بررسی روند تغییرات و تاثیر کمبود فشار بخار بر عملکرد محصول زعفران و پیش‌بینی آن با استفاده از الگوریتم‌های هوش مصنوعی

بخش کشاورزی یکی از اولین بخش‌هایی است که تحت تاثیر تغییرات اقلیمی قرار می‌گیرد. خشکسالی و تغییرات وسیع در وضعیت آب و هوا منجر به کاهش محصولات کشاورزی و در نهایت کاهش بهره‌وری اقتصادی می‌شود. کاهش منابع آبی بکارگیری روش‌های نوین در مدیریت مصرف آب در مزرعه و تعیین نیاز واقعی گیاه بیش از گذشته برای سازگاری با تغییر اقلیمی احساس می‌شود. یکی از مهم‌ترین پارامترهای مدیریت دقیق آب کشاورزی، کمبود فشار بخار نام دارد که در اقلیم‌شناسی، کشاورزی و سایر رشته‌های مرتبط به دلیل تاثیر آن بر جریان رطوبت از سطح به اتمسفر و بیالن آب در سطح جهان استفاده می‌شود.

در این تحقیق ابتدا به برآورد کمبود فشار بخار از داده‌های بازتحلیل بانک اطلاعاتی JRA-55 بین سال‌های ۱۹۵۸ تا ۲۰۲۳ پرداخته شد. در گام بعدی بررسی درازمدت تغییرات کمبود فشار بخار و تاثیر آن بر عملکرد محصول زعفران در چهار محدوده استان خراسان جنوبی شامل بیرجند، قاین، سرایان و طبس انجام شد. نتایج در مناطق مذکور طی ۶۰ سال گذشته افزایش تدریجی میانگین سالانه کمبود فشار بخار با نرخ متوسط هر دهه حدود ۶۰ پاسکال و کاهش سالانه عملکرد زعفران در حدود ۰.۱۶ کیلوگرم در هکتار نشان داد.

و همچنین با افزایش کمبود فشار بخار کاهش عملکرد محصول مشاهده شد. در نهایت به پیش‌بینی عملکرد محصول زعفران برپایه کمبود فشار بخار با استفاده از الگوریتم‌های هوش مصنوعی شامل مدل افزودنی تعمیم‌یافته، زیرمجموعه تصادفی، جنگل تصادفی و M5P پرداخته شد. برای ارزیابی عملکرد مدل‌ها در هر دو مرحله آموزش شامل ۶۰% داده و تست ۴۰% داده از چهار شاخص آماری ضریب همبستگی، میانگین خطای مطلق، ریشه میانگین مربعات خطا و ریشه نسبی میانگین مربعات خطا استفاده شد. عملکرد مدل جنگل تصادفی به ترتیب در مرحله آموزش و تست بهتر از سایر مدل‌ها بود ۰.۹۹=CC، ۰.۰۶=MAE، ۰.۰۹=RMSE و ۰.۰۱=RRMSE، ۰.۹۴=CC، ۰.۲۳=MAE، ۰.۲۸=RMSE و ۰.۰۱=RRMSE. این تحقیق استفاده از مدل جنگل تصادفی را برای مطالعات آتی پیش‌بینی عملکرد محصول زعفران برپایه کمبود فشار بخار در مدیریت نیاز آبی توصیه می‌کند.

The agricultural sector is one of the first sectors affected by climate change. Drought and extensive changes in weather conditions lead to reduced agricultural products and ultimately decreased economic productivity. With diminishing water resources, the adoption of modern methods for on-farm water management and determining the actual plant water needs is more crucial than ever for adapting to climate change. One of the most important parameters for precise agricultural water management is vapor pressure deficit, which is used in climatology, agriculture, and related fields due to its impact on moisture flow from the surface to the atmosphere and the global water cycle.

In this study, vapor pressure deficit was first estimated using reanalysis data from the JRA-55 database between 1958 and 2023. The long-term changes in vapor pressure deficit and its impact on saffron yield were then examined in four areas of South Khorasan Province, including Birjand, Qaen, Sarayan, and Tabas. The results showed a gradual increase in the annual average vapor pressure deficit over the past 60 years at an average rate of 60 Pa per decade and a yearly decrease in saffron yield of about 0.16 kg/ha in these regions. Additionally, an increase in vapor pressure deficit was associated with reduced crop yield.

Finally, saffron yield was predicted based on vapor pressure deficit using artificial intelligence algorithms, including generalized additive models, random subspace, random forest, and M5P. Model performance was evaluated in both training (60% data) and testing (40% data) phases using four statistical indices: correlation coefficient, mean absolute error, root mean square error, and relative root mean square error. The random forest model performed best in both phases compared to other models: CC=0.99, MAE=0.06, RMSE=0.09, RRMSE=0.01 in training, and CC=0.94, MAE=0.23, RMSE=0.28, RRMSE=0.01 in testing. This study recommends using the random forest model for future studies on predicting saffron yield based on vapor pressure deficit for water requirement management.