حمید زارع ابیانه

کشور ایران دارای اقلیم خشک و نیمه خشک است که ریزش های کمِ جوی، رگبارهای شدید، وقوع جریان های سیلابی و تبخیر (تبخیر تعرق) زیاد از ویژگی های آن به شمار می آید. پژوهش حاضر سعی در ارزیابی و پهنه بندی تبخیر تعرق گیاه مرجع (ETo) و ارائه آن در قالب نقشه های پهنه بندی و هم تبخیر تعرق (مرجع) به عنوان ابزاری اساسی برای مدیریت آب دارد. در این بررسی با گروه بندی مناطق هم اقلیم براساس اقلیم نمای یونسکو از میانگین های درازمدت متغیرهای اقلیمی 91 ایستگاه هواشناسی و داده های لایسیمتر، برای تعیین روش مناسب تخمین ETo استفاده شد. تبخیر تعرق گیاه مرجع برمبنای اطلاعات اقلیمی هر یک از ایستگاه ها به کمک نرم افزار RefET به 13 روش محاسبه شد. روش های محاسباتی شامل هفت روش ترکیبی بر پایه روش پنمن، دو روش دمایی، سه روش تشعشعی ـ دمایی و یک روش تشعشعی بودند. مناسب ترین روش محاسباتی از بین 13 روش، در مقایسه با مقادیر تبخیر تعرق لایسیمتری در هر اقلیم انتخاب شد. انتخاب روش محاسباتی براساس آماره های ضریب تبیین (2R)، جذر میانگین مربعات خطا (RMSE) و میانگین خطای اریبی (MBE) صورت گرفت. مقادیر RMSE، MBE و 2R در 9 ایستگاه لایسیمتری به ترتیب 1/1 میلی متر در روز، 23/0- میلی متر در روز و 85/0 به دست آمد، که نشان دهنده دقت مناسب کار در گستره جغرافیایی کشور ایران است. در نهایت هر یک از روش های محاسباتی انتخاب شده، برای سایر ایستگاه های هم اقلیم فاقد مقادیر لایسیمتری مبنای برآورد ETo قرار گرفتند. نتایج نشان داد که روش های با پایه پنمن در اکثر مناطق ایران مناسب ترین روش برای برآورد ETo به شمار می آیند. در ترسیم نقشه هم تبخیر تعرق مرجع (ISOETo) و پهنه بندی آن براساس نقشه های توپوگرافی رقومی شده، اطلاعات جغرافیایی ایستگاه های هواشناسی و بهره گیری از نرم افزارهای GIS و Surfer براساس داده های تبخیر تعرق مرجع روزانه صورت گرفت. نتایج پهنه بندی به روش کریجینگ، نشان داد میزان ETo در 23 درصد از سطح ایران که در مناطق مرتفع شمال کشور قرار دارند، کمتر از 48/4 میلی متر در روز است؛ و در مقابل 77 درصد از سطح کشور در پهنه ETo بیش از این مقدار تا سقف 70/10 میلی متر در روز قرار دارد. به نظر می رسد که پراکنش مناسب زمانی و مکانی بارش های مناطق شمالی، رطوبت نسبتاً بالا و برودت هوا در کاستن از پتانسیل تبخیر تعرق این مناطق نقش اساسی دارد. در مجموع وجود بی نظمی و نوسانات زیاد در سری های زمانی بارندگی سالانه از عوامل اصلی کمبود منابع آب و به تبع آن افزایش تبخیر تعرق در مناطق خشک و نیمه خشک ایران است.

تبخیر و تعرق گیاه مرجع (ET0) به عنوان یکی از پارامترهای مهم در طراحی سیستم های آبیاری توسط اندازه گیری مستقیم (لایسیمتری) و یا به طور غیر مستقیم (معادلات تجربی) برآورد میشود. در شرایط عدم دسترسی به داده های دقیق لایسیمتری میتوان از روش پنمن مانتیث فائو(PMF) به عنوان روش استاندارد، برای ارزیابی نتایج سایر روش های تجربی استفاده کرد. در تحقیق حاضر با ضرب داده های چهارده ساله (1994-2007) تشت تبخیر ایستگاه هواشناسی آمل در مقادیر محاسبه شده ضریب تشت از طریق معادلات گوناگون نظیر کوئنکا (Cuenca)، آلن پروت (Allen and Pruitt)، اشنایدر(Snyder)، اشنایدر اصلاح شده (Modified Snyder)، اورنگ (Orang)و فائو (FAO) مقادیر ET0 محاسبه شد، و نتایج آن با مقادیر محاسبه شده از روش پنمن مانتیث فائو مقایسه گردید. سپس حساسیت مدل های فوق با ایجاد 10±، 20± و 30± درصد تغییر در پارامترهای ورودی سرعت باد و رطوبت نسبی مورد بررسی قرار گرفت. بررسیهای نشان داد که برای محاسبه ET0 روزانه از داده های تبخیر از تشت به ترتیب روش های کوئنکا، اشنایدر، آلن پروت و اورنگ پیشنهاد میگردد. برای محاسبه ضریب تشت در دوره های 10 روزه میتوان به ترتیب از روش های کوئنکا، اشنایدر و آلن پروت استفاده نمود. بررسیها نشان داد که برای تعیین ET0 ماهانه از داده های تبخیر از تشت به ترتیب روش های اشنایدر، کوئنکا و آلن پروت مناسب تر میباشند. نتایج تحلیل حساسیت نشان میدهد که حساسیت روش های اورنگ، آلن پروت و اشنایدر اصلاح شده نسبت به تغییرات پارامترهای ورودی کمتر از سایر روش ها است. با استناد به نتایج آماری و تحلیل حساسیت از بین روش های فوق مدل های آلن پروت و اشنایدر اصلاح شده برای برآورد ضریب تشت در منطقه آمل و سایر مناطق دارای اقلیم یکسان با آن منطقه مناسب میباشند

کسب اطلاعات لازم در خصوص نیترات در منابع آب زیرزمینی مستلزم اندازه گیریهای دقیق دوره ای است که با وجود اندازه گیری آن در برخی مناطق، به علت حساسیت های اجتماعی و سلامتی جامعه گزارش نمیشود. بنابراین مدل سازی آن به علت اطلاع از وضعیت کیفی آب هر منطقه ضروری به نظر میرسد. هدف این مطالعه استفاده از روش شبکة عصبی مصنوعی در برآورد نیترات و مقایسة آن با مقادیر اندازه گیری شده و بررسی تأثیرپذیری برآورد نیترات از تعداد و ماهیت اطلاعات ورودی به مدل شبکه عصبی بود. داده ها از آمار و اطلاعات کمی و کیفی 53 حلقه چاه آب زیرزمینی دشت همدان- بهار در دو گروه اطلاعات پرهزینه و کم هزینه، طی سالهای 1382 تا 1387 اخذ شد. در گروه اطلاعات پرهزینه از 13 متغیر مستقل شیمیایی به عنوان ورودی شبکه عصبی مصنوعی و در گروه کم هزینه از 7 و 8 متغیر به تفکیک برای مدل سازی نیترات استفاده شد. مقایسة نتایج آزمون هر سه آرایش، حاکی از توانایی بالای مدل شبکة عصبی در پیش بینی غلظت نیترات است. مقایسة میانگین خطاهای حاصل از هر سه مدل شبکه عصبی با آزمون t و آماره Z نشان داد که تفاوت معنیداری بین نتایج مدل ها وجود ندارد. بنابراین استفاده از اطلاعات گروه دوم در ورودی شبکه عصبی قابل توجیه است. مشخصه های ورودی مدل پیشنهادی شامل خصوصیات ژئومرفولوژی عمق استاتیک، عمق چاه، مختصات جغرافیایی و اطلاعات کیفی دما، pH ، هدایت الکتریکی نمونه های آب اندازه گیری شده است که موفق به پیش بینی غلظت نیترات با اطمینانی بیش از 80 درصد شد که مؤید کارایی مناسب مدل در آبخوان دشت همدان-بهار است

برای سنجش کمی خشکسالی هواشناسی از شاخص های استاندارد بارش (Z)، ناهنجاری بارش (RAI)، بارش استاندارد شده (SPI) و درصدی از نرمال (PNPI) براساس بارش های فصلی و سالانه 15 ایستگاه هواشناسی استان همدان استفاده شد. در بررسی تاثیرات خشکسالی هواشناسی بر کشاورزی نیز از شاخص عملکرد نسبی محصول گندم دیم استفاده گردید. بررسی ها نشان داد که شاخص های Z، RAI و SPI در مقیاس فصلی و سالیانه و شاخص PNPI در مقیاس فصلی، برآوردهای خوبی از شدت و تداوم خشکسالی ها ارائه دادند. شدت خشکسالی های رخداده ـ فارغ از نوع شاخص ـ بیشتر در حد متوسط و خفیف بود. شاخص های Z ، RAI و SPI روندی همسو با شاخص زراعی عملکرد نسبی گندم داشته است، اما شاخص SPI از نظر شدت خشکسالی های برآوردی با شاخص زراعی عملکرد نسبی همخوانی مطلوب تری داشت. نتایج نشان داد که منطقه همدان در هر 10 سال یک دوره خشکی دوسالانه داشته و در 30 سال گذشته نیز یک خشکسالی سخت و شدید را پشت سر گذاشته است. تعداد بالای خشکسالی می تواند ناشی از افزایش تعداد خشکسالی های کم شدت به واسطه کوتاه شدن دوره بازگشت باشد.

یکی از عوامل مهم برای استفاده بهینه از منابع موجود آب در بخش کشاورزی، تعیین آب مورد نیاز در سطح دشت های کشاورزی است و برای برآورد دقیق آن، به اطلاعاتی در خصوص وضعیت پوشش گیاهی، مانند میزان، پراکنش و دمای سطح پوشش گیاهی نیاز است که تهیه آنها به کمک سنجش از دور به سادگی انجام می شود. بنابراین در پژوهش پیش رو به کمک سنجش از دور، تراکم و پراکنش مکانی پوشش گیاهی و دمای پوشش سطح زمین در استان همدان تعیین شد. ابتدا با پیش پردازش اطلاعات 12 تصویر ماهواره Landsat 7 ETM+ (1381-1377)، ضریب بازتاب پوشش سطح زمین و ضریب تابش پوشش سطح زمین در باند های مختلف به دست آمد و شاخص گیاهی NDVI تعیین شد و تراکم و پراکنش پوشش گیاهی و دمای پوشش سطح زمین با استفاده از الگوریتم سبال برآورد گردید. برای تعیین دقت، مقادیر برآورد شده و دمای پوشش سطح زمین محاسبه شده از تصاویر ماهواره ای با مقادیر اندازه گیری شده در عمق 5 سانتی متری خاک در ایستگاه های هواشناسی مقایسه شدند. نتایج نشان داد که دمای سطح زمین برآورد شده از اطلاعات سنجش از دور مطابقت قابل قبولی با آمار ثبت شده در ایستگاه های هواشناسی دارد و بین مقادیر دمای پوشش سطح برآورد شده و اندازه گیری شده، اختلاف معنی داری دیده نمی شود. نتایج کلی نشان داد که الگوریتم سبال با ضریب همبستگی 75/0، ریشه میانگین مربعات خطای 4/5 درجه و میانگین خطای مطلق 2/4 درجه، از دقت قابل قبولی برخوردار است.

در بخش عظیمی از قاره ی آسیا، برنج تأمین کننده ی بیش از 80 درصد کالری مصرفی مردم است. تأمین نیاز آبی برنج، به عنوان گیاهی با ارزش غذایی و اقتصادی بالا، در بسیاری از اراضی شالیزاری امری مهم تلقّی می شود. در این مطالعه، تبخیر و تعرّق گیاه برنج در قالب طرحی دو ساله، با کشت دو رقم خزر و طارم به دو روش مستقیم (لایسیمتر) و غیرمستقیم (فائو) در منطقه ی آمل در استان مازندران مورد بررسی قرار گرفت. در راستای اندازه گیری های لایسیمتری و محاسبه های فوق، تبخیر و تعرّق گیاه مرجع از اندازه گیری های روزانه ی تشت تبخیر کلاس A و تعیین ضرایب اصلاحی تشت تبخیر به دست آمد. ضرایب اصلاحی تشت تبخیر از معادله های پژوهشگران مختلفی مانند کونیکا، آلن و پرویت، اشنایدر، اشنایدر اصلاح شده، اورنگ و کونیکا محاسبه شد. با بررسی نتایج لایسیمتری، تبخیر و تعرّق گیاه برنج در سال اوّل کشت 5/578 میلی متر و در سال دوم 6/481 میلی مترحاصل شد. نتایج مطالعه نشان داد، استفاده از روش پنمن مانتیث فائو در محاسبه ی تبخیر و تعرّق گیاه مرجع و اِعمال ضریب گیاهی تبخیر و تعرّق برنج در این منطقه، 5-4 درصد برآورد بیشتری نسبت به مقادیر اندازه گیری لایسیمتری دارد. براساس نتایج به دست آمده، روش اشنایدر برای تعیین ضریب تشت توصیه می شود. همچنین، استفاده از تشت تبخیر در برآورد تبخیر و تعرّق گیاه مرجع منطقه ی مورد مطالعه، مناسب است. مقایسه ی تبخیر و تعرّق برنج برآوردی، براساس داده های تشت تبخیر و ضریب تشت اشنایدر و اعمال ضریب گیاهی با مقادیر تبخیر و تعرّق واقعی برنج نشان داد، مقادیر برآوردی به طور میانگین 5/1 درصد نسبت به مقادیر واقعی کمتر است که مؤیّد دقّت مناسب مدل در برآورد تبخیر و تعرّق گیاه برنج در منطقه ی مورد مطالعه است. در مجموع یافته های پژوهش نشان داد با به کارگیری روش های مناسب تخمین تبخیر و تعرّق گیاه مرجع و اِعمال ضریب گیاهی، می توان تبخیر و تعرّق گیاه برنج را که برای مناطق مختلف کاربردی و مناسب است با دقّت مطلوب محاسبه کرد.

عنصر بارش ماهیت آشوبناکی و تصادفی داشته و از این نظر دارای تغییرات ساختاری در زمان­های مختلف است. در این راستا به­دلیل عدم قطعیت­هایی که وجود دارد، نوسان­های زیادی در مقدار بارش ایجاد می­شود که پیش­بینی این کمیت مهم را با مشکل مواجه نموده است. در این مقاله با تکنیک مقیاس­بندی مجدد (R/S) و محاسبه نمای هرست (H) پیش­بینی­پذیری بارش در سه منطقه شیراز، کرمان و مشهد انجام شد. نمای هرست نشان داد که پارامتر بارش قابلیت پیش­بینی­پذیری را دارد، زیرا H از 5/0 بزرگ­تر بوده و بمراتب به­مقدار 1 نزدیک­تر است. به­طوری­که نمای هرست از حداقل 8/0 در ایستگاه مشهد تا حداکثر 92/0 در ایستگاه شیراز در نوسان بود. به منظور پیش­بینی بارش از شبکه­های عصبی مصنوعی استفاده شد. نوع پارامترهای ورودی براساس آزمون همبستگی پیرسون از بین داده­های غیربارشی، ترکیبی از داده­های دمایی و رطوبتی بودند. تعداد پارامترهای ورودی، تعداد لایه­های میانی و سایر اطلاعات مربوط به شبکه عصبی مصنوعی به صورت تصادفی انتخاب و پیشنهاد شدند. در مجموع از شبکه­های عصبی پرسپترون چند لایه برای برآورد بارش استفاده شد. مقایسه عملکرد شبکه­های عصبی، نشان داد که استفاده از 3 و 4 پارامتر هواشناسی، بهترین رتبه برآوردگری را داشته­اند. آرایش­های پیشنهادی برای ایستگاه شیراز، 1-21-21-3، کرمان 1-25-25-3 و مشهد 1-19-19-4 دارای ضریب همبستگی بیش از 91 درصد شد. اعتبارسـنجی مدل­های بارش نشان داد که شـبکه­های طراحی شـده برای پارامتر بارش در ایستگاه­های مشهد، شیراز و کرمان به ترتیب با خطای 4، 11 و 14 درصد، دارای بهترین عملکرد بوده­اند. در مجموع نتایج نشان می­دهند که استفاده از روش شبکه عصبی با درنظر گرفتن اطلاعات دمایی و رطوبتی، نتایج مناسبی برای توصیف فرآیند و ترکیب آن­ها در پیش­بینی، به­دست می­دهند.

این مطالعه با هدف بررسی ارتباط بین پدیده ی انسو با میانگین دمای هوای ماهانه و فصلی نیمه ی جنوبی کشور، طیّ دوره ی 55 ساله (2005-1951) انجام شد. برای این کار از داده های دمای 12 ایستگاه سینوپتیک کشور، داده های شاخص نوسان های جنوبی (SOI) و شاخص انتقالی انسو (TNI) استفاده شد. ابتدا میزان همبستگی بین دمای هوا با هر دو شاخص انسو در دو گام زمانی ماهانه و فصلی بررسی و سپس تأثیرپذیری دمای هوا از فازهای گرم (النینو) و سرد (لانینا) پدیده ی انسو، به کمک شاخص درصد تغییرات دما بررسی شد. نتایج نشان داد، تعداد ایستگاه های دارای همبستگی معنادار دمای هوا با شاخص TNI، به مراتب بیش از شاخص SOI بود. همچنین در هر دو مقیاس زمانی، بیشترین همبستگی های معنادار از نوع منفی بود که بیانگر کاهش دمای هوا با افزایش مقادیر شاخص های انسو است. از سویی، براساس شاخص TNI، دمای هوای ماه ژانویه و برمبنای شاخص SOI، دمای هوای ماه اکتبر به عنوان ماه های تأثیرپذیر از پدیده ی انسو معرّفی شدند. در مقیاس فصلی نیز، در فصل تابستان اکثر ایستگاه ها همبستگی معناداری با شاخص انسو داشتند. حدود دامنه ی همبستگی میان مقادیر شاخص SOI با دما در تمامی ماه ها از حدّاقل 549/0- برای آگوست تا حدّاکثر 463/0+ در ماه اکتبر و 458/0- در ماه های آگوست و سپتامبر تا 512/0+ در ماه سپتامبر برای شاخص TNI بود. در مقیاس فصلی نیز دامنه ی همبستگی های SOI و TNI به ترتیب از 365/0- در فصل بهار تا 459/0+ در فصل پاییز و 530/0- تا 384/0 در فصل تابستان متغیّر بود. با مبنا قرار دادن شاخص TNI، درصد تغییرات دمای ایستگاه ها در هر یک از فازها نشان داد، در مقیاس فصلی، فاز لانینا منجر به افزایش 4 درصدی دمای فصل زمستان و در مقیاس ماهانه، فاز لانینا منجر به افزایش 8 درصدی دمای ماه دسامبر شد. در مجموع نتایج مؤیّد تأثیرپذیری قابل ملاحظه ی دمای هوا از پدیده ی انسو بود.

برای بررسی کارایی شبکه ی عصبی مصنوعی در شبیه سازی تغییرات سطح ایستابی سفره ی آب زیرزمینی دشت ملایر، از اطلاعات هواشناسی ایستگاه های تبخیرسنجی در سطح دشت، حجم آب برداشتی از سفره و مقادیر سطح ایستابی آن استفاده شد. از این اطلاعات، به عنوان ورودی شبکه ی عصبی مصنوعی نوع پرسپترون چندلایه در چارچوب چهار ساختار اطلاعاتی استفاده شد. ساختار اوّل، شامل میانگین اطلاعات دمای حدّاکثر هوا، دمای حدّاقل هوا، حدّاکثر رطوبت نسبی هوا، حدّاقل رطوبت نسبی هوا و میانگین تبخیر در مقیاس زمانی ماهانه و ارتفاع سطح ایستابی ماه پیش بود. در ساختار دوم از اطلاعات سطح ایستابی در یک، دو، سه و چهار ماه پیش استفاده شد. در ساختار سوم، افزون بر اطلاعات ساختار شماره ی دو، میانگین سطح ایستابی ماه مورد نظر و میانگین سطح ایستابی ماه پیش هم به کار گرفته شد. ساختار چهارم، براساس میانگین سطح ایستابی ماه مورد نظر، میانگین سطح ایستابی ماه پیش و اطلاعات هواشناسی ماهانه تعریف شد. ساختار سوم با آرایش 1-4-4-6، به عنوان ساختار مناسب با 9/1 درصد خطا در مقایسه با مقادیر واقعی پیشنهاد شد که نشان دهنده ی اهمّیّت به کارگیری عوامل سطح ایستابی سال های گذشته، در ورودی شبکه ی عصبی است. اجرای مدل بهینه ی شبکه ی عصبی، افت سطح ایستابی را 18/1 متر، به ازای 9/1 درصد خطا برآورد کرد. جذر میانگین مربّعات خطا در مدل بهینه ی شبکه ی عصبی با آرایش 1-4-4-6 بر مبنای قانون آموزش لونبرگ مارکوات و تابع محرک سیگموئید، در مقابل تغییرات واقعی سطح سفره 44/0 متر با ضریب تعیین 99/0 به دست آمد. با توجّه به دقّت مناسب مدل و روند کاهنده ی حاکم بر سفره، می توان استفاده از شبکه ی عصبی مصنوعی برای تصمیم گیری در مدیریت دشت را، به عنوان ابزاری با سرعت و دقّت مناسب در شبیه سازی سطح آب زیرزمینی دشت ملایر، توصیه کرد.

این مطالعه با هدف مدل سازی تغییرات مکانی پارامترهای کیفی آب زیرزمینی دشت همدان-بهار با روش های زمین آماری انجام شد. پارامترهای هدایت الکتریکی املاح محلول (EC)، pH، قلیائیت (SAR) و باقی مانده جامد املاح (TDS) از خصوصیات اصلی آب زیرزمینی انتخاب شدند. مدل سازی با استفاده از روش کریجینگ، روش معکوس فاصله وزنی و روش شبکه توابع پایه شعاعی انجام شد. برای انتخاب روش مدل سازی، دو آماره میانگین مجذور مربعات خطای نرمال (NRMSE) و میانگین خطای سوگیری (MBE) در قالب تکنیک اعتبارسنجی متقابل به کار گرفته شد. نتایج نشان داد روش کریجینگ با نیم تغییرنمای کروی در مدل سازی عوامل کیفی برتری دارد. مقدار NRMSE در نیم تغییرنمای کروی برای هر چهار عامل بین 95/0 تا 96/0 بود که نسبت به سایر نیم-تغییرنماها (96/0 تا 98/0) کمتر بود. کمترین خطای مدل سازی به پارامتر pH و بیشترین خطا معادل 42/0=NRMSE و 01/0-=MBE به پارامتر EC تعلق داشت. بر همین اساس پهنه بندی ها به منظور درون یابی عوامل کیفی در سطح آبخوان و برون یابی عوامل کیفی براساس اطلاعات آبخوان در سطح دشت صورت گرفت. پهنه بندی تغییرات مکانی نشان داد مقادیر EC و TDS دارای روند تغییراتی مشابه است. یکی از دلایل اصلی تشابه تغییرات EC با TDS ارتباط خطی این دو پارامتر است. نتایج پهنه بندی نشان داد مقادیر EC، TDS و SAR، از امتداد جنوب شرق به شمال شرق کاهش یافته است؛ به طوری که مقادیر SAR از بازه 8/2-9/1 به 2/1 – 8/0، EC از بازه 3/2395 – 4/1266 به بازه 5/823-3/483 میکروموس بر سانتی متر و TDS از بازه 3/1591-3/826 به بازه 2/526-7/295 میلی گرم بر لیتر کاهش یافت. تغییرات پارامتر pH غیریکنواخت تر از سه پارامتر دیگر بوده و حداکثر آن در ناحیه شمال غربی دشت در بازه 93/7 تا 75/7 است. هم چنین نتایج حاصل بیان گر دقت کمتر روش زمین آمار در برآورد پارامترهای کیفیت آب زیرزمینی در نقاط حداکثر بود. در مجموع می توان اظهار داشت با داشتن مقادیر یک کمیت کیفی آب در یک نقطه می توان مقدار همان کمیت را در نقطه ای دیگر با مختصات معلوم با دقت بالا برآورد نمود.

پژوهش حاضر با هدف پیش بینی میزان عملکرد گندم آبی و دیم با روش های زمین آمار کریجینگ و شبکه ی عصبی مصنوعی در سطح استان خراسان رضوی انجام گرفت. بدین منظور نخست مشخّصات طول و عرض جغرافیایی هفده شهرستان مورد مطالعه، به عنوان ورودی های هر دو روش تعریف شد. خروجی هر روش نیز مقدار عملکرد گندم آبی و دیم هر شهرستان بود. در بخش زمین آمار سه روش کریجینگ معمولی، کریجینگ ساده و کریجنگ عمومی و در بخش شبکه ی عصبی مصنوعی، ساختار پرسپترون سه لایه با الگوریتم پس انتشار خطا، مورد ارزیابی قرار گرفت. نتایج نشان دادند در بین روش های زمین آمار، روش کریجینگ ساده با نیم تغییرنمای دایره ای در پیش بینی عملکرد گندم آبی با مجذور میانگین مربّعات خطای نرمال 120/0 و روش کریجینگ معمولی با نیم تغییرنمای نمایی و مجذور میانگین مربّعات خطای نرمال 348/0 در پیش بینی عملکرد گندم دیم مناسب بود. مقایسه ی نتایج زمین آمار و شبکه ی عصبی مصنوعی بیانگر توانایی بالای شبکه ی عصبی در مقابل روش زمین آمار کریجینگ بود، به طوری که در شبکه ی عصبی مصنوعی عملکرد گندم دیم و آبی به ترتیب با 46 و 42 درصد خطای کمتر نسبت به روش زمین آمار برآورد شد. همچنین محاسبه ی شاخص ویلموت نشان داد دقّت شبکه ی عصبی در پیش بینی عملکرد گندم دیم، 81 درصد و در گندم آبی 65 درصد بود. در حالی که شاخص ویلموت برای پیش بینی عملکرد گندم دیم و آبی به روش زمین آمار، به ترتیب 53 درصد و 50 درصد به دست آمد. درمجموع می توان چنین نتیجه گرفت که روش شبکه ی عصبی مصنوعی با تلفیق دو عامل طول و عرض جغرافیایی، قادر به پیش بینی عملکرد گندم آبی و دیم پیش از برداشت با دقّت مناسب است.

در این تحقیق، با به کارگیری تبدیل موجک، به بررسی روش شبکة عصبی - موجک و زمین آمار در برآورد توزیع مکانی سه مؤلفة ارتفاع برف، چگالی برف، و ارتفاع آب معادل برف حوضه های آبریز شمال غرب کشور پرداخته شد. بدین منظور، با مدنظر قراردادن اطلاعات اندازه گیری چهارسالة (1387 1387 تا 1390 1391) سه استان آذربایجان شرقی، آذربایجان غربی، و اردبیل توانایی روش شبکة عصبی- موجک و زمین آمار ارزیابی شد. مقایسة روش های مختلف زمین آمار نشان از برتری روش کریجینگ معمولی با نیم تغییرنمای گوسین برای مؤلفه های چگالی برف، آب معادل برف، و ارتفاع برف با آمارة میانگین مجذور مربعات خطای استاندارد (NRMSE) به ترتیب 259 /0، 429 /0، و 390 /0 بود. با کاربرد روش شبکة عصبی- موجک خطای برآورد هر سه مؤلفه بسیار کاهش یافت؛ به طوری که مقدار NRMSE برای مؤلفه های چگالی برف، آب معادل برف، و ارتفاع برف به ترتیب 122 /0، 002 /0، و 001 /0 به دست آمد. ضمن آنکه دقت شبیه سازی نقاط حدی مؤلفه های برف به وسیلة روش شبکة عصبی- موجک افزایش یافت. بنابراین، کاربرد شبکة عصبی- موجک در مقایسه با زمین آمار در برآورد توزیع مکانی مشخصه های برف توصیه می شود.