استفاده بهینه از آب آبیاری نیاز به برنامه ریزی دقیق آبیاری دارد و برآورد دقیق ضریب گیاهی به‌خصوص در مقیاس های وسیع پیش نیاز آن است. هدف از این تحقیق مقایسه برخی از رویکردهای پیش پردازش داده های ورودی به شبکه عصبی مصنوعی: رگرسیونی و کاهش داده (تحلیل مؤلفه های اصلی و چرخشی) در برآورد ضریب گیاهی با شاخص های NDVI، RI، TVI، MSAVI، SAVI، mTVI، EVI، MNDVI، TVX، NVSWI در جهت مدل‌سازی ضریب گیاهی گندم در استان آذربایجان شرقی بود. مقایسه عملکرد رویکرد کاهش داده و رگرسیون بیانگر کاهش معیارهای خطا در رویکرد کاهش داده بود، به عنوان نمونه درصد افزایش آماره RMSE از حالت چرخشی به رگرسیون 8/11 و از حالت تحلیل مؤلفه های اصلی به رگرسیون 7/22 بود. رویکردهای مورد استفاده در برآورد ضریب گیاهی از تخمین بیش برآوردی برخوردار بودند به طوری که میزان افزایش متوسط ضریب گیاهی دوره صحت سنجی از ضریب گیاهی فائو به رویکرد پیش پردازش با رگرسیون، تحلیل مؤلفه های اصلی و چرخشی به ترتیب 7/13، 7/6 و 6/4 درصد بوده است. بنابراین استفاده از چرخش در تحلیل کاهش داده میزان دقت تخمین را بالا می برد. کاهش 13/39 درصد ضریب همبستگی از شاخص MSAVI نسبت بهNDVI ، حاکی از این است که شاخص های توسعه یافته براساس شرایط منطقه در افزایش کارایی برآورد ضریب گیاهی با تصاویر ماهواره ای از اهمیت ویژه ای برخوردار هستند. تفاصيل المقالة

بررسی و پایش کاربری اراضی از پیش نیاز های اساسی در مطالعات حوضه آبخیز به‌شمار می آید چرا که برنامه ریزی مدیریتی منطقه ای وابسته به آگاهی در مورد نوع استفاده اراضی و تغییرات آینده است. در نتیجه مدل سازی و پیش بینی کاربری اراضی برای برنامه ریزی و مدیریت پایدار اراضی در آینده کشوری مانند ایران که بهره‌برداری از اراضی به سرعت در حال تغییر است، امری ضروری می باشد. در این راستا پژوهش حاضر، جهت آشکار سازی تغییرات کاربری اراضی در دوره زمانی 15 سال و مدل‌سازی تغییرات برای بیست سال آینده، با استفاده از تخمینگر انتقال مارکوف با اطلاعات تصاویر ماهواره لندست 7 و 8 برای حوضه آبخیز روضه چای ارومیه انجام شد. براساس الگوریتم طبقه بندی نظارت شده با روش بیش‌ترین احتمال، کاربری اراضی به‌صورت هفت کلاس باغ، اراضی آبی، اراضی دیم، مراتع، مناطق مسکونی، دریاچه و اراضی شور با متوسط ضریب کاپا 88/0 و دقت کلی 9/0 برای سال‌های 2000 و 2015 استخراج شدند. بررسی تغییرات 15 ساله نشان داد که تغییرات کاربری های وابسته به آب در منطقه طی بازه زمانی یاد شده، کاهش داشته است. مدل‌سازی تغییرات کاربری اراضی منطقه با استفاده از تخمینگر انتقال مارکوف حاکی از آن است که کاربری های باغ، اراضی آبی و دیم، روستانشینی و منابع آب کاهش و کاربری های مراتع و اراضی شور در منطقه افزایش خواهند یافت (از سال 2020 تا 2035 درصد افزایش مساحت مراتع 11/13، درصد کاهش مساحت های زراعت آبی و باغات 51/32 و اراضی دیم 56/17). نتایج بیانگر استفاده نادرست از منابع آب، خاک و کاهش حاصلخیزی خاک منطقه مورد مطالعه می باشد که نیاز به برنامه ریزی دقیق جهت تمرکز فعالیت های جامع مدیریتی را آشکار می سازد. تفاصيل المقالة

بررسی دقیق ساختار اصلی سری زمانی نقش مهمی در افزایش دقت پیش‌بینی مدل ARIMA دارد. هدف این تحقیق بررسی تاثیر جداسازی مدلسازی بخش خطی و غیر‌خطی سری زمانی در نتایج مدل ARIMA است. تفکیک مدلسازی سری‌های عملکرد محصول گندم و ذرت دانه‌ای (استان‌های کرمانشاه و اصفهان) در بخش خطی مربوط به مدل ARIMA بود و در بخش غیرخطی با رگرسیون بردار پشتیبان انجام گرفت(مدل هیبرید). نتایج مدلسازی می‌تواند تحت تاثیر نوع ترکیب مورد استفاده بخش غیر خطی در مدل هیبرید تغییر یابد، به‌عنوان نمونه در سری زمانی ذرت دانه‌ای در استان کرمانشاه مقدار RMSE در ترکیبی فقط با باقی‌مانده‌ها 52/1 و در ترکیبی با سری زمانی 03/15 برآورد شد. در سری زمانی گندم در استان اصفهان با مدل هیبرید میزان کاهش آماره‌های RMSE،MAE و UII به‌ترتیب برابر با 94/45، 29/52 و 46 درصد بود که بیانگر بهبود نتایج با مدل هیبرید و تفکیک مدلسازی بخش خطی و غیر‌خطی سری زمانی است. مقادیر GMER در هر چهار سری زمانی بزرگتر از یک بودند که حاکی از بیش‌برآورد مقادیر پیش‌بینی شده مدل هیبرید می‌باشد. مقایسه متوسط مقادیر آماره‌ها در دو استان حاکی از تاثیر نوع اقلیم در مبحث مدلسازی است چرا که متوسط مقادیر هر آماره در هر دو مدل ( ARIMA و هیبرید) و در هر دو محصول در استان اصفهان نسبت به کرمانشاه کاهش داشت (میزان کاهش RMSE و UII به ترتیب 72‌/24 و 24/12 درصد). بنابراین تفکیک مدلسازی بخش خطی و غیر‌خطی می‌تواند دقت نتایج مدل ARIMA را افزایش دهد. تفاصيل المقالة

شاخص‌های اقلیمی با آشکارسازی تنوع اقلیمی منطقه منجر به توسعه سیاست‌های مدیریتی در بخش کشاورزی، منابع آب و محیط زیست شده‌اند. عملکرد شاخص‌های دومارتن، ایوانف، باران موثر، ضریب بری، دمایی، درصد نرمال بارش، ناهنجاری بارندگی، پوشش گیاهی، خشکی و سیلیانینوف با استفاده از داده‌های 15 ایستگاه هواشناسی بررسی شد. تعیین شاخص اقلیمی موثر با استفاده از روش وزن‌دهی تجمعی ساده (SAW)‌،TOPSIS و ارزیابی همزمان معیارها و گزینه‌ها (SECA) انجام گرفت. تحلیل حساسیت روش SECA نسبت به ضریب β در نتایج تاثیر قابل توجهی داشت. براساس نتایج رتبه‌بندی سه روش تصمیم‌گیری چند معیاره، شاخص ایوانف در وضعیت اقلیمی حاد (با مقادیر حدی بالا و پایین) دارای عملکرد خوبی است و در سایر شرایط اقلیمی بهتر است همراه با شاخص اقلیمی دیگری استفاده شود. مقدار عددی شاخص درصد نرمال بارش در بیشتر ایستگاه‌‌ها حالت بیش برآوردی داشت. شاخص ناهنجاری بارندگی نیز وضعیت اقلیمی بیشتر ایستگاه‌ها را نزدیک به نرمال توصیف کرد. در تعیین شاخص اقلیمی موثر تعداد داده‌های هواشناسی، نوع ارتباط ریاضی آنها و چگونگی مرز بندی اقلیمی دارای اهمیت ویژه‌ای است. بیشترین مقدار شدت و درصد تغییرات در مورد روشSAW و SECA، TOPSIS و SECA بود. بیشترین تعداد رتبه‌های یک در سه روش تصمیم‌گیری چندمعیاره مربوط به شاخص‌های دومارتن، خشکی، پوشش گیاهی و سپس شاخص باران موثر است.

تفاصيل المقالة

پیش بینی بارندگی با دقت کم منجر به ضررهای قابل توجه در بخش های مختلف مانند کشاورزی، محیط زیست می شود. در این راستا تأثیر مدل های رگرسیون بردار پشتیبان (SVR)، برنامه ریزی بیان ژن (GEP) وروش گروهی مدل سازی داده ها (GMDH) در ارتقاء عملکرد مدل هیبرید مورد بررسی قرار گرفت که از داده های بارندگی ایستگاه های ارومیه و اصفهان با دو اقلیم متفاوت در بازه زمانی 1964-2019 استفاده شد. در مدل سازی بخش غیرخطی، ترکیب سوم با ترکیب بخش خطی، باقی مانده ها و داده های مشاهداتی در گام زمانی پیشین خطای کمتری داشت، به عنوان نمونه در ایستگاه اصفهان میزان کاهشRMSE از ترکیب 1 به 3،73/62 و میزان کاهش SMAPE از ترکیب 2 به 3 برابر با 79/62 درصد بود. مدل هیبرید نسبت به مدل استوکستیکی دارای عملکرد بهتری بود، به طوری که مقدار RMSE از مدل استوکستیکی به مدل هیبرید با SVR، GEP و GMDH در ایستگاه ارومیه به ترتیب 46/79، 34/68 و 77/75 درصد کاهش داشت. مدل برنامه ریزی بیان ژن نسبت به سایر مدل های مورد مطالعه دقت کمتری داشت (در ایستگاه ارومیه میزان کاهش UIIاز مدل GEP به SVR به ترتیب برابر با 5/32 و 62/15 درصد و در ایستگاه اصفهان میزان افزایش ضریب نش-ساتکلیف از مدل GEP به GMDH برابر با 38/22 بود). میزان ضریب نش-ساتکلیف در هر سه مدل در ایستگاه ارومیه بیشتر از اصفهان بود( متوسط میزان کاهش ضریب نش-ساتکلیف از ایستگاه ارومیه به اصفهان 22/6 درصد بود) ولی مقدار ضریب در هر دو ایستگاه در محدوده قابل قبول است. بنابراین انتخاب مدل کارا با ترکیب درست در مدل سازی بخش غیرخطی تأثیر چشمگیری در افزایش کارایی مدل هیبرید خواهد داشت. تفاصيل المقالة