به‌کارگیری مدل چندگانه فراگیر برای پیش‌بینی ردپای آبی زعفران

بکارگیری رویکردهای جدید در مدیریت منابع آب، به ویژه در مناطق خشک و نیمه خشک، موضوعی حیاتی است. ردپای آب یک شاخص کلیدی در مدیریت آب است. بنابراین لازم است تغییرات آن برای دوره های آینده پیش بینی شود. مدل محاسبات نرم یکی از پرکاربردترین مدل‌ها در پیش‌بینی و تخمین متغیرهای اقلیمی کشاورزی است. هدف از این مطالعه پیش‌بینی ردپای آبی سبز و آبی محصول زعفران با استفاده از مدل محاسباتی نرم است. برای انتخاب مؤثرترین متغیرها در پیش‌بینی ردپای آب، ورودی‌های فردی یکی یکی حذف شد و تأثیر هر کدام بر روی میانگین مربعات خطای باقی‌مانده (RMSE) اندازه‌گیری شد. در مرحله اول از روش گروهی مدیریت داده ها (GMDH) و الگوریتم های تکاملی استفاده شده است.

در مرحله بعد، خروجی مدل‌های منفرد در مدل چندگانه فراگیر (IMM) به عنوان متغیرهای ورودی به منظور پیش‌بینی ردپای آبی و سبز محصول زعفران در سه منطقه همگن زعفران گنجانده شد. در نهایت عدم قطعیت مدل ناشی از ورودی و پارامترها مورد ارزیابی قرار گرفت. مشارکت‌های این پژوهش، معرفی بهینه‌سازی‌شده GMDH و مدل‌های مجموعه جدید برای پیش‌بینی BWF، و GWF، تحلیل عدم قطعیت و بررسی ورودی‌های مؤثر بر GWF و BWF است.

نتایج نشان داد که مهم‌ترین متغیرهای مؤثر بر ردپای آبی سبز و آبی عبارتند از تعرق گیاه، تبخیر و تعرق و عملکرد، زیرا حذف این متغیرها به طور قابل‌توجهی RMSE را افزایش داد (محدوده = 11-25). در بین مدل‌های GMDH، به دلیل هم‌گرایی سریع و دقت بالای خروجی‌ها، بهترین عملکرد متعلق به NMRA (الگوریتم رتبه‌بندی مول برهنه) بود. از این نظر، IMM عملکرد بهتری (FSD=0.76، NSE=0.95، MAE) = 8، PBIAS= 8) نسبت به گزینه‌های جایگزین به دلیل اعمال خروجی‌های چندین مدل جداگانه و کمترین عدم قطعیت بر اساس پارامترها و ورودی‌ها دارد. از مدل (p = 0.98، r = 0.08).

Applying new approaches in the management of water resources is a vital issue, especially in arid and semi-arid regions. The water footprint is a key index in water management. Therefore, it is necessary to predict its changes for future durations. The soft computing model is one of the most widely used models in predicting and estimating agroclimatic variables. The purpose of this study is to predict the green and blue water footprints of saffron product using the soft computing model. In order to select the most effective variables in prediction water footprints, the individual input was eliminated one by one and the effect of each on the residual mean square error (RMSE) was measured. In the first stage, the Group Method of Data Handling (GMDH) and evolutionary algorithms have been applied.

In the next stage, the output of individual models was incorporated into the Inclusive Multiple Model (IMM) as the input variables in order to predict the blue and green water footprints of saffron product in three homogenous agroclimatic regions. Finally, the uncertainty of the model caused by the input and parameters was evaluated. The contributions of this research are introducing optimized GMDH and new ensemble models for predicting BWF, and GWF, uncertainty analysis and investigating effective inputs on the GWF and BWF.

The results indicated that the most important variables affecting green and blue water footprints are plant transpiration, evapotranspiration, and yield, since removing these variables significantly increased the RMSE (range=11–25). Among the GMDH models, the best performance belonged to NMRA (Naked Mole Ranked Algorithm) due to the fast convergence and high accuracy of the outputs. In this regard, the IMM has a better performance (FSD=0.76, NSE=0.95, MAE) = 8, PBIAS= 8) than the alternatives due to applying the outputs of several individual models and the lowest uncertainty based on the parameters and inputs of the model (p = 0.98, r = 0.08).