تخمین نیاز آبیاری با استفاده از توابع توزیع احتمال (مطالعه موردی: گندم پائیزه)

اطلاعات اندک ناشی از شرایط اقلیمی غیرقابل ‌پیش‌بینی، به عدم قطعیت در تصمیم‌گیری‌های بخش کشاورزی منجر می شود. به همین دلیل، تحلیل‌های احتمالاتی با احتمال وقوع متفاوت ضمن افزایش انعطاف پذیری در تصمیم گیری‌ها، می‌تواند ضریب اطمینان تصمیمات را نیز بالا برد. در این تحقیق با بهره‌گیری از اطلاعات ایستگاه هواشناسی سینوپتیک تبریز نسبت به تعیین مقادیر بارش موثر و تبخیر تعرق گیاه موردمطالعه (گندم) در طول دوره های میانی و پایانی رشد در منطقه موردمطالعه (دشت تبریز) در دوره آماری 29 ساله (از سال 1982 تا 2010) اقدام شد. با تجزیه و تحلیل مقادیر بارش موثر و تبخیر تعرق به‌عنوان متغیر های احتمالاتی، روشی مطمئن برای تخمین نیاز آبیاری بر اساس توابع توزیع احتمال ارائه شد. با بررسی 12 تابع توزیع احتمال مختلف، مشخص شد که برای داده های بارش ماهانه با مقادیر بیش تر از 30 میلی متر، تابع توزیع لوگ نرمال سه پارامتری بهترین نتایج را به دست داد اما برای داده های تبخیر تعرق، تابع توزیع مشخصی به دست نیامد. هم چنین، یکی از مزیت‌های روش ارائه‌شده، به دست دادن فرمول‌های جامع برای برآورد مقدار نیاز آبیاری گیاه با ترکیبی از احتمالات وقوع متفاوت (برای دوره های مختلف رشد) است. نتایج به‌دست‌آمده هم چنین نشان داد که مقدار نیاز آبیاری گزارش‌شده در برنامه netwat که در واقع در سطح احتمال 50 درصد بوده و در بسیاری از طرح‌های آبیاری در ایران از آن استفاده می شود، با مقادیر محاسبه‌شده در این تحقیق متفاوت است. لذا با توجه به گزارش‌های مشابه در پژوهش های مختلف، استفاده از روش ارائه‌شده در این تحقیق به‌منظور تخمین دقیق تر نیاز آبیاری گیاه (در سطوح احتمالاتی مختلف) به‌ویژه برای شرایط بحرانی (تبخیر تعرق زیاد و بارندگی کم) و یا برای گیاهان حساس به تنش آبی (در سطح احتمال 80 درصد و یا بالاتر) توصیه می شود.

Estimation of Irrigation Water Requirement using Probability Distribution Functions (PDF (Case study: (TriticumAestivum L.)

Imperfect knowledge due to unpredictable climatic conditions leads to uncertainty in decision making in agriculture. Therefore, a probabilistic analysis of the various possibilities besides increasing flexibility in decisionmaking can also enhance the reliability of decisions. Using Tabriz Synoptic station’s data, the values ofthe crop (TriticumAestivum L.) evapotranspiration and effective rainfall in mid to late season in the study area (Tabriz plain) were estimated. Analyzing the effective rainfall and crop evapotranspiration as probabilistic variables, a reliable method for estimating the irrigation water requirement was described using the “probability distributionfunctions”.By examining 12 different probability distribution function, it was found that the log normal distribution function achieves the best results for the monthly precipitation data with values greater than 30 mm, but there is no unique probability distribution function for evapotranspiration data.This method can also provide a general formula for calculations of irrigation water requirement with different probability levelsduringthe growing season. Results showed thatthe reported values of irrigation requirement in the NETWAT program that is atthe 50 % probability level andused in most of irrigation projects in Iran, were different the calculated values in this study.According to similar reports in different researches, the represented method is recommended for more precise estimation of irrigation water requirements (with different probabilities) especially in critical situations (with high evapotranspiration and low rainfall values) or for crops that are sensitive to water stress in 80% probabilitylevelor higher.