpulkan.
Sebanyak 621 sampel tanah dari 64 lokasi dikumpulkan. Profil tanah dibagi
menjadi empat lapisan (0–10, 10–20, 20–30, dan 30–40 cm). Sifat-sifat tanah
dari setiap lapisan tanah di setiap lokasi dimasukkan ke dalam file tanah
model EPIC. Parameter tanah yang diperlukan untuk model dan nilainya
tercantum dalam Bahan Pelengkap, Tabel S1.
2.3.3. Data iklim
Model EPIC membutuhkan variabel iklim harian berikut: suhu udara
maksimum dan minimum, curah hujan, hari hujan, radiasi matahari,
dan kelembaban relatif. Dalam studi ini, nilai rata-rata data iklim
dihitung untuk dua periode terpisah. Pertama, data untuk periode
baseline (1986–2014) diambil dari Departemen Meteorologi Thailand
untuk kalibrasi dan validasi model. Kedua, Coupled Model
Intercomparison Project Phase 5 (CMIP5) membentuk skenario
perubahan iklim baru yang disebut Representatif Concentration
Pathways (RCPs) (Taylor et al., 2012) yang digunakan untuk skenario
iklim masa depan. RCP ditentukan oleh jalur pemaksaan radiasi
totalnya (ukuran kumulatif emisi gas rumah kaca manusia dari semua
sumber yang dinyatakan dalam Wm−2) dan berdasarkan asumsi sosial
ekonomi yang konsisten secara internal pada tahun 2100 (mobil van
60
Sistem Pertanian 164 (2018) 58–70
Vuuren et al., 2011). Data dari National Aeronautics and Space
Administration (NASA)-Goddard Institute for Space Studies (GISS) (https://
data.giss.nasa.gov/modelforce/ ghgases/) menunjukkan bahwa RCP 2.6
mengasumsikan puncak gaya radiasi pada 2,6 Wm−2(421,4 ppm CO2
ekuivalen) pada tahun 2100. RCPs 4.5 dan 6.0 menjelaskan stabilisasi
tanpa overshoot menjadi 4.5 dan 6.0 Wm−2(538,9 dan 670,2 ppm CO2
ekuivalen), masing-masing, pada tahun 2100. Selain itu, RCP 8.5 menjelaskan
peningkatan jalur pemaksaan radiasi yang mengarah ke 8,5 Wm−2
(936,4 ppm CO2ekuivalen) pada tahun 2100.
Enam belas GCM dalam empat periode waktu mendatang; near
future (2020–2039), mid future (2040–2059), far future (2060–2079), dan
very far future (2080–2099) dari CMIP5 IPCC AR5 digunakan untuk
proyeksi iklim di wilayah studi, yaitu BCC -CSM1.1, BCC-CSM 1.1-m,
CCSM4, CESM1(CAM5), CSIRO-Mk3.6.0, FIO-ESM, GFDL-CM3, GFDL-
ESM2M, GISS-E2-H, GISS-E2-R, IPSL -CM5A-MR, MIROC-ESM, MIROC-
ESM-CHEM, MIROC5, MRI-CGCM3, dan NorESM1-M. Setiap periode
waktu dari setiap model GCM dipertimbangkan dalam empat skenario
RCP: RCP2.6 (skenario karbon rendah), RCP4.5 (skenario karbon tingkat
menengah), RCP6.0 (skenario karbon tingkat menengah), dan RCP8.5
(skenario karbon tinggi) . Data CMIP5 diarsipkan di Portal Pengetahuan
Perubahan Iklim Grup Bank Dunia (http://sdwebx.worldbank.
org/portal iklim/), dengan A resolusi dari 1,9°×1,9°
(190 km× 190 km).
Namun, resolusi spasial GCM terlalu kasar untuk dianalisis, sehingga
penurunan skala dilakukan secara terpisah. Dua langkah downscaling
dilakukan untuk mencocokkan resolusi spasial wilayah studi: 1) data bulanan
diturunkan secara spasial menjadi 1 km × 1 km grid dengan menggunakan
metode kriging, 2) Linear scaling digunakan untuk mengoreksi 1 km- data
berdasarkan perbedaan antara data GCM yang diamati dan mentah.
BerdasarkanBabur dkk. (2016), suhu biasanya dikoreksi dengan aditif,
sedangkan presipitasi biasanya dikoreksi dengan pengganda setiap bulan.
Perbedaan bulanan dalam data iklim diperoleh dengan menggunakan
periode observasi (1986–2005) dari GCM mentah dan data observasi. Oleh
karena itu, Persamaan.(1) dan (2)diterapkan untuk mengoreksi data suhu
dan presipitasi GCM di masa mendatang.
Tfut,D=TGCM,D,fut+ (T(obs,mon)−T(GCM,lanjutan,mon)) (1)
Pfut,D =PGCM,D,fut × ⎛⎜P P(obs,mon) ⎞
⎟
⎝ ( GCM ,lanjutan ,mon ) ⎠ (2)
N. Arunrat dkk.
Di mana,Tfut,dDanPfut,dadalah suhu dan curah hujan terkoreksi untuk
periode mendatang.TGCM,D,fut,DanPGCM,d,julur,adalah suhu harian dan
curah hujan dari data GCM untuk periode mendatang.T(obs,mon)Dan P(
obs,mon)mewakili suhu bulanan rata-rata jangka panjang dan pra-
curah hujan.T(GCM,cont,sen)DanP(GCM,cont,sen)mengacu pada suhu dan curah
hujan rata-rata bulanan jangka panjang untuk periode kontrol
GCM.
2.3.4. Praktek manajemen
Data praktik manajemen dipertimbangkan untuk dua periode. Pertama,
data yang dikumpulkan pada tahun 2004 digunakan untuk kalibrasi model.
Namun, data laju pemupukan tidak tersedia untuk tahun 2004. Oleh karena
itu, tren laju pemupukan dari tahun 2010 hingga 2014 digunakan dengan
menggunakan analisis regresi linier sederhana dan penyesuaian persamaan
linier. Ditemukan bahwa tingkat kenaikan rata-rata adalah 1,52 kg ha−1tahun
−1(1,77% thn−1), yang konsisten denganBank Bangkok (2003)perkiraan
penggunaan pupuk kimia sektor pertanian Thailand dari tahun 1995 hingga
2003. Selama periode delapan tahun ini, tingkat kenaikan rata-rata adalah
1,3% tahun−1. Kedua, data pengelolaan diperoleh melalui survei lapangan
selama lima tahun (2010–2014); data ini digunakan untuk validasi model dan
diperbaiki untuk setiap lokasi untuk simulasi model di bawah empat
skenario perubahan iklim RCP.
Kuesioner diberikan di setiap lokasi pengambilan sampel untuk
mencatat tanaman dan praktik manajemen pemilik pertanian. Petani di
masing-masing dari 64 lokasi mencatat data tanaman dan pengelolaan
lahan. Data hasil panen padi dan praktik pengelolaan (yaitu, tanggal
tanam dan panen; tingkat penggunaan pupuk, pupuk kandang,
pestisida, dan irigasi; dan operasi lapangan yang dilakukan) diperoleh
dari survei pada tahun 2014 dan dari buku catatan standar untuk
kebaikan. praktik pertanian (GAP) pemilik lahan selama periode studi
lima tahun (2010–2014), termasuk musim hujan dan musim kemarau.
Buku catatan ini disebarluaskan kepada para petani oleh Departemen
Penyuluhan Pertanian, Kementerian Pertanian dan Koperasi, Thailand
untuk mencatat kegiatan pertanian,
Padi di wilayah studi mengacu pada tanaman padi utama yang ditanam
pada musim hujan antara bulan Juli sampai Desember, dan tanaman padi
kedua yang ditanam pada musim kemarau antara bulan Januari sampai April
tahun berikutnya (OAE, 2014). Sebagian besar sawah di wilayah studi
menggunakan budidaya tadah hujan, dimana padi ditanam hanya sekali
dalam setahun karena curah hujan merupakan faktor pembatas utama.
Petani di beberapa daerah irigasi mampu menanam padi dua kali dalam
setahun, baik untuk tanaman padi utama maupun kedua. Nasi melati (Oryza
sativa)paling banyak tumbuh di daerah ini. Varietas padi dominan yang
dicatat dalam penelitian ini adalah Khao Dawk Mali 105 (KDML 105), RD 6,
dan Suphanburi 60. KDML105 dan RD 6 sangat sensitif terhadap fotoperiod
dan berbunga pada akhir Oktober, terlepas dari waktu tanam, sedangkan
Suphanburi 60 tidak -varietas beras fotosensitif. Berdasarkan data survei
lapangan, masing-masing lokasi dimasukkan ke dalam file jadwal operasi
EPIC dengan praktik manajemen aktual masing-masing petani yang
ditentukan. Lima jenis operasi pengelolaan utama digabungkan dalam
model EPIC: pembibitan/penanaman, pengolahan tanah, irigasi,
pemupukan, dan pemanenan. Untuk setiap jenis operasi pengelolaan,
tanggal dan bulan yang tepat, jumlah dan jenis pupuk, jenis tanaman, dan
kondisi irigasi juga ditentukan.
Pertama, selama masa tanam, tanaman padi utama dan kedua
dibudidayakan dengan metode siaran dan dipanen dengan mesin.
Metode transplantasi tidak ditemukan di lokasi mana pun di wilayah
studi, sehingga tidak digunakan dalam jadwal operasi model EPIC.
Kedua, untuk pengelolaan pengolahan tanah, pengolahan tanah konvensional
hingga kedalaman 20 sampai 30 cm dilakukan dengan mesin, dengan dua situasi
berbeda yang dibedakan antara kondisi permukaan tanah basah dan kering.
Ketiga, setelah panen, petani menerapkan salah satu dari dua bentuk pengelolaan
jerami dan tunggul padi: penggabungan ke dalam tanah atau pembakaran
61
Sistem Pertanian 164 (2018) 58–70
di lapangan. Para petani biasanya membakar sisa padi setelah panen raya padi
(musim kemarau) karena kemudahan dan kenyamanan pengolahan tanah untuk
mempersiapkan panen berikutnya. Lahan irigasi memiliki jumlah sisa padi yang
dibakar lebih rendah dibandingkan lahan tadah hujan, dengan rata-rata 0,071 dan
0,141 Mg ha−1, masing-masing.
Keempat, untuk pengelolaan air, banjir terus menerus dan banjir
dangkal digunakan masing-masing untuk daerah irigasi dan tadah hujan. Di
daerah irigasi, ladang digenangi air setinggi 10 sampai 15 cm selama masa
pertumbuhan dan dikeringkan atau dikeringkan secara alami 7 sampai 10
hari sebelum panen. Di daerah tadah hujan, tanah tergenang sementara,
tergantung curah hujan, atau pemompaan air saat air hujan tidak tersedia.
Oleh karena itu, jika lahan tersebut tidak berada di daerah irigasi, maka
kode irigasi ditetapkan sebagai kondisi lahan kering.
Kelima, jenis pupuk kimia berikut ditemukan di wilayah studi: 46–0-0, 16–
16-8, 16–20–0, 0–0-60, 15–15-15, dan 16–8-8 . Dosis pemupukan yang lebih
tinggi diindikasikan untuk daerah irigasi dibandingkan dengan daerah tadah
hujan, dengan rata-rata pemupukan 320 dan 260 kg ha−1, masing-masing.
Jumlah total pupuk N, P, dan K adalah 89, 31, dan 15 kg ha−1tahun−1untuk
daerah irigasi, dan 76, 24, dan 12 kg ha−1tahun−1masing-masing untuk
daerah tadah hujan.
2.4. Analisis sensitivitas
Analisis sensitivitas dilakukan untuk menilai kepentingan relatif parameter
pertumbuhan tanaman dan siklus karbon terhadap output model, seperti yang
disajikan dalamTabel 1. Tujuan utama dari analisis sensitivitas adalah untuk
mengetahui besarnya perubahan respon model yang berhubungan dengan
perubahan nilai parameter tertentu. Dalam penelitian ini, metode one-factor-at-a-
time (OAT) digunakan untuk menghitung indeks sensitivitas relatif untuk hasil padi
dan SOC. Sebanyak lima parameter untuk pertumbuhan tanaman dan sepuluh
parameter untuk siklus C divariasikan ± 10% dari nilai model default untuk menilai
sensitivitas menggunakan persamaan yang diturunkan dariLiu (2009)di bawah:
∆YX
S=
∆XY (3)
Di manaSadalah indeks sensitivitas pengaruh parameterXSayapadaY Yadalah
output model (yaitu hasil padi dan SOC dalam penelitian ini), ΔXadalah perubahan
kecil diX,dan ΔYadalah perubahan diYdalam menanggapi perubahan diX.
Berdasarkan Persamaan.(3), indeks sensitivitas untuk hasil padi dan SOC
ditentukan sebagai berikut:
|Menghasilkan1.1Xi−MenghasilkanXi| + |Menghasilkan0,9Xi−Menghasilkan Xi|
Syieldi =
0,2MenghasilkanXi (4)
|SOC1.1Xi−SOCXi| + |SOC0,9X−SOC X|
Saya Saya
SSOCI=
0,2SOCXi (5)
Di manaSyieldiDanSSOCIadalah indeks sensitivitas parameterXimasing-masing untuk
hasil padi dan SOC;MenghasilkanXDanSOCSaya
Xapakah hasil padi dan SOC, masing-
Saya
masing, disimulasikan dengan menyetel semua parameter ke nilai default;
Menghasilkan
Saya
1.1XDanSOC1.1Xadalah hasil beras dan SOC, masing-masing,
Saya
disimulasikan dengan menyetel semua parameter ke nilai default kecualiXi,yang
diatur ke 110% dari nilai standarnya; DanMenghasilkan
Saya
0,9XDanSOC0,9Xadalah hasil
Saya
beras dan SOC, masing-masing, disimulasikan dengan menyetel semua parameter
ke nilai default kecualiXi,yang diatur ke 90% dari nilai standarnya. Parameter
dengan yang tertinggiSyieldiDanSSOCInilai didefinisikan sebagai parameter yang
paling sensitif untuk hasil padi dan SOC, masing-masing. Kisaran indeks
sensitivitas adalah antara 0 (tidak sensitif) hingga 1 (sangat sensitif); nilai yang
lebih tinggi menunjukkan sensitivitas yang lebih tinggi.
2.5. Kalibrasi dan validasi model
Kalibrasi dan validasi dilakukan dengan membagi data observasi yang
tersedia menjadi dua set data: satu untuk kalibrasi, dan satu lagi untuk validasi.
Data paling sering dipisahkan menurut periode waktu (Arnold et al., 2012). Lima
parameter untuk pertumbuhan tanaman dan sepuluh parameter untuk C
N. Arunrat dkk. Sistem Pertanian 164 (2018) 58–70

Tabel 1
Nilai default terkait tanaman dan siklus karbon, rentang yang disarankan, dan nilai terkalibrasi dalam model EPIC.

TIDAK Parameter Simbol Nilai default Kisaran yang disarankan⁎ Nilai yang dikalibrasi

Pangkas parameter
1. Rasio energi-biomassa (kg ha−1MJ−1M2) WA 25 20–30 25
2. Indeks panen HAI 0,5 0,4–0,5 0,45
3. Satuan panas potensial (°C) PHU 1580 1200–2400 1630
4. Indeks stres air-panen PARM(3) 0,5 0,3–0,7 0,5
5. Indeks nomor kurva SCS PARM(42) 1.5 0,5–2,0 1.0
Parameter siklus karbon 1.
Fraksi humus di kolam pasif Fraksi C lambat FHP 0,0 0,3–0,7 0,6
2. dialokasikan ke kolam pasif Laju PARM(45) 0,05 0,001–0,05 0,05
3. transformasi humus lambat, d−1 PARM(47) 0,000548 0,00041–0,00068 0,000562
4. Laju transformasi humus pasif, d−1 PARM(48) 0,000012 0,0000082–0,000015 0,000013
5. Aktivitas mikroba di lapisan atas tanah PARM(51) 1.0 0,1–1,0 1.0
6. Koefisien pengolahan tanah pembusukan PARM(52) 10.0 5.0–15.0 14.5
7. residu Aktivitas mikroba di kedalaman PARM(53) 0,9 0,8–0,95 0,89
8. Koefisien penggunaan air pertumbuhan akar Rasio PARM(54) 5.0 2.5–7.5 5.7
9. penggunaan/kedalaman air pertumbuhan akar PARM(55) 0,5 0,0–1,0 0,8
10. Koefisien kedalaman pertumbuhan akar PARM(56) 10.0 5.0–10.0 10.0

⁎Kisaran yang disarankan EPIC.

siklus dipilih untuk mengkalibrasi dalam model EPIC, seperti yang disarankan oleh
Wang dkk. (2005)DanCausarano et al. (2007); parameter ini tercantum diTabel 1.
Prosedur kalibrasi untuk pertumbuhan tanaman dan modul SOC menerapkan
data dari 13 lokasi penelitian yang diambil sampelnya pada tahun 2004. Hasil
panen padi adalah nilai terukur yang dikumpulkan dari laporan Statistik Pertanian
Thailand untuk tahun 2004, yang dihasilkan oleh Kantor Ekonomi Pertanian (OAE),
Kementerian Pertanian dan Koperasi (MOAC), Thailand. Pengukuran SOC
dikumpulkan oleh Departemen Pengembangan Lahan Thailand pada tahun 2004.
Sebanyak 2000 set parameter dihasilkan untuk parameter tanaman dan siklus
karbon menggunakan perangkat lunak SIMLAB (versi 2.2.1) dari rentang dan
distribusi yang ditentukan dalamTabel 1. Prosedur validasi model berfokus pada
nilai terukur di semua lokasi (64 lokasi), yang dikumpulkan selama lima tahun
(2010–2014) untuk hasil padi, dan pada tahun 2014 untuk SOC.
2.7. Penilaian dampak perubahan iklim
Bagian evaluasi ini terdiri dari analisis data iklim untuk memahami
proyeksi perubahan iklim sehubungan dengan periode baseline (1986–2014)
dan simulasi model EPIC untuk menilai dampak yang mungkin terjadi pada
hasil padi dan SOC selama empat skenario RCP (RCP). 2.6, 4.5, 6.0, dan 8.5)
dan empat periode waktu mendatang; masa depan dekat (2020–2039), masa
depan tengah (2040–2059), masa depan jauh (2060–2079), dan masa depan
sangat jauh (2080–2099). Praktik manajemen dan parameter untuk periode
simulasi ditetapkan seperti periode baseline untuk setiap lokasi. Perubahan
dalam indikator utama perubahan iklim (suhu dan curah hujan), hasil padi,
dan SOC dianalisis dengan mengurangkan nilai output di bawah skenario
perubahan iklim dari nilai dasar, dan dengan memperkirakan persentase
perubahan.

2.6. Evaluasi kinerja model 2.8. Mengevaluasi efek CO2, suhu dan curah hujan terhadap hasil
padi dan SOC
Kalibrasi dan validasi model dievaluasi menggunakan dua kriteria:
koefisien determinasi (R2), dan koefisien efisiensi model Nash–Sutcliffe ( Ada kompleksitas variabel perubahan iklim yang dapat mendorong
Ens) (Nash dan Sutcliffe, 1970). Dalam penelitian ini, kinerja model perubahan hasil padi dan SOC dengan besaran, tren, dan durasi yang
dianggap memuaskan jikaR2>0,5 (Santhi et al., 2001) DanEns≥0,60 ( berbeda. Untuk mengklarifikasi driver dominan, studi ini mengevaluasi
Wang et al., 2012). MaksimalR2Dan Ensdipilih oleh skema respon hasil padi dan SOC dengan memasukkan perubahan CO22
parameterisasi sebagai set parameter optimal. konsentrasi, suhu maksimum dan minimum, dan curah hujan secara
terpisah, sedangkan data input lainnya konstan pada periode baseline.
R2didefinisikan sebagai: Sebagai contoh, ketika CO2efek pada hasil padi dievaluasi, semua data
masukan ditetapkan pada kondisi awal, dengan pengecualian empat
N
⎧ ∑ (M− M)(SSaya
Saya −S) Saya Saya ⎫ tingkat CO2konsentrasi di bawah empat skenario RCP, yang diinput dan
R2= Saya=1

disimulasikan dengan menggunakan metode OAT. Output

⎨⎩ [∑N (M− M)2]0,5
Saya Saya[∑N (S−S)2]0,5
Saya ⎬ ⎭
Saya (6)
dibandingkan dengan baseline.
Saya=1 Saya=1

Di manaSSayaDanMSayaadalah nilai yang disimulasikan dan diukur, masing-masing,

di lokasiSaya.MDanSadalah rata-rata dari nilai yang diukur dan disimulasikan,
2.9. Analisis statistik
masing-masing. Kisaran dariR2adalah antara 0 (tidak ada korelasi) dan 1 (sangat
cocok).
Analisis statistik data dilakukan dengan menggunakan SPSS (versi
Ensdidefinisikan sebagai:
20.0, AS). Nilai mean dan standar deviasi (SD) digunakan untuk
mewakili hasil padi dan SOC untuk area dan periode yang berbeda.
∑N (S− M)2
Saya Saya
Ens=1 - Saya=1
Perbedaan hasil padi dan SOC antara periode baseline
∑N Saya=1
(M−M)2
Saya (7) (1986–2014) dan empat periode waktu mendatang di bawah empat skenario
RCP dianalisis denganT-tes dan tes perbedaan paling signifikan (LSD) (p <
Di manaSSayaDanMSayaadalah nilai yang disimulasikan dan diukur, masing-masing,
0,05). Analisis regresi linier sederhana digunakan untuk menemukan
di lokasiSaya.Kisaran dariEnsterletak antara 1 (sangat cocok) dan -∞.Nilai negatif
hubungan antara nilai terukur dan nilai simulasi dengan menyesuaikan
menunjukkan bahwa nilai rata-rata dari rangkaian waktu yang diamati akan
persamaan linier.
menjadi prediktor yang lebih baik daripada model.

62
N. Arunrat dkk. Sistem Pertanian 164 (2018) 58–70

Meja 2
Statistik evaluasi model untuk prosedur kalibrasi dan validasi.

Minimum Maksimum Berarti ± SD Performa model

R2 Ens

Prosedur kalibrasi model (n = 13) Hasil

padi (Mg ha−1tahun−1) Diukur 1.8 3.8 2,9 ± 0,7 0,66 0,62
Simulasi 1.7 4.3 3,1 ± 0,8
SOC (Mg C ha−1) Diukur 14.2 111.5 48,1 ± 28,5 0,71 0,68
Simulasi 15.9 74.8 37,8 ± 21,1

Prosedur validasi model (semua lokasi, n =64) Hasil

padi (Mg ha−1tahun−1) Diukur 1.3 4.9 2,6 ± 0,9 0,78 0,75
Simulasi 1.1 4.7 2,7 ± 0,8
SOC (Mg C ha−1) Diukur 3.8 129.9 37,7 ± 32,1 0,88 0,83
Simulasi 5.6 114.5 38,0 ± 30,3

3. Hasil dan Pembahasan
3.1. Kalibrasi model
Kalibrasi model dilakukan untuk membandingkan hasil simulasi
padi dan SOC dengan nilai terukur untuk 13 lokasi. Hasil penelitian
menunjukkan bahwa hasil padi bervariasi dari 1,8 hingga 3,8 Mg ha−1
tahun−1dan 1,7 sampai 4,3 Mg ha−1tahun−1untuk nilai terukur dan
simulasi, masing-masing. Hasil padi rata-rata adalah 2,9 dan 3,1 Mg ha
−1tahun−1, dengan standar deviasi 0,7 dan 0,8 Mg ha−1tahun−1untuk nilai
terukur dan simulasi, masing-masing (Meja 2). Kisaran nilai SOC adalah
14,2–111,5 Mg C ha−1dan 15,9–74,8 Mg C ha−1untuk nilai terukur dan
simulasi, masing-masing. Rata-rata nilai SOC adalah 48,1 dan 37,8 Mg C
ha−1, dengan standar deviasi 28,5 dan 21,1 Mg C ha−1, untuk nilai
terukur dan simulasi, masing-masing (Meja 2).
indeks masing-masing 0,911, 0,665, 0,515, 0,218, dan 0,232. Temuan ini
konsisten dengan temuan dariLiu (2009), yang menunjukkan bahwa HI
adalah parameter yang paling sensitif untuk beras di Asia, diikuti oleh WA,
PARM (42), PARM(3), dan PHU, dengan indeks sensitivitas masing-masing
0,997, 0,485, 0,342, 0,334, dan 0,318. Kesamaan ini karena hasil potensial
dalam model EPIC didasarkan pada akumulasi biomassa aktual di atas
permukaan tanah dan indeks panen, yang merupakan fungsi tanaman/
varietas dan tekanan air dalam tahap pengembangan tanaman tertentu (
Gaiser et al., 2010). Parameter sensitivitas tertinggi untuk SOC adalah FHP,
diikuti oleh PARM(47), PARM(51), PARM(55), PARM(54), PARM(45), PARM(52),
PARM(56), PARM(53) , dan PARM(48), dengan indeks sensitivitas masing-
masing 0,512, 0,075, 0,062, 0,033, 0,022, 0,021, 0,018, 0,013, 0,011, dan
0,010. Hasil ini mendukung hasil dariCausarano et al. (2007), yang
melaporkan bahwa FHP adalah parameter yang paling berpengaruh untuk
karbon biomassa mikroba (MBC) dan karbon organik partikulat (POC).

Untuk prosedur kalibrasi, simulasi hasil panen padiR2DanEns nilai
masing-masing adalah 0,66 dan 0,62, dan SOCR2DanEnsnilai masing-masing
adalah 0,71 dan 0,68 (Meja 2). Nilai hasil padi dan SOC yang diukur dan
disimulasikan didistribusikan di dekat garisy = x,danRnilai masing-masing
adalah 0,7128 dan 0,7708 (Gambar. 2 dan 3). Temuan ini menunjukkan
bahwa model tersebut secara memuaskan konsisten dengan hasil evaluasi
visual dan parameterisasi yang paling pas. Untuk analisis sensitivitas, nilai
yang lebih tinggi menunjukkan sensitivitas yang lebih tinggi. Hasil ini
menunjukkan bahwa HI merupakan parameter yang paling sensitif untuk
hasil padi, diikuti oleh WA, PHU, PARM(42), dan PARM(3), dengan sensitivitas
3.2. Validasi model
Nilai hasil padi dan SOC yang diukur dan disimulasikan
didistribusikan di dekat garisy = x,danRnilai masing-masing adalah
0,706 dan 0,797 (Gambar. 2 dan 3). Kinerja model dari prosedur validasi
hasil padi dievaluasi berdasarkanR2DanEnsmasing-masing sebesar 0,78
dan 0,75. Untuk simulasi SOC, nilai kinerja statistik adalahR2=0,88 dan
En =0,83, seperti yang ditunjukkan pada Meja 2. Secara keseluruhan,
validasi dan reliabilitas model EPIC dapat diterima dan menunjukkan
kemampuan prediksi yang baik, seperti yang ditunjukkan oleh

Gambar 2.Hasil kalibrasi hasil padi dan validasi model EPIC.

63
N. Arunrat dkk.
Gambar 3.Hasil kalibrasi SOC dan validasi model EPIC.
nilai dariR2>0,50 danEn >0,60 untuk hasil padi dan SOC. Dalam studi ini,
overestimasi dengan model EPIC ditemukan untuk hasil beras dan SOC (
Meja 2). Hasil ini mendukung hasil dariGuerra et al. (2004), yang
menunjukkan bahwa model ini cenderung melebih-lebihkan pada hasil yang
rendah, terutama dalam kondisi stres air. Demikian pula,Izaurralde dkk.
(2006)melaporkan bahwa model EPIC overpredicts pada nilai SOC rendah
dan di bawah prediksi pada nilai SOC tinggi.Gaiser et al. (2010)melaporkan
bahwa kinerja model EPIC paling baik untuk tanah yang sedikit asam (R2=
0,85) dan termiskin untuk tanah yang sangat asam dengan saturasi
aluminium tinggi (R2=0,40). Secara khusus, ketika tanah yang sangat asam
dikaitkan dengan kondisi semi-kering dan dengan variabilitas curah hujan
yang tinggi, maka model tersebut sangat melebih-lebihkan hasil panen.
Temuan ini mendukung penaksiran berlebihan dari model EPIC yang
terdeteksi di wilayah studi kami, di mana nilai pH rendah (3,86–6,66) diukur
pada tanah permukaan hingga kedalaman 40 cm dan curah hujan sangat
bervariasi sepanjang tahun (Tabel 4).
Rata-rata hasil padi yang disimulasikan dan diukur adalah 2,6 dan
2,7 Mg ha−1tahun−1, sedangkan nilai rata-rata 37,7 dan 38,0 Mg C ha−1
ditemukan untuk SOC yang disimulasikan dan diukur, masing-masing. Hasil
ini menunjukkan bahwa model EPIC cenderung overestimate baik hasil padi
maupun SOC, dengan overestimasi rata-rata 0,05 Mg ha−1tahun−1dan 0,28
Mg C ha−1, masing-masing.
3.3. Perubahan skenario iklim masa depan
Perbandingan data iklim baseline dan CMIP5, termasuk suhu minimum
dan maksimum, serta curah hujan, disajikan dalamGambar 4. Di provinsi Roi
Et, peningkatan rata-rata ansambel data iklim masa depan terdeteksi pada
semua skenario iklim, dibandingkan dengan baseline. Suhu minimum rata-
rata diperkirakan meningkat sebesar 22,3 hingga 25,1 °C masing-masing di
bawah RCP2.6 dan RCP 8.5, sedangkan baseline adalah 21,8 °C. Demikian
pula, tren peningkatan terdeteksi untuk suhu maksimum rata-rata,
melaporkan bahwa 33,2 hingga 36,2 °C akan terjadi masing-masing di
bawah RCP2.6 dan RCP 8.5, sedangkan baseline adalah 32,6 °C. Curah hujan
tahunan rata-rata akan cenderung meningkat, dengan nilai masing-masing
1495,3 hingga 1629,1 mm di bawah RCP2.6 dan RCP 8,5, dibandingkan
dengan 1375,7 mm, yang tercatat sebagai baseline.
Semua skenario iklim masa depan menunjukkan peningkatan suhu
dan curah hujan selama 80 tahun ke depan. Skenario RCP8.5
menunjukkan suhu dan curah hujan rata-rata tertinggi.Menjatuhkan
(1992), Rosenzweig dan Iglesis (1994),Furuya dan Koyama (2005), Dan
64
Sistem Pertanian 164 (2018) 58–70
Aggarwal et al. (2010)juga melaporkan bahwa suhu maksimum dan
minimum, serta suhu rata-rata, di Asia meningkat, dan curah hujan
rata-rata juga dapat meningkat.
Perubahan suhu rata-rata bulanan rata-rata akan menjadi yang tertinggi
selama bulan April dan Mei di bawah semua skenario iklim. Namun,
kenaikan suhu tidak akan terjadi setiap bulan. Suhu akan cenderung
menurun dari garis dasar sekitar 0,2–1,2 °C selama bulan November,
Desember, Januari, dan Februari. Secara keseluruhan, jumlah curah hujan
cenderung meningkat pada semua periode waktu dan semua skenario iklim,
terutama pada bulan Juni, Juli, Agustus, Oktober, November, dan Desember.
Sementara itu, cenderung berkurang pada bulan-bulan lainnya pada data
iklim CMIP5 (lihat di Bahan Pelengkap, Tabel S2-S5).
3.4. Efek CO2sendirian di SOC
Ketika semua variabel iklim ditetapkan sebagai kondisi dasar, tingkat
CO22konsentrasi diubah mengikuti skenario RCP. Simulasi mengungkapkan
bahwa efek CO2akan menyebabkan peningkatan sekuestrasi SOC di semua
situs sebesar +32,0%, yang di bawah RCP8.5 akan menghasilkan
peningkatan SOC tertinggi, diikuti oleh RCP6.0, RCP4.5, dan RCP2.6 dengan
nilai +29,1%, +20,0% , dan +8,7%, masing-masing (Tabel 3). Pentingnya
sekuestrasi SOC adalah meningkatkan kumpulan SOC, yang dapat
mengurangi CO2konsentrasi di atmosfer (Ringius, 2002). Simulasi
menunjukkan efek positif dari peningkatan CO2pada peningkatan SOC,
konsisten denganLi dkk. (2011)yang menggunakan model CENTURY untuk
mensimulasikan efek perubahan iklim dan peningkatan CO22pada SOC di
Alpine Steppe. Simulasi mereka menunjukkan bahwa di bawah CO2
skenario penggandaan, SOC meningkat sebesar 12,87%, dibandingkan dengan CO
yang tidak berubah2skenario. Ini karena meningkatnya CO atmosfer2
konsentrasi dapat meningkatkan laju fotosintesis tanaman, meningkatkan efisiensi
penggunaan air dan efisiensi penggunaan nutrisi (Owensby et al., 1993), yang dapat
mengurangi kehilangan air tanah melalui transpirasi (van Groenigen et al., 2011). Ini
mengarah pada peningkatan produktivitas tanaman, serasah tanaman, dan akar,
menghasilkan penyerapan C tanah dan kandungan SOC yang lebih tinggi (Ojima et al.,
1993;Gifford, 1994;Ni, 2001).
Di samping itu,Nie dkk. (2013)menemukan bahwa CO tinggi2dapat
meningkatkan kemampuan mikroba untuk menguraikan SOM dan merangsang
aktivitas enzim yang terkait dengan proses dekomposisi (Carney et al., 2007), yang
menyebabkan hilangnya SOC melalui pelepasan CO2ke atmosfer. Lebih-lebih lagi,
Van Groenigen dkk. (2017)sangat menyarankan bahwa dekomposisi C baru yang
lebih cepat (input yang berasal dari tanaman bisa
N. Arunrat dkk.
Gambar 4.Data iklim CMIP5 rata-rata: (a) suhu minimum, (b) suhu maksimum, (c) curah hujan.
terakumulasi dalam tanah dan menjadi bagian dari kolam C tanah) di bawah
peningkatan CO2meniadakan tingkat input C tanah yang lebih tinggi, sehingga
penyimpanan C tanah jangka panjang menjadi terbatas. Penting untuk
menunjukkan bahwa ada faktor utama lain yang mengendalikan dinamika SOC,
yang dapat berdampak signifikan pada sekuestrasi SOC, terutama curah hujan
dan suhu (Lal, 2003, 2008).
3.5. Efek presipitasi saja pada SOC
Peningkatan curah hujan mengakibatkan hilangnya sekuestrasi SOC di
semua lokasi sebesar −30.0%, −27.1%, −21.1%, dan − 18.6% di bawah RCP8.5,
RCP6.0, RCP4.5, dan RCP2.6, masing-masing (Tabel 3). Ini karena curah hujan
mempengaruhi kelembaban tanah dan proses hidrologi, yang penting untuk
mengontrol kandungan SOC dan dinamikanya (Heisler dan Weltzin, 2006;
Aanderud et al., 2010) dan juga bisa menjadi pengubah besarnya sink C (
Goebel et al., 2011). Hasil ini konsisten dengan studi tentangMeier dan
Leuschner (2010), yang menemukan bahwa SOC menurun sekitar 25% dari
tegakan dengan curah hujan tahunan > 900 mm tahun−1untuk mereka
dengan curah hujan <600 mm thn−1, dan menyimpulkan bahwa
pengurangan SOC terutama disebabkan oleh tingkat dekomposisi yang
lebih tinggi, yang dihasilkan dari meningkatnya aktivitas mikroba yang
meningkatkan curah hujan (Alvarez dan Alvarez, 2001;Zhang et al., 2004).
3.6. Efek suhu saja pada SOC
Saat mengubah suhu menurut skenario RCP sambil menjaga faktor
lain pada kondisi awal, ditemukan bahwa
65
Sistem Pertanian 164 (2018) 58–70
perubahan yang diharapkan dalam suhu maksimum dan minimum memiliki dampak
negatif yang serupa pada SOC. Meningkatnya suhu maksimum menghasilkan
pengurangan SOC sebesar 8,8% di semua lokasi di bawah RCP8.5, dan sebesar −5,8%,
− 4,3%, dan −1,8% masing-masing dalam skenario RCP6.0, RCP4.5, dan
RCP2.6. Demikian pula, penurunan SOC sebesar 4,1% terdeteksi di
bawah RCP8.5 di semua lokasi untuk pengaruh suhu minimum.
Namun, mengubah suhu maksimum cenderung memiliki dampak yang
lebih besar pada SOC daripada pengaruh suhu minimum (Tabel 3).
Temuan ini konsisten dengan temuan dariCuriel dkk. (2004),Conan dkk.
(2008),Zhou dkk. (2009)DanThomas et al., 2011, yang menegaskan
bahwa peningkatan suhu udara menyebabkan peningkatan respirasi
tanah dan meningkatkan dekomposisi SOC karena peningkatan
aktivitas mikroba (Smith et al., 2005;Gottschalk et al., 2012).
3.7. Efek gabungan dari CO2, curah hujan dan suhu pada SOC
Di bawah empat skenario RCP, SOC menurun secara signifikan di semua periode
waktu dibandingkan dengan SOC baseline. Penurunan SOC terbesar ditemukan menjadi
−32.0%, di bawah RCP8.5 dalam waktu yang sangat lama, diikuti oleh RCP4.5, RCP6.0, dan
RCP2.6 dengan penurunan sebesar −31.0%, −16.0%, dan
- 16,0%, masing-masing. Di sisi lain, tidak ada perbedaan yang signifikan
secara statistik antara perubahan SOC dalam waktu dekat dan baseline.
Hasilnya menunjukkan bahwa perubahan SOC dalam waktu dekat sedikit
meningkat sebesar +1,6%, +1,5%, +0,8% di bawah RCP2.6, RCP6.0, dan
RCP4.5, dan di bawah RCP8.5 cenderung menurun sebesar −3,2%. Hasil juga
menunjukkan bahwa penurunan SOC di daerah tadah hujan lebih tinggi
daripada di daerah irigasi dibandingkan dengan baseline, dan bahwa
N. Arunrat dkk. Sistem Pertanian 164 (2018) 58–70

Tabel 3 melawan efek peningkatan CO22, yang mengarah ke penyimpanan SOC yang lebih rendah secara
Respon SOC (Mg C ha−1) pada efek CO2curah hujan, suhu maksimum dan keseluruhan.
minimum. Penurunan SOC yang jauh lebih besar diperkirakan berdasarkan
Garis dasar Data iklim CMIP5 skenario RCP8.5 dibandingkan skenario lainnya (Gambar 5). Tidak
mengherankan, perbedaan ini karena suhu dan curah hujan di bawah
RCP2.6 RCP4.5 RCP6.0 RCP8.5 skenario RCP8.5 naik jauh lebih tinggi daripada skenario lainnya (Gambar 4),
yang menghasilkan pelepasan C yang meningkat dan reservoir C yang
Efek CO2
Irigasi SOC 43.5 47.6 52.2 55.9 57.2 berkurang. Hal ini menunjukkan bahwa laju pembusukan residu lebih tinggi
% dari perubahan – 9.5 20.1 28.6 31.6 dibandingkan dengan residu tanaman yang ditambahkan ke dalam tanah.
Tadah hujan SOC 34.7 37.3 41.5 44.9 45.9 Perlu dicatat bahwa meskipun SOC pada kedalaman 40 cm dianalisis di area
% dari perubahan – 7.4 19.7 29.5 32.4
ini, itu adalah interaksi terdekat dan tercepat dengan atmosfer (Parton et al.,
Semua situs SOC 38.0 41.3 45.6 49.1 50.2
% dari perubahan – 8.7 20.0 29.1 32.0 2010) dan sangat penting untuk memahami interaksi antara tanah dan
atmosfer (Dintwe dan Okin, 2018).
Pengaruh presipitasi
Irigasi SOC 43.5 35.4 34.6 31.5 31.1
% dari perubahan – - 18.7 − 20.5 - 27.7 - 28.5
3.8. Efek CO2sendiri pada hasil padi
Tadah hujan SOC 34.7 28.3 27.2 25.5 23.8
% dari perubahan – - 18.4 - 21.7 - 26.4 − 31.4
Semua situs SOC 38.0 31.0 30.0 27.7 26.6 Temuan penelitian ini menunjukkan bahwa ketika CO2efek
% dari perubahan – - 18.6 − 21.1 − 27.1 - 30.0 diperhitungkan, hasil beras meningkat sebesar +5,6%, +16,4%, dan +32,9%
Pengaruh suhu maksimum masing-masing di bawah skenario RCP2.6, RCP4.5, dan RCP6.0. Sebaliknya,
Irigasi SOC 43.5 42.7 41.6 40.8 39.8 CO tinggi2di bawah RCP8.5 menghasilkan penurunan hasil padi sebesar
% dari perubahan – - 1.8 - 4.4 − 6.1 - 8.6 −2,9% di semua lokasi (Tabel 4). Ini karena CO2 yang tinggi2konsentrasi di
Tadah hujan SOC 34.7 34.1 33.2 32.8 31.6
atmosfer dapat menyebabkan efek langsung pada tanaman dalam bentuk
% dari perubahan – - 1.8 - 4.3 − 5.5 - 8.9
Semua situs SOC 38.0 37.3 36.3 35.8 34.7 CO22pembuahan (McGrath dan Lobell, 2013), pengurangan konduktansi
% dari perubahan – - 1.8 - 4.3 - 5.8 - 8.8 stomata, dan peningkatan efisiensi penggunaan air tanaman (Akko, 1990;
Pengaruh suhu minimum Irigasi Rosenberg, 1981). Sejumlah besar penelitian sebelumnya telah
SOC 43.5 43.1 43.0 42.8 41.7 menunjukkan bahwa efek pupuk karbon berbeda untuk tanaman C3 (padi)
% dari perubahan – - 0,9 - 1.2 − 1.5 - 4.2 dan C4 sebagai akibat dari dampak fotosintesis pada peningkatan
Tadah hujan SOC 34.7 34.1 33.9 33.8 33.3 produktivitas, yang dapat menghasilkan hasil tanaman C3 yang lebih tinggi
% dari perubahan – - 1.6 - 2.3 - 2.5 - 3.9
daripada tanaman C4 (Kimball et al., 2002;Caylor dan Shugart, 2004;Long et
Semua situs SOC 38.0 37.5 37.3 37.2 36.5
% dari perubahan – − 1.3 - 1.8 - 2.0 - 4.1 al., 2005;Thomson et al., 2005; Hogy dan Fangmeier,Hogy dan Fangmeier,
2008;Shimono et al., 2009;Bochiola, 2015). Berdasarkan pengamatan dari
banyak studi eksperimental,Patterson dan Flint (1980),Kimball (1983), Dan
penurunan SOC terbesar terdeteksi di bawah RCP8.5 dalam waktu yang Ayam (1990)melaporkan bahwa dua kali lipat dari CO2konsentrasi dapat
sangat lama (Gambar 5). Temuan ini sejalan dengan penelitian sebelumnya menyebabkan hasil rata-rata meningkat sebesar 33% sampai 34% untuk
di provinsi Roi Et olehArunrat (2017), yang menggunakan model EPIC untuk tanaman C3 dan 14% untuk tanaman C4. Dari perspektif pemodelan,
memproyeksikan perubahan SOC di bawah efek gabungan CO2, curah penelitian olehErda dkk. (2004, 2005)menggunakan model PRECIS untuk
hujan, dan suhu. Simulasi mereka menunjukkan bahwa perubahan iklim China menunjukkan bahwa hasil beras lebih tinggi di bawah skenario A2
menurunkan penyerapan SOC karena kenaikan suhu dan curah hujan yang (549 ppm CO2konsentrasi) daripada di bawah skenario B2 (488 ppm CO2
mempercepat dekomposisi SOC. konsentrasi).Lin dkk. (2005)menggunakan model iklim regional PRECIS dan model
Menurut hasil yang ditampilkan diTabel 3, peningkatan suhu dan curah tanaman CERES untuk menganalisis dampak perubahan iklim dan CO22
hujan adalah dua faktor utama yang menyebabkan pengurangan SOC di pemupukan pada produktivitas tanaman untuk skenario A2 dan B2 dan
bawah iklim masa depan di daerah ini, dengan curah hujan menjadi yang menemukan hasil yang sangat bervariasi untuk gandum, jagung, dan beras
paling penting, dan meniadakan pengayaan CO2pemupukan. Fenomena ini tergantung pada skenario dan praktik irigasi yang digunakan. Hal ini dikarenakan
sejalan dengan penelitian olehHobley dan Wilson (2016), yang kadar CO2 yang berbeda2langsung mempengaruhi hasil padi. Kadar CO2 yang
menyimpulkan bahwa curah hujan merupakan faktor terpenting yang terus meningkat2juga menyebabkan hasil dan biomassa meningkat sebesar 5–
mempengaruhi dinamika SOC di tanah Australia bagian timur, dibandingkan 15%. Beras menghasilkan pada 550 ppm CO22karena itu lebih besar dari pada 450
dengan variabel iklim lainnya.Dintwe et al. (2014)menunjukkan bahwa curah ppm CO2. Meningkatnya kadar CO2dapat menyebabkan efek negatif pada
hujan sangat terkait dengan penyimpanan SOC di Kalahari Dintwe dan Okin perkecambahan biji padi dan mengurangi ukuran bukaan stomata tetapi dapat
(2018)berhipotesis bahwa perubahan curah hujan akan menghasilkan meningkatkan aktivitas fotosintesis (Mott, 1988). Temuan ini sejalan dengan
respons terkuat dalam penyimpanan SOC, daripada suhu atau CO22 Bhattarai dkk. (2017), yang menggunakan model EPIC untuk memproyeksikan
konsentrasi, sedangkan peningkatan suhu tanah hasil jagung dan kedelai di bawah perubahan iklim selama

Gambar 5.Simulasi pengaruh presipitasi, suhu dan CO2tentang perubahan SOC dalam skenario perubahan iklim RCP2.6, RCP4.5, RCP6.0, dan RCP8.0. *,
* * = Signifikan pada 5% dan 1%, antara baseline dan empat periode jangka panjang (2020–2039, 2040–2059, 2060–2079, dan 2080–2099) di bawah RCP2.6, RCP4.5, RCP6.0, dan skenario
perubahan iklim RCP8.0.

66
N. Arunrat dkk. Sistem Pertanian 164 (2018) 58–70

Tabel 4 80 tahun ke depan, terutama di daerah tadah hujan, karena hasil padi
Respon hasil padi (Mg ha−1tahun−1) pada efek CO2curah hujan, suhu maksimum di daerah penelitian bervariasi tergantung distribusi curah hujan
dan minimum. selama musim tanam.
Garis dasar Data iklim CMIP5
3.10. Pengaruh suhu saja terhadap hasil padi
RCP2.6 RCP4.5 RCP6.0 RCP8.5

Efek negatif dari suhu maksimum dan minimum pada hasil beras
Efek CO2
Irigasi Hasil beras 2.9 3.1 3.3 4.0 2.8 terdeteksi ketika variabel lain dipertahankan pada kondisi dasar.
% dari perubahan – 5.8 13.6 37.1 - 2.7 Peningkatan suhu maksimum akan menurunkan hasil padi sebesar
Tadah hujan Hasil beras 2.4 2.5 2.8 3.1 2.3 −1.2%, −2.4%, −2.2%, dan −4.75% masing-masing di bawah skenario
– 4.3 16.2 28.7 - 3.2
% dari perubahan
RCP2.6, RCP4.5, RCP6.0, dan RCP8.5, di semua situs. Selanjutnya,
Semua situs Hasil beras 2.7 2.7 3.0 3.5 2.5
% dari perubahan – 5.6 16.4 32.9 - 2.9
peningkatan suhu minimum dapat mengurangi hasil padi lebih dari
kenaikan suhu maksimum, yang akan menurun
Pengaruh presipitasi
− 5,8%, −8,1%, −9,1%, dan −9,6% di bawah skenario RCP2.6, RCP4.5, RCP6.0,
Irigasi Hasil beras 2.9 3.3 3.7 3.6 3.9
% dari perubahan – 12.5 28.4 25.2 35.2 dan RCP8.5, masing-masing, di semua lokasi (Tabel 4). Hal ini karena
Tadah hujan Hasil beras 2.4 2.8 3.1 3.0 3.3 kenaikan suhu maksimum dan minimum di bawah iklim masa depan
% dari perubahan – 15.3 30.2 26.4 38.4 melebihi suhu optimal untuk pertumbuhan tanaman, yang mengakibatkan
Semua situs Hasil beras 2.7 3.0 3.4 3.3 3.6
penurunan hasil panen. Demikian pula,Porter dan Gawith (1999)DanOttman
% dari perubahan – 13.9 29.3 25.8 36.8
dkk. (2012)melaporkan bahwa kenaikan suhu memiliki dampak negatif yang
Pengaruh suhu maksimum
paling mungkin pada hasil panen. Alasan di balik fenomena ini dapat
Irigasi Hasil beras 2.9 2.9 2.8 2.9 2.8
% dari perubahan – - 0,7 - 1.8 - 1.6 - 4.9
dijelaskan oleh studi tentangAsseng dkk. (2011),Nelson dkk. (2014), DanZhao
Tadah hujan Hasil beras 2.4 2.4 2.3 2.3 2.3 dkk. (2016)yang menunjukkan bahwa peningkatan suhu dapat
% dari perubahan – - 1.4 - 3.7 - 2.9 - 4.6 meningkatkan permintaan air atmosfer, yang dapat menyebabkan stres air,
Semua situs Hasil beras 2.7 2.6 2.5 2.5 2.5 setelah itu mengurangi kelembaban tanah dan menurunkan hasil. Selain itu,
% dari perubahan – - 1.2 - 2.4 - 2.2 - 4.75
Taktik et al. (2015)DanLesk et al. (2016)disebutkan bahwa dampak tidak
Pengaruh suhu minimum Irigasi langsung dari kenaikan suhu adalah gelombang panas yang lebih sering,
Hasil beras 2.9 2.7 2.7 2.7 2.6
yang menguntungkan gulma, hama, dan penyakit.
% dari perubahan – − 5.5 - 7.6 - 8.4 - 9.7
Tadah hujan Hasil beras 2.4 2.3 2.2 2.2 2.2
% dari perubahan – − 6.2 − 8.5 - 9.7 - 9.4 3.11. Efek gabungan dari CO2curah hujan, dan suhu terhadap hasil
Semua situs Hasil beras 2.7 2.4 2.4 2.4 2.4 padi
% dari perubahan – - 5.8 - 8.1 - 9.1 - 9.6

Secara keseluruhan, hasil padi di semua lokasi dalam skenario iklim

2015–2099 di AS. Simulasi mereka menunjukkan bahwa efek pupuk karbon pada
kedelai, tanaman C3, meningkatkan hasil sebesar 2% hingga 20%, sedangkan hasil
jagung dan kedelai akan menurun di bawah skenario karbon tinggi 2080–2099. Ini
mungkin karena peningkatan CO yang berlebihan2
menyebabkan penurunan kapasitas fotosintesis dengan mengurangi
kandungan nitrogen dan klorofil total dalam daun (Nakano et al., 1997).
3.9. Pengaruh curah hujan saja terhadap hasil padi
Peningkatan curah hujan dapat meningkatkan pertumbuhan dan produksi tanaman,
dan menghasilkan peningkatan hasil padi sebesar +13,9%, +29,3%, +25,8%, dan
+ 36,8% di semua lokasi dalam skenario RCP2.6, RCP4.5, RCP6.0, dan RCP8.5. Tingkat
peningkatan yang lebih tinggi ditemukan di daerah tadah hujan daripada di daerah
irigasi di semua periode dan di bawah semua skenario iklim di masa depan (Tabel 4). Hal
ini menunjukkan bahwa skenario iklim di masa depan dapat menimbulkan manfaat yang
lebih besar untuk padi yang ditanam di daerah tadah hujan daripada di daerah irigasi
karena peningkatan jumlah curah hujan dapat mengurangi tekanan air di daerah tadah
hujan dengan meningkatkan ketersediaan air tanah dan meningkatkan pertumbuhan
tanaman, yang disertai dengan hasil yang lebih tinggi (Agele et al., 2011). Selanjutnya,
seperti yang ditunjukkan olehSalvador Sanchis dkk. (2008), air yang tersedia di tanah dan
distribusi dapat merespon dengan cepat terhadap perubahan iklim, terutama peristiwa
kekeringan; oleh karena itu, meningkatkan infiltrasi air dan air yang tersedia di dalam
tanah dapat membantu mengurangi dampak peristiwa kekeringan parah di daerah
tadah hujan.Shen dkk. (2011)menunjukkan bahwa beras irigasi umumnya memiliki hasil
padi yang lebih tinggi di bagian tengah dan hilir lembah Sungai Yangtze dibandingkan
dengan beras tadah hujan, karena beras irigasi kurang terpengaruh oleh perubahan
iklim, dan irigasi dapat mengurangi tekanan air untuk padi yang tumbuh di utara.
wilayah lembah Sungai Yangtze. Hasilnya menunjukkan bahwa pada kondisi irigasi,
pertumbuhan padi tidak dipengaruhi oleh curah hujan, sedangkan padi tadah hujan
rentan terhadap variasi curah hujan temporal dan spasial. Temuan ini mendukung hasil
bahwa skenario perubahan iklim di masa depan dapat berdampak positif pada hasil padi
di timur laut Thailand pada
masa depan cenderung meningkat secara signifikan dibandingkan dengan
hasil dasar sebesar +0,7% (RCP8.5: 2060–2079) hingga +18,8% (RCP6.0:
2080–2099), dengan pengecualian tahun 2080–2099 di bawah RCP8.5, yang
mengakibatkan penurunan hasil beras sebesar −8,4% (p <0,01 dan 0,05).
Rata-rata hasil beras awal adalah 2,7 Mg ha−1tahun−1di semua lokasi,
sedangkan nilai rata-rata 2,9 dan 2,4 Mg ha−1tahun−1adalah hasil dasar
masing-masing di daerah irigasi dan tadah hujan. Di bawah skenario iklim
masa depan, hasil padi akan meningkat +3,2% (RCP2.6: 2020–2039) menjadi
+18,8% (RCP6.0: 2080–2099), sedangkan pada 2060–2079 dan 2080–2099 di
bawah RCP8.5 akan ada penurunan hasil padi masing-masing sebesar −7,0%
dan −11,2% di daerah irigasi. Secara menguntungkan, perubahan iklim di
masa depan akan membawa peningkatan hasil padi untuk daerah tadah
hujan di semua periode dan skenario iklim di masa depan sebesar +2,6%
(RCP8.5: 2080–2099) menjadi +22,7% (RCP6.0: 2080–2099) (Gambar 6). Hasil
ini konsisten dengan penelitian sebelumnya olehArunrat (2017), yang
menggunakan model EPIC untuk mensimulasikan perubahan hasil padi di
bawah efek gabungan CO22, curah hujan, dan suhu di provinsi Roi Et. Hasil
penelitian menunjukkan bahwa rata-rata hasil padi pada skenario A2 lebih
tinggi dibandingkan dengan skenario B2. Hal ini karena meningkatnya suhu,
CO22konsentrasi, dan pola presipitasi terdeteksi di daerah ini, yang
merupakan faktor umum penting dari iklim dengan dampak nyata pada
tanaman (Jinger et al., 2017). Temuan serupa disampaikan olehTao dkk.
(2006 dan 2014), yang melaporkan bahwa produksi tanaman akan
meningkat sebesar 7,9–11,9% ketika CO meningkat2konsentrasi tidak
dipertimbangkan, sedangkan produktivitas akan meningkat sebesar 31,3–
44,5% setelah kenaikan CO22telah dimasukkan ke dalam model.
Namun, temuan penelitian ini menunjukkan bahwa curah hujan merupakan
faktor yang paling penting untuk hasil padi karena diketahui menghasilkan
persentase perubahan hasil beras tertinggi di daerah ini, diikuti oleh efek CO2.2
konsentrasi dan suhu. Menariknya, meskipun kenaikan suhu akan sedikit
mengurangi hasil padi, dampaknya akan berkurang secara besar-besaran dengan
meningkatnya CO22konsentrasi dan curah hujan (Tabel 4). Ini sejalan dengan
Akpalu et al. (2008), yang menemukan bahwa peningkatan suhu dan curah hujan
berdampak positif pada

67
N. Arunrat dkk.
Gambar 6.Simulasi pengaruh presipitasi, suhu dan CO2pada perubahan hasil padi dalam skenario perubahan iklim RCP2.6, RCP4.5, RCP6.0, dan RCP8.0. *,
* * = Signifikan pada 5% dan 1%, antara baseline dan empat periode jangka panjang (2020–2039, 2040–2059, 2060–2079, dan 2080–2099) di bawah RCP2.6, RCP4.5, RCP6.0, dan skenario
perubahan iklim RCP8.0.
hasil jagung, dan bahwa curah hujan lebih penting daripada suhu
untuk hasil jagung di Cekungan Limpopo Afrika Selatan.
Penting juga untuk dicatat bahwa karena hasil SOC yang disajikan di sini
terdekomposisi dipengaruhi oleh peningkatan curah hujan di bawah iklim masa
depan, yang mengakibatkan peningkatan hasil padi yang besar di daerah ini. Hal
ini karena peningkatan curah hujan mempercepat laju dekomposisi bahan organik
dan menyebabkan pelepasan unsur hara secara cepat ke dalam tanah (Brady dan
Weil, 1999), yang dapat meningkatkan ketersediaan N (Mack et al., 2004;Schaeffer
et al., 2013) dan menyebabkan peningkatan hasil (Kant et al., 2012;Xu et al., 2013).
4. Kesimpulan
Performa model EPIC memuaskan dan dapat diterima; Oleh karena itu,
model tersebut memberikan prediksi yang baik tentang hasil padi dan
perubahan SOC di bawah kondisi iklim masa depan di sawah. Semua
skenario iklim masa depan menunjukkan peningkatan suhu dan curah hujan
selama 80 tahun ke depan. Perubahan iklim akan berdampak positif pada
hasil panen padi, yang akan menguntungkan petani, terutama di daerah
tadah hujan. Temuan penelitian ini mengungkapkan bahwa curah hujan
merupakan faktor terpenting untuk hasil padi, dan peningkatan curah hujan
terdeteksi sebagai penyebab persentase peningkatan hasil beras tertinggi di
daerah ini. Meskipun kenaikan suhu akan sedikit mengurangi hasil panen
padi, dampaknya akan ditiadakan dalam jumlah besar oleh peningkatan
CO22konsentrasi dan curah hujan. Sekuestrasi SOC, di sisi lain, akan
berkurang di bawah skenario iklim masa depan. Sangat tersirat bahwa
peningkatan suhu dan curah hujan adalah dua faktor utama yang
menyebabkan pengurangan SOC di bawah iklim masa depan di daerah ini,
dengan curah hujan menjadi yang paling penting dan meniadakan
pengayaan CO2.2pemupukan. Penting untuk dicatat bahwa hasil SOC
terurai, mengakibatkan peningkatan hasil padi yang besar di daerah ini. Ini
karena kenaikan suhu dan curah hujan mempercepat dekomposisi SOC,
yang dapat meningkatkan ketersediaan nitrogen ke tanah dan
meningkatkan hasil. Temuan ini berkontribusi untuk memahami
konsekuensi perubahan iklim jangka panjang, yang penting untuk
pembuatan kebijakan pertanian dan pemilihan strategi mitigasi.
Terima kasih
Artikel ini didukung oleh hibah penelitian nr. RDG6020014. Penulis berterima
kasih kepada pengulas karena telah memberikan komentar yang bermanfaat
untuk memperbaiki naskah.
Lampiran A. Data tambahan
Data tambahan untuk artikel ini dapat ditemukan online dihttps://
doi.org/10.1016/j.agsy.2018.04.001.
Referensi
Aanderud, ZT, Richards, JH, Svejcar, T., 2010. Pergeseran curah hujan musiman mengurangi tanah
penyimpanan karbon organik di gurun yang dingin. Ekosistem 13, 673–682.
68
Sistem Pertanian 164 (2018) 58–70
Acock, B., 1990. Pengaruh karbon dioksida pada pertumbuhan tanaman fotosintesis dan lainnya
proses 1. Dalam: Kimball, BA (Ed.), Dampak Karbon Dioksida, Trace Gases, dan Perubahan
Iklim terhadap Pertanian Global. Masyarakat Agronomi Amerika, Masyarakat Ilmu Tanaman
Amerika, dan Masyarakat Ilmu Tanah Amerika, Madison, WI, hlm. 45–60. Adejuwon, JO, 2005.
Produksi tanaman pangan di Nigeria. I. Pengaruh iklim saat ini
variabilitas. Clim. Res. 30, 53–60.
Agele, SO, Iremiren, GO, Ojeniyi, SO, 2011. Evapotranspirasi Efisiensi Penggunaan Air
dan hasil tomat tadah hujan dan irigasi. Int. J.Agri. Biol. 13, 469–476. Aggarwal, KP, Kumar,
NS, Pathak, H., 2010. Dampak perubahan iklim terhadap pertumbuhan dan
hasil beras dan gandum di Cekungan Gangga Atas. Institut Penelitian Pertanian
India (IARI) (WWF-India, 172-B, Lodi Estate, New Delhi).
Akpalu, W., Hassan, RM, Ringler, C., 2008. Variabilitas iklim dan hasil jagung di Selatan
Afrika: hasil dari metode GME dan MELE. Mengepung. Melecut. Technol. 1–12.
Alvarez, R., Alvarez, C., 2001. Pengaturan suhu produksi karbon dioksida tanah
di pampa lembab Argentina: estimasi fluks karbon di bawah perubahan iklim. Biol.
Subur. Tanah 34 (4), 282–285.
Arnold, JG, Moriasi, DN, Gassman, PW, Abbaspour, KC, White, MJ, Srinivasan, R.,
Jha, MK, 2012. SWAT: penggunaan model, kalibrasi, dan validasi. Trans. ASABE 55,
1491–1508.
Arunrat, N., 2017. Praktek Manajemen dan Pengaruh Perubahan Iklim terhadap Hasil Padi
dan Karbon Organik Tanah di Timur Laut Thailand. Divisi Sumber Daya Lingkungan,
Sekolah Pascasarjana Pertanian, Universitas Hokkaido (Tesis Doktoral). Asseng, S.,
Foster, IAN, Turner, NC, 2011. Dampak variabilitas temperatur pada
hasil gandum. Gumpal. Chang. Biol. 17, 997–1012.
Babur, M., Babel, M., Shrestha, S., Kawasaki, A., Tripathi, N., 2016. Penilaian iklim
dampak perubahan pada aliran masuk waduk menggunakan multi-model iklim di bawah RCP—kasus
bendungan Mangla di Pakistan. Air 8 (9), 389.
Balkovic, J., Schmid, E., Skalsky, R., Novakova, M., 2011. Pemodelan karbon organik tanah
perubahan lahan subur di bawah perubahan iklim - analisis studi kasus pertanian Kocin di
Slovakia. Res Air Tanah. 6 (1), 30–42.
Bank Bangkok, 2003. Industri Pupuk Kimia.http://www.bangkokbank.com/
unduh/The%20Chemical%20Fertilizer%20Industry.pdf(Terverifikasi Okt, 2016). Bhattarai,
MD, Secchi, S., Schoof, J., 2017. Memproyeksikan hasil jagung dan kedelai di bawah
perubahan iklim di DAS Corn Belt. Pertanian. Sistem. 152, 90–99.
Bocchiola, D., 2015. Dampak potensi perubahan iklim terhadap hasil panen dan jejak air
beras di lembah Po Italia. Pertanian. Sistem. 139, 223–237.
Brady, NC, Weil, RR, 1999. Sifat dan Sifat Tanah, Edisi ke-12. Prentice-Hall,
Inc., Upper Saddle River, NJ (881p).
Brown, RA, Rosenberg, NJ, Hays, CJ, Easterling, WE, Mearns, LO, 2000. Potensi
produksi dan efek lingkungan dari switchgrass dan tanaman tradisional di bawah iklim
saat ini dan yang diubah oleh rumah kaca di Amerika Serikat Tengah: studi simulasi.
Pertanian. Ekosistem. Mengepung. 78, 31–47.
Candradijaya, A., Kusmana, C., Syaukat, Y., Syaufina, L., Faqih, A., 2014. Perubahan iklim
dampak terhadap hasil Padi dan respon adaptasi petani lokal di Kabupaten Sumedang, Jawa
Barat, Indonesia. Int. J.Ekosistem. 4 (5), 212–223.
Carney, KM, Hungate, BA, Drake, BG, Megonigal, JP, 2007. Perubahan mikroba tanah
masyarakat di CO tinggi2menyebabkan hilangnya karbon tanah. Proses Natl. Acad. Sains. AS
104, 4990–4995.
Causarano, HJ, Shaw, JN, Franzluebbers, AJ, Reeves, DW, Raper, RL, Balkcom,
KS, Norfleet, ML, Izaurralde, RC, 2007. Simulasi dinamika karbon organik tanah skala
lapangan menggunakan EPIC. Ilmu Tanah. Soc. Saya. J.71, 1174–1185.
Causarano, HJ, Doraiswamy, PC, McCarty, GW, Hatfield, JL, Milak, S., Stern, AJ,
2008. Pemodelan EPIC penyerapan karbon organik tanah di lahan pertanian Iowa.
J.Lingkungan. Kual. 37, 1345–1353.
Causarano, HJ, Doraiswamy, PC, Muratova, N., Pachikin, K., McCarty, GW,
Akhmedov, B., Williams, JR, 2011. Peningkatan pemodelan karbon organik tanah di wilayah
semikering Kazakhstan Timur Tengah menggunakan EPIC. Agron. Mempertahankan. Dev. 31, 275–
286.
Caylor, KK, Shugart, HH, 2004. Simulasi produktivitas tambalan heterogen
di lanskap sabana Afrika Selatan menggunakan model produktivitas kanopi. Landsc. Ekol.
19, 401–415.
Chung, SW, Gasman, PW, Huggins, DR, Randall, GW, 2001. Aliran ubin EPIC dan ni-
prediksi kerugian untuk tiga sistem tanam Minnesota. J.Lingkungan. Kual. 30,
822–830.
Conant, R., Drijber, RA, Haddix, ML, Parton, W., Paul, EA, Plante, A., Enam, J.,
Steinweg, JM, 2008. Sensitivitas dekomposisi bahan organik terhadap pemanasan bervariasi dengan
kualitasnya. Gumpal. Chang. Biol. 14, 868–877.
Curiel, J., Janssens, IA, Carrara, A., Ceulemans, R., 2004. Q10 tahunan respirasi tanah
N. Arunrat dkk.
mencerminkan pola fenologi tanaman serta sensitivitas suhu. Gumpal. Chang. Biol.
10, 161–169.
Dintwe, K., Okin, GS, 2018. Karbon organik tanah di sabana menurun dengan anthro-
perubahan iklim pogenik. Geoderma 309, 7–16.
Dintwe, K., Okin, GS, D'Odorico, P., Hrast, T., Mladenov, N., Handorean, A., Bhattachan,
A., Caylor, KK, 2014. C organik tanah dan kolam N total di Kalahari: potensi dampak
perubahan iklim terhadap penyerapan C di sabana. Tanam Tanah 396, 27–44. Downing, T.,
1992. Perubahan iklim dan tempat-tempat rawan: ketahanan pangan global dan
studi negara di Zimbabwe, Kenya, Senegal dan Chili. Laporan Penelitian No. 1.
Oxford, Unit Perubahan Lingkungan, Universitas Oxford.
Easterling, WE, Weiss, A., Hays, CJ, Mearns, LO, 1998. Skala spasial iklim di-
formasi untuk mensimulasikan produktivitas gandum dan jagung: kasus Great Plains AS.
Pertanian. Untuk. Meteorol. 90, 51–63.
Erda, L., Yinlong, X., Hui, J., Wei, X., 2004. Kemungkinan keputusan adaptasi dari dalam
vestiging dampak perubahan iklim di masa depan pada pasokan makanan dan air di Cina.
Dalam: Makalah Disampaikan pada Lokakarya Regional AIACC ke-2 untuk Asia dan Pasifik, 2–
5 November 2004, (Manila, Filipina).
Erda, L., Wei, X., Hui, J., Yinlong, X., Yue, L., Liping, B., Liyong, X., 2005. Perubahan Iklim
dampak pada hasil panen dan kualitas dengan CO2pemupukan di Cina. Filos. Trans. R. Soc.
B 360 (1463), 2149–2154 (29).
Furuya, J., Koyama, O., 2005. Dampak perubahan iklim terhadap produk pertanian dunia
pasar: estimasi fungsi hasil makro. Jpn. Pertanian. Res. P.39 (2), 121–134. Gaiser, T.,
Stahr, K., Billen, N., Mohammad, MA, 2008. Pemodelan penyerapan karbon
pengolahan tanah nol pada skala regional: 1. Pengaruh erosi tanah. Ekol. Model. 218, 110–
120.
Gaiser, T., De Barros, I., Sereke, F., Lange, F.-M., 2010. Validasi dan reliabilitas dari
Model EPIC untuk mensimulasikan produksi jagung dalam sistem pertanian skala kecil di Afrika Barat
sub-lembab tropis dan Brasil semi-kering. Pertanian. Ekosistem. Mengepung. 135, 318–327. Gifford,
R., 1994. Siklus karbon global: sudut pandang pada sink yang hilang. Aust. J.tanaman
Fisik. 21 (1), 1–15.
Goebel, MO, Bachmann, J., Reichstein, M., Janssens, IV, Guggenberger, J., 2011. Tanah
penolak air dan implikasinya terhadap dekomposisi bahan organik—apakah ada
hubungannya dengan peristiwa iklim ekstrem. Gumpal. Chang. Biol. 17, 2640–2656.
Gottschalk, P., Smith, JU, Wattenbach, M., Bellarby, J., Stehfest, E., Arnell, NW,
Osborn, TJ, Jones, C., Smith, P., 2012. Bagaimana stok karbon organik di tanah mineral berkembang di
bawah proyeksi global iklim masa depan menggunakan Roth C untuk berbagai skenario perubahan
iklim. Biogeosciences 9 (8), 3151–3171.
Guerra, LC, Hoogenboom, G., Boken, VK, Hook, JE, Thomas, DL, Harrison, KA,
2004. Evaluasi model EPIC untuk simulasi hasil panen dan kebutuhan irigasi. Trans.
ASAE. 47, 2091–2100.
Heisler, JL, Weltzin, JF, 2006. Variabilitas penting: menuju perspektif di dalam
pengaruh curah hujan pada ekosistem darat. Phytol Baru. 172, 189–192. Hobley, EU,
Wilson, B., 2016. Distribusi kedalaman karbon organik di tanah
Australia timur. Ekosfer. 7. (t/an/a).
Hogy, P., Fangmeier, A., 2008. Efek peningkatan CO di atmosfer2pada kualitas gabah
gandum. J. Ilmu Sereal. 48, 580–591.
IPCC, 2013. Dalam Perubahan Iklim 2013: Kontribusi Dasar Ilmu Fisika dari
Kelompok Kerja 1 untuk Laporan Penilaian Kelima dari Panel Antarpemerintah
tentang Perubahan Iklim. Cambridge University Press, Cambridge, Inggris Raya dan
New York, AS.
Izaurralde, RC, Williams, JR, McGill, WB, Rosenberg, NJ, 2001. Simulasi Tanah
Dinamika Karbon, Erosi, dan Pengolahan Tanah dengan EPIC. Di dalam: Prok. Konferensi
Nasional ke-1 tentang Penyerapan Karbon. Departemen Energi – Laboratorium Teknologi
Energi Nasional. Washington DC, AS, hlm. 1–12.
Izaurralde, RC, Rosenberg, NJ, Brown, RA, Thomson, AM, 2003. Penilaian terpadu-
ment of Hadley Center (HadCM2) proyeksi perubahan iklim pada produktivitas
pertanian dan pasokan air irigasi di Amerika Serikat-I yang berdekatan. Produksi
pertanian regional pada tahun 2030 dan 2095. Pertanian. Untuk. Meteorol. 117, 97–
122. Izaurralde, RC, Williams, JR, McGill, WB, Rosenberg, NJ, Quiroga Jakas, MC, 2006.
Simulasi dinamika C tanah dengan EPIC: deskripsi model dan pengujian terhadap data
jangka panjang. Ekol. Model. 192, 362–384.
Jinger, D., Kaur, R., Kaur, N., Dass, A., 2017. Dinamika gulma di bawah perubahan iklim
skenario: tinjauan. Int. J.Curr. Mikrobiol. dan Appl. Sains. 6, 2376–2388.
Kant, S., Seneweera, S., Rodin, J., Materne, M., Burch, D., Rothstein, SJ, Spangenberg,
G., 2012. Meningkatkan potensi hasil pada tanaman di bawah CO tinggi2: mengintegrasikan
efisiensi pemanfaatan fotosintesis dan nitrogen. Depan. Tanaman Sci. 3, 162. Kelly, Kanan,
Parton, WJ, Crocker, GJ, Grace, PR, Klír, J., Körschens, M., Poulton, PR,
Richter, DD, 1997. Mensimulasikan tren karbon organik tanah dalam eksperimen jangka
panjang menggunakan model abad. Geoderma 81, 75–90.
Kimball, BA, 1983. Karbon dioksida dan hasil pertanian: kumpulan dan analisis
430 pengamatan sebelumnya1. Agron. J.75, 779–788.
Kimball, BA, Kobayashi, K., Bindi, M., 2002. Tanggapan tanaman pertanian terhadap udara bebas
BERSAMA2penyuburan. Dalam: Sparks, DL (Ed.), Kemajuan dalam Agronomi. Academic Press, hlm.
293–368.
Lal, R., 2003. Penyerapan karbon pada ekosistem lahan kering. Mengepung. Kelola. 33, 528–544.
Lal, R., 2008. Penyerapan karbon. Fil. Trans. R. Soc. B Biol. Sains. 363, 815–830. Departemen
Pengembangan Lahan (LDD), 1991. Distribusi Tanah yang Terkena Garam di
Wilayah Timur Laut 1:100.000 Peta. Kementerian Pertanian dan Koperasi, Thailand
(Departemen Pengembangan Lahan).
Lesk, C., Rowhani, P., Ramankutty, N., 2016. Pengaruh bencana cuaca ekstrim
produksi tanaman global. Alam 529, 84–87.
Li, JT, Zhang, B., 2007. Stabilitas tanah padi dan sifat mekanik yang dipengaruhi oleh
aplikasi jangka panjang pupuk kimia dan kotoran hewan di Cina subtropis. Pedosfer
17 (5), 568–579.
Li, ZP, Liu, M., Wu, XC, Han, FX, Zhang, TL, 2010. Efek bahan kimia jangka panjang
pemupukan dan pembenah organik terhadap dinamika C organik tanah dan N total dalam
69
Sistem Pertanian 164 (2018) 58–70
tanah sawah yang berasal dari tanah tandus di Cina subtropis. Pengolahan Tanah Res. 106 (2), 268–
274.
Li, X., Zhang, X., Zhang, Y., 2011. Pemodelan efek perubahan iklim dan peningkatan
BERSAMA2pada karbon organik tanah di stepa alpine. J.Resour. dan Ekol. 2 (2), 168–174.
Limjirakan, S., Limsakul, A., 2012. Kecenderungan pengamatan suhu udara permukaan dan
ekstrem di Thailand dari tahun 1970 hingga 2009. J. Meteorol. Soc. Jpn. 90 (5), 647–662.
Limsakul, A., Limjirakan, S., Sriburi, T., 2010. Pengamatan perubahan curah hujan harian ekstrim
sepanjang zona pesisir Thailand. J.Lingkungan. Res. 32 (1), 49–68.
Lin, E., Xiong, W., Ju, H., Xu, Y., Li, Y., Bai, L., Liyong, X., 2005. Dampak perubahan iklim
pada hasil panen dan kualitas dengan CO2pemupukan di Cina. Filos. Trans. R. Soc. 360, 2149–
2154.
Liu, J., 2009. Alat berbasis GIS untuk memodelkan hubungan tanaman-air skala besar. Mengepung.
Model Lunakw. 24, 411–422.
Liu, M., He, B., Lü, A., Zhou, L., Wu, J., 2014. Analisis sensitivitas parameter untuk tanaman
model pertumbuhan diterapkan pada gandum musim dingin di dataran Huanghuaihai di Cina. Geosci.
Pengembang Model. Membahas. 7, 3867–3888.
Long, SP, Ainsworth, EA, Leakey, ADB, Morgan, PB, 2005. Kerawanan pangan global.
Perlakuan tanaman pangan utama dengan peningkatan karbon dioksida atau ozon di bawah kondisi
udara terbuka skala besar menunjukkan model terbaru mungkin telah melebih-lebihkan hasil panen
di masa depan. Fil. Trans. R. Soc. B Biol. Sains. 360, 2011–2020.
Mack, MC, Schuur, EAG, Bret-Harte, MS, Shaver, GR, Chapin, FS, 2004. Ekosistem
penyimpanan karbon di tundra Arktik dikurangi dengan pemupukan nutrisi jangka panjang. Alam
431, 440–443.
McGrath, JM, Lobell, DB, 2013. Kesenjangan regional di CO2efek pembuahan dan
berimplikasi pada hasil panen. Mengepung. Res. Lett. 8, 014054.
Meier, IC, Leuschner, C., 2010. Variasi kolam karbon tanah dan biomassa di pohon beech
hutan melintasi gradien curah hujan. Biola Perubahan Global. 16, 1035–1045. Mott,
KA, 1988. Apakah stomata merespon CO2konsentrasi selain antar sel?
Fisik Tumbuhan. 86, 200–203.
Nakano, H., Makino, A., Mae, T., 1997. Pengaruh peningkatan CO2tekanan parsial CO2
hubungan antara kapasitas fotosintesis dan kandungan N pada daun padi. Fisik
Tumbuhan. 115, 191–198.
Nash, JE, Sutcliffe, JV, 1970. Peramalan aliran sungai melalui model konseptual: bagian I.
Pembahasan prinsip. J. Hidrol. 10 (3), 282–290.
Nelson, GC, Valin, H., Sands, RD, Havlík, P., Ahammad, H., Deryng, D., 2014. Iklim
efek perubahan pada pertanian: respons ekonomi terhadap guncangan biofisik. Proses Natl.
Acad. Sains. 111 (9), 3274–3279.
Nguyen, NV, 2006. Perubahan Iklim Global dan Sekretaris Eksekutif Keamanan Pangan.
Komisi Beras Internasional, FAO, Roma, Italia (Sekretaris Eksekutif).
Ni, J., 2001. Penyimpanan karbon di ekosistem terestrial Cina: perkiraan berbeda
resolusi spasial dan tanggapan mereka terhadap perubahan iklim. Clim. Chang. 49 (3),
339–358.
Nie, M., Pendall, E., Bell, C., Gasch, CK, Raut, S., Tamang, S., Wallen-stein, MD, 2013.
Umpan balik iklim positif dari komunitas mikroba tanah di padang rumput semi kering.
Ekol. Lett. 16, 234–241.
Niu, X., Easterling, W., Hays, CJ, Jacobs, A., Mearns, L., 2009. Reliability and input-data
menginduksi ketidakpastian model EPIC untuk memperkirakan dampak perubahan iklim
terhadap hasil sorgum di Great Plains AS. Pertanian. Ekosistem. Mengepung. 129, 268–276.
OAE (Kantor Ekonomi Pertanian), 2014. Statistik Pertanian Thailand; 2014;
(dalam bahasa Thai Verified Feb, 2015) http://www.oae.go.th/download/
download_journal/ 2558/yearbook57.pdf
Ojima, DS, Dirks, BOM, Glenn, EP, Owensby, CE, Scurlock, JO, 1993. Penilaian
anggaran C untuk padang rumput dan lahan kering di dunia. Pencemaran Tanah Air Udara. 70,
95–109.
Oteng-Darko, P., Kyei-Baffour, N., Ofori, E., 2012. Simulasi hasil padi di bawah iklim
mengubah skenario menggunakan model CERES-Rice. Af. Tanaman. Sains. J.20 (2), 401–408.
Ottman, MJ, Kimball, BA, White, JW, Wall, GW, 2012. Respon pertumbuhan gandum terhadap
peningkatan suhu dari tanggal penanaman yang bervariasi dan pemanasan inframerah tambahan.
Agron. J.104, 7–16.
Owensby, CE, Coyne, PI, Ham, JM, Auen, LM, Knapp, AK, 1993. Biomassa pro-
duksi dalam ekosistem padang rumput tallgrass terkena CO ambien dan tinggi2. Ekol.
Aplikasi 3 (4), 644–653.
Parry, M., Rosenzweig, C., Iglesias, A., Liermore, M., Fischer, G., 2004. Pengaruh iklim
perubahan pada produksi pangan global di bawah emisi Sres dan skenario sosial-
ekonomi. Gumpal. Mengepung. Chang. 14 (1), 53–67.
Parton, WJ, Schimel, DS, Cole, CV, Ojima, DS, 1987. Analisis faktor pengendali
tingkat bahan organik tanah di padang rumput Great Plains. Ilmu Tanah. Soc. Saya. J.51,
1173–1179.
Parton, WJ, Scurlock, JMO, Ojima, DS, Gilmanov, TG, Scholes, RJ, Schimel, DS,
Kirchner, T., Menaut, J.-C., Seastedt, T., Garcia, E., Moya Kamnalrut, A., Kinyamario, JI, 1993.
Pengamatan dan pemodelan dinamika biomassa dan bahan organik tanah untuk bioma
padang rumput di seluruh dunia . Biogeokimia Global. Siklus 7, 785–809. Parton, WJ, Ojima,
DS, Cole, CV, Schimel, DS, 1994. Model umum untuk bahan organik tanah
dinamika materi: Kepekaan terhadap kimia, tekstur, dan pengelolaan serasah. Dalam:
Pemodelan Kuantitatif Proses Pembentukan Tanah. Spesifikasi SSSA. Publik, Madison, WI,
hlm. 147–167 (No. 39 SSSA).
Parton, W., Scholes, R., Day, K., Carter, J., Kelly, R., 2010. Dalam: Hill, M., Hanan, N. (Eds.),
Model Century-Savanna untuk Ekosistem Pohon-Rumput. CRC Press, Fungsi Ekosistem di
Sabana, hlm. 443–461.
Patterson, DT, Flint, EP, 1980. Efek potensial CO atmosfer globalRppenyuburan
pertumbuhan dan daya saing C₃dan C₄gulma dan tanaman budidaya. Ilmu Gulma. 28, 71–75.
Porter, JR, Gawith, M., 1999. Suhu dan pertumbuhan serta perkembangan gandum:
ulasan. eur. J.Agron. 10, 23–36.
Ringius, L., 2002. Penyerapan karbon tanah dan CDM: peluang dan tantangan
untuk Afrika. Perubahan Iklim 54, 471–495.
N. Arunrat dkk.
Rosenberg, NJ, 1981. Meningkatnya CO22konsentrasi di atmosfer dan im-
aplikasinya pada produktivitas pertanian. Perubahan Iklim 3, 265–279.
Rosenzweig, C., Iglesis, A., 1994. Implikasi Perubahan Iklim bagi Internasional
Pertanian: Studi Pemodelan Tanaman. Badan Perlindungan Lingkungan AS, Divisi
Perubahan Iklim, Washington DC.
Salvador Sanchis, MP, Torri, D., Borselli, L., Poesen, J., 2008. Pengaruh iklim terhadap tanah
erodibilitas. Selancar Bumi. Proses. Landf. 33, 1082–1097.
Santhi, C., Arnold, JG, Williams, JR, Dugas, WA, Srinivasan, R., Hauck, LM, 2001.
Validasi model SWAT pada DAS besar dengan sumber titik dan bukan titik. Selai. Res
air. Asosiasi 37 (5), 1169–1188.
Schaeffer, SM, Sharp, E., Schimel, JP, Welker, JM, 2013. Proses N tanah-tanaman dalam
ekosistem Arktik yang tinggi, NW Greenland diubah oleh pemanasan eksperimental jangka panjang dan curah
hujan yang lebih tinggi. Gumpal. Chang. Biol. 19, 3529–3539.
Sharpley, AN, Wiliams, JR, 1990. EPIC Kalkulator Dampak Produktivitas Erosi. 1.
Dokumentasi Model. Departemen Pertanian AS (Buletin Teknis No. 1768). Shen, SH,
Yang, SB, Zhao, YX, Xu, YL, Zhao, XY, Wang, ZY, Liu, J., Zhang, WW,
2011. Simulasi perubahan hasil padi di bagian tengah dan hilir Sungai Yangtze
dalam skenario SRES B2. Acta Ecol. Dosa. 31, 40–48.
Shimono, HOM, Yamakawa, Y., Nakamura, H., Kobayashi, K., Hasegawa, T., 2009.
Variasi genotipik pada peningkatan hasil padi dengan peningkatan CO2 berhubungan dengan
pertumbuhan sebelum menuju dan bukan kelompok masak. J.Exp. Biol. 60, 523–532.
Smith, P., Smith, JU, Powlson, DS, McGill, WB, Arah, JRM, Chertov, OG, 1997. A
perbandingan kinerja sembilan model bahan organik tanah menggunakan kumpulan
data dari tujuh percobaan jangka panjang. Geoderma 81, 153–225.
Smith, J., Smith, P., Wattenbach, M., Zaehle, S., Hiederer, R., Jones, RJA, Montanarella,
L., Rounsevell, M., Reginster, I., Ewert, F., 2005. Proyeksi perubahan karbon tanah mineral
dari lahan pertanian dan padang rumput Eropa, 1990-2080. Gumpal. Chang. Biol. 11, 2141–
2152.
Tack, J., Barkley, A., Nalley, LL, 2015. Pengaruh suhu pemanasan pada gandum AS
hasil. Proses Natl. Acad. Sains. AS 112, 6931–6936.
Tao, FL, Yokozawa, M., Xu, YL, Hayashi, Y., Zhang, Z., 2006. Perubahan iklim dan
tren fenologi dan hasil tanaman lapangan di Cina, 1981–2000. Pertanian. Untuk.
Meteorol. 138, 82–92.
Tao, FL, Zhang, Z., Xiao, DP, Zhang, S., Rotter, RP, Shi, WJ, Liu, YJ, Wang, M., Liu,
FS, Zhang, H., 2014. Tanggapan pertumbuhan dan hasil gandum terhadap perubahan iklim
di berbagai zona iklim di China, 1981–2009. Pertanian. Untuk. Meteorol. 189/190, 91–104.
Taylor, KE, Stouffer, RJ, Meehl, GA, 2012. Ikhtisar CMIP5 dan percobaan
desain. Banteng. Saya. Meteorol. Soc. 93, 485–498.
Thomas, AD, Hoon, SR, Dougill, AJ, 2011. Respirasi tanah di lima lokasi sepanjang
transek Kalahari: efek pulsa presipitasi suhu dan tutupan kerak tanah biologis.
Geoderma 167–168, 284–294.
Thomson, AM, Brown, RA, Rosenberg, NJ, Izaurralde, RC, Benson, V., 2005. Iklim
perubahan dampak untuk USA berkelanjutan penilaian terpadu. Perubahan Iklim 69,
43–65.
Van Groenigen, KJ, Osenberg, CW, Hungate, BA, 2011. Peningkatan emisi tanah
gas rumah kaca yang kuat di bawah peningkatan CO2 atmosfer. Alam 475 (7355), 214–
216.
Van Groenigen, KV, Craig, W., Osenberg, CT, Yolima, C., Feike, A., Dijkstra, JH, Ming,
N., Elise, P., Richard, PP, Bruce, AH, 2017. Perputaran input karbon tanah baru yang lebih
cepat di bawah peningkatan CO2 atmosfer. Biola Perubahan Global. 23, 4420–4429.
70
Sistem Pertanian 164 (2018) 58–70
Van Vuuren, D., Edmonds, J., Kainuma, M., Riahi, K., Thomson, A., Hibbard, K., Hurtt, G.,
Kram, T., Krey, V., Lamarque, J.-F., Masui, T., Meinshausen, M., Nakicenovic, N.,
Smith, S., Rose, S., 2011. Jalur konsentrasi yang representatif dan ringkasan. Clim.
Chang. 109, 5–31.
Wang, XC, Li, J., 2010. Evaluasi perkiraan hasil panen dan air tanah menggunakan EPIC
model untuk dataran tinggi loess Cina. Matematika. Komputer. Model. 51, 1390–1397.
Wang, X., He, X., Williams, JR, Izaurralde, RC, Atwood, JD, 2005. Sensitivitas dan
analisis ketidakpastian hasil panen dan karbon organik tanah yang disimulasikan dengan EPIC.
Trans. ASAE 48 (3), 1041–1054.
Wang, X., Williams, JR, Gassman, PW, Baffaut, C., Izaurralde, RC, Jeong, J., Kiniry,
JR, 2012. Model EPIC dan APEX menggunakan kalibrasi dan validasi. Trans. ASABE 55, 1447–
1462.
Williams, JR, Jones, CA, Dyke, PT, 1984. Pendekatan pemodelan untuk menentukan
hubungan antara erosi dan produktivitas tanah. Trans. ASAE 27, 129–144. Williams,
JR, Jones, CA, Kiniry, JR, Spanel, DA, 1989. Model pertumbuhan tanaman EPIC.
Trans. ASAE 32 (2), 497–511.
Williams, JR, Wang, E., Meinardus, A., Harman, WL, Siemers, M., Atwood, JD, 2006.
EPIC-Erosion Productivity Impact Calculator (Versi 0509): Panduan Pengguna. Pusat
Penelitian dan Penyuluhan Blackland, Temple, TX.
Xiong, W., Holman, I., Conway, D., Lin, ED, Li, Y., 2008. Kalibrasi silang model tanaman
untuk digunakan dalam studi dampak iklim regional. Ekol. Model. 213, 365–380.
Xiong, W., Balkovic, J., Velde, M., Zhang, XS, Izaurralde, RC, Skalsky, R., Lin, ED,
Mueller, N., Obersteiner, M., 2014. Prosedur kalibrasi untuk meningkatkan simulasi hasil
padi global dengan EPIC. Ekol. Model. 273, 128–139.
Xu, L., Myneni, RB, Chapin III, FS, Callaghan, TV, Pinzon, JE, Tucker, CJ, Zhu, Z.,
Bi, J., Ciais, P., Tømmervik, H., Euskirchen, ES, Forbes, BC, Piao, SL, Anderson, BT,
Ganguly, S., Nemani, RR, Goetz, SJ, Beck, PS, Bunn, AG, Cao, C., Stroeve,
JC, 2013. Penurunan musiman suhu dan vegetasi di daratan utara. Nat. Clim.
Chang. 3, 581–586.
Zhang, XC, Mendekati, MA, Garbrecht, JD, Steiner, JL, 2004. Penurunan skala bulanan
prakiraan untuk mensimulasikan dampak perubahan iklim terhadap erosi tanah dan produksi
gandum. Ilmu Tanah. Soc. Saya. J.68, 1376–1385.
Zhang, WJ, Wang, XJ, Xu, MG, Huang, SM, Liu, H., Peng, C., 2010. Organik tanah
dinamika karbon di bawah pemupukan jangka panjang di lahan subur Cina utara.
Biogeosciences 7, 409–425.
Zhang, Q., Singh, VP, Sun, P., Chen, X., Zhang, Z., Li, J., 2011. Curah hujan dan aliran
perubahan aliran di Cina: perubahan pola penyebab dan implikasi. J. Hidrol. 410,
204–216.
Zhao, XN, Hu, KL, Stahr, K., 2013. Simulasi konten dan penyimpanan SOC dalam berbagai
kondisi irigasi, pemupukan dan pengolahan tanah yang berbeda menggunakan model EPIC di Dataran Cina
Utara. Dalam: Penelitian Tanah & Pengolahan Tanah. 130. hlm. 128–135.
Zhao, C., Piao, S., Huang, Y., Wang, X., Ciais, P., Huang, M., Zeng, Z., Peng, S., 2016. Bidang
percobaan pemanasan menjelaskan respons hasil gandum terhadap suhu di Cina.
Nat. Komunal. 7, 13530.
Zhou, LT, 2011. Dampak monsun musim dingin Asia timur terhadap curah hujan di tenggara
Cina dan proses dinamisnya. Int. J.Climatol. 31 (5), 677–686.
Zhou, T., Shi, P., Hui, D., Luo, Y., 2009. Pola global sensitivitas suhu tanah
respirasi heterotrofik (Q10) dan implikasinya terhadap umpan balik iklim karbon. J.
Geofisika. Res. 114, G02016.