توسعه توابع تولید غلات مهم دشت قزوین در شرایط کم آبی و تنش شوری با استفاده از مدل AquaCrop و شبکه عصبی مصنوعی
در بهره برداری از آب های با کیفیت پایین در مناطق خشک و نیمه خشک، مدیریت آبیاری برای افزایش بهره وری مصرف آب ضروری می باشد. تعیین تابع تولید آب- شوری- عملکرد ابزار مهمی برای مدیریت آبیاری است. در این پژوهش، توانایی مدل گیاهی AquaCrop در مدیریت های مختلف آبیاری و در سطوح مختلف شوری برای غلات عمده دشت قزوین شامل گندم، جو و ذرت ارزیابی شد. نتایج بررسی، ضریب تبیین را برای عملکرد گندم، جو و ذرت به ترتیب 0/97، 0/86 و 0/91 نشان داد. بنابراین مدل مزبور در شرایط شوری و کمآبیاری با تقریب خوبی می تواند عملکرد را ارزیابی نماید. برای تعیین توابع تولید بهینه هر محصول نتایج مدل گیاهی با سه مدل رگرسیون خطی، غیرخطی و همچنین شبکه عصبی مصنوعی مقایسه گردید. نتایج نشان داد که مدل شبکه عصبی توانست عملکرد را نسبت به مدل AquaCrop با همبستگی بالا (0/99) برآورد نماید. در صورتی که این مقادیر در تابع خطی برای گیاه گندم و جو و ذرت به ترتیب0/98، 0/95، 0/78 و در تابع نمایی 0/92، 0/86 و 0/81 بود. همچنین، خطای محاسبه شده در روش شبکه عصبی برای گیاه گندم، جو، ذرت به ترتیب 40/16، 62/09 و 87/08 کیلوگرم بود که این میزان به ترتیب در مقایسه با مدل خطی 75%، 70% و 95% و نسبت به مدل نمایی 90%، 85% و 93% کاهش داشت. بهترین شبکه آموزش دیده برای تعیین تابع تولید آب- شوری برای جو و گندم پنج نرون و برای ذرت هفت نرون در ساختار شبکه ی تک لایه معرفی گردید. تحلیل حساسیت به کار رفته برای گیاهان گندم وجو نشان داد که مدلهای رگرسیون خطی، نمایی و شبکه عصبی نسبت به پارامتر مقدار آب آبیاری و میزان شوری آب و خاک حساسیت کم دارند و تنها حساسیت گیاه ذرت نسبت به پارامتر شوری خاک در محدوده متوسط قرار گرفت.
تحلیل حساسیت ، گندم ، جو ، ذرت ، مدیریت آبیاری
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.