تعیین بهترین مدل رگرسیونی چند متغیره جهت تخمین عملکرد زعفران متاثر از رفتار رخدادهای جدی بارش و دما در شهرستان گناباد

کشاورزی بعنوان شاخه ای از فعالیتهای حیاتی بشر به شدت تحت تاثیر تغییرات آب و هوایی قرار دارد. گذشت بیش از چند دهه از حاکمیت صنعت بر جوامع بشر، تغییر اقلیم را به عاملی مخاطره آمیز برای ابعاد مختلف زندگی انسان ها از جمله تولیدات کشاورزی و امنیت غذایی تبدیل کرده است. وقوع هر چه سریعتر تغییر اقلیم و به دنبال آن افزایش فراوانی پدیده های حدی، یکی از بارزترین آثار تغییر اقلیم است. در این مطالعه ۲۷ رخداد حدی بارش و دمای مورد تایید سازمان جهانی هواشناسی برای ۲ ایستگاه سینوپتیک و تبخیرسنجی گناباد، مورد محاسبه دقیق قرار گرفت. در ابتدا داده های روزانه بارش، دمای حداقل و دمای حداکثر هر دو ایستگاه کنترل کیفیت شد. سپس همگنی این داده ها مورد بررسی قرار گرفت و پس از آن، شاخصها برای بازه زمانی ۱۹۸۹-۲۰۱۹ محاسبه شد. در پایان نیز با برازش مدل رگرسیونی بر داده های عملکرد زعفران و ۲۷ رخداد حدی، بهترین مدل رگرسیون چند متغیره جهت پیش بینی عملکرد زعفران در شهرستان گناباد انتخاب شد. نتایج نشان داد رخدادهای CDD، TNx ،TN۱۰p ،SU۲۵ R۹۹p R۲۵mm ،ID۰ ،GSL و TXn تاثیر منفی و رخدادهای R۲۰mm ،PRCPTOT ،CWD ،CSDI TNn DTR ،FD۰ ،SDII و TR۲۰ تاثیر مثبت بر عملکرد زعفران گناباد دارد. در این بین بزرگترین اثر منفی را به ترتیب TXn ،R۲۵mm و ID۰ و همینطور بزرگترین اثر مثبت را R۲۰mm ، SDII و CWD ؛ بر عملکرد زعفران دارد. نتایج نشان داد که شاخص های RX۱day ،R۹۵p ،R۱۰mm و RX۵day از گروه شاخص های حدی بارشی وTXx TN۹۰p TN۱۰p TX۱۰p ,WSDIاز گروه شاخص های دمایی به دلیل داشتن هم خطی با سایر شاخص ها و کاهش قدرت پیش بینی مدل، برای عملکرد زعفران گناباد مناسب نیستند. همچنین نتایج نشان داد که شاخص CDD تاثیر معناداری در پیش بینی داده های خیلی بزرگ یا خیلی کوچک برای عملکرد دارد

Agriculture, as a branch of vital human activities, is severely affected by climate change. Several decades of industrial dominance over human societies have turned climate change into a hazardous factor for various aspects of human life, including agricultural production and food security. The rapid occurrence of climate change and, consequently, the increased frequency of extreme events is one of the most prominent effects of climate change. In this study, 27 extreme precipitation and temperature events confirmed by the World Meteorological Organization for two synoptic and evaporation measurement stations in Gonabad were precisely calculated. Initially, daily data on precipitation, minimum temperature, and maximum temperature for both stations were quality controlled. Then, the homogeneity of these data was examined, and subsequently, the indices were calculated for the period 1989-2019. Finally, by fitting a regression model to saffron yield data and the 27 extreme events, the best multivariate regression model was selected to predict saffron yield in Gonabad County. The results showed that the occurrences of CDD, TNx, TN10p, SU25, R99p, R25mm, ID0, GSL, and TXn have a negative impact, while the occurrences of R20mm, PRCPTOT, CWD, CSDI, TNn, DTR, FD0, SDII, and TR20 have a positive impact on the performance of saffron in Gonabad. Among them, the largest negative effects are TXn, R25mm, and ID0, and the largest positive effects are R20mm, SDII, and CWD on saffron performance. The results indicated that the indices RX1day, R95p, R10mm, and RX5day from the precipitation extreme index group, and TXx, TN90p, TN10p, TX10p, WSDI from the temperature index group, due to their collinearity with other indices and reduction in model predictive power, are not suitable for the prediction of Gonabad saffron performance. Additionally, the results showed that the CDD index has a significant effect in predicting very large or very small performance data.