ارزیابی ریسک خشکسالی زعفران با استفاده از روش مونت کارلو

نوع مقاله: مقاله علمی پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد مهندسی منابع آب، دانشکده کشاورزی، دانشگاه بیرجند، ایران

2 دانشیار گروه مهندسی آب دانشکده کشاورزی، دانشگاه بیرجند، ایران

3 استادیار گروه مهندسی آب دانشکده کشاورزی، دانشگاه بیرجند، ایران

10.22048/jsat.2018.119530.1286

چکیده

تغییرات اقلیمی و پدیده‌هایی از جمله خشکسالی در میزان عملکرد محصولات کشاورزی موثر هستند. یکی از راهکارهای مقابله با این پدیده‌ها، جایگزینی مدیریت ریسک به جای مدیریت بحران است، به­طوری­که با ارزیابی ریسک، قبل از وقوع بحران، میزان خسارت‌ها به حداقل می‌رسد. در این پژوهش نیز در جهت کاهش خسارت‌های ناشی از خشکسالی به­عنوان پدیده‌ای طبیعی و غیر قابل کنترل، بر روی محصول زعفران، به ارزیابی ریسک خشکسالی با استفاده از روش شبیه‌سازی مونت­کارلو پرداخته شد. شاخص خشکسالی بارش استاندارد شده (SPI) ماهانه و میانگین دمای ماهانه به عنوان متغیرهای مستقل در تابع توزیع عملکرد محاسبه می‌شود. با کمک روش فراابتکاری شبکه عصبی مصنوعی (ANN)، ارتباط بین متغیرهای مستقل (دما و SPI) و متغیر وابسته (عملکرد محصول زعفران) برقرار می‌شود. سپس داده‌‌ی تصادفی از متغیرهای مستقل ساخته می‌شود و با شبکه عصبی مصنوعی آموزش یافته، 2000 عملکرد شبیه‌سازی شده تولید می‌گردد. انتخاب یک ایستگاه مرجع و با استفاده از توزیع تجمعی به دست آمده، عامل ریسک محاسبه شد و با رسم نمودار عامل ریسک-عملکرد استاندارد، ریسک نسبی ایستگاه‌های مورد مطالعه بررسی شده است. نتایج به­دست آمده از این پژوهش نشان داد که بیشترین سال‌های مورد مطالعه در محدوده نرمال قراردارند و فراوانی خشکسالی در چهار ایستگاه خراسان جنوبی دو برابر ایستگاه‌های مورد مطالعه در خراسان رضوی می‌باشد. همین­طور شبکه عصبی مصنوعی با ضریب همبستگی 85/0 توانست به خوبی عملکرد را پیش‌بینی نماید. در پایان بر اساس نتایج به­دست آمده از نمودار ریسک-عملکرد استاندارد، ایستگاه‌های قاین، بیشترین و نهبندان کمترین ریسک نسبی نسبت به ایستگاه مرجع (تربت­حیدریه) را  داشتند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Drought risk assessment of Saffron by Montcarlo method

نویسندگان [English]

  • Seeboyeh Aghamohamadi 1
  • abbas khashei 2
  • Ali Shahidi 2
  • Sayyed Reza Hashemi 3
1 MSc student in Water Resources Engineering, Agriculture Faculty, University of Birjand, Iran
2 Associate Professor of Water Engineering,Dpt University of Birjand, Iran
3 Assisstante Professor of Water Engineering,Dpt. University of Birjand, Iran
چکیده [English]

Climate changes and phenomena such as drought are effective in the yield of agricultural products. Replacing crisis management with risk management is one of the solutions for these phenomena. With risk assessment before crisis, the amount of damages will be reduced to the minimum amount. In this research, the risk assessment of drought by Monte Carlo method will be used in order to reduce the damages caused by drought as a natural and uncontrollable phenomenon on saffron product. The monthly Standardized Precipitation Index (SPI) of drought and the monthly average temperature are calculated as independent variables in the yield distribution function. The relationship between independent variables (temperature and SPI) and dependent variable (saffron yield) is established using Artificial Neural Network (ANN). After that, 2000 random data from independent variables are generated using MATLAB and 2000 simulated yields generated by a trained artificial neural network. Then, the cumulative distribution of the simulated yields are determined and these yields are standardized in order to unification of the yield data of each city. The risk factor is calculated by choosing a reference station and using the cumulative distribution. The relative risks of the stations are considered after drawing the diagram of Yield-Risk standard factor. The results of the research show that most of the studied years are in normal range and the drought frequency in the four stations of Khorasan Jonoobi province is twice the stations in Khorasan Razavi. Furthermore, the artificial neural network with a correlation coefficient of 0.85 could predict the yield of the product very well. The similarity of the cumulative distribution diagram of the real yield with the cumulative distribution of the yields simulated by Monte Carlo indicates that the results are correct. At the end The results of this research show that Ghayen has the highest relative risk compared to the reference station (Torbat-e- Heydariyeh) and Nehbandan has the lowest one.

کلیدواژه‌ها [English]

  • Risk Management
  • Standardized Precipitation Index (SPI)
  • Artificial neural network (ANN)
  • Simulate

Akbarpour, A., Khorashadizadeh, O., Shahidi, A., and, Ghochanian, E. 2013. Performance evaluation of artificial neural network models in estimate production of yield saffron based on climate parameters. Journal of Saffron Research 1 (1): 27-35. (In Persian with English Summary).

Alcamo, J., Dronin, N., Endejan, M., Golubev, G., and Kirilenko, A. 2007. A new assessment of climate change impacts on food production shortfalls and water availability in Russia. Global Environmental Change 17 (3-4): 429-444.

Barreto, H., and Howland, F. 2005. Introductory Econometrics: Using Monte Carlo Simulation with Microsoft excel. Cambridge University Press.

Coulibaly, P., Anctil, F., and Bobee, B. 1999. Hydrological forecasting with artificial neural networks: the State of the art. Canadian Journal of Civil Engineering 26 (3): 293-304.

Dutta, D., Kundu, A., Patel, N.R., Saha, S.K., and Siddiqui, A.R. 2015. Assessment of agricultural drought in Rajasthan (India) using remote sensing derived vegetation condition index (VCI) and standardized precipitation index (SPI). The Egyptian Journal of Remote Sensing and Space Science 18 (1): 53-63.

Agricultural Organization of South Khorasan. 2017. Agricultural organization of South Khorasan database. Available at Web site http://kj-agrijahad.ir/dbagri/baghebani.

Khashei, S.A., Kouchakzadeh, M., and Ghahraman, B. 2011. Predicting Dryland Wheat Yield From Meteorological Data Using Expert System, Khorasan Province, Iran.

McKee, T.B., Doesken, N.J., and Kleist, J. 1993. The relationship of drought frequency and duration to time scales. In Proceedings of the 8th Conference on Applied Climatology, 17 (22): 179-183. Boston, MA: American Meteorological Society.

Mirzaei Nadooshan, F., Morid, S., and Arshad, S. 2011. Agriculture drought risk in the cities of Kermanshah province. Journal of Agricultural Engineering Research 11 (3): 1-14. (In Persian with English Summary).

Moradi, A.R., Sharifi, M.A. 2016. The analysis of precipitation time series related to Iran’s main catchments using fourier and wavelet transforms. Geospatial Engineering Journal 7: 137-145.

Mosaedi, A., and Ghabaei Sough, M. 2012. Modification of standardized precipitation index (SPI) based on relevant probability distribution function. Journal of Water and Soil 25 (5): 1206-1216. (In Persian with English Summary).

Nekouei, N., Behdani, M.A., and Khashei Siuki, A., 2014. Predicting saffron yield from meteorological data using expert system, Razavi and South Khorasan province, Iran. Journal of Saffron Research 2 (1): 13-31. (In Persian with English Summary).

Quirogua, S., and Iglesias, A. 2007. Methods for drought risk analysis in agriculture. Options Méditerranéennes 58: 103-113.

Shaha, R., Bharadiya, N., and Manekar, V. 2015. Drought index computation using Standardized Precipitation Index (SPI) method for Surat district. Gujarat. Aquatic Procedia 4: 1243-1249.

 Shahidi, A., and Dowlatabadi, S. 2017. Assessment of use of wastewater treatment of Birjand university in order to fulfill the objectives of the Green university. 1st National Conference on Green University, Bushehr, Iran.

Zare Abyaneh, H. 2013. Evaluating roles of drought and climatic factors on variability of  four dry farming yields in Mashhad and Birjand. Journal of   Water and Soil Science 23 (1): 39- 56.  (In Persian with English Summary).

Shahiyan, R., Jame, A., Ariyanfar, R.,  Haghighat, M., and Dehghan, H. 2009. Drought crisis density zone Fars province using Standardized Precipitation Index SPI and GIS. Jornal of Water Resources Engineering 2 (4): 33-42. (In Persian).