‌مدل‌سازی عملکردگندم با استفاده از شاخص‏های اقلیمی و خوشه‏بندی سلسله‌مراتبی

نوع مقاله : پژوهشی

نویسندگان

1 استادیار، دانشکدۀ کشاورزی، دانشگاه شهید مدنی آذربایجان، تبریز

2 دانشجوی دانشکدۀ کشاورزی، دانشگاه شهید مدنی آذربایجان، تبریز

چکیده

بررسی شاخص‏های اقلیمی با تابعیت داده‏های هواشناسی از عوامل مؤثر بر تصمیم‏گیری‏های مرتبط با برنامه‏ریزی اقلیمی، کشاورزی، مهندسی منابع آب و به‌کارگیری راهبردهای مدیریتی است. هدف مقالۀ حاضر، توسعۀ مدل‌سازی عملکرد محصول- شاخص‏های اقلیمی با تأکید بر ورودی‏های مدل براساس تحلیل خوشه‏ای است. استخراج اطلاعات از خوشه‏های مربوط به شاخص‏های اقلیمی با محاسبۀ میانگین هر خوشه انجام گرفت. شاخص‏های بررسی‌شده شامل یازده شاخص اقلیمی؛ شاخص‏های لانگ، دومارتن، کوپن 1، کوپن 2، کوپن 3، آنگستروم، ایوانف، سیلیانینوف، بارش مؤثر، پوشش گیاهی و خشکی بود. مدل‌سازی عملکرد گندم- شاخص‏های اقلیمی در استان‏های گیلان، اصفهان، کرمانشاه و آذربایجان غربی با استفاده از رگرسیون ساده و شبکۀ عصبی مصنوعی انجام گرفت. اصلاح شاخص‏های اقلیمی با ساختار صحیح به افزایش دقت در شبیه‏سازی عملکرد محصول منجر شد، برای مثال شاخص سازش در استان کرمانشاه از شاخص دومارتن به کوپن 2، 82/12 درصد افزایش داشت. خطای شبیه‏سازی عملکرد محصول (RMSE) با استفاده از شاخص‏های اقلیمی نسبت به استفادۀ مستقیم از داده‏های هواشناسی در کل استان‏ها، 66/36 درصد کاهش داشت. استفاده از تحلیل خوشه‏ای در تعیین ورودهای هر دو مدل ‌استفاده‌شده کارایی مدل را افزایش داد (متوسط RMSE در کل استان‏ها با خوشه‏بندی و بدون خوشه‏بندی به‌ترتیب برابر با 7/0-15/1 و متوسط RRMSE با خوشه‏بندی و بدون خوشه‏بندی به‌ترتیب برابر با 29/0- 5/0بود). بنابراین، ترکیب شاخص‏های اقلیمی به‏عنوان ورودی‏های مدل با انجام تحلیل مناسب به بهبود عملکرد مدل‌سازی منجر می‏شود.

کلیدواژه‌ها

موضوعات


 Biswas B, Dhaliwal L.K, Singh S.P, Sandhu S.K. Forecasting wheat production using ARIMA model in Punjab. International Journal of Agricultural Sciences.2014; 10(1): 158-161.
[2].Mathieu JA, Aires F. Assessment of the agro-climatic indices to improve crop yield forecasting. Agricultural and Forest Meteorology.2018; 253-254:15-30.
[3].Mousavi-Baygi M, Bannnayan M, Ashraf B, Asadi Oskuei E. Assessment of climatic indices limiting rainfed wheat yield. Ecological Indicators.2016; 62: 298-305. [Persian]
[4].Paltasingh KR, Goyaria P, Mishra R.K. Measuring Weather Impact on Crop Yield Using Aridity Index: Evidence from Odisha.Agricultural Economics Research Review.2012; 25(2): 205-216.
[5].Shaw LH. The effect of weather on agricultural output: A look at methodology. Journal of Farm Economics.1964; 46(1): 218-230.
[6].Oury B. Allowing for weather in crop production model building. Journal of Farm Economics.1965; 47(2): 270-283.
[7].Rolla AL, Nuñez MN, Guevara ER, Meira SG, Rodriguez GR, Zárate MI. Climate impacts on crop yields in Central Argentina. Adaptation strategies. Agricultural Systems.2018; 60: 44-59.
[8].Wang R, Bowling L.C, Cherkauer K.A. Estimation of the effects of climate variability on crop yield in the Midwest USA. Agricultural and Forest Meteorology.2016; 216: 141-156.
[9].Sabziparvar AA, Torkaman M, Maryanaji Z. Investigating the effect of agroclimatic indices and variables on optimum wheat performance (Case study: Hamedan Province). Journal of Water and Soil.2013; 26(6): 1554-1567. [Persian]
[10].Mosaedi A, Mohammadi Moghaddam S, Ghabaei Sough M. Modeling rain-fed wheat and barley based on meteorological features and drought indices. Journal of Water and Soil.2015; 29(3): 730-749. [Persian]
[11].Alizadeh A, Kamali G, Mousavi F, Mousavi Bayeghi M.Weather and climate. Ferdowsi University of Mashhad;2012. [Persian]
[12].Lang R. Verwitterrung und Bodenbildung alsEifuhrung die Bodenkunde, Stuttgart;1920.
[13]. De Martonne E. Une nouvelle function climatologique: I’Indice d’Aridite, La Meteorologie, October, Paris (Cited by Oury, 1965);1926.
[14].Angstrom A A coefficient of humidity of general applicability. Geografiska Annaler,1936; 18: 245-254.
[15].Köppen W. Das geographische System der Klimate. Handbuch der Klimatologie, v.1, Part C (W. Köppen & R. Geiger, eds.). Gerbrüder Bornträger, Berlin,1936: p. C1-C44, (Cited by Oury, 1965).
[16].Ivanov NN. Landscape-climatic zones of the earth surface. Proceedings , All Soviet Geographical Congress, Vol. 1. Publ i cat ion of the Academy of Science of USSR, Leningrad.1948.
[17]. Selianinov GT. On agricultural climate valuation. Proceedings of Agricultural Meteorology.1928; 20: 165–177(in Russian, cited by Meshcherskaya and Blazhevich,1997).
[18].Thornthwaite CW. An approach toward a rational classification of climate. Geogr Rev.1948; 38:55−94.
[19]. Gorbanzadeh Kharazi H, Cheleh Mal Dezfulnejad M. Innovation a new climate classification method based on hydrometeorology. 2014; 2(2):97-108.
[20].Food and Agriculture Organization (FAO). Arid Zone Forestry: A Guide for Field Technicians; FAO: Rome, Italy, 1989.
[21]. Arman N, Salajegheh A, Feiznia S, Ahmadi H, Ghodousi J, and Kiani Rad A. Determination of homogeneous watersheds for estimating erosion and sediment using different cluster analysis methods (Case study: Northern Alborz Range). Journal of Range and Watershed Management.2016; 69(2): 261-273. [Persian]
[22].Khosravi M, Armesh M. Climatic Regionalization of Markazi Province: application offactor and cluster analysis. Geography and Environmental Planning. 2012; 46(2): 87-104. [Persian]
[23].Wang HR, Wang C, Lin X, Kang J. An improved ARIMA model for precipitation simulations. Nonlinear Processes in Geophysics.2014; 21: 1159-1168.
[24].Caubel J, de Cortázar-Atauri I, Launay M, de Noblet-Ducoudré N, Huard F, Bertuzzi P, Graux A. Broadening the scope for ecoclimatic indicators to assess crop climate suitability according to ecophysiological, technical and quality criteria. Agricultural and Forest Meteorology.2015; 207: 94-106.
[25].Lepage M, Bourgeois G, Bélanger G. Indices agrométéorologiques pour l’aide á la eferenc dans un eferen de climat variable et en eference. Centre de eference enagriculture et agroalimentaire du Québec (CRAAQ). Québec, QC, Canada.2012.
[26].Murtagh F, Legendre P. Ward’s hierarchical agglomerative clustering method: which algorithms implement ward’s criterion? Journal of Classification.2014; 31: 274-295.
[27].Gu X, Zhang Q, Singh VP, Chen YD, Shi P. Temporal clustering of floods and impacts of climate indices in the Tarim River basin, China. Global and Planetary Change.2016; 147: 12-24.
دوره 6، شماره 2
تیر 1398
صفحه 479-491
  • تاریخ دریافت: 03 آذر 1397
  • تاریخ بازنگری: 27 اسفند 1397
  • تاریخ پذیرش: 27 اسفند 1397
  • تاریخ اولین انتشار: 01 تیر 1398
  • تاریخ انتشار: 01 تیر 1398