Evaluating Roles of Drought and Climatic Factors on Variability of Four Dry Farming Yields in Mashhad and Birjand

Document Type : Research Paper

Author

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.
Roman";c� frp��@�-family:"Times New Roman";mso-hansi-font-family: "Times New Roman";color:black;mso-ansi-language:EN-US;mso-fareast-language: EN-US;mso-bidi-language:FA'>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.

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

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.