Document Type : Research Paper
Author
Abstract
Keywords
بررسی نقش عوامل اقلیمی و خشکسالی بر تغییرپذیری عملکرد چهار محصول
دیم در مشهد و بیرجند
حمید زارع ابیانه1*
تاریخ دریافت:01/03/90 تاریخ پذیرش:15/05/91
1- دانشیار گروه آبیاری، دانشکده کشاورزی دانشگاه بوعلیسینا.
*مسئول مکاتبه :Email: zareabyaneh@gmail.com
چکیده
پیشبینی عملکرد محصولات زراعی یکی از ابزارهای مدیریتی در برنامهریزی و سیاست گذاری بخش کشاورزی است. متغیرهای آب و هوایی و شاخصهای خشکسالی نقش اساسی در پیشبینی عملکرد ایفا میکنند. در این تحقیق پیشبینی عملکرد چهار محصول دیم شامل گندم، جو، هندوانه و نخود در منطقه مشهد و بیرجند براساس متغیرهای هواشناسی و شاخصهای خشکسالی در قالب سه مدل رگرسیونی اتوماتیک، گام به گام و ریج انجام گرفت. برای این منظور از ده پارامتر هواشناسی و هفت شاخص خشکسالی در قالب سه ساختار اطلاعاتی در ورودی مدلهای رگرسیونی چندمتغیره استفاده شد. نتایج این بررسی نشان داد که از بین متغیرهای هواشناسی، دو متغیر تعداد روزهای بارانی در منطقه بیرجند و دمای بیشینه هوا در منطقه مشهد، بیشترین تعداد همبستگیها را بر عملکرد محصولات زراعی داشتند. بههمین ترتیب از بین شاخصهای خشکسالی، شاخص نگوین چنین وضعیتی را نشان داد. در این مطالعه مشخص شد برای پیشبینی عملکرد محصولات، مدل چندمتغیره ریج با ساختار اطلاعاتی همه عوامل شامل پارامترهای هواشناسی و مقادیر کمی شده شاخص خشکسالی در مقایسه با دو ساختار اطلاعاتی مربوط به عوامل هواشناسی و خشکسالی قابل توصیه است. در این پیشنهاد براساس بالاترین ضریب تعیین (R2) و کمترین میانگین مجذور مربعات خطای نرمال (NRMSE) میباشد. براساس نتایج این تحقیق در هر دو منطقه و برای هر چهار محصول مقدار ضریب تعیین بین 91/0 تا 99/0 و مقدار میانگین مجذور مربعات خطای نرمال از 09/0 تا 48/0 بهدست آمد. نتایج حاصل همچنین بیانگر بیشترین دقت پیشبینی برای محصول گندم با R2 بیش از 996/0 و خطای NRMSE معادل 09/0 در منطقه مشهد و R2 بیش از 999/0 و خطای NRMSE معادل 09/0 برای نخود در منطقه بیرجند بود. بههمین ترتیب کمترین دقت پیشبینی مربوط به محصول هندوانه با ضریب تعیین 92/0 و خطای 48/0 در منطقه بیرجند و 96/0 و 27/0 در منطقه مشهد میباشد. در مجموع نتایج حاصل از بهکارگیری مدلهای رگرسیون چندمتغیره با توجه به R2 بالا و NRMSE کم، مدل ریج برای هر دو منطقه قابل توصیه است.
واژههای کلیدی: رگرسیون چند متغیره، شاخص خشکسالی، عملکرد، مدل ریج
EvaluatingRoles ofDroughtand ClimaticFactors onVariability of Four Dry Farming Yieldsin Mashhad and Birjand
H Zare Abyaneh *1
Received: 22 May 2011 Accepted: 5 August 2012
1-Assoc. Prof., Irrigation and Drainage Engin., Agric. Faculty Bu-Ali Sina Univ., Hamedan, Iran.
*Corresponding Author Email:zareabyaneh@gmail.com
Abstract
Prediction of crop yield is one of the managerial and planning tools in agriculture. Meteorological variables and drought indices play an essential role in yield prediction. In this study, the yield of four crops, namely wheat, barley, chickpea and watermelon was predicted in Mashhad and Birjand regions based on meteorological variables and drought indices using three regression models of Ridge, Enter and Step Wise. For this purpose, ten meteorological parameters and seven drought indices were used in three structures as input multivariate regression models. Results showed that among the meteorological variables, the two variables: number of rainy days and maximum air temperature had higher correlation with crops under study. Similarly, among drought indices, Nguyen index showed such higher correlation. It was found that Ridge multivariate model including weather parameters and meteorological drought indices could be recommended instead of two structures of meteorological variables and drought indices for yield prediction. This recommendation was based on multiple regression analysis and higher determination coefficient (R2) and a lower normal root mean squared error (NRMSE). Also, determination coefficients for all four products in both regions were from 0.91 to 0.99 and NRMSE from 0.09 to 0.48. Results also showed that the most prediction accuracy was for wheat with R2 of 0.996 and NRMSE of 0.09 in Mashhad and for chickpea with R2 of 0.999 and NRMSE of 0.09 in Birjand. Similarly,the least accurate prediction belonged to watermelon having R2 of 0.92 and NRMSE of 0.48 in Birjand and R2 of 0.96 and NRMSE of 0.27 in Mashhad. Overally, due to high R2 and low NRMSE, Ridge regression model is recommended for both regions.
Keywords: Drought index, Multivariate regression, Ridge model, Yield
مقدمه
کشور پهناور ایران در منطقه خشک و نیمهخشک قرار گرفته و با توجهبه شرایط توپوگرافی، دارای اقلیمی متنوع میباشد. در این بین افزایش جمعیت، فشار فزآیندهای را بر استفاده بیرویه و نامطلوب از منابع طبیعی آب و خاک برای افزایش محصولات کشاورزی وارد میسازد. تولید محصولات کشاورزی بهویژه کشت دیم، همبستگی بالایی با مقدار نزولات جوی و برخی عوامل اقلیمی دارد. خشکسالی از جمله پرهزینهترین حوادثی است که اثرات زیانبار اقتصادی را بر بخشهای اقتصادی و کشاورزی وارد میسازد. بههمین دلیل اهمیت خدمات هواشناسی در کمک به بهبود راندمان کشاورزی بارزتر میشود. در مواقع خشکسالی با تغییر شرایط محیطی، وضعیت تولید بهشدت تحت تاثیر عوامل جوی قرار گرفته و موجب کاهش محصول میشود. در خشکسالی با کاهش رطوبت خاک مجاور منطقه ریشه به زیر نقطه پژمردگی، عملکرد محصول افت مینماید. علت کاهش عملکرد را میتوان به کمبود آب قابل دسترس گیاه نسبت داد که موجب بسته شدن روزنهها و کاهش یا توقف فتوسنتز میگردد. به اعتقاد عزیزی و یاراحمدی (1382) هر گیاه حساسیتهایی نسبت به تغییرات شرایط آب و هوایی دارد و شناخت آنها امکان اتخاذ تصمیم مناسب جهت انجام زراعت را فراهم میسازد. در این راستا نتایج مطالعات لوبل (2005) در مکزیک نشان داد تغییرات عوامل اقلیمی دما و بارش در جهت افزایش عملکرد گندم، طی سه دهه گذشته عمل نموده است. درحالیکه نتایج پژوهشی حسینی و نصیری محلاتی (1387) در منطقه خراسان نشاندهنده کاهش مداوم عملکرد زعفران در یک دهه گذشته به واسطه تغییرات شاخصهای آب و هوایی است. بهطوری که کاهش 31 تا 66 درصدی عملکرد زعفران در شهرستانهای اصلی تولید کننده (در خراسان) با دو عامل درجه حرارت و رطوبت قابل توصیف است.
در دهههای گذشته، دانشمندان و متخصصان علوم کشاورزی و اقلیمشناسی تحقیقات گستردهای را در زمینه اقلیم کشاورزی انجام داده و با ارائه روشهای مختلف سعی در شناسایی و تبیین ارتباط عناصر و عوامل اقلیمی با کشت و مراحل رشد و نمو محصولات داشتهاند. مدلهای رگرسیونی از جمله مدلهای آماری هستند که در علوم محیطی بهویژه در کشاورزی از کاربرد وسیعی برخوردار هستند. در این مدلها سعی بر این است که از طریق یک یا چند متغیر مستقل، متغیر وابسته پیشبینی شود (عریضی و گل پرور 1388). لاندو و همکاران (2000) در تبیین ارتباط عملکرد محصول گندم زمستانه با عوامل محیطی بارش، دما و تابش از مدل رگرسیون چندگانه براساس اطلاعات سالهای 1967 تا 1993 انگلستان استفاده کردند. نتایج آنان حاکی از اثرات منفی بارش واثرات مثبت درجه حرارت و تابش در مقاطعی از دوره رشد بود. در همین راستا برخی نیز خشکسالی را بهواسطه افزایش شدت و دوره برگشتهای آن از جمله عوامل کاهنده قابل ملاحظه عملکرد و سطح زیرکشت محصولات دانستهاند (زارع ابیانه و همکاران 1388، تقوی و محمدی 1386). بههمین دلیل پدیده خشکسالی عامل بسیار مهمی در سناریوهای اقلیمی است که موید کاهش قابل توجه عملکرد گندم دیم میباشد (نصیری محلاتی و کوچکی 1384). رحمانی و همکاران (1387) با بررسی ارتباط پارامترهای آب و هوایی و ضرایب مختلف خشکسالی بر عملکرد محصول جو نشان دادند سرعت متوسط باد و شاخص خشکسالی نگوین[1] بیشترین ضریب همبستگی را با عملکرد داشته است. در تحقیقی مشابه توسط دربندی و همکاران (1386) تاثیر شدت خشکسالیهای کشاورزی بر عملکرد گندم دیم در منطقه تبریز ارزیابی گردید. نتایج این مطالعه نشان داد شدت افزایش عملکرد نسبی با افزایش بارندگیها متناسب نبوده و حتی در برخی سالها با وجود افزایش بارندگی، عملکرد نسبی محصول کاهش داشته است. ترنکا و همکاران (2007) دلیل این امر را تاثیرپذیری عملکرد از عوامل غیراقلیمی مانند عوامل انسانی و مدیریتی و زارع ابیانه و همکاران (1388) توزیع نامناسب زمانی بارش طی فصل رشد را موجب کاهش عملکرد دانستهاند. بذرافشان و همکاران (1388) نیز با تاکید بر نقش عوامل اقلیمی از طریق مطالعه تاثیر دو مشخصه تداوم و سختی خشکسالی بر عملکرد گندم دیم رقم سرداری کرمانشاه، نشان دادند که مجموع افت محصول در خشکسالیهایی با تداوم کمتر و افت بارندگی شدیدتر، در مقایسه با خشکسالیهای با تداوم بزرگتر و افت بارندگی کمتر، بیشتر است. مطالعه عزیزی و صفرخانی (1381) در بررسی تاثیر خشکسالی بر عملکرد گندم دیم استان ایلام بیانگر کاهش 50 درصدی عملکرد بوده است. تحقیقات انجام شده در سطح استان لرستان توسط یاراحمدی و نصیری (1383) نشان داد حدود 72 درصد از عملکرد گندم دیم به تعداد و مقدار بارشهای روزانهی فصل رشد و بارشهای پاییزه وابسته است. نتایج برخی تحقیقات نشان میدهد مدیریت زراعی میتواند تا حدودی آثار منفی خشکسالی را کاهش دهد. در این راستا برونینی و همکاران (2000) تغییر در تاریخ کشت گیاهان، کمالی (1376) همزمانی کاشت گندم دیم با شروع بارشهای پاییزه و عزیزی (1379) کاشت محصولات دیم براساس محاسبه بارش موثر را پیشنهاد نمودند. تحقیقات صمدی نقاب (1385) و اسلامیان و همکاران (1385) نشان میدهد تغییرات عوامل هواشناسی تا حد زیادی بیانگر تغییرات خشکسالی نیز هست و عوامل هواشناسی هر منطقه، بخش عمدهای از ویژگیهای خشکسالی آن منطقه را نمایندگی مینماید. همین امر میتواند توجیهکننده نقش عوامل هواشناسی و خشکسالی در عملکرد محصولات کشاورزی و بهعنوان متغیرهای مستقل در مدلهای رگرسیونی باشد. لیکن وجود رابطه بالای بین متغیرهای مستقل، یکی از مشکلات مدلهای رگرسیونی است که علیرغم کاربرد زیاد آنها وجود دارد (رضایی و سلطانی 1382). در چنین شرایطی میتوان به اثر همراستایی یا همخطی چندگانه بین متغیرهای مستقل اشاره داشت که باعث افزایش ضریب رگرسیونی و گمراهی در برآوردهای مدلهای رگرسیونی منتهی میگردد (عساکره 1383). در چنین شرایطی بین متغیرهای مستقل ارتباط وجود دارد و متغیرهای مستقل در این حالت چندان مستقل نمیباشند که منجر به تضعیف کارایی مدلهای متداول رگرسیونی میشود. فرض عدم استقلال کامل متغیرهای مستقل در بحث عملکرد با عوامل اقلیمی و خشکسالی فرض مقبولی است زیرا مبنای بسیاری از شاخصهای خشکسالی، عوامل اقلیمی است که بر عملکرد محصولات زراعی تاثیرگذار هستند که در چنین شرایطی برای جلوگیری از نتیجهگیری ضعیف مدلهای رگرسیونی از دیگر مدلها مانند مدل ریج[2] استفاده میشود (رضایی و سلطانی 1382).
پیشبینی عملکرد محصولات کشاورزی خصوصاً محصولات دیم کمک میکند تا مکانیابی انبار محصول، ورود و خروج محصول به انبارها، قیمت خرید، صادرات و واردات بهنحو دقیقتری تنظیم و برنامهریزی شود. در سالهای اخیر مدلهای ریاضی مختلفی در ارتباط با عملکرد محصولات کشاورزی پیشنهاد شده است. در مطالعه حاضر تلاش شده است تا با استفاده ازمدلهای رگرسیونی، امکان پیشبینی میزان عملکرد محصول قبل از برداشت و نحوه ارتباط و تاثیرگذاری عوامل اقلیمی و شاخصهای خشکسالی بر عملکرد مورد بررسی قرار گیرد. دان و همکاران (1994)، لاندو و همکاران (2000)، ویلر و همکاران (2000)، هانسن و همکاران (2004) و لی و همکاران (2007) نیز مطالعات مشابه در دیگر نقاط جهان انجام دادهاند. بنابراین در این مطالعه با کمک آمار 22 ساله (1384-1362) شهرهای مشهد و بیرجند در دو اقلیم متفاوت از منطقه خراسان و برقراری رابطه همبستگی بین پارامترهای هواشناسی و شاخصهای خشکسالی با عملکرد دیم محصولات گندم، جو، نخود و هندوانه، امکان پیشبینی عملکرد مورد تجزیه و تحلیل آماری قرار گرفت.
مواد و روشها
این پژوهش بهمنظور بررسی و ارزیابی ارتباط شاخصهای گوناگون خشکسالی و عوامل مختلف هواشناسی بر عملکرد دیم محصولات گندم، جو، نخود و هندوانه در دو شهر مشهد و بیرجند طراحی گردید. این دو شهر بهترتیب مرکز دو استان خراسان رضوی به مساحت 127000 کیلومتر مربع و خراسان جنوبی به مساحت 83000 کیلومتر مربع در شمالشرق و شرق کشور میباشند. این دو استان بهجهت برخورداری ازتنوع اقلیمی و شرایط آب وهوایی، مناسب وسازگار برای کشت دیم میباشند (مرجانی و همکاران 1385). انتخاب نوع محصولات و محلهای مطالعاتی قبل از آنکه تابع یک سیستم پایهای ثابت باشد، تابع تنوع اقلیمی، دسترسی به آمار و اطلاعات و کشت آنها در بیشتر مناطق خراسان بود. شهرستان مشهد و شهرستان بیرجند از نظر تقسیمات آب و هوایی براساس اقلیمنمای کوپن[3] بهترتیب در دو اقلیم نیمهخشک[4] (BS) و معتدل مرطوب[5] (C) دستهبندی شدند (دین پژوه 2006).
با توجه به اینکه در این تحقیق ارزیابی ارتباط مشخصههای هواشناسی و شاخصهای خشکسالی با عملکرد گیاهان دیم مدنظر بود از میانگین متغیرهای هواشناسی در بازه زمانی سالانه بهرهگیری شد. انتخاب این گام زمانی بهدلیل سهولت محاسبات بهواسطه عدم تکرار محاسبات به تفکیک هر یک از محصولات و همخوانی با مقادیر عملکرد محصولات بود که بهصورت سالانه اندازهگیری و گزارش میگردد. از سویی تبخیر تعرق گیاه مرجع مطابق دوره رشد گیاه چمن از ابتدای فروردین تا پایان آبان ماه و براساس مقادیر کمینه، بیشینه و میانگین درازمدت هواشناسی بهروش استاندارد پنمن مانتیث فائو 56، محاسبه شد (زارع ابیانه و همکاران 1390). مقدار روزانه تبخیر تعرق با تقسیم مقدار محاسباتی به تعداد روزهای دوره رشد چمن (246 روز) بهدست آمد. لازم بهذکر است که گیاه چمن بهعنوان گیاه مرجع در محاسبات تبخیر تعرق گیاهان زراعی است و طول دوره رشد آن، سایر محصولات زراعی را پوشش میدهد (حیدری و همکاران 1388). بیشترین مقدار تبخیر تعرق گیاه مرجع در هر دو منطقه، بهماه آبان و کمترین مقدار به ماه تیر تعلق داشت. برای پارامتر بارش بهدلیل تاثیرگذاری بارشهای پاییزه، زمستانه، بهاره بر عملکرد محصولات دیم و ناچیز بودن بارش تابستانه از میانگین سالانه آن استفاده شد که در مطالعه کریمی و همکاران (1380) نیز بدان اشاره شده است.
متغیرهای هواشناسی شامل دمای حداقل (Tmin)، دمای حداکثر (Tmax)، دمای نقطه شبنم (Tdew)، متوسط دمای هوا (Tmean)، رطوبت نسبی حداقل (RHmin)، رطوبت نسبی حداکثر (RHmax)، رطوبت نسبی متوسط (RHmean)، سرعت باد (U2)، ساعات آفتابی (n)، بارش (P)، تعداد روزهای بارانی (np) و فشار بخار هوا (Vp) بودند.
میانگین پارامترهای هواشناسی مورد استفاده در دو ایستگاه مورد مطالعه در جدول 1 گزارش شده است.
از سویی مقادیر کمی شاخصهای خشکسالی درصد نرمال[6] (PNPI)، بارندگی سالانه استاندارد[7] (SIAP)، هیدرترمال سلیانینف[8] (HT)، نگوین[9] (Km)، ناهنجاری بارش[10] (RAI)، رطوبتی شاشکو[11] (Md) و ترانسو[12] (Ih) براساس میانگین اطلاعات هواشناسی محاسبه شد. شاخصهای فوق در مطالعات زارع ابیانه و محبوبی (1383) و رحمانی و همکاران (1387) نیز بهکارگرفته شده است. کاربرد این شاخصها در مطالعات گوناگون از جمله باکن و همکاران (2005)، خلیلی و بذرافشان (1382) و زارع ابیانه و همکاران (1388) مورد ارزیابی قرار گرفته و دقت آنها به اثبات رسیده است. شکل ریاضی شاخصهای خشکسالی بهکارگرفته شده در این پژوهش و روش محاسبه آنها بهشرح زیر میباشد:
|
]1[ |
|
|
]2[ |
|
|
]3[ |
|
|
]4 [ |
|
|
]5[ |
|
|
]6[ |
|
|
]7[ |
که در آن Pi، بارش سالانه (میلیمتر)، Pni، بارش نرمال سالانه (میلیمتر)، متوسط بلندمدت بارش سالانه (میلیمتر)، ETi تبخیر تعرق سالانه (میلیمتر)، Mمیانگین 10 مورد از بیشترین بارشهای اتفاق افتاده در دوره مورد مطالعه، x میانگین 10 مورد از کمترین بارشهای اتفاق افتاده در دوره مورد مطالعه، Ei، تبخیر سالانه (میلیمتر)، Tiمیانگین سالانه دمای هوا (درجه سلسیوس) و Vpiفشار بخار هوای سالانه (هکتو پاسکال).
جدول 1- مشخصات پارامترهای هواشناسی مورد استفاده
|
منطقه |
اقلیم |
توصیف |
دما (oC) |
|
رطوبت نسبی (%) |
فشار بخار هوا )KP( |
سرعت باد دو متری (ms-1) |
ساعات آفتابی (hr) |
بارندگی ماهانه (mm) |
تعداد روزهای بارانی |
تبخیر تعرق گیاه مرجع (mmd-1) |
|||||
|
نقطه شبنم |
حداکثر |
حداقل |
میانگین |
|
حداکثر |
حداقل |
میانگین |
|||||||||
|
بیرجند |
BS |
کمینه |
0/5- |
5/22 |
7 |
8/14 |
|
1/48 |
7/14 |
4/32 |
7/4 |
4/2 |
3/240 |
60 |
8/1 |
2/2 |
|
بیشینه |
1/1 |
6/25 |
4/9 |
5/17 |
|
8/60 |
3/25 |
0/43 |
8/6 |
5/6 |
1/259 |
246 |
4/6 |
1/4 |
||
|
میانگین |
2/2- |
3/24 |
1/8 |
2/16 |
|
7/53 |
9/19 |
8/36 |
7/5 |
8/4 |
270 |
162 |
1/4 |
3/3 |
||
|
مشهد |
C |
کمینه |
3/0 |
7/19 |
9/5 |
5/13 |
|
4/61 |
27 |
2/45 |
7/6 |
5/2 |
5/236 |
8/107 |
4/8 |
4/1 |
|
بیشینه |
8/5 |
3/23 |
7/9 |
5/16 |
|
2/81 |
3/42 |
6/61 |
1/10 |
0/6 |
3/511 |
423 |
4/15 |
1/3 |
||
|
میانگین |
3/3 |
6/21 |
4/8 |
15 |
|
0/73 |
1/35 |
6/53 |
4/8 |
3/4 |
4/438 |
5/253 |
9/11 |
3/2 |
||
دادههای سری زمانی مربوط به 22 سال زراعی (63-1362 تا 85-1384) عملکرد محصولات کشاورزی از سازمان جهاد کشاورزی و اطلاعات عوامل هواشناسی متناظر با سالهای زراعی، از سازمان هواشناسی کشوری جمعآوری گردید. اطلاعات هواشناسی، مربوط به دو ایستگاه سینوپتیک مشهد واقع در عرض جغرافیایی 16/36 درجه شمالی، طول جغرافیایی 38/59 درجه شرقی، ارتفاع 999 متر و بیرجند واقع در عرض جغرافیایی87/32 درجه شمالی، طول جغرافیایی 2/59 درجه شرقی، ارتفاع 1491 متر از سطح دریا بود. نکته مهم در استفاده از دادههای اقلیمی وجود دادههای طولانی مدت عملکرد دیم محصولات انتخابی بود که جمعآوری آنها برای 22 سال زراعی میسر گردید. مسلماً هر چه طول دوره آماری پارامترهای اقلیمی و زراعی بیشتر و خلاء آماری کمتر باشد، دقت نتایج بیشتر خواهد بود. در این مطالعه بهدلیل عدم وجود خلاء آماری در سری زمانی انتخابی، نیازی به بازسازی دادهها نبود. تمامی دادههای زراعی و هواشناسی در رایانه بهترتیب سالهای زراعی مرتب و نسبت به نرمال بودن و همگنی آنها بهترتیب ازآزمون کلمگروف اسمیرونوف[13] وآزمون ران[14] اطمینان حاصل شد(زارع ابیانه و همکاران 1390). سپس از روش همبستگی پیرسون میزان تاثیر و معنیداری هر یک از متغیرهای هواشناسی و مشخصههای خشکسالی بر عملکرد محصولات زراعی مورد بررسی قرار گرفت. نتایج همبستگی بهصورت جدول، در دو سطح معنیداری 05/0 و 01/0 ارائه گردید. همچنین از تحلیل رگرسیون چند متغیره بهعنوان یک ابزار ریاضی مناسب جهت توصیف کمی ارتباط بین متغیرها با مشارکت جمعی چند متغیر مستقل بر تغییرات یک متغیر وابسته در محیط نرمافزار SPSS استفاده شد. معادلات رگرسیون چند متغیره خطی، معادلههای ریاضی هستند که با استفاده از روشهای آماری و چند متغیر پیشبینی کننده (متغیرهای ورودی) قابل ایجاد هستند. درمدلهای رگرسیونی ایجاد شده، با اختصاص یک ضریب به هر متغیر پیشبینی کننده، میزان و نحوه اثرگذاری متغیرهای مستقل در میزان خروجی براساس اندازه و علامت تعیین گردید. در این تحلیل بسته بهنوع دادههای در دسترس، یک رابطه منطقی بین متغیرهای وابسته و متغیر مستقل برقرار شد. پیش فرض این تحلیل، تصور نوعی پیوستگی و پایداری نهفته در دادههای گذشته است که سعی در یافتن قانون حاکم بر این یکپارچگی و تعمیم آن به آینده است. از آنجاییکه معمولاً هیچکدام از عوامل مستقل بهتنهایی قادر بهشرح تمام تغییرات مشاهده شده درباره عملکرد نیستند از اینرو تمامی متغیرهای مستقل در سه گروه متغیرهای هواشناسی، شاخصهای خشکسالی و ترکیب متغیرهای هواشناسی و شاخصهای خشکسالی دستهبندی شدند. علت انتخاب مقادیر کمی شاخصهای خشکسالی در کنار متغیرهای هواشناسی، بهعنوان متغیرهای مستقل را میتوان به تاثیر متفاوت آنها بر عملکرد محصولات دانست. زیرا در برخی شاخصهای خشکسالی از متغیرهای هواشناسی به اشکال دیگری استفاده شده است. بهعنوان نمونه در شاخص نگوین و ترانسو از دو متغیر تبخیر تعرق و تبخیر بهعنوان دو عامل مهم در تغییر رفتار سطوح تبخیری یا تبخیر تعرقی بهره گرفته شده است. بههمین ترتیب در دو شاخص هیدرترمال سلیانینف و ناهنجاری بارش از محدودههای مشخصی از دما و بارش استفاده شده است. لذا اثرات متغیرهای هواشناسی و شاخصهای خشکسالی در تعیین رفتار گیاه و بهتبع عملکرد عملکرد محصولات زراعی میتواند متفاوت باشد. بهترتیبی مشابه یک سال دارای بارندگی ممکن است رفتارهای متفاوتی از شدت خشکسالی را داشته باشد.
با لحاظ متغیرهای مستقل برای هر محصول در هر منطقه، معادله رگرسیونی چندمتغیره زیر جهت برآورد عملکرد استفاده شد.
|
[8]
|
که در آن Y میزان عملکرد محصول دیم پیشبینی شده، عرض از مبدا معادله، a ضرایب ثابت معادله، i از 1 تا 4، نام محصولات زراعی و j از 1 تا n تعداد متغیرهای مستقل تاثیرگذار در عملکرد.
تأثیر متقابل و همزمان عناصر و عوامل اقلیمی زمینههای بهکارگیری روشهای چند متغیری را در تفسیر پراکندگی زمانی – مکانی عملکرد محصولات زراعی فراهم نموده است. یکی از روشهای چند متغیری پرکاربرد، روش رگرسیون چند متغیره است (عساکره 1383). در این مطالعه عملیات ایجاد مدلهای رگرسیونی چند متغیره با دادههای دستهبندی شده بهروشهای گام به گام[15]، اتوماتیک[16] و ریج[17] انجام و دسته متغیرهای با اثربخشی کم، مشخص شدند. انتخاب روشهای فوق با توجه ارائه نتایج رضایت بخش مطالعات صورت گرفته در تحلیل رگرسیونهای چند متغیره بود (عساکره 1383، عریضی و گل پرور 1388). درخصوص رگرسیون ریج نیز علیرغم قابلیت بالای رگرسیون ریج، کاربرد آن در مطالعات کمتری مورد توجه قرار گرفته است. در روشهای رگرسیونی گام به گام و اتوماتیک، پس از اتمام عملیات مدلسازی، امکان حذف برخی متغیرهای مستقل با درجه تاثیر کم وجود دارد. درحالیکه در روش ریج، همانگونه که عریضی و گل پرور (1388) نیز اشاره داشتند، تمامی متغیرهای مستقل وارد شده در عملیات مدلسازی حفظ میشوند.
در نهایت اعتبار هر یک از ساختارهای اطلاعاتی بهعنوان ورودی مدل رگرسیون، همخوانی نتایج آن با نتایج واقعی بود. لذا برای تعیین بهترین مدل رگرسیونی گسترش یافته شاخص ضریب همبستگی[18] (r) بهکار گرفته شد. همچنین برای قضاوت کاملتر در خصوص کارایی مدلها از مقایسه معیار میانگین مجذور مربعات خطای نرمال[19] (NRMSE) مدلهای برآورد کننده با مقدار مشاهده شده استفاده شد که در مطالعات رازی و آتاپیلی (2005) و زارع ابیانه و همکاران (1389) نیز بهکارگرفته شده است. بدین ترتیب سنجش مدلها با ضریب همبستگی بالاتر و خطای کمتر طبق روابط زیر بود (زارع ابیانه و همکاران 1388).
|
]9[ |
|
|
]10[ |
که در آن Yoi مقدار مشاهده شده عملکردiام (کیلوگرم در هکتار)، Ypi مقدار برآورد شده iام (کیلوگرم در هکتار)، میانگین مقدار برآورد شده (کیلوگرم در هکتار) میانگین مقدار مشاهده شده (کیلوگرم بر هکتار)و n تعداد دادهها میباشند.
نتایج و بحث
اولین گام در تحلیل سریهای زمانی، مشاهده گرافیکی دادهها و آشکارسازی روند تغییرات عملکرد محصولات زراعی، طی دوره آماری مورد مطالعه در دو منطقه مشهد و بیرجند بود که در شکل 1 آمده است.
با توجه بهشکل 1 مقدار عملکرد هر یک از سالهای آماری در مشهد و بهصورت متناظر در بیرجند دارای تغییرات متفاوت از یکدیگر هستند.
همانگونه که از شکل 1 ملاحظه میگردد روند کلی عملکرد در دو محصول گندم و جو، با وجود تغییرات افزایشی و کاهشی سالیانه افزایشی است. درحالیکه تغییرات عملکرد دو محصول نخود و هندوانه در دو منطقه، کاهش عملکرد کلی را نشان میدهد. علت افزایش عملکرد کلی در دو محصول گندم و جو میتواند بهدلیل استفاده از ارقام مقاوم به آفات و بیماریها، رشد تکنولوژیهای زراعی نظیر بهکارگیری ماشین آلات زراعی و روشهای نوین آبیاری، نقش مدیریت زراعی و دانش فنی کشاورزی باشد (دینپناه و همکاران 1388). بهنظر میرسد همانگونهکه مرجانی و همکاران (1385) گزارش نمودهاند عملکرد پایین محصولات هندوانه و نخود استفاده کشاورزان از بذرهای بومی اصلاح نشده باشد.
برای بیان این موضوع که چه عواملی میزان عملکرد محصولات دیم را در سطح دو منطقه بیرجند و مشهد کنترل میکنند، محاسبات ضریب همبستگی با استفاده از دادههای مربوط بهدو منطقه انجام گرفت. جدول 2 ضریب همبستگی پیرسون برای تمامی جفت متغیرهای مستقل و وابسته را نشان میدهد. متغیرهای مستقل علاوه بر متغیرهای هواشناسی، مقادیر کمی شاخصهای خشکسالی هم بودند که براساس روابط 1 تا 7 محاسبه شدند. در این جدول جزئیات ضریب همبستگی در دو سطح 05/0 و 01/0 بهتفکیک متغیرهای وابسته برای هر یک از محصولات زراعی آمده است.
شکل 1- تغییرات عملکرد محصولات زراعی مورد مطالعه در دو منطقه مشهد و بیرجند
جدول 2- نتایج همبستگی بین شاخصهای خشکسالی و پارامترهای هواشناسی با عملکرد محصولات زراعی
|
عامل |
منطقه |
عملکرد محصولات (متغیر وابسته) |
||||||||
|
بیرجند |
|
مشهد |
||||||||
|
متغیر مستقل |
جو |
گندم |
هندوانه |
نخود |
|
جو |
گندم |
هندوانه |
نخود |
|
|
هواشناسی |
Tmin |
52/0* |
08/0- |
-57/0* |
25/0 |
|
74/0** |
38/0 |
-14/0 |
-27/0 |
|
Tmax |
05/0- |
46/0-* |
-48/0* |
-24/0 |
|
53/0-* |
28/0- |
-26/0 |
-45/0* |
|
|
Tmean |
30/0 |
32/0 |
-57/0** |
-03/0 |
|
72/0** |
07/0 |
22/0- |
41/0- |
|
|
Tdew |
30/0 |
12/0 |
-17/0 |
12/0 |
|
13/0 |
17/0 |
44/0* |
39/0 |
|
|
RHmin |
26/0 |
31/0 |
03/0 |
20/0 |
|
-19/0 |
23/0 |
39/0 |
49/0* |
|
|
RHmax |
16/0 |
51/0* |
48/0* |
34/0 |
|
-18/0 |
01/0 |
40/0 |
40/0 |
|
|
RHmean |
22/0 |
45/0* |
29/0 |
30/0 |
|
-24/0 |
10/0 |
40/0 |
46/0* |
|
|
U2 |
34/0- |
22/0 |
65/0** |
-09/0 |
|
65/0-** |
18/0- |
03/0 |
26/0- |
|
|
n |
28/0 |
45/0* |
-80/0** |
-02/0 |
|
10/0 |
09/0 |
34/0- |
24/0- |
|
|
P |
42/0 |
60/0** |
42/0 |
58/0* |
|
02/0 |
64/0** |
26/0 |
34/0 |
|
|
np |
44/0* |
63/0** |
49/0* |
45/0* |
|
12/0 |
59/0** |
28/0 |
33/0 |
|
|
VP |
25/0 |
16/0 |
-11/0 |
22/0 |
|
09/0 |
16/0 |
49/0* |
43/0 |
|
|
خشکسالی |
HT |
39/0 |
63/0** |
45/0* |
46/0* |
|
-16/0 |
54/0* |
28/0 |
42/0 |
|
SLAP |
42/0 |
60/0** |
42/0 |
-51/0* |
|
02/0 |
64/0** |
26/0 |
34/0 |
|
|
Ih |
36/0 |
61/0** |
44/0* |
56/0* |
|
-14/0 |
54/0** |
30/0 |
42/0 |
|
|
md |
42/0 |
58/0** |
41/0 |
51/0* |
|
-01/0 |
62/0** |
15/0 |
23/0 |
|
|
Km |
-67/0** |
-55/0** |
-28/0 |
-56/0* |
|
59/0** |
25/0- |
33/0- |
-58/0** |
|
|
RAI |
32/0 |
-02/0 |
35/0 |
-19/0 |
|
05/0 |
59/0** |
29/0 |
36/0 |
|
|
PNPA |
42/0 |
60/0** |
42/0 |
58/0** |
|
02/0 |
64/0** |
26/0 |
34/0 |
|
|
جمع |
3 |
12 |
9 |
8 |
|
5 |
8 |
2 |
4 |
|
جدول 2 نشان میدهد تعداد همبستگیهای معنیدار تمامی عوامل با عملکرد در منطقه بیرجند به تعداد 32 مورد و در منطقه مشهد 19 مورد است. لیکن مقایسه مقادیر همبستگی نشان میدهد تعداد همبستگیهای با مقادیر بزرگتر در منطقه مشهد بیشتر از منطقه بیرجند است. براساس جدول 2، تعداد همبستگیهای معنیدار دارای مقادیر بزرگتر در منطقه بیرجند 6 مورد و در منطقه مشهد 11 مورد بود. بنابراین نقش عوامل تاثیرگذار بر میزان عملکرد در منطقه مشهد پیچیدهتر است. لذا در منطقه بیرجند با توجه به تعداد کمتر همبستگیهای معنیدار بزرگتر، میتوان نقش عوامل غیراقلیمی مانند خاک، کود و نهادههای کشاورزی (فرج
زاده اصل و همکاران 1388) و یا دیگر عوامل اقلیمی مانند تابش را دخیل دانست. اما همانگونهکه لوبل و همکاران (2002) نیز اظهار داشتند، نمیتوان نقش تاثیرگذار عوامل اقلیمی در شرایط دیم را کمرنگ تلقی نمود.
با توجه به دادههای آماره پیرسون (جدول 2) مشخص میشود که در بین متغیرهای اقلیمی بیشترین تعداد همبستگی معنیدار در شهرستان بیرجند مربوط به تعداد روزهای بارانی بود. بهعبارت دیگر تمامی محصولات دیم مورد کشت در سطح شهرستان بیرجند ارتباط مستقیم و معنیداری با تعداد روزهای بارانی داشتند. اهمیت تعداد روزهای بارانی در بخش کشاورزی در مطالعات عرفانیان و همکاران (1389) و یاراحمدی و نصیری (1383) گزارش شده است. بدین ترتیب تعداد روزهای بارانی در طول فصل رشد، فاکتور اصلی و موثر در ساختار اکوسیستمهای طبیعی و زراعی مناطق دیمکاری بیرجند است. درحالیکه در سطح شهرستان مشهد بیشترین تعداد همبستگی معنیدار با علامت منفی مربوط به دمای بیشینه هوا بود که این نتیجه با توجه به تاثیر مستقیم درجه حرارت در واکنشهای بیوشیمیایی و سرعت رشد گیاهان، منطقی بهنظر میرسد.
عدم مشابهت ارتباط عملکرد با عوامل اقلیمی در دو منطقه میتواند ناشی از تفاوت اقلیمی (جدول 1)، مقدار بارندگی کمتر شهرستان بیرجند و تاثیر مثبت آن بر عملکرد باشد. بهعبارت دیگر بهدلیل کم بودن میزان بارندگیها و بهتبع تعداد روزهای بارانی در منطقه بیرجند (جدول 1) میتوان گفت عملکرد، نسبت به پارامتر اقلیمی تعداد روزهای بارانی حساسیت بیشتری دارد. در حالیکه در منطقه مشهد با توجه به ریزشهای بیشتر باران، این حساسیت نسبت به دمای بیشینه هوا و نقش کاهشی آن بر عملکرد است. در این راستا حسینی و همکاران (1386) بر وابستگی عملکرد گندم دیم به دمای حداکثر روزانه و بهتبع دمای حداکثر دورههای زمانی ماهانه و سالانه تاکید داشتهاند. بهطوریکه اگر گیاهی برای مدت طولانی در معرض درجه حرارت بالا قرار گیرد، بخشهای هوایی آن بهسرعت پیر شده و ضمن کاهش تولید مواد فتوسنتزی قابل جذب دانه سبب کاهش عملکرد میشود. فرجزاده اصل و همکاران (1388) در مدل منطقهای پیشنهادی از نوع رگرسیون جهت برآورد عملکرد گندم دیم منطقه خراسان رضوی تعداد پارامترهای مستقل دمایی بیش از تعداد متغیرهای مستقل بارش بود که نشاندهنده اهمیت و نقش عامل دما در عملکرد گندم دیم است. در خصوص شاخصهای خشکسالی نیز جدول 2 نشان میدهد شاخص خشکسالی نگوین در هر دو منطقه مشهد و بیرجند بیشترین تعداد و مقدار همبستگیهای معکوس را با عملکرد محصولات دیم داشته است. این شاخص نسبت تبخیر تعرق[20] (ET) به بارش میباشد و ET علاوه بر نشان دادن ویژگیهای یک اقلیم، بیانگر مقدار نیاز آبی گیاه میباشد.
در مجموع میتوان چنین نتیجه گرفت که عدم همخوانی رفتاری برخی شاخصهای خشکسالی با عملکرد محصولات دیم ناشی از تفاوت شدت خشکسالیها است که با نتیجه مطالعه زارع ابیانه و همکاران (1388) نیز همخوانی دارد. ضمن آنکه رفتار فیزیولوژیکی هر محصول در مراحل مختلف رشد، متفاوت است و نمیتوان انتظار یکسانی از همه محصولات در مقابل یک شاخص داشت. بهعنوان یک نتیجه کلی، بررسی نتایج همبستگی بین پارامترهای مختلف حاصل از جدول 2 نشان داد که هیچیک از متغیرهای مستقل بهتنهایی قادر به نمایندگی تغییرات عملکرد محصولات نیستند. از این رو سعی شد تا تاثیر پارامترهای مستقل بهصورت گروهی بر عملکرد هر محصول بررسی شود. نتیجه این بررسی در قالب دو آمارهR2 و NRMSE برای هر ساختار اطلاعاتی، در قالب سه مدل رگرسیونی چندمتغیره گام به گام، اتوماتیک و ریج، تعیین و در جدول 3 نمایش داده شد.
جدول 3- برآورد عملکرد محصولات زراعی از مدلهای مختلف رگرسیون چند متغیره
|
محصول |
عوامل |
منطقه |
بیرجند |
|
مشهد |
||||
|
آماره |
اتوماتیک |
گام به گام |
ریج |
|
اتوماتیک |
گام به گام |
ریج |
||
|
گندم |
همه عوامل |
R2 |
842/0 |
521/0 |
91/0 |
|
932/0 |
706/0 |
996/0 |
|
NRMSE |
38/0 |
31/0 |
26/0 |
|
23/0 |
25/0 |
09/0 |
||
|
عوامل هواشناسی |
R2 |
624/0 |
444/0 |
72/0 |
|
892/0 |
604/0 |
86/0 |
|
|
NRMSE |
35/0 |
32/0 |
32/0 |
|
20/0 |
28/0 |
24/0 |
||
|
عوامل خشکسالی |
R2 |
71/0 |
521/0 |
77/0 |
|
662/0 |
574/0 |
65/0 |
|
|
NRMSE |
29/0 |
31/0 |
25/0 |
|
29/0 |
29/0 |
31/0 |
||
|
جو |
همه عوامل |
R2 |
942/0 |
78/0 |
995/0 |
|
966/0 |
364/0 |
98/0 |
|
NRMSE |
27/0 |
26/0 |
16/0 |
|
18/0 |
38/0 |
23/0 |
||
|
عوامل هواشناسی |
R2 |
796/0 |
496/0 |
84/0 |
|
778/0 |
364/0 |
74/0 |
|
|
NRMSE |
34/0 |
38/0 |
32/0 |
|
32/0 |
38/0 |
37/0 |
||
|
عوامل خشکسالی |
R2 |
843/0 |
78/0 |
82/0 |
|
604/0 |
364/0 |
59/0 |
|
|
NRMSE |
25/0 |
26/0 |
27/0 |
|
35/0 |
38/0 |
37/0 |
||
|
نخود |
همه عوامل |
R2 |
982/0 |
613/0 |
999/0 |
|
83/0 |
336/0 |
97/0 |
|
NRMSE |
28/0 |
67/0 |
09/0 |
|
32/0 |
32/0 |
19/0 |
||
|
عوامل هواشناسی |
R2 |
73/0 |
613/0 |
74/0 |
|
522/0 |
237/0 |
57/0 |
|
|
NRMSE |
76/0 |
67/0 |
77/0 |
|
38/0 |
34/0 |
39/0 |
||
|
عوامل خشکسالی |
R2 |
562/0 |
--- |
44/0 |
|
554/0 |
336/0 |
61/0 |
|
|
NRMSE |
79/0 |
--- |
89/0 |
|
30/0 |
32/0 |
29/0 |
||
|
هندوانه |
همه عوامل |
R2 |
925/0 |
42/0 |
92/0 |
|
842/0 |
339/0 |
96/0 |
|
NRMSE |
47/0 |
64/0 |
48/0 |
|
36/0 |
36/0 |
27/0 |
||
|
عوامل هواشناسی |
R2 |
729/0 |
287/0 |
82/0 |
|
672/0 |
399/0 |
68/0 |
|
|
NRMSE |
55/0 |
68/0 |
52/0 |
|
37/0 |
36/0 |
38/0 |
||
|
عوامل خشکسالی |
R2 |
644/0 |
225/0 |
47/0 |
|
345/0 |
- |
41/0 |
|
|
NRMSE |
59/0 |
72/0 |
71/0 |
|
42/0 |
--- |
42/0 |
||
جدول 4-ضرایب مستقل ورودی در مدل رگرسیونی ریج
|
منطقه |
بیرجند |
|
مشهد |
||||||
|
ضرایب |
جو |
گندم |
هندوانه |
نخود |
|
جو |
گندم |
هندوانه |
نخود |
|
ثابت |
3827 |
2/6554- |
448642 |
20127 |
|
24245- |
17160- |
86479 |
6/6123- |
|
Tmin |
5/770 |
1/816 |
64243- |
1216- |
|
01/54 |
5/567- |
3218 |
8/567 |
|
Tmax |
96/443 |
1/803 |
48222- |
1260- |
|
07/56- |
7/396- |
2442- |
9/375 |
|
Tdew |
31/200 |
2/58 |
11000 |
3/239 |
|
1585- |
1471- |
8/3828 |
02/576- |
|
RHmin |
65/331 |
4/45- |
34444- |
9/639- |
|
6/44 |
85/89 |
1806- |
19/33- |
|
RHmax |
05/314 |
9/68- |
30777- |
8/550- |
|
2/141 |
33/77 |
1115- |
37/38 |
|
RHmean |
91/696- |
6/139 |
59611 |
3/996 |
|
81/11 |
53/34 |
3/598 |
36/9 |
|
Wind |
8/54 |
1/62 |
4166- |
8/93- |
|
1/104 |
97- |
1891 |
134 |
|
n |
76/0 |
05/7 |
9/144- |
97/4- |
|
75/0 |
65/0 |
14/7 |
24/0 |
|
Rain |
45/22 |
7/20- |
5/1627- |
66/0 |
|
6/13- |
7/34- |
4/8- |
55/12 |
|
Tmean |
6/1291- |
1388- |
103054 |
1995 |
|
6/762 |
1560 |
6908- |
691- |
|
NRain |
76/0 |
04/127 |
5484 |
6/62 |
|
8/59 |
3/132 |
2/837- |
7/21- |
|
VP |
5/77- |
9/28- |
3767- |
9/51- |
|
5/1623 |
9/1611 |
1/9131 |
6/827 |
|
HT |
10/92 |
35/351 |
6564- |
1/445- |
|
9/124- |
4/150- |
7/176 |
3/20- |
|
SLAP |
2/1032- |
5/93 |
80419 |
1379 |
|
1/2055 |
4275 |
28504- |
8/463 |
|
Ih |
9/749- |
140- |
63098 |
3/351 |
|
01/317 |
9/172 |
8/9478 |
6/795 |
|
Md |
60/32 |
67/19 |
1052 |
78/3- |
|
75/52 |
54/37 |
2508 |
7/77 |
|
Km |
13/9 |
5/47 |
6/983 |
07/36- |
|
25/77- |
90/15- |
5/132- |
36/52- |
|
RAI |
27/73 |
9/66 |
1160- |
85/88- |
|
25/45 |
24/29 |
1797 |
9/106 |
|
PNPA |
1862- |
5/377- |
36144 |
13/25 |
|
3464- |
3349- |
25211- |
2850- |
|
R2 |
995/0 |
91/0 |
92/0 |
999/0 |
|
98/0 |
996/0 |
96/0 |
97/0 |
|
NRMSE |
16/0 |
26/0 |
48/0 |
09/0 |
|
23/0 |
09/0 |
27/0 |
19/0 |
براین اساس ضریب تعیین مدل ریج در هر دو منطقه و برای هر چهار محصول زراعی نسبت به مدلهای اتوماتیک و گام به گام بیشتر است. اما از آنجاییکه ضریب تعیین به تنهایی معیار مناسبی در ارزیابی مدلها نمیباشد لذا از آماره NRMSE که میزان خطای هر یک از مدلها را نشان میدهد استفاده شد. جدول 3 نشان میدهد در تمامی ساختارهای اطلاعاتی، هر دو آماره R2 و NRMSE در مدل ریج وضعیت بهتری نسبت بهدو مدل دیگر داشته است. این نتیجه میتواند در تایید فرض عدم استقلال کامل متغیرهای مستقل ورودی مورد اشاره در بخش مواد و روش باشد که عساکره (1383) و عریضی و گلپرور (1388) وجود چنین شرایطی را موجب شدت یافتن اثر همراستایی متغیرهای مستقل و بروز خطا در مدلسازی رگرسیونی گزارش نمودهاند. ضمن آنکه توصیه محققین مختلف مانند رضایی و سلطانی (1382) و عساکره (1383) درخصوص بیشتر بودن دقت مدل ریج بهدلیل عدم حذف متغیرهای مستقل و لحاظ اثر همراستایی آنها را تایید مینماید. از سویی جدول 3 برتری اولین ساختار اطلاعاتی یعنی لحاظ همه عوامل (هواشناسی + خشکسالی) را در مقایسه با دو ساختار اطلاعاتی دیگر بهعنوان عوامل مستقل مدلسازی عملکرد در هر سه مدل نشان میدهد. صلواتی و همکاران (1389) لحاظ تعداد بیشتر عوامل موثر را جهت افزایش دقت برآوردها گزارش کردهاند. برمبنای جدول 3 مدل ریج کمترین مقدار خطای برآورد عملکرد را برای هر چهار محصول در هر دو منطقه براساس دو آماره خطاسنجی بهخود اختصاص داد. بدین ترتیب استفاده از ساختار اطلاعاتی همه عوامل در قالب مدل رگرسیونی ریج، در مقایسه با دو ساختار اطلاعاتی دیگر قابل قبول است (جدول 3). در همین راستا ضرایب مدل رگرسیونی چند متغیره ریج در برآورد عملکرد محصولات دیم دو منطقه و براساس ساختار اطلاعاتی اول در جدول 4 آورده شد.
همانگونه که بیان شد جدول 4 برمبنای لحاظ عوامل هواشناسی و خشکسالی بهعنوان لایه اطلاعات ورودی در مدل رگرسیونی عملکرد محصولات تنظیم شده است. اعداد ردیف اول این جدول ضرایب ثابت مقدار عرض از مبدا معادله 8 () و سایر مقادیر ذکر شده در جدول مقادیر a میباشند. در این جدول وجود ضرایب رگرسیونی کوچکتر برای متغیرهای ورودی بیانگر اثرگذاری کم آنها در مقایسه با متغیرهای با ضریب رگرسیونی بزرگتر است. همچنین علامت مثبت ضرایب بهعنوان اثرگذاری افزایشی و علامت منفی بهعنوان اثرگذاری کاهشی در اندازه عملکرد میباشد. از طرفی مقایسه دقت برآورد عملکرد هر یک از محصولات در جدول 4 نشان میدهد نتایج مدل رگرسیونی پیشنهادی در منطقه بیرجند از دقت بالاتری نسبت به منطقه مشهد برخوردار است. زیرا فارغ از نوع محصول، میانگین آماره NRMSE همه محصولات در منطقه بیرجند به مقدار 195/0 و در منطقه مشهد بهمقدار 443/0 است (جدول 4). در تحلیل نتایج جدول 2 نیز اشاره گردید که تعداد همبستگیهای معنیدار تمامی عوامل با عملکرد محصولات در منطقه بیرجند بیش از منطقه مشهد است. در مجموع جدول 4 نشان میدهد بیشترین دقت مدل پیشنهادی در منطقه بیرجند مربوط به محصول نخود و در منطقه مشهد مربوط به محصول گندم است. بههمین ترتیب کمترین دقت برآورد در دو منطقه مشهد و بیرجند مربوط به محصول هندوانه است. هندوانه بیشترین تغییر عملکرد را بهواسطه کسب مقدار NRMSE بزرگتر در هر دو منطقه دارد. این امر میتواند ناشی از بزرگی سطح برگ محصولات جالیزی در مقایسه با محصولات خانواده غلات و حبوبات باشد. بههمین دلیل تغییرات عوامل اقلیمی تاثیر بیشتری در فرآیند پیر شدن و حذف برگها دارد. بههمین ترتیب مدل پیشنهادی در برآورد عملکرد محصول نخود در بیرجند و گندم در مشهد نیز بیانگر برآوردهای با خطای کم برای هر دو منطقه است. از پژوهش حاضر میتوان چنین نتیجهگیری نمود که بهکارگیری ترکیبی از عوامل اقلیمی و مقادیر کمی شده شاخصهای خشکسالی در قالب مدل رگرسیونی چندمتغیره ریج، پیشبینی عملکرد پیش از برداشت محصولات دیم، با دقت بهتری انجام میگیرد. هر چند لحاظ پارامترهای بیشتر، در راستای افزایش دقت برآوردها موثر است. همچنین وارد نمودن عواملی چون نوع رقم، آفات و بیماریها و عوامل مربوط به عملیات کشاورزی در زمان کاشت و داشت بهصورت کمی شده در ورودی مدلهای رگرسیونی در کشتهای آبی و دیم براساس آمار و اطلاعات بلند مدت میتواند دقت برآوردها را بهتر مشخص کند. از این مطالعه میتوان چنین نتیجه گرفت، هنگامیکه پارامترهای موثر آب و هوایی و همچنین مقادیر کمی شاخصهای خشکسالی محاسبه شده از پارامترهای هواشناسی در یک مدل آماری تلفیق گردند، پیشبینی عملکرد محصولات دیم پیش از برداشت آنها با دقت انجام میگیرد. بهکارگیری عوامل هواشناسی دمای هوا (حداکثر و حداقل و نقطه شبنم)، رطوبت نسبی هوا (حداقل، حداکثر و میانگین)، سرعت باد در ارتفاع دو متری، ساعات آفتابی، تعداد روزهای بارانی و مقادیر کمی حاصل از بهکارگیری شش شاخص خشکسالی نشان داد در حدود 99-90 درصد از تغییرات عملکرد دیم 4 محصول زراعی قابل پیشبینی است.
نتیجهگیری کلی
یافتههای این پژوهش نشان داد طول دوره آماری مناسب و بهکارگیری طیف مناسبی از عوامل اقلیمی و خشکسالی بر دقت برآورد عملکرد محصولات زراعی میافزاید. نتایج حاصل از برآوردهای سه مدل رگرسیونی در شرایط مشابه نشان داد که لحاظ تمامی متغیرهای مستقل در مدل رگرسیونی ریج نتایج مطلوبتری از برآورد عملکرد محصولات گوناگون در دو منطقه مشهد و بیرجند دارد. بهعبارت دیگر مدل ریج نسبت به دو مدل رگرسیونی گام به گام و اتوماتیک در توصیف تغییرات مشاهده شده در عملکرد دیم محصولات گندم، جو، نخود و هندوانه توانمندتر است. در این مطالعه نقش عوامل اقلیمی دمای حداقل هوا و دمای حداکثر هوا در هر دو منطقه برای هر چهار محصول زراعی گندم، جو، هندوانه و نخود مشهود بود. درحالیکه تاثیر دو عامل رطوبت نسبی میانگین و ساعات آفتابی به دو محصول از هر منطقه محدود بود. شاید بتوان نقش کرانههای حداکثر و حداقل رطوبت نسبی هوا را بر عملکرد، نسبت به میانگین رطوبت نسبی، موثرتر دانست. همچنین تاثیرگذاری ساعات آفتابی را در قالب عوامل اقلیمی دمای هوا تفسیر نمود.
با توجه به حصول نتایج متفاوت در زمینه تعیین درصد مشارکت عوامل اقلیمی بر میزان عملکرد محصولات زراعی هر منطقه، پیشنهاد میگردد تحقیقات مشابه در مناطق دیگر برای سایر محصولات نیز انجام گردد.
منابع مورد استفاده
اسلامیان سس، مدرس ر و سلطانی س، 1385. گروهبندی مکانی خشکسالی با استفاده از شاخص استاندارد بارش در استان اصفهان. آب و فاضلاب، شماره 57. صفحه های 72 تا 75.
بذرافشان ج، خلیلی ع، ترابی ص و حجام س، 1388. ارزیابی تاثیر خشکسالی هواشناسی بر عملکرد محصول گندم دیم سرداری تحت شرایط محدودیت داده (مطالعه موردی ایستگاه سرارود کرمانشاه). همایش ملی بحران آب در کشاورزی و منابع طبیعی. 14 آبان ماه. دانشگاه آزاد اسلامی واحد شهر ری.
تقوی، ف و محمدی ح، 1386. بررسی دوره بازگشت رویدادهای اقلیمی حدی به منظور شناخت پیامدهای زیست محیطی‚ مجله محیط شناسی‚ سال سی وسوم، شماره 43. صفحه های11 تا20.
حسینی سمط، سیوسه مرده ع، فتحی پ و سیوسه مرده م، 1386. کاربرد شبکه های عصبی مصنوعی و رگرسیون چند متغیره در برآورد عملکرد گندم دیم منطقه قروه استان کردستان. پژوهش کشاورزی: آب و خاک و گیاه در کشاورزی،جلد7، شماره1. صفحه های 41 تا54.
حسینی ع و نصیری محلاتی م، 1387. اثر نوسانات دراز مدت درجه حرارت و بارندگی بر عملکرد زعفران
(Crocus sativus L.). مجله پژوهشهای زراعی ایران، جلد6، شماره1. صفحه های79 تا 88.
حیدری م، معروفی ص، سبزی پرور ع ا، میرمسعودی سش و قیامی ف، 1388. بررسی تأثیر روش محاسبه، طول دوره حداکثر نیاز آبی و سطوح احتمال در برآورد بهینه آب مورد نیاز گیاه (مطالعه موردی منطقه همدان). مجله پژوهش های حفاظت آب و خاک ، جلد 16، شماره 3. صفحه های 83 تا 112.
خلیلی ع و بذرافشان ج، 1382. ارزیابی کارایی برخی شاخصهای خشکسالی هواشناسی در نمونههای مختلف اقلیمی کشور. مجله نیوار. شماره48. صفحه های 79 تا 93.
دربندی ص، کاوه ف، فاخری فرد ا، صدقی ح و کمالی غع، 1386. معرفی یک شاخص جدید برای ارزیابی شدت خشکسالی کشاورزی بر پایه عملکرد نسبی محصول. مجله علوم کشاورزی. جلد13، شماره3. صفحه های 107 تا 123.
دینپناه، ع.، چیذری، م. و بدرقه، ع. 1388. بررسی عوامل موثر بر پذیرش تکنولوژی توسط گندمکاران شهرستان استان اصفهان. مجله علمی پژوهشی علوم کشاورزی. جلد3، شماره9. صفحه های 103 تا 116.
رحمانی ا، خلیلی ع و لیاقت عم، 1387. بررسی کمی تاثیر بر عملکرد محصول جو در آذربایجان شرقی بهروش رگرسیون چند متغیره. علوم و فنون کشاورزی و منابع طبیعی. سال 12، شماره 44. صفحه های 25 تا 36.
رضایی ع و سلطانی ا، 1382. مقدمهای بر تحلیل رگرسیون کاربردی (چاپ دوم). اصفهان. مرکز نشر دانشگاه صنعتی اصفهان. 306 صفحه.
زارع ابیانه ح و محبوبی عا، 1383. بررسیوضعیتخشکسالیوروندآندر منطقههمدانبراساسشاخصهای آماریخشکسالی. پژوهش و سازندگی. شماره64. صفحههای 1 تا 7.
زارع ابیانه ح، یزدانی و اژدری خ، 1388. مطالعه تطبیقی چهار نمایه خشکسالی هواشناسی بر پایه عملکرد نسبی محصول گندم دیم در استان همدان. پژوهشهای جغرافیایی. شماره69. صفحه های 35 تا 49.
زارع ابیانه ح، فرخی ا، وظیفه دوست م و اژدری خ، 1389. برآورد الگوی توزیع رطوبت خاک تحت آبیاری قطره ای درمزرعه پیاز. آب و خاک، جلد24، شماره6. صفحه های 1197تا 1209.
زارع ابیانه ح، بیات ورکشی م و دین پژوه ی، 1390. بررسی روندتغییراتشاخص خشکیدرنیمهجنوبی ایران. مجلهدانشآبوخاک. جلد21، شماره2. صفحه های 81 تا 92.
صلواتی ب، صادقی سج و تلوری ع، 1389. مدلسازی تولید رواناب حوضهای آبخیز استان کردستان با استفاده از متغیرهای فیزیوگرافی و اقلیمی. آب و خاک (علوم و صنایع کشاورزی). جلد24، شماره1. صفحه های 84 تا 96.
صمدی نقاب س، 1385. پیش بینی خشکسالی با روش ریزگردانی خروجی الگوهای GCM. مجله جغرافیا و توسعهی روستا، شماره8. صفحه های 193 تا 212 .
عرفانیان م، علیزاده ا و محمدیان آ، 1389. بررسی تغییرات احتمالی نیاز کنونی آبیاری گیاهان نسبت به ارقام مندرج در سند ملی آبیاری (مطالعه موردی: استان خراسان رضوی). نشریه آبیاری و زهکشی ایران. جلد3، شماره4. صفحههای 478 تا 492 .
عریضی ح ر و گلپرور م، 1388. سبک رهبری و رضایت شغلی: مقایسه رگرسیون گام به گام با رگرسیون ریج. فصلنامه روان شناسی ایرانی. سال6، شماره 21. صفحه های27 تا34.
عزیزی ق، 1379. النینو و دوره های خشکسالی - ترسالی در ایران. پژوهشهای جغرافیایی، شماره38. صفحههای71 تا84.
عزیزی ق و صفرخانی ع، 1381. ارزیابی خشکسالی و تأثیر آن بر عملکرد گندم دیم در استان ایلام با تأکید بر خشکسالیهای اخیر (1379-1377). جلد6، شمارههای2و25.صفحههای61 تا 77.
عزیزی ق و یاراحمدی د، 1382. بررسی ارتباط پارامترهای اقلیمی و عملکرد گندم با استفاده از مدل رگرسیونی (مطالعه موردی دشت سیلاخور). پژوهشهای جغرافیایی، شماره 44. صفحههای 23 تا 29.
عساکره ح، 1383. مدلسازی تغییرات مکانی عناصر اقلیمی. مطالعه موردی: پایش بارش سالانه استان اصفهان. فصلنامه تحقیقات جغرافیایی. سال 19، شماره 3. صفحههای213 تا231.
فرجزاده اصل م، کاشکی عر و شایان س، 1388. تحلیل تغییرپذیری عملکرد محصول گندم دیم با رویکرد تغییرات اقلیمی (منطقه مورد مطالعه استان خراسان رضوی). فصلنامه مدرس علوم انسانی. جلد13، شماره3. صفحههای227 تا 256.
کریمی و، کامکار حقیقی ع ا، سپاسخواه ع ر و خلیلی د، 1380. بررسی خشکسالی های هواشناسی در استان فارس. مجله علوم آب و خاک - علوم و فنون کشاورزی و منابع طبیعی.جلد5 ، شماره4. صفحههای 1 تا 11.
کمالی غع، 1376. بررسی اکولوژیکی توانایی های دیم زارهای غرب کشورازنظراقلیمی و با تأکید خاص برگندم دیم، رساله دکتری دانشگاه آزاداسلامی. واحد علوم و تحقیقات تهران، 152 صفحه.
مرجانی ع، فارسی م و رحیمی زاده م، 1385. بررسی تحمل به خشکی ده ژن و تیپ نخوددیم درمرحله جوانه زنی با استفاده از پلی اتیلن گلایکول 6000. ویژهنامه علمی پژوهشی.علوم کشاورزی. سال 12، شماره 1. صفحههای17 تا 29.
نصیری محلاتی م وکوچکی ع ر، 1384. اثرتغییراقلیم برشاخص های اگروکلیماتیک مناطق کشت گندم دیم درایران. مجله پژوهش های زراعی ایران،جلد 3، شماره 2. صفحههای291 تا 303.
یاراحمدی دو نصیری ب، 1383. به کارگیری مدل تلفیقی پانل در ارتباط با میزان عملکرد گندم دیم و پارامترهای اقلیمی: استان لرستان. نشریه مدرس علوم انسانی. جلد8، شماره4. صفحههای175 تا 190.
Boken K, Cracknell Pand Heathcote L, 2005. Monitoring and Predicting Agricultural Drought. First. ed., Oxford University Press Inc., London. 496 pp.
Brunini O, Pinto S, Zullo J, Barbano MBP, Camargo A, Rogerio B, Pedro M and Giuseppe P, 2000, Drought quantification and preparedness in Brazil- the example of Sao Paulo State. Pp. 89 –103. Proceedings of an Expert Group Meeting in Lisbon, Portugal.
Dinpashoh Y, 2006. Study of reference crop evapotranspiration in I.R. of Iran. Agricultural Water Management 84: 123- 129.
Duan Q Y, Sorooshian S and Gupta V K, 1994. Optimal use of SCE-UA global optimization method for calibrating watershed models. Journal of Hydrology 158: 265–284.
Hansen J W, Potgieter A and Tippett M, 2004. Using a general circulation model to forecast regional wheat yields in Northeast Australia. Agricultural and Forest Meteorology 127: 77–92.
Landau S, Mitchell R A C, Barnett V, Colls J J, Craigon J and Payne R W, 2000. A parsimonious, multiple-regression model of wheat yield response to environment. Agricultural and Forest Meteorology 101: 151–166.
Li A, Liang S, Wang A and Qin J. 2007. Estimating crop yield from multi-temproal satellite data using multivariate regression and neural network techniques. Photogrammetric Engineering and Remote Sensing 73(10):1149-1157.
Lobell D B, Ortiz Monasterio J I, Addams C L and Anser G P, 2002. Soil, climate and management impacts on regional wheat productivity in Mexico from remote sensing. Agricultural and Forest Meteorology 114: 31-43.
Lobell D; 2005. Analysis of wheat yield and climatic trend in Mexico. Field Crops Research 94: 250-256.
Razi M A and Athappilly K, 2005. A comparative predictive analysis of neural networks (NNs), nonlinear regression and classification and regression tree (CART) models. Expert Sys. With Appl. 29: 65-74.
Trnka M, Hlavinka P, Semeradova D, Dubrovsky M, Zalud Z and Mozny M, 2007. Agricultural drought and spring barley yields. Plant Soil Environment 53(7): 306–316.
Wheeler T R, Craufurd P Q, Ellis R H, Porter J R and Vara Prasad P V, 2000. Temperature variability and the yield of annual crops, Agriculture. Ecosystems and Environment 82:159–167.
[1] Nguyen index
[2] Ridj model
[3] Koppen climatic classification
[4] Semi-arid
[5] Marginal climate
[6]Percentage of normal precipitation index
[7]Standard index of annual precipitation
[8]Converted selenianov hydrothermal index
[9]Nguyen index
[10]Rainfall anomaly index
[11]Shashko moisture drought index
[12]Transeau index
[13]Kolmogorov-Smirnov
[14]Run Test
[15]Step wise
[16]Enter
[17]Ridge
[18]Correlation of coefficient
[19]Normal root mean square error
[20] Evapotranspiration
)