تحلیل حساسیت و عدم قطعیت مدل‌سازی اکولوژیک کشاورزی برای کشت زعفران با استفاده از روش‌های تصمیم‌گیری فضایی GIS

هدف اصلی این تحقیق، مدل‌سازی عدم قطعیتی است که با تحلیل تصمیم‌گیری چندمعیاره مبتنی بر GIS (MCDA) برای ارزیابی سازگاری محصولات کشاورزی همراه است. برای دستیابی به این هدف، یک رویکرد یکپارچه شامل GIS-MCDA به همراه شبیه‌سازی مونت‌کارلو (MCS) و تحلیل حساسیت جهانی (GSA) برای نقشه‌برداری سازگاری زعفران در استان آذربایجان شرقی در ایران به‌کار گرفته شد. نتایج این مطالعه نشان داد که تلفیق MCDA با MCS و GSA می‌تواند دقت مدل‌سازی را با کاهش واریانس داده‌ها افزایش دهد. همچنین نتایج نشان داد که اعمال روش MCS با استفاده از داده‌های آموزشی محلی باعث محاسبه همبستگی فضایی بین وزن معیارها و ویژگی‌های منطقه مطالعه می‌شود. نتایج روش GSA نیز امکان تعیین اولویت معیارها و شناسایی مهم‌ترین معیارها و میزان تغییرپذیری خروجی‌ها تحت شرایط عدم قطعیت در ورودی‌های مدل را فراهم می‌آورد.یافته‌ها نشان داد که روش‌های معمول تعیین مناطق اولیه، بدون در نظر گرفتن اثرات تعامل متغیرها، خطاها و عدم قطعیت‌های قابل توجهی در خروجی مدل‌های مناسب‌سنجی مبتنی بر MCDA دارند، که باید با تکمیل پیشرفته تحلیل حساسیت و عدم قطعیت کاهش یابند.

The main objective of this research is to model the uncertainty associated with GIS based multi-criteria decision analysis (MCDA) for crop suitability assessment. To achieve this goal, an integrated approach using GIS-MCDA in association with Monte Carlo simulation (MCS) and global sensitivity analysis (GSA) were applied for Saffron suitability mapping in East-Azerbaijan Province in Iran. The results of this study indicated that integration of MCDA with MCS and GSA could improve modeling precision by reducing data variance. Results indicated that applying the MCS method using the local training data leads to computing the spatial correlation between criteria weights and characteristics of the study area. Results of the GSA method also allow us to obtain the priority of criteria and identify the most important criteria and the variability of outputs under uncertainty conditions for model inputs. The findings showed that, commonly used primary zoning methods, without considering the interaction effects of variables, had significant errors and uncertainty in the output of MCDA-based suitability models, which should be minimized by the advanced complementarity of sensitivity and uncertainty analysis.