ارزیابی عملکرد تکنیک‌های ترکیبی در بهبود برآورد نیاز آبی زعفران (Crocus sativus L.) در ایران

تخمین دقیق نیاز آبی زعفران به عنوان یکی از استراتژیک‌ترین محصولات مناطق شرقی ایران اجتناب‌ناپذیر است. با توجه به محدودیت‌های میدانی در اندازه‌گیری نیاز آبی، استفاده از مدل‌های تجربی همیشه مورد توجه بوده است. با این حال، از آنجا که هر مدل تخمینی نقاط قوت و ضعف منحصر به فرد خود را دارد، تکیه صرف بر یک مدل آزمایشی نمی‌تواند برآورد قابل اعتمادی از نیاز آبی را به دست دهد. این مطالعه قصد دارد توانایی روش‌های ترکیبی مختلف را در ادغام شبیه‌سازی‌های نیاز آبی زعفران ارزیابی کرده و خروجی بهبود یافته‌ای به دست آورد.

شش مدل تجربی و چهار تکنیک ترکیبی دیگر به منظور دستیابی به شبیه‌سازی‌های ماهرانه در مورد نیاز آبی زعفران در مناطق خشک به کار گرفته شدند. نتایج نشان داد که پیش‌بینی تبخیر و تعرق بر اساس روش ابتیو (ABM) از دقت بیشتری برخوردار بود، به طوری که مقدار RMSE آن ۰.۱۳ میلی‌متر بود. همچنین، آزمایش‌های مقایسه‌ای مختلف نشان داد که خروجی‌های تکنیک‌های ترکیبی مانند «مجموعه ابر مدل» چندگانه (MMSE) و نسخه اصلاح‌شده آن (M3SE) عملکرد بهتری نسبت به سایر روش‌ها دارند.

An accurate estimation of the water requirement of saffron, as the most strategic product in the eastern regions of Iran, is inevitable. Considering the field limitations in measuring the water requirement, applying empirical models has always been of interest. However, since each estimation model has unique strengths and weaknesses, relying only on an experimental model cannot obtain a reliable estimate for water requirements. This study intends to evaluate different combined methods’ ability to merge the saffron water requirements simulations and obtain an improved output.

Six empirical models and four other combination techniques were applied to get some skilful simulations about saffron water requirements in arid regions. Results indicate that the evapotranspiration prediction under the Abtew method (ABM) has more proficiency, such that its RMSE was 0.13 mm. Also, the different comparative tests show that the outputs of combined techniques such as Multi Model Super Ensemble ‘MMSE’ and Modified MMSE ‘M3SE’ outperform others.