استفاده از تكنيك مونته كارلو- زنجيره ماركف همراه با يك مدل ساده براي شبيه سازي توليد نخود در استان هاي خراسان

Simulation of Chickpea Production in Khorasan Provinces Using a Simple Crop Model and Markov Chain Monte Carlo technique

يكي از مشكلات پيش بيني عملكرد گياهان خصوصا در شرايط ديم نوسان بالاي توليد از سالي به سالي و از مكاني به مكاني ديگر مي باشد. عمدتا اين مشكل به علت آن است كه پارامترهاي توصيف كننده فرايندهاي مختلف رشد و نمو گياهان زراعي با يك مقدار ثابت در مدل هاي رشد و نمو گياهان زراعي معرفي و به كار برده مي شوند حال آن كه اين مقادير در زمان ها و مكان هاي مختلف متفاوت بوده وتغيير نشان مي دهند. در اين مقاله از تكنيك مونته كارلو – زنجيره ماركف (MCMC) مرتبط با روش بايزين براي بهينه سازي چندين پارامتر يك مدل ساده گياه نخود استفاده شد تا بدين ترتيب بتوان با اندك اطلاعات موجود، عملكرد دانه نخود را در هر دو شرايط ديم و آبي شبيه سازي نمود. مدل براي شرايط كل استان خراسان (شمالي، رضوي وجنوبي) اجرا شد. نتايج شبيه سازي با داده هاي عملكرد دانه گزارش شده توسط سازمان جهاد كشاورزي خراسان (سالهاي 1362-1383) مقايسه شدند. براي بررسي توانايي بهبود و افزايش كارايي مدل به هنگام استفاده از تكنيك MCMC ضرايب همبستگي و جذر ميانگين مربعات خطا محاسبه شد. مدل در هر دو شرايط ديم و آبي توانست به خوبي عملكرد مشاهده شده را شبيه سازي كند. اين تكنيك توانايي بالاي خود را جهت كمي كردن پارامتر ها و صفات متغير يك گياه خصوصا در شرايط پر نوسان توليد در مناطق ديم نشان داد. با استفاده از مجموعه نرم افزار حاصل مي توان با تغيير هر پارامتر محيطي و مديريتي مرتبط با رشد گياه، توليد آن را در كل استان خراسان مورد تجزيه و تحليل قرار داد.

One of the main constraints in predicting a crop yield mostly under rainfed conditions is the final yield temporal and spatial variability. This is mainly due to considering a constant value for a parameter within a model while in reality it usually changes at both time and location. In this study we used the Markov Chain Monte Carlo (MCMC) approach together with a simple crop model for chickpea yield prediction under both rainfed and irrigated conditions to see if there is any possibility to simulate the chickpea production when there are sparse and not enough available data. The crop model was run for the great Khorasan province and simulation results were compared with historical observed crop yield data (21 years) obtained by Ministry of Agriculture and various field experiments on chickpea within Khorasan. For model results verification Root Mean Square Difference (RMSD) was employed. Model results were acceptable at both irrigated and rainfed conditions which in turn indicated the high capability of the very simple crop model when linked with MCMC technique. Such a package would be able to analyze the chickpea production throughout the Khorasan chickpea production systems