مختصات جغرافیایی

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.

سابقه و هدف: تصمیم گیری و مدیریت مؤثر درزَمینه توسعه پایدار منابع طبیعی نیازمند دسترسی به اطلاعات دقیق و به روز اقلیمی است. این اطلاعات امکان بررسی نقش تغییرات اقلیمی را در موضوعات گوناگون مهیا می کنند و براساس آن، می توان راهکار های مدیریتی مؤثری را تدوین کرد. در این راستا، پارامتر دما یکی از مهم ترین شاخص های اقلیمی است که نقش محوری را در تحلیل ها و پژوهش های محیطی ایفا می کند. با توجه به نقش اساسی دما در موضوعات گوناگون، دسترسی به داده های دمایی دقیق و جامع اهمیت بسیاری دارد. این داده ها باید به گونه ای باشند که بتوانند تصویری واضح و کامل از الگوهای دمایی، در طول زمان، ارائه دهند. اما متأسفانه، داده های اقلیمی اغلب با مشکلاتی مانند انقطاع آماری و خطاهای اندازه گیری مواجه اند. این مشکلات ممکن است به تصمیم گیری های نادرست و برنامه ریزی های ناکارآمد منجر شوند. در این پژوهش، با استفاده از روش های آماری، سعی شده است داده های دمایی موجود و انقطاع های آماری آنها با استفاده از روش هایی ازجمله مختصات جغرافیایی (گرافیکی)، نسبت نرمال، ضریب همبستگی وزنی و میانگین حسابی که در تکمیل داده های اقلیمی شناخته شده و پرکاربردند، تحلیل و ارزیابی شود. انتخاب روش مناسب از میان این روش ها می تواند دقت تخمین داده های دمایی را افزایش دهد و در تصمیم گیری های مبتنی بر داده های جامع تر و معتبرتر، نقش اساسی داشته باشد. درنَهایت، هدف از این پژوهش معرفی بهترین روش برای تخمین اطلاعات و رفع انقطاع آماری است که پژوهشگران، مدیران و سیاست گذاران را درزَمینه توسعه پایدار و درک بهتر شرایط اقلیمی و اتخاذ تصمیماتی هوشمندانه تر و مؤثرتر، یاری خواهد کرد.مواد و روش ها: در این پژوهش، به منظور رفع خلأ آماری، روش های شناخته شده و محبوب آمار کلاسیک شامل روش مختصات جغرافیایی، نسبت نرمال، ضریب همبستگی وزنی و میانگین حسابی، در تخمین داده های دمایی کشور ارزیابی شد. به منظور بررسی بهترین روش برای تکمیل اطلاعات مفقودی، از اطلاعات 125 ایستگاه استفاده شد. این ایستگاه ها دارای اطلاعات کامل (بدون هیچ گونه مفقودی)، درطول 21 سال (2020-2000 م.) بودند. ازآنجاکه محاسبات گسترده و زمان بر بودند، با انتخاب 10٪ این ایستگاه ها به صورت تصادفی با پراکندگی مکانی مناسب، عملیات پرکردن اطلاعات روی ایستگاه های منتخب انجام شد. اطلاعات ایستگاه های منتخب، در هر مرحله و به صورت جداگانه، حذف و براساس پنج ایستگاه مجاور خود، بازسازی شدند و به منظور ارزیابی روش های مذکور، از معیار های ارزیابی آماری ضریب تبیین (R2)، جذر میانگین مربعات خطا (RMSE) و میانگین انحراف مطلق (MAD) استفاده شد.نتایج و بحث: با ارزیابی نتایج حاصل از بررسی مقادیر محاسباتی ازطریق روش نسبت نرمال درمقابل مقادیر مشاهداتی، مشخص شد تمامی ایستگاه های مورد بررسی همبستگی بالایی دارند؛ این نکته بیانگر مقبولیت روش نسبت نرمال برای تخمین داده هاست. با توجه به مقادیر متوسط حاصل از ارزیابی نتایج، روش نسبت نرمال، ضریب همبستگی وزنی، مختصات جغرافیایی و میانگین حسابی به ترتیب، با مقدار RMSE معادل 05/3، 28/3، 30/3 و 51/3 درجه سلسیوس، اولویت بندی می شوند. بنابراین روش نسبت نرمال در میان سایر روش های مورد مطالعه از مقبولیت بیشتری برخوردار است و ازاین رو، در رفع مشکلاتی اعم از فقدان اطلاعات، خطای موجود در داده ها و همچنین گسترش دوره زمانی مطالعاتی، می توان از آن بهره برد.نتیجه گیری: در میان روش های مورد بررسی، روش نسبت نرمال به صورت کلی مقبولیت و کیفیتی بیشتر از دیگر روش ها دارد که توصیه می شود در پژوهش های آتی، در محدوده مطالعاتی مشابه، از این روش استفاده شود. در مراتب بعدی، به ترتیب روش مختصات جغرافیایی، همبستگی وزنی و میانگین حسابی قرار دارند. شایان توجه است، با اینکه سایر روش ها در مراتب اهمیت بعدی واقع شده اند، همچنان در برخی ایستگاه ها کارآیی مناسبی نشان می دهند؛ بنابراین در شرایط متفاوت، روش های متنوعی می تواند نیاز به ترمیم داده ها را رفع کند و با توجه به محدوده مورد مطالعه، باید بهترین روش انتخاب شود و به کار رود.