ارزیابی ریسک خشکسالی زعفران با استفاده از روش مونت کارلو

تغییرات اقلیمی و پدیده هایی از جمله خشکسالی در میزان عملکرد محصولات کشاورزی موثر هستند. یکی از راهکارهای مقابله با این پدیده ها، جایگزینی مدیریت ریسک به جای مدیریت بحران است، به­طوری­که با ارزیابی ریسک، قبل از وقوع بحران، میزان خسارت ها به حداقل می رسد. در این پژوهش نیز در جهت کاهش خسارت های ناشی از خشکسالی به­عنوان پدیده ای طبیعی و غیر قابل کنترل، بر روی محصول زعفران، به ارزیابی ریسک خشکسالی با استفاده از روش شبیه سازی مونت­کارلو پرداخته شد. شاخص خشکسالی بارش استاندارد شده (SPI) ماهانه و میانگین دمای ماهانه به عنوان متغیرهای مستقل در تابع توزیع عملکرد محاسبه می شود. با کمک روش فراابتکاری شبکه عصبی مصنوعی (ANN)، ارتباط بین متغیرهای مستقل (دما و SPI) و متغیر وابسته (عملکرد محصول زعفران) برقرار می شود. سپس داده ی تصادفی از متغیرهای مستقل ساخته می شود و با شبکه عصبی مصنوعی آموزش یافته، 2000 عملکرد شبیه سازی شده تولید می گردد. انتخاب یک ایستگاه مرجع و با استفاده از توزیع تجمعی به دست آمده، عامل ریسک محاسبه شد و با رسم نمودار عامل ریسک-عملکرد استاندارد، ریسک نسبی ایستگاه های مورد مطالعه بررسی شده است. نتایج به­دست آمده از این پژوهش نشان داد که بیشترین سال های مورد مطالعه در محدوده نرمال قراردارند و فراوانی خشکسالی در چهار ایستگاه خراسان جنوبی دو برابر ایستگاه های مورد مطالعه در خراسان رضوی می باشد. همین­طور شبکه عصبی مصنوعی با ضریب همبستگی 85/0 توانست به خوبی عملکرد را پیش بینی نماید. در پایان بر اساس نتایج به­ دست آمده از نمودار ریسک-عملکرد استاندارد، ایستگاه های قاین، بیشترین و نهبندان کمترین ریسک نسبی نسبت به ایستگاه مرجع (تربت­حیدریه) را داشتند.

Climate change and phenomena such as drought affect agricultural crop yields. One of the strategies to address these phenomena is replacing crisis management with risk management, so that by evaluating risk, the damage can be minimized before a crisis occurs. In this study, to reduce the damages caused by drought, as a natural and uncontrollable phenomenon, the drought risk for saffron crops was assessed using the Monte Carlo simulation method. The Standardized Precipitation Index (SPI) on a monthly basis and the average monthly temperature were calculated as independent variables in the yield distribution function. Using the artificial neural network (ANN) metaheuristic method, the relationship between the independent variables (temperature and SPI) and the dependent variable (saffron yield) was established. Then, random data from the independent variables were generated, and 2,000 simulated yields were produced using the trained artificial neural network. By selecting a reference station and using the obtained cumulative distribution, the risk factor was calculated, and by plotting the risk factor-standard yield graph, the relative risk of the studied stations was evaluated. The results obtained from this research showed that most of the years studied were within the normal range, and the frequency of drought in four stations of South Khorasan is twice that of the stations studied in Razavi Khorasan. Likewise, the artificial neural network, with a correlation coefficient of 0.85, was able to predict performance well. Finally, based on the results obtained from the standard risk-performance chart, the Qaen stations had the highest relative risk and Nehbandan the lowest relative risk compared to the reference station (Torbat Heydariyeh).