تأثیر ناهنجاری‌های اقلیمی بر عملکرد زعفران: مطالعه موردی کاشمر و تربت حیدریه

زعفران به عنوان یک محصول استراتژیک در اقتصاد ایران، به شدت تحت تأثیر تغییر اقلیم قرار دارد. تحلیل‌ها حاکی از آن است که رویدادهای فرین همچون یخبندان طی دوره گلدهی و خشکسالی‌های ممتد از عوامل کلیدی کاهش عملکرد این محصول هستند. هدف از این پژوهش، تحلیل روند نمایه‌های فرین دما و بارش و مدل‌سازی تأثیر این نمایه‌ها بر عملکرد زعفران با استفاده از رگرسیون چندمتغیره می‌باشد. برای این منظور، از داده‌های دمای کمینه، دمای بیشینه و بارش روزانه دوره 30 ساله (1996-2020) دو ایستگاه همدید تربت حیدریه و کاشمر برای محاسبه نمایه‌های فرین دما و بارش با روش کارگروه تخصصی تشخیص و نمایه‌های تغییر اقلیم (ETCCDI) در نرم‌افزار RClimdex استفاده شد. داده‌های عملکرد محصول زعفران برای این دو منطقه از سازمان جهاد کشاورزی اخذ شد. نتایج نشان داد که بارش سالانه به طور قابل توجهی کاهش یافته است. تحلیل روند نمایه‌های فرین دمایی طی دوره آماری نشان داد نمایه‌های دمایی (TNm, TMm, TXm) و نمایه طول دوره گرمایی (WSDI) و نمایه‌های بارش بسیار سنگین (R99p در هر دو ایستگاه و R95p در تربت حیدریه) کاهش معناداری (p<0.05) داشته‌اند. مدل‌سازی رگرسیونی نشان داد برای منطقه کاشمر، مدل با 4 نمایه فرین دمایی و بارشی تدوین شد (R²=0.70, RMSE=0.49, NRMSE=16.4%). متغیرهای مستقل تأثیرگذار بر عملکرد زعفران شامل روزهای یخی (با ضریب 0.14-، قوی‌ترین عامل کاهش‌دهنده عملکرد)، کمینه دمای کمینه (TNn)، شب‌های حاره‌ای و روزهای خشک متوالی (CDD) بودند که نمایه‌های فرین مذکور دارای تأثیر منفی بر عملکرد زعفران در این منطقه بودند. برای منطقه تربت حیدریه مدل رگرسیونی با مقادیر آماره‌های R²=0.83, RMSE=0.43, NRMSE=15.9% توسعه یافت. متغیرهای مستقل مدل شامل کمینه دمای بیشینه (TXn) با تأثیر مثبت و نمایه روزهای یخی با ضریب 0.12- به عنوان تنها نمایه کاهش‌دهنده عملکرد زعفران بود. بر اساس نتایج بدست آمده فرین‌های دمایی تأثیر غالب بر عملکرد زعفران در این مناطق داشته‌اند. این یافته‌ها می‌تواند به عنوان پایه‌ای برای برنامه‌ریزی‌های اقلیم‌مدار کشت زعفران در مناطق مشابه مورد استفاده قرار گیرند.

As a strategic crop in Iran’s economy, saffron is highly vulnerable to climate change. Analyses indicate that extreme events such as frost during the flowering period and prolonged droughts are key factors in reducing saffron yield. This study aims to analyze trends in extreme temperature and precipitation indices and model their impact on saffron yield using multivariate regression. Data on daily low and high temperatures, as well as rainfall from 1990 to 2020, were collected from weather stations in Torbat-e Heydariyeh and Kashmar to calculate extreme climate measures using the ETCCDI method, which was applied using RClimDex software. Saffron yield data were obtained from the Agricultural Jihad Organization. Trend analysis indicated that annual precipitation has imposed a significant decline. Extreme temperature indices (TNm, TMm, TXm, WSDI) and heavy precipitation indices (R99p at both stations and R95p in Torbat-e Heydariyeh) exhibited significant decreasing trends (p < 0.05). For Kashmar, the multivariate regression model incorporated four extreme indices (R² = 0.70, RMSE = 0.49, NRMSE = 16.4%). Key predictors included ID (β = -0.14, the strongest yield-reducing factor), extreme low temperatures or TNn (β = +0.10), tropical nights (TR20), and consecutive dry days (CDD) negatively impacted yield. For Torbat-e Heydariyeh, the model demonstrated higher accuracy (R² = 0.83, RMSE = 0.43, NRMSE = 15.9%). Significant predictors were TXn (β = +0.18) and frost days or ID (β = -0.12) as the most positive and negative drivers. Overall, temperature variables—particularly nighttime temperatures—dominated yield variability. These findings provide a foundation for climate-smart saffron cultivation planning in similar semi-arid regions. Mitigation strategies should prioritize thermal regulation (e.g., altitude selection, mulching) and water management to offset warming-induced stress.