تعداد نشریات | 44 |
تعداد شمارهها | 1,303 |
تعداد مقالات | 16,020 |
تعداد مشاهده مقاله | 52,489,409 |
تعداد دریافت فایل اصل مقاله | 15,216,964 |
مدلسازی عملکرد محصولات دیمی گندم، جو و یونجه با استفاده از رگرسیون بردار پشتیبان و برنامهریزی ژنتیک | ||
دانش آب و خاک | ||
مقاله 7، دوره 32، شماره 2، تیر 1401، صفحه 97-111 اصل مقاله (895.1 K) | ||
شناسه دیجیتال (DOI): 10.22034/ws.2021.35741.2287 | ||
نویسندگان | ||
سولماز پناهی1؛ سعید صمدیان فرد* 2؛ امیرحسین ناظمی3 | ||
1دانش آموخته کارشناسی ارشد مهندسی آب، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز | ||
2استادیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز | ||
3استاد، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز | ||
چکیده | ||
تغییر اقلیم، افزایش دمای جهانی، بحران آب و رشد جمعیت جهان موجب شده است که تأمین غذای مردم دنیا تبدیل به یک چالش در بین پژوهشگران شود. برهمین اساس پیشبینی و شبیهسازی تولیدات گیاهی متناسب با شرایط آب و هوایی، امری ضروری است. در تحقیق حاضر، ارتباط عوامل اقلیمی و شاخصهای خشکسالی با میزان تولید گیاهان گندم، جو و یونجه که بهصورت دیم زیر کشت قرار گرفتهاند، در سه منطقه در استان آذربایجانشرقی مورد مطالعه قرار گرفت. بدین منظور، برای هر یک از متغیرهای دما، بارندگی، تبخیر- تعرق و شاخصهای خشکسالی SPI و RDI، بازههای زمانی سه تا نه ماهه در دوره زمانی 1383تا 1393 در نظر گرفته شد و با استفاده از روشهای داده محور رگرسیون بردار پشتیبان (SVR) و برنامهریزی ژنتیک (GP)، مقدار تولید سه گیاه مذکور پیشبینی گردید. علاوه بر این، دقت روشهای مذکور در پیشبینی عملکرد محصولات کشت دیم، با استفاده از پارامترهای آماری جذر میانگین مربعات خطا (RMSE) و میانگین خطای مطلق (MAE) مورد بررسی قرار گرفت. نتایج نشان داد در شهر تبریز برای محصول یونجه روش GP با (kg ha-1) 17/0RMSE=، در شهر مراغه برای محصول یونجه روش SVR با (kg ha-1)56/0RMSE= و در شهر سراب برای محصول جو روش SVRبا (kg ha-1) 20/0RMSE= پیشبینیهای دقیقتری ارائه کردهاند. میتوان بیان داشت استفاده از عوامل آب و هوایی و شاخصهای خشکسالی در دورههای زمانی پاییز- زمستان- بهار تاثیر بسزایی بر افزایش دقت روشهای داده محور در پیشبینی عملکرد محصولات دیم دارد. | ||
کلیدواژهها | ||
پارامترهای هواشناسی؛ دیم؛ کاهش تولید؛ محاسبات نرم؛ مدل سازی | ||
مراجع | ||
Allen RG, Pereira LS, Raes D and Smith M, 1998. Crop evapotranspiration: guidelines for computing crop water requirements. FAO Irrigation and Drainage Paper 56, FAO, Rome, Italy.
Arshad S, Morid S, Mobasheri MR and Agha Alikhani M, 2012. Monitoring and forecasting drought impact on dryland farming areas. International Journal of Climatology 33: 2068–2081.
Bannayan M, Sanjani S, Alizadeh A, Sadeghi Lotfabadi S and Mohamadian A, 2010. Association between climate indices, aridity index, and rainfed crop yield in northeast of Iran. Field Crops Research 118: 105–114.
Basak D, Pal S and Patranabis DC, 2007. Support vector regression. Neural Information Processing 11: 203-225.
Battisti R, Sentelhas P and Boote k, 2017. Inter-comparison of performance of soybean crop simulation modelsand their ensemble in southern Brazil. Field Crops Research 200: 28-37.
Borelli A, DeFalco I, Della CA, Nicodemi M and Trautteur G, 2006. Performance of genetic programming to extract the trend in noisy data series. Physica A: Statistical Mechanics and its Applications 370: 104-108.
Boser BE, Guyon IM and Vapnik VN, 1992. A training algorithm for optimal margin classiers. Pp. 144-152. In: D.Haussler (ed.), 5th Annual ACM Workshop on COLT, Pittsburgh.
Edwards DC and McKee TB, 1997. Characteristics of 20th Century Drought in the United States at Multiple Time Scales. Climatology Report Number 97-2, Department of Atmospheric Science, Colorado State University, Fort Collins.
Elagib NA and Elhag M, 2011. Major climate indicators of ongoing drought in Sudan. Journal of Hydrology 409: 612-625.
Hui JU, Er-da1 L, Wheeler T, Challinor A and Shuai J, 2013.Climate change modelling and its roles to Chinese crops yield. Journal of Integrative Agriculture 12: 892-902.
Kang Y, Shahbaz Khan and Xiaoyi Ma, 2009. Climate change impacts on crop yield, crop water productivity and food security – A review. Journal of Progress in Natural Science 19: 1665–1674.
McKee TB, Doesken NJ and Kleist J, 1993. The relation of drought frequency and duration to time scales. Pp. 379-384, 8th Conference on Applied Climatology, 17-22 January, Anaheim, California
Mishra AK and Desai VR, 2005. Spatial and temporal drought analysis in the Kansabati river basin, India. International Journal of River Basin Management 3: 31-41.
Mosaedi A and Ghabaei Sough M, 2011. Modification of standardized precipitation index (SPI) based on relevant probability distribution function. Journal of Water and Soil 25(5): 1206-1216 (In Persian with English abstract).
Mosaedi A, Mohammadi Moghaddam S and Ghabaei Sough M, 2015. Modeling rain-fed wheat and barley based on meteorological features and drought Indices. Journal of Water and Soil 29(3): 730-749 (In Persian with English abstract).
Padakandla SJ, 2016. Climate sensitivity of crop yields in the former state of Andhra Pradesh, India. Journal of Ecological Indicators 70: 431–438.
Rahmani E, Liaghat A and Khalili A, 2008. Estimating barley yield in Eastern Azerbaijan using drought indices and climatic parameters by artificial neural network (ANN). Iranian Journal of Soil and Water Research 39(1): 47-56 (In Persian with English abstract).
Samadianfard S and Asadi E, 2018. Prediction of SPI drought index using support vector and multiple linear regressions. Journal of Water and Soil Resource Conservation 6(4): 1-16 (In Persian with English abstract).
Sette L and Boullart L, 2001. Genetic programming: principles and applications. Engineering Applications of Artificial Intelligence, 14(6): 727-736.
Steinmann A, 2003. Drought indicators and triggers: a stochastic approach to evaluation. Journal of the American Water Resources Association 39: 1217-1233.
Tietjen B and Jeltsch F, 2007. Semi-arid grazing systems and climate change: a survey of present modelling potential and future needs. Journal of Applied Ecology 44: 425-434.
Tsakiris G and Vangelis H, 2004. Towards a drought watch system based on spatial SPI. Water Resources Management 18: 1-12.
Tsakiris G and Vangelis H, 2005. Establishing a drought index incorporating evapotranspiration. European Water 9: 3–11.
Tsakiris G, Pangalou D and Vangelis H, 2007. Regional drought assessment based on the reconnaissance drought index (RDI). Water Resource Management 21: 821–833.
Valizadeh J, Ziaei M and Mazloumzadeh SM, 2014. Assessing climate change impacts on wheat production (a case study). Journal of the Saudi Society of Agricultural Sciences 13: 107–115.
Vapnik VN, 1995. The Nature of Statistical Learning Theory. Springer, New York.
Vapnik VN, 1998. Statistical Learning Theory. Wiley, New York.
Xiao G, Zhang Q, Li Y, Wang R, Yao Y, Zhao H and Bai H, 2010. Impact of temperature increase on the yield of winter wheat low and high altitudes in semiarid northwestern China. Agricultural Water Management 97: 1360–1364.
Zare Abyaneh H, 2013. Evaluating roles of drought and climatic factors on variability of four dry farming yields in Mashhad and Birjand. Water and Soil Science-University of Tabriz 23(1): 39-56 (In Persian with English abstract).
Zimmermann A, Webber H, Zhao G, Ewert F, Kros J, Wolf J, Britz W and Vries W, 2017. Climate change impacts on crop yields, land use and environment in response to crop sowing dates and thermal time requirements. Agricultural Systems 157: 81–92. | ||
آمار تعداد مشاهده مقاله: 659 تعداد دریافت فایل اصل مقاله: 295 |