برآورد بارش مؤثر به روش حل معکوس و تخمین آن با به‌کارگیری هوش مصنوعی (مطالعه موردی: استان کرمانشاه)

نوع مقاله : پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد/ گروه مهندسی آبیاری و آبادانی، دانشکده کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران

2 استاد/ گروه مهندسی آبیاری و آبادانی، دانشکده کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران

چکیده

بارش مؤثر نشان‌دهنده میزان بارندگی ذخیره شده در ناحیه ریشه گیاه برای رفع نیازهای تبخیر-تعرق است. تخمین بارش مؤثر از مؤلفه های ضروری در مدیریت منابع آب، تصمیم‌گیری­ های برنامه­ ریزی آبیاری و یک عامل راهنما برای تخمین تولید محصول محسوب می­ شود. در این پژوهش باران مؤثر به روش حل معکوس با استفاده از اطلاعات عملکرد محصول گندم دیم در استان کرمانشاه برآورد شده و میزان هم‌بستگی میان داده­ های مختلف هواشناسی نظیر دمای کمینه و بیشینه، سرعت باد، ساعات آفتابی، رطوبت نسبی، درجه روز رشد (GDD) و بارش با بارش مؤثر بررسی و این پارامترها از نظر میزان هم‌خوانی اولویت‌بندی و مؤثرترین پارامترها برای مدل­ سازی به‌کار گرفته شدند. با توجه به این‌که به داده­ های هواشناسی و عملکرد محصول گندم دیم نیاز بود، بنابراین از داده­ های هواشناسی استان کرمانشاه که شامل 10 ایستگاه هواشناسی است، استفاده شد. ابتدا به کمک رابطه دورنبوس و کسام، تبخیر-تعرق واقعی محصول گندم دیم در محدوده مطالعاتی محاسبه و در نتیجه مقدار بارش مؤثر برآورد شد. میزان بارش مؤثر برآورد شده در مقطع زمانی مورد مطالعه و در طی رشد محصول گندم دیم بین 119.85 تا 279.90 میلی­متر متغیر بوده ­است. سپس، به‌منظور برآورد دقیق، مدل ­هایی برای تخمین بارش مؤثر در استان کرمانشاه به کمک شبکه عصبی توسعه داده شد. ابتدا تأثیر هر یک از داده­ ها بر بارش مؤثر به روش هم­بستگی پیرسون، بررسی و در چند سناریو، مؤثرترین پارامترها برای مدل­ سازی به‌کار گرفته شد. مدل­ها با معیارهای MBE، RMSE و D ارزیابی شدند. در نهایت، بارش با هم­بستگی 0.99 به‌عنوان مؤثرترین پارامتر در تخمین بارش مؤثر شناخته و به­ عنوان بهترین مدل­ برای تخمین بارش مؤثر در استان کرمانشاه برگزیده شد. در واقع، می‌توان با داشتن پارامتر بارش با دقت بسیار خوبی میزان بارش مؤثر را برای استان کرمانشاه پیش­ بینی نمود. ضریب تبیین پیش­ بینی بارش مؤثر به کمک این مدل 0.99 و مقدار RMSE و MBE آن برای داده­ های آزمون 4.61 و 1.4- میلی­متر برآورد شد.

کلیدواژه‌ها

موضوعات


اسد­زاده شرفه، ح.، رئوف، م.، و محمودی ­فرد­ گرمی، ز. (1394). برآورد مناسب­ترین شیوه محاسبه بارش مؤثر در دشت اردبیل. دومین همایش ملی صیانت از منابع طبیعی و محیط زیست، دانشگاه محقق اردبیلی.
پورغلام آمیجی، م.، هوشمند، م.، رجا، اُ.، و لیاقت، ع. (1398). پهنه‌بندی باران مؤثر در استان خوزستان تحت کشت گندم دیم پاییزه. مدیریت آب و آبیاری، 9(2)، 211-230.
خالقی، ن. (1394). مقایسه روش­های برآورد بارش مؤثر در کشاورزی. آب و توسعه پایدار، 2(2)، 51-58.
خسروی، م.، و شکیبا، ه. (1389). پیش­بینی بارش با استفاده از شبکه‌های عصبی مصنوعی به‌منظور مدیریت سیل، مورد: شهرستان ایرانشهر، چهارمین کنگره بین‌المللی جغرافیدانان جهان اسلام، زاهدان.
خوشحال دستجردی، ج.، و جوشنی، ع. (1391). برآورد مناسب­ترین شیوه محاسبه بارش مؤثر برای کشت گندم پاییزه در حوزه دریاچه نمک. مطالعات جغرافیایی مناطق خشک، 3(9)، 153-169.
رحیمی، ج.، بذرافشان، ج.، و خلیلی، ع. (1392). مطالعه تطبیقی روش‌های برآورد بارش مؤثر در زراعت گندم دیم در اقلیم‌های مختلف ایران. پژوهش­های جغرافیای طبیعی، 45(3)، 31-46.
طاهری، پ.، افضل، ع.، و طاهری، پ. (1389). مطالعه عملکرد شبکه‌های عصبی مصنوعی و رگرسیون نمایی در پیش­بینی باران مؤثر. مهندسی آب، 1(1)، 75-83.
عظیمی، و.، شیخعلی‌پور، ز.، و طباطبایی، س.م. (1391). برآورد باران مؤثر با استفاده از سیستم استنتاج تطبیقی عصبی-فازی (ANFIS). سومین همایش ملی مدیریت جامع منابع آب، دانشگاه علوم کشاورزی و منابع طبیعی ساری.
علیدوستی شهرکی، م.، عظیمی، و.، و شریفی بناب، ص. (1392). مقایسه روش­های شبکه­های عصبی مصنوعی و شبکه عصبی-موجک در تخمین بارش مؤثر با استفاده از داده­های هواشناسی. دومین کنفرانس بین‌المللی مدل­سازی گیاه، آب، خاک و هوا، دانشگاه شهید باهنر کرمان.
علیزاده، ا. (1367). اصول هیدرولوژی کاربردی. چاپ یازدهم، انتشارات آستان قدس رضوی، صفحه 156.
غفاری، غ.، و وفاخواه، م. (1392). شبیه‌سازی فرآیند بارش-‌رواناب با استفاده از شبکه عصبی مصنوعی و سیستم فازی-عصبی تطبیقی (مطالعه موردی: حوزه آبخیز حاجی قوشان). پژوهش­نامه مدیریت حوزه آبخیز، 4(8)، 120-136.
قمرنیا، ه.، و جوادی بایگی، م. (1386). برآورد باران مؤثر در ارتباط با کشت گندم دیم در کرمانشاه. نهمین سمینار سراسری آبیاری و کاهش تبخیر، دانشگاه شهید باهنر کرمان.
کولائیان، ع.، و غلامی سفیدکوهی، م. (1391). معرفی بهترین روش تعیین بارندگی مؤثر کشت برنج در شهرستان قائمشهر. سومین همایش ملی مدیریت جامع منابع آب، دانشگاه علوم کشاورزی و منابع طبیعی ساری.
لشکری، ح.، کیخسروی، ق.، و رضایی، ع. (1388). تحلیل کارایی مدل CROPWAT در برآورد نیاز آبی محصول گندم در غرب کرمانشاه: شهرستان­های اسلام آباد غرب، سر پل ذهاب و روانسر. مدرس علوم انسانی، 13(1)، 248-270.
مصطفوی دارانی، س.م.، نصراصفهانی، م.، و محمودزاده، ع. (1400). بررسی و برآورد بارش مؤثر در کشت گندم-مطالعه موردی: ایستگاه تحقیقات هواشناسی کشاورزی کبوترآباد اصفهان. نیوار، 45(112)، 136-123.
نجفی، م.، عظیمی، و.، و شایان­نژاد، م. (1393). ارزیابی دقت روش­های هوشمند و آنالیز حساسیت تبخیر-تعرق گیاه مرجع به پارامترهای هواشناسی در دو اقلیم مختلف. اکوهیدرولوژی، 1(1)، 17-24.
هاشمی نسب خبیصی، ف.ا.، موسوی بایگی، م.، بختیاری، ب.، و بنایان اول، م. (1393). اثر بارش بر عملکرد گندم دیم و شاخص رضایتمندی نیاز آبی در مقیاس زمانی مختلف. نشریه علمی پژوهشی مهندسی آبیاری و آب ایران، 5(1)، 1-13.
هلالی، ج.، قهرمان، ن.، و خلیلی، ع. (1395). مقایسه مقادیر درجه روز رشد (GDD) گندم با استفاده از داده­های ساعتی و روزانه دما در دو نمونه اقلیمی ایران. پژوهش­های کاربردی زراعی، 29(110)، 8-18.
Alidosti Shahraki, M., Azimi, V., & Sharifi bonab, S. (2013). Comparison of artificial neural network and wavelet neural network methods in estimating effective precipitation using meteorological data. The 2nd International Conference on Plant, Water, Soil and Weather Modeling, Kerman, Iran, (in Persian).
Alizadeh, A. (1988). The principles of applied hydrology. 11th edition: Astan Quds Razavi Publications, 156 pages (in Persian).
Andarzian, B., Bannayan, M., Stedutoc, P., Mazraeha, H., Baratid, M.E., Baratie, M.A., & Rahnamaa A. (2011). Validation and testing of the AquaCrop model under full and deficit irrigated wheat production in Iran. Agricultural Water Management, 100(1), 1– 8.
Aqil, M., Kita, I., Yano, A., & Nishiyama, S. (2007). A comparative study of artificial neural networks and neuro-fuzzy in continuous modeling of the daily and hourly behavior of runoff. Journal of Hydrology, 337(2), 22-34.
Asadzadeh Sharafeh, H., Raoof, M., & Mahmoodifard Garmi, Z. (2015). The best method of calculation in Ardabil plain. The 2nd National Conference on Conservation of Natural Resources and Environment, Ardabil, Iran, Pp. 1-8 (in Persian).
Ayu, I.W., Sebayang, H.T., & Soemarno, P.S. (2018). Assessment of rice water requirement by using  cropwat model in sumbawa regency, west Nusa  Tenggara, Indonesia. International Journal of Plant Research, 31(2), 2-6.
 Azimi, V., Sheikhalipour, Z., & Tabatabei, S.M. (2019). Estimating effective rain using adaptive neural fuzzy inference system (ANFIS). The 3rd National Conference on Comprehensive Water Resources Management, Sari, Iran, (in Persian).
Doorenbos, J., & Kassam, A.H. (1979). Yield response to water. Irrigation and Drainage, FAO, Rome. 33 pages.
Fraiss, C., Staub, C.G., Gelcer, E., Dourte, D., Montone, V., Kohmann, M., Hawkins, G., Payero, J., Knox, P., Zierden, D., & Krantz, Sh. (2016). A Guide for Climate and Agriculture in the Southeastern U.S.. The AgroClimate Workbook, University of Florida, 31-35.
Ghafari, GH., & Vafakhah, M. (2013). Simulation of rainfall-runoff process using artificial neural network and adaptive neuro-fuzzy interface system (Case study: Hajighoshan Watershed). Journal of Watershed Management Research, 4(8), 120-136 (in Persian).
Ghamarnia, H., & Javadi Baigi, M. (2007). Estimation of effective rain related to dry wheat cultivation in Kermanshah. The 9nd  National Seminar on Irrigation and Evaporation Reduction, Kerman, Iran, (in Persian).
Hasheminasab, F.S., Mousavi baygi, M., Bakhtiyari, B., & Bannayan, M. (2014). The Effects of Rainfall on Dryland Wheat Yield and Water Requirement Satisfaction Index at Different Time Scales. Irrigation and Water Engineering, 5(1), 1-13 (in Persian).
Helali, J., Ghahreman, N., & Khalili, A. (2013). Comparision of winter wheat GDD values calculated using daily and hourly temperature data in two climatic regions of Iran. Applied Field Crops Research, 29(110), 8-18 (in Persian).
Kato, T. (2016). Integration of Distributed Energy Resources in Power Systems Prediction of photovoltaic power generation output and network operation, 77–108. 
Khaleghi, N. (2016). Comparision of effective rainfall estimation methods in agriculture. Journal of Water and Sustainable Development, 2(2), 51-58 (in Persian).
Khanna, T. (1990). Foundation of neural networks. Addison-Wesley Publishing Company, U.S.A., 327 pages.
Khoshhal Dastjerdi, J., & Joshani, A. (2013). Estimating the most appropriate method of calculating effective rainfall for autumn wheat cultivation in the Namak lake area. Journal of Arid Regions Geographic Studies, 3(9), 153-169 (in Persian).
Khosravi, M., & Shakiba, H. (2010). Precipitation forecasting using artifitial neural network for flood management case study; Iranshahr region (South East of Iran). The 4th International Congress of The Islamic World Geographers, Zahedan, Iran, Pp. 1-21 (in Persian).
Koulaian, A., & Gholami Sefidkoohi, M.A. (2012). Introducing the best method to determine rice cultivation effective rainfall in Ghaemshahr. The 3rd National Conference on Comprehensive Water Resources Management, Sari, Iran, Pp. 1-8 (in Persian).
Laaboudi, A., Mouhouche, B., & Draoui, B. (2012). Neural network approach to reference evapotranspiration modeling from limited climatic data in arid regions. International Journal of Biometeorology, 56(5), 831–841.
Lashkari, H., Keikhosravi, G., & Rezaei, A. (2009). The analysis of the cropwat model efficiecy estimating water requirement of wheat in the west of Kermanshah townships of the Islamabad Gharb, Sarpol Zahab and Ravansar. Human Sciences Modares, 13(1), 248-270 (in Persian).
McMaster, G.S., & Smika, D.E. (1988). Estimation and evaluation of winter wheat phenology in the central Great Plains. Agricultural and Forest Meteorology, 43(1), 1-18.
Mostafavi Darani, S.M., Nasr Esfahani, M., & Mahmoodzadeh, A. (2021). Investigation and estimation of effective rainfall in wheat cultivation Case study: Isfahan Kabootarabad. Agrometeorological Research Station. Nivar, 45(112), 123-136 (in Persian).
Najafi, M., Azimi, V., & Shayannejad, M. (2014). An evaluation of accuracy of intelligent methods and sensitivity analysis of reference crop evapotranspiration to meteorological parameters in two different climates. Iranian Journal of Ecohydrology, 1(1), 17-24.
Pourgholam Amiji, M., Hooshmand, M., Raja, O., & Liaghat, A. (2020). Effective rain zoning in Khuzestan Province under autumn rainfed wheat cultivation. Journal of Water and Irrigation Management, 9(2), 211-230 (in Persian).
Rahimi, J., Bazrafshan, J., & Khalili, A. (2013). A comparative study on empirical methods for estimating effective rainfall for rainfed wheat crop in different climates of Iran. Physical Geography Research Quarterly, 45(3), 31-46 (in Persian).
Taheri, P., Afzal, A., & Taheri, P. (2010). Studying the performance of artificial neural networks and exponential regression in forecasting effective rain. Water Engineering, 1(1), 75-83 (in Persian).
Tsai, S.M., Chen, S., & Wang, H.Y. (2005). A study on the practical model of planned effective rainfall for paddy fields in Taiwan. Journal of Marine Science and Technology, 13(2), 73-82.