توسعه توابع تولید غلات مهم دشت قزوین در شرایط کم آبی و تنش شوری با استفاده از مدل Aquacrop و شبکه عصبی مصنوعی

در بهره‌برداری از آب‌های با کیفیت پایین در مناطق خشک و نیمه خشک، مدیریت آبیاری برای افزایش بهره‌وری مصرف آب ضروری می‌باشد. 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 می‌تواند 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 شبکه‌ی 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.

Development of Production Functions for Important Cereals of Qazvin Plain under Water Shortage and Salinity Stress Using AquaCrop Model and Artificial Neural Network

In exploitation of lowquality water in arid and semiarid regions, irrigation management is essential to increase water use efficiency. Determination of cropwatersalinity production function is an essential tool for proper irrigation management. In this study, the AquaCrop model was first evaluated by considering 4 soil and water salinity levels and 4 deficit irrigation levels for the major cereal crops including wheat, barley, and corn in Qazvin Plain. The results showed that the coefficients of determination for wheat, barley, and corn yield were 0.97, 0.86 and 0.91, respectively. Therefore, the model can evaluate the performance in salinity and deficit irrigation conditions with a good approximation. To determine the optimal production functions of each crop, the results of the plant model were compared with three models of linear and nonlinear regression, and artificial neural network. The neural network model was able to estimate the performance compared to the AquaCrop model with lower error and higher correlation (0.99). These values in the linear function for wheat, barley, and corn were 0.98, 0.95, and 0.78 and in the nonlinear function as 0.92, 0.86 and 0.81, respectively. Also, the error calculated in the neural network method for wheat, barley, and maize was 40.16, 62.09, and 57.08 kg, respectively, which were less than the linear model by 75 %, 70 %, and 95 %; and less than the exponential model by 90 %, 85 %, and 93%, respectively. The best trained network for determining the watersalt production function for barley and wheat 5 Nero and for corn 7 Nero was introduced in the single layer structure. Sensitivity analysis on wheat and barley showed that this model had low sensitivity to irrigation and salinity parameters and only corn plant showed a moderate range sensitivity to salinity parameter.