شبیه‌سازی عملکرد گندم دیم با استفاده از شاخص‌های خشکسالی و با بکارگیری روش شبکه عصبی مصنوعی، جنگل تصادفی و رگرسیون بردار پشتیبان (مطالعه موردی: شهرستان سقز)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه علوم و مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه بین المللی امام خمینی، قزوین، ایران

2 استادیار و عضو هیئت‌علمی گروه علوم و مهندسی آب، دانشگاه بین‌المللی امام خمینی (ره)، قزوین

3 هیئت علمی گروه مهندسی آب دانشگاه بین المللی امام خمینی (ره)، قزوین

4 عضو هیات علمی مرکز تحقیقات کشاورزی و منابع طبیعی

چکیده

خشکسالی می‌تواند عمدتاً بر کشاورزی، به ویژه کشاورزی دیم به دلیل وابستگی زیاد به آب باران تأثیر بگذارد و در نتیجه امنیت غذایی و حفاظت اجتماعی را به خطر بیندازد. در این پژوهش به بررسی ارتباط بین شاخص‌های خشکسالی SPI و SPEI با عملکرد گندم دیم 5 مزرعه در شهرستان سقز طی دوره 2020-2001 با شبکه عصبی، جنگل تصادفی و رگرسیون بردار پشتیبان پرداخته شد. برای محاسبه شاخص‌های خشکسالی SPI و SPEI از بارش TRMM و تبخیر تعرق CRU استفاده شد. مدل AquaCrop با داده‌های مشاهداتی کالیبره شد و سپس عملکرد مزارع برای دوره 2020-2001 با مدل AquaCrop شبیه‌سازی شد. میانگین عملکرد مزارع با میانگین عملکرد کل شهرستان سقز ارزیابی شد و نتایج نشان داد داده‌های شبیه‌سازی شده با مدل، همبستگی (R2=0.90) خوبی با میانیگن عملکرد گندم دیم شهرستان سقز دارند. نتایج ارزیابی ارتباط بین شاخص‌های SPI و SPEI با عملکرد گندم دیم نشان داد که روش شبکه عصبی و جنگل تصادفی با احتمال معنی داری 95% (0/0P-value=) و ضریب تبیین بیش از 70/0 درصد و مقدار بالای شاخص نش ساتکلیف و مقدار اندکی کم برآورد، تخمین مناسبی از عملکرد محصول گندم دیم داشته است و ارتباط معنی داری بین شاخص‌های خشکسالی SPI و SPEI با عملکرد گندم دیم در منطقه مورد مطالعه وجود دارد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Simulation of Rainfed Wheat Yield Using Drought Indices by Employing Artificial Neural Network, Random Forest and Support Vector Regression (Case Study: Saqqez City)

نویسندگان [English]

  • Mojgan Ahmadi 1
  • Abbas Kaviani 2
  • Hadi Ramezani Etedali 3
  • Alireza Tavakoli 4
1 water science and Engineering, faculty of Agriculture and natural resources, Imam Khomeini International University, Qazvin, Iran
2 Dept. of Water science Engineering, Imam Khomeini International University
3 Dept. of Water Sciences and Engineering, Imam Khomeini International University
4 agricultural engineering research institute
چکیده [English]

Drought can mainly affect agriculture, especially rainfed agriculture due to its high dependence on precipitation, thereby compromising food security and social protection. In this study, the correlation between SPI and SPEI drought indices with rainfed wheat yield of 5 filds in Saqqez city during the period of 2001-2020 was investigated with neural network, random forest and support vector regression. TRMM precipitation and CRU evapotranspiration were used to calculate SPI and SPEI drought indices. The AquaCrop model was calibrated with observational data and then filds performance was simulated with the AquaCrop model for the period 2001-2020. The average yield of the filds was evaluated with the average yield of the entire Saqqez city, and the results showed that the data simulated with the model had a good correlation (R2=0.90) with the average rainfed wheat yield of Saqqez city. The results of evaluating the relationship between SPI and SPEI indices with rainfed wheat yield showed that the neural network and random forest method with a significant probability of 95% (P-value=0.0) and an explanatory coefficient of more than 0.70% and a high value of Nash Sutcliffe index And a small amount of underestimation has had a good estimate of the rainfed wheat yield and there is a significant relationship between SPI and SPEI drought indices with the rainfed wheat yield in the study area.

کلیدواژه‌ها [English]

  • Rainfed wheat yield
  • Drought indices
  • Random forest
  • Artificial neural network
  • Support vector machine

فایل ها

سابقه مقاله

  • تاریخ دریافت: 05 اردیبهشت 1402
  • تاریخ بازنگری: 10 مرداد 1402
  • تاریخ پذیرش: 30 مرداد 1402

هم رسانی

ارجاع به این مقاله

آمار