ارزيابي ريسك خشكسالي زعفران با استفاده از روش مونت كارلو

Drought risk assessment of Saffron by Montcarlo method

تغييرات اقليمي و پديده‌هايي از جمله خشكسالي در ميزان عملكرد محصولات كشاورزي موثر هستند. يكي از راهكارهاي مقابله با اين پديده‌ها، جايگزيني مديريت ريسك به جاي مديريت بحران است، به­طوري­كه با ارزيابي ريسك، قبل از وقوع بحران، ميزان خسارت‌ها به حداقل مي‌رسد. در اين پژوهش نيز در جهت كاهش خسارت‌هاي ناشي از خشكسالي به­ عنوان پديده‌اي طبيعي و غير قابل كنترل، بر روي محصول زعفران، به ارزيابي ريسك خشكسالي با استفاده از روش شبيه‌سازي مونت­ كارلو پرداخته شد. شاخص خشكسالي بارش استاندارد شده (SPI) ماهانه و ميانگين دماي ماهانه به عنوان متغيرهاي مستقل در تابع توزيع عملكرد محاسبه مي‌شود. با كمك روش فرا ابتكاري شبكه عصبي مصنوعي (ANN)، ارتباط بين متغيرهاي مستقل (دما و SPI) و متغير وابسته (عملكرد محصول زعفران) برقرار مي‌شود. سپس داده‌‌ي تصادفي از متغيرهاي مستقل ساخته مي‌شود و با شبكه عصبي مصنوعي آموزش يافته، 2000 عملكرد شبيه‌سازي شده توليد مي‌گردد. انتخاب يك ايستگاه مرجع و با استفاده از توزيع تجمعي به دست آمده، عامل ريسك محاسبه شد و با رسم نمودار عامل ريسك-عملكرد استاندارد، ريسك نسبي ايستگاه‌هاي مورد مطالعه بررسي شده است. نتايج به­ دست آمده از اين پژوهش نشان داد كه بيشترين سال‌هاي مورد مطالعه در محدوده نرمال قراردارند و فراواني خشكسالي در چهار ايستگاه خراسان جنوبي دو برابر ايستگاه‌هاي مورد مطالعه در خراسان رضوي مي‌باشد. همين­طور شبكه عصبي مصنوعي با ضريب همبستگي 0/85 توانست به خوبي عملكرد را پيش‌بيني نمايد. در پايان بر اساس نتايج به­دست آمده از نمودار ريسك - عملكرد استاندارد، ايستگاه‌هاي قاين، بيشترين و نهبندان كمترين ريسك نسبي نسبت به ايستگاه مرجع (تربت­ حيدريه) را داشتند.

Climate changes and phenomena such as drought are effective in the yield of agricultural products. Replacing crisis management with risk management is one of the solutions for these phenomena. With risk assessment before crisis, the amount of damages will be reduced to the minimum amount. In this research, the risk assessment of drought by the Monte Carlo method will be used in order to reduce the damages caused by drought as a natural and uncontrollable phenomenon on saffron product. The monthly Standardized Precipitation Index (SPI) of drought and the monthly average temperature are calculated as independent variables in the yield distribution function .The relationship between independent variables (temperature and SPI) and the dependent variable (saffron yield) is established using Artificial Neural Network (ANN). After that, 2000 random data from independent variables are generated using MATLAB and 2000 simulated yields are generated by a trained artificial neural network. Then, the cumulative distribution of the simulated yields are determined and these yields are standardized in order to do unification of the yield data of each city. The risk factor is calculated by choosing a reference station and using the cumulative distribution. The relative risks of the stations are considered after drawing the diagram of Yield-Risk standard factor. The results of the research show that most of the studied years are in the normal range and the drought frequency in the four stations of Khorasan Jonoobi province is twice that of the stations in Khorasan Razavi. Furthermore, the artificial neural network with a correlation coefficient of 0.85 could predict the yield of the product very well. The similarity of the cumulative distribution diagram of the real yield with the cumulative distribution of the yields simulated by Monte Carlo indicates that the results are correct. At the end the results of this research show that Ghayen has the highest relative risk compared to the reference station (Torbat Heydariyeh) and Nehbandan has the lowest one.