كليدواژه :
تحليل خوشه اي , عملكرد گندم , تركيب , توسعۀ مدل‌سازي
چكيده فارسي :
بررسي شاخصهاي اقليمي با تابعيت داده هاي هواشناسي از عوامل مؤثر بر تصميم گيريهاي مرتبط با برنامه ريزي اقليمي، كشاورزي، مهندسي منابع آب و به‌كارگيري راهبردهاي مديريتي است. هدف مقالۀ حاضر، توسعۀ مدل‌سازي عملكرد محصول- شاخصهاي اقليمي با تأكيد بر وروديهاي مدل براساس تحليل خوشهاي است. استخراج اطلاعات از خوشه هاي مربوط به شاخصهاي اقليمي با محاسبۀ ميانگين هر خوشه انجام گرفت. شاخصهاي بررسي‌شده شامل يازده شاخص اقليمي؛ شاخصهاي لانگ، دومارتن، كوپن 1، كوپن 2، كوپن 3، آنگستروم، ايوانف، سيليانينوف، بارش مؤثر، پوشش گياهي و خشكي بود. مدل‌سازي عملكرد گندم- شاخصهاي اقليمي در استانهاي گيلان، اصفهان، كرمانشاه و آذربايجان غربي با استفاده از رگرسيون ساده و شبكۀ عصبي مصنوعي انجام گرفت. اصلاح شاخصهاي اقليمي با ساختار صحيح به افزايش دقت در شبيه سازي عملكرد محصول منجر شد، براي مثال شاخص سازش در استان كرمانشاه از شاخص دومارتن به كوپن 2، 82/12 درصد افزايش داشت. خطاي شبيه سازي عملكرد محصول (RMSE) با استفاده از شاخصهاي اقليمي نسبت به استفادۀ مستقيم از داده هاي هواشناسي در كل استانها، 66/36 درصد كاهش داشت. استفاده از تحليل خوشه اي در تعيين ورودهاي هر دو مدل استفاده‌شده كارايي مدل را افزايش داد (متوسط RMSE در كل استانها با خوشه بندي و بدون خوشه بندي به‌ترتيب برابر با 7/0-15/1 و متوسط RRMSE با خوشه بندي و بدون خوشه بندي به‌ترتيب برابر با 29/0- 5/0بود). بنابراين، تركيب شاخص هاي اقليمي به عنوان ورودي هاي مدل با انجام تحليل مناسب به بهبود عملكرد مدل‌سازي منجر ميشود.
چكيده لاتين :
The study of climatic indices with relation to the meteorological data is one of the effective factors in decision making of climate, agriculture, water resource engineering planning and determination of management strategies.The aim of this research is improvement of climatic indices- crop yield modeling with emphases on the model inputs based on the clustering analysis. Data derived from clusters of climatic indices was conducted with mean calculation of each cluster. The investigated indices were 11 climatic indices (Lang, De Martonne, Koppen 1, Koppen 2, Koppen 3, Angstrom, Ivanov, Selyaninov, PEI, VCI and aridity). Simple regression and artificial neural networks were used as modeling of climatic indices- wheat yield in Gilan, Esfahan, Kermanshah and West Azerbaijan provinces. The modified indices with correct structure led to increase of accuracy in crop yield estimation, for example the agreement index of Kermanshah province was increased 12.82% from De Martonne to Koppen 2 index. RMSE related to crop yield eastimatiom using climatic indices compared to the direct use of meteorological data in all provinces decreased 36.66%. The clustering analysis regard to the models input determination increased the models accuracy (Average RMSE of all provinces with clustering=0.7 and without clustering= 1.15, Average RRMSE with clustering=0.29 without clustering= 0.5). Therefore, the synthesize of climatic indices as the model input with proper analysis led to improvement of crop yield modeling
