شبیه‌ سازی عملکرد گندم دیم با استفاده از شاخص ‌های خشکسالی و با بکارگیری روش شبکه عصبی مصنوعی، جنگل تصادفی و رگرسیون بردار پشتیبان (مطالعه موردی: شهرستان سقز)

خشکسالی می‌تواند بر کشاورزی، به ویژه کشاورزی دیم به دلیل وابستگی زیاد به آب باران تاثیر بگذارد و در نتیجه امنیت غذایی و حفاظت اجتماعی را به خطر بیندازد. در این پژوهش به بررسی ارتباط بین شاخص‌های خشکسالی spi و spei با عملکرد گندم دیم 5 مزرعه در شهرستان سقز طی دوره 2020-2001 با شبکه عصبی، جنگل تصادفی و رگرسیون بردار پشتیبان پرداخته شد. برای محاسبه شاخص‌های خشکسالی spi و spei از بارش trmm و تبخیر تعرق cru استفاده شد. مدل aquacrop با داده‌های مشاهداتی طی دوره 2020-2015 کالیبره شد و سپس عملکرد  مزارع برای دوره 2020-2001 با مدل aquacrop شبیه‌سازی شد. میانگین عملکرد مزارع با میانگین عملکرد گندم دیم کل شهرستان سقز ارزیابی شد و نتایج نشان داد داده‌های شبیه‌سازی شده با مدل، همبستگی (r^2=0.90) خوبی با میانیگن عملکرد گندم دیم شهرستان سقز دارند. به منظور بررسی ارتباط بین شاخص‌های خشکسالی و عملکرد گندم دیم شش سناریو تعریف شد. نتایج ارزیابی ارتباط بین شاخص‌های spi و spei با عملکرد گندم دیم نشان داد که روش شبکه عصبی و جنگل تصادفی در همه سناریوها به جز سناریو سه با احتمال معنی‎داری %95 (0/0=p-value) و ضریب تبیین بیش از 0/70 در مرحله train و مقدار بالای شاخص نش- ساتکلیف و مقدار اندکی کم برآورد، تخمین مناسبی از عملکرد محصول گندم دیم داشته است و ارتباط معنی‎داری بین شاخص‌های خشکسالی spi و spei با عملکرد گندم دیم در منطقه مورد مطالعه وجود دارد. نتایج این تحقیق، کاربرد مفیدی در مدیریت و برنامه‌ریزی توسعه کشت گندم دیم بر اساس شرایط اقیلمی در آینده خواهد داشت.

simulation of rainfed wheat yield using drought indices by employing artificial neural network, random forest and support vector regression (case study: saqqez city)

drought can significantly affect agriculture, especially rainfed agriculture which is highly dependent on precipitation, and thereby threaten the food security and social protection. in this study, the correlation between drought indices, spi and spei, and the rainfed wheat yield was investigated in 5 fields in saqqez city during the period of 2001-2020 using neural network, random forest, and support vector regression. trmm precipitation and cru evapotranspiration were used to calculate the drought indices spi and spei. the aquacrop model was calibrated with observational data in period 2015-2020 and then each field performance was simulated with the aquacrop model for the period 2001-2020. the average yield of the fields was evaluated versus the average rainfed wheat yield of the entire saqqez county and the results showed that the data simulated with the model had a good correlation (r2=0.90) with the latter. in order to investigate the relationship between drought indices and rainfed wheat yield, six scenarios were defined. the results showed that the neural network and random forest method with a significant probability of 95% (p-value=0.0) and an explanatory coefficient of more than 0.70% in train stage, the high value of nash sutcliffe index and a small amount of underestimation had a good estimate of the rainfed wheat yield. also, there is a significant relationship between drought indices, spi and spei, and the rainfed wheat yield in the study area. the results of this research will be useful in managing and planning the development of rainfed wheat cultivation based on the future climatic conditions.