هواشناسی کشاورزی
مبینا عبدالهی فوزی؛ بهرام بختیاری؛ کورش قادری
چکیده
سرمای دیررس بهاره تأثیر قابل‌توجهی بر اندامهای آسیبپذیر گیاهان میگذارد. این رویداد در آسیا، آمریکای شمالی و اروپا بیش از سایر مخاطرات مرتبط با آب‌وهوا باعث زیان اقتصادی به کشاورزی شده است. همچنین این پدیده باعث کاهش عملکرد محصول در ایران شده است. آخرین آمار منتشر شده از سوی سازمان خواربار و کشاورزی ملل متحد (فائو) نشان می‌دهد ...
بیشتر
سرمای دیررس بهاره تأثیر قابل‌توجهی بر اندامهای آسیبپذیر گیاهان میگذارد. این رویداد در آسیا، آمریکای شمالی و اروپا بیش از سایر مخاطرات مرتبط با آب‌وهوا باعث زیان اقتصادی به کشاورزی شده است. همچنین این پدیده باعث کاهش عملکرد محصول در ایران شده است. آخرین آمار منتشر شده از سوی سازمان خواربار و کشاورزی ملل متحد (فائو) نشان می‌دهد که ایران یکی از بزرگ‌ترین تولیدکنندگان محصول پسته در جهان میباشد. استان کرمان سهم زیادی از سطح زیر کشت محصول پسته را به خود اختصاص داده است. خسارت سرمازدگی بهاره در پسته باعث کاهش عملکرد محصول در چند سال اخیر شده است. یک اصل مهم در مطالعه سرمازدگی، برآورد این پدیده است. در این تحقیق از روش شبکه عصبی مصنوعی مدل FFBP برای برآورد سرمای دیررس بهاره در محصول پسته شهرستان کرمان استفاده شد. بدین‌منظور داده‌های روزانه ایستگاه سینوپتیک شهر کرمان از سازمان هواشناسی کشور در بازه زمانی 2000-2020 اخذ شد. این دادهها شامل میانگین، بیشینه و کمینه دما، رطوبت نسبی، سرعت باد، فشار بخار اشباع و ساعات آفتابی میباشد. پنج ترکیب مختلف از این متغیرها به‌عنوان ورودی در روش شبکه عصبی برای مدلسازی دماهای کمینه در نظر گرفته شد. در نهایت ترکیب 8 متغیرهای از بین مدلها انتخاب گردید و شبیهسازی مقادیر دمای کمینه و محاسبه ویژگیهای سرمای دیررس بهاره با آن انجام شد. عملکرد این روش با استفاده از شاخصهای آماری ضریب تعیین، ریشه میانگین مربعات خطا، میانگین خطای انحراف و ضریب نشساتکلیف ارزیابی شد. بررسی نتایج مدلسازی نشان داد با کاهش تعداد متغیرها دقت مدلها کاهش مییابد. مدل M1 با کمترین مقدار RMSE و بیشترین مقدار R2 در بین سایر مدلها عملکرد بهتری داشت. پس از شبیهسازی با روش شبکه عصبی مقادیر شاخصهای 963/0R2= و صفر=MBE حاصل شد که نشان‌دهنده ارتباط قوی با داده‌های واقعی بود. علاوه بر آن، مقدار شاخصهای 027/0= RMSE و 966/0NSE= کارایی بالای مدل را در برآورد نشان داد. بررسی میانگین دمای سالانه نشان داد نوسانات دما در بازه زمانی 10-31 مارس در مقایسه با ماههای آوریل و می زیاد میباشد. کاهش محسوس میانگین دمای سالانه در سالهای 2000، 2006 و 2020 در این بازه نسبت به دیگر سالها بیشتر بود. در ماه آوریل نیز سالهای 2001، 2005، 2006، 2009، 2016 و 2019 کاهش دمای محسوسی داشتند. در ماه می باتوجه به میانگین دمای کمینه بین 10 تا 14 درجه سلسیوس احتمال سرمازدگی کمتری نسبت به ماه مارس و آوریل وجود داشت. نتایج نشان داد تعداد روزهای یخبندان بهاره مشاهداتی و برآوردی حاصل از روش شبکه عصبی انطباق خوبی با یکدیگر داشتند. این روش در برآورد تعداد روزهای بحرانی (دماهای کمینه کمتر و مساوی 2 درجه سلسیوس) نیز دقت قابل قبولی داشت. همچنین سالهای 2000، 2004، 2005، 2012، 2015، 2019 و 2020 بیشترین تعداد روزهای یخبندان بهاره و سالهای 2006، 2016 و 2019 بیشترین تعداد روزهای بحرانی را در دو دههی اخیر دارا بودند. با بررسی نتایج میتوان گفت روش شبکه عصبی مصنوعی در برآورد دمای کمینه و ویژگیهای مرتبط با سرمای دیررس بهاره از دقت بالایی برخوردار است.
