ارزیابی ریسک خشکسالی زعفران با استفاده از روش مونت کارلو

تغییرات اقلیمی و پدیده‌هایی مانند خشکسالی بر عملکرد محصولات کشاورزی تأثیرگذار هستند. جایگزینی مدیریت بحران با مدیریت ریسک یکی از راهکارهای مقابله با این پدیده‌ها است. با ارزیابی ریسک پیش از بحران، میزان خسارات به حداقل کاهش می‌یابد. در این تحقیق، ارزیابی ریسک خشکسالی با استفاده از روش مونت کارلو به منظور کاهش خسارات ناشی از خشکسالی به عنوان یک پدیده طبیعی و غیرقابل کنترل بر محصول زعفران انجام خواهد شد. شاخص بارش استاندارد ماهانه (SPI) خشکسالی و دمای متوسط ماهانه به‌عنوان متغیرهای مستقل در تابع توزیع عملکرد محاسبه می‌شوند. رابطه بین متغیرهای مستقل (دمای هوا و SPI) و متغیر وابسته (عملکرد زعفران) با استفاده از شبکه عصبی مصنوعی (ANN) برقرار می‌شود. پس از آن، ۲۰۰۰ داده تصادفی از متغیرهای مستقل با استفاده از MATLAB تولید شده و ۲۰۰۰ عملکرد شبیه‌سازی شده توسط یک شبکه عصبی مصنوعی آموزش‌دیده ایجاد می‌شود.سپس، توزیع تجمعی بازده‌های شبیه‌سازی‌شده تعیین می‌شود و این بازده‌ها استاندارد می‌شوند تا یکسان‌سازی داده‌های بازده هر شهر انجام گیرد. عامل ریسک با انتخاب یک ایستگاه مرجع و استفاده از توزیع تجمعی محاسبه می‌شود. ریسک‌های نسبی ایستگاه‌ها پس از رسم نمودار عامل استاندارد بازده-ریسک بررسی می‌شوند. نتایج تحقیق نشان می‌دهد که بیشتر سال‌های مورد مطالعه در محدوده نرمال قرار دارند و فراوانی خشکسالی در چهار ایستگاه استان خراسان جنوبی دو برابر ایستگاه‌های خراسان رضوی است. علاوه بر این، شبکه عصبی مصنوعی با ضریب همبستگی 0.85 توانست بازده محصول را به‌خوبی پیش‌بینی کند. شباهت نمودار توزیع تجمعی بازده واقعی با توزیع تجمعی بازده‌های شبیه‌سازی‌شده با مونت کارلو نشان می‌دهد که نتایج درست هستند.در پایان، نتایج این تحقیق نشان می‌دهد که قاین بالاترین ریسک نسبی را در مقایسه با ایستگاه مرجع (تربت حیدریه) دارد و نهبندان کمترین آن را دارد.

Climate changes and phenomena such as drought are effective in the yield of agricultural products. Replacing crisis management with risk management is one of the solutions for these phenomena. With risk assessment before crisis, the amount of damages will be reduced to the minimum amount. In this research, the risk assessment of drought by the Monte Carlo method will be used in order to reduce the damages caused by drought as a natural and uncontrollable phenomenon on saffron product. The monthly Standardized Precipitation Index (SPI) of drought and the monthly average temperature are calculated as independent variables in the yield distribution function. The relationship between independent variables (temperature and SPI) and the dependent variable (saffron yield) is established using Artificial Neural Network (ANN). After that, 2000 random data from independent variables are generated using MATLAB and 2000 simulated yields are generated by a trained artificial neural network. Then, the cumulative distribution of the simulated yields are determined and these yields are standardized in order to do unification of the yield data of each city. The risk factor is calculated by choosing a reference station and using the cumulative distribution. The relative risks of the stations are considered after drawing the diagram of Yield-Risk standard factor. The results of the research show that most of the studied years are in the normal range and the drought frequency in the four stations of Khorasan Jonoobi province is twice that of the stations in Khorasan Razavi. Furthermore, the artificial neural network with a correlation coefficient of 0.85 could predict the yield of the product very well. The similarity of the cumulative distribution diagram of the real yield with the cumulative distribution of the yields simulated by Monte Carlo indicates that the results are correct. At the end the results of this research show that Ghayen has the highest relative risk compared to the reference station (Torbat Heydariyeh) and Nehbandan has the lowest one.