ایجاد نقشه مکانی -زمانی گسترش سامانه‌های آبیاری نوین در استان‌های ایران با استفاده از کتابخانه t-map نرم‌افزارR-Studio

الموضوعات :

ایمان احمدی ¹

1 - گروه زراعت، دانشگاه آزاد اسلامی، واحد اصفهان (خوراسگان)، اصفهان، ایران.

تاريخ الإرسال : 19 الخميس , جمادى الأولى, 1446 تاريخ التأكيد : 04 الإثنين , شعبان, 1446 تاريخ الإصدار : 10 الأحد , شعبان, 1446

الکلمات المفتاحية: سامانه‌هاي آبياري پيشرفته, خوشه‌بندی, نرم افزار R-Studio, نقشه مکانی- زمانی ,

ملخص المقالة :

هدف از پژوهش حاضر ایجاد نقشه‌ مکانی- زمانی گسترش سامانه‌های آبیاری نوین در استان‌های ایران با استفاده از کتابخانه t-map نرم افزار R-Studio است. داده‌های خام مورد استفاده در این پژوهش از جداول آماری ارائه شده توسط مرکز آمار وزارت جهاد کشاورزی در مورد توسعه سامانه‌هاي آبياري پيشرفته در استان‌های ایران در دوره زمانی سال‌های 1388 تا 1401 به دست آمد. همچنین در این پژوهش خوشه‌بندي استان‌های کشور با توجه به معيارهاي درصد تكميل سامانه‌هاي آبياري مدرن، درصد توسعه شبكه‌هاي آبياري و زه‌كشي و درصد پوشش انهار و كانال‌هاي سنتي به صورت تجمعي تا سال 1401، انجام شد. به صورت اجمالی روش کار به این صورت بود که ابتدا با استفاده از داده‌های خام، فایل اکسلی آماده‌سازی شد که محتوای آن سازگار با اطلاعات جغرافیایی مربوط به استان‌های ایران باشد. سپس به کمک توابع نرم‌افزار R-Studio ادغام محتوای فایل اکسل و اطلاعات جغرافیایی انجام شد و در نهایت با استفاده از توابع کتابخانه t-map، نقشه‌های مکانی-زمانی تهیه شد. برای انجام خوشه‎بندی، از توابع کتابخانه factoextra استفاده شد. توابع موجود در این کتابخانه قادر به استانداردسازی داده‌ها قبل از انجام فرآیند خوشه‌بندی به روش‌های مختلف هستند. بر اساس نتایج به‌دست آمده از 6014211 هکتار زمین‌های زراعی دارای کشت آبی، 2469835 هکتار به سیستم‌های آبیاری نوین تجهیز شده‌اند که بیانگر تکمیل 41 درصدی این سامانه‌ها در کل کشور است. درصد توسعه شبکه‌های آبیاری و زه‌کشی و درصد پوشش انهار و کانال‌های سنتی به ترتیب برابر با 15% و 5/0% به‌دست آمد. از سوی دیگر نقشه مکانی-زمانی درصد تکمیل سامانه‌های آبیاری نوین نشان داد که در استان‌های پیشرو در کشت آبی استقبال از این سامانه‌ها کمتر از سایر استان‌ها بوده ‌است، مثلاً استان‌های خوزستان و فارس که به‌صورت تجمعی 31 درصد از اراضی کشت آبی را در اختیار دارند بترتیب 9% و 18% در استقرار سامانه‌های آبیاری نوین پیشرفت داشته‌اند. لازم به ذکر است که هرچند استقرار سامانه‌های آبیاری پیشرفته به افزایش راندمان آبیاری در سطح مزرعه منجر می‌شود، اما با توجه به گزارش‌های سایر محققین، برای موثر بودن استقرار این سامانه‌ها بر روی افزایش سطح سفره‌های آب زیرمینی، وجود کنتورهای هوشمند برای چاه‌های کشاورزی تغذیه کننده این سیستم‌های آبیاری الزامی است.

المصادر:

Ahmadi, I. (2023). A spatiotemporal analysis of the continent-wide contribution of agriculture in CO2-eq production from 1990 to 2019 using the t-map package of R software. Journal of nature and spatial sciences, 3(2), 17–24. https://doi.org/10.30495/jonass.2023.1974762.1060
Batko, K., & Ślęzak, A. (2022). The use of Big Data Analytics in healthcare. Journal of Big Data, 9(3). https://doi.org/10.1186/s40537-021-00553-4
Cooper, J., Noon, M., Jones, C., Kahn, E., & Arbuckle, P. (2013). Big data in life cycle assessment. Journal of Industrial Echology, 17 (6), 796–799. https://doi.org/10.1111/jiec.12069
Frelat, R., Lopez-Ridaura, S., Giller, K E., Herrero, M., Douxchamps, S., Andersson Djurfeldt, A., Erenstein, O., Henderson, B., Kassie, M., Paul, B K., Rigolot, C., Ritzema, R S., Rodriguez, D., van Asten, P J., & van Wijk, M T. (2016). Drivers of household food availability in sub-Saharan Africa based on big data from small farms. Proceedings of the National Academy of Sciences, 113(2), 458-463. https://doi.org/10.1073/pnas.1518384112
Ghimire, P., Karki, S., Pandey, V P., & Pradhan, A M S. (2025). Mapping Spatio-Temporal dynamics of irrigated agriculture in Nepal using MODIS NDVI and statistical data with Google Earth Engine: A step towards improved irrigation planning. International Journal of Applied Earth Observation and Geoinformation,136. https://doi.org/10.1016/j.jag.2024.104345
Guleria, D., & Kaur, G. (2021), Bibliometric analysis of ecopreneurship using VOS viewer and R-Studio Bibliometrix, 1989–2019, Library Hi Tech, 39(4), 1001-1024. https://doi.org/10.1108/LHT-09-2020-0218
Kamilaris, A., Kartakoullis, A., & Prenafeta-Boldú F X. (2017). A review on the practice of big data analysis in agriculture. Computers & Electronics in Agriculture, 143, 23-37. https://doi.org/10.1016/j.compag.2017.09.037
Kempenaar, C., Lokhorst, C., Bleumer, E. J B., Veerkamp, R F., Been, Th., Evert, F K. van, Boogaardt, M J., Ge, L., Wolfert, J., Verdouw, C N., Bekkum, M A. van, Feldbrugge, L. , Verhoosel, J P C., Waaij, B D. van der, Persie, M. van, & Noorbergen, H. (2016). Big data analysis for smart farming. Wageningen University & Research Publications, Wageningen.
Kiani, A R., & Shaker, M. (2022). Evaluating the effectiveness of pressurized irrigation system in Iran. Water Management in Agriculture, 8(2), 167-182. (In Persian)
Lemenkova, P. (2020). Using R packages ‘t-map’, ‘raster’ and ‘ggmap’ for cartographic visualization: an example of dem-based terrain modelling of Italy, apennine peninsula. Zbornik radova - Geografski fakultet Univerziteta u Beogradu, 68, 99-116. 10.5937/zrgfub2068099L
Pandey, V P., Dhaubanjar, S., Bharati, L., & Thapa, B R. (2020). Spatio-temporal distribution of water availability in Karnali-Mohana Basin, Western Nepal: Climate change impact assessment (Part-B). Journal of Hydrology: Regional Studies, 29, 100691. https://doi.org/10.1016/j.ejrh.2020.100691
Shahnoushi, N., Taherpour, H., Fatemi, M., & Allameh, A S. (2020). An investigation on effects of implementing under-pressure irrigation projects on agriculture sector productivity in Khorasan Razavi. Agricultural Economics, 13(4), 1-18. https://doi.org/10.22034/iaes.2020.47190.1332. (In Persian)
Tesfaye, K., Sonder, Kai., Caims, J., Magorokosho, C., Tarekegn, A., Kassie, Girma T., Getaneh, F., Abdoulaye, T., Abate, T., & Erenstein, O. (2016). Targeting drought-tolerant maize varieties in southern Africa: a geospatial crop modeling approach using big data. International Food and Agribusiness Management Review, 19(A), 1–18.
Waga, D., & Rabah, K. (2014). Environmental conditions’ big data management and cloud computing analytics for sustainable agriculture. World Journal of Computer Application and Technology, 2(3), 73–81. https://doi.org/10.13189/wjcat.2014.020303

نص كامل:



Technical Strategies in Water Systems https://sanad.iau.ir/journal/tsws ISSN (Online): 2981-1449 Autumn 2024: Vol 2, Issue 3, 186-197 https://doi.org/10.30486/TSWS.2025.1194093

 

Research Article

 

 

Preparation of a spatio-temporal map of the expansion of modern irrigation systems in the provinces of Iran using the t-map package of the R-Studio software

 

Iman Ahmadi

 

Department of Agronomy, Isfahan (Khorasgan) Branch, Islamic Azad University, Isfahan, Iran

Corresponding Author email: [e-mail]

© The Author)s( 2025

 

 

Received: 21 Nov 2024

Accepted: 03 Feb 2025

Published: 06 Feb 2025

 

Abstract 

The purpose of this research is to create a spatio-temporal map illustrating the expansion of modern irrigation systems across Iran's provinces using the t-map package in R-Studio. The raw data used in this research was obtained from the statistical tables provided by the statistics center of the Ministry of Agricultural Jihad regarding the development of advanced irrigation systems in Iran from 2009 to 2022. First, an Excel file was prepared using the raw data, ensuring its compatibility with the geographical information of Iran's provinces. This data was then integrated with geographic information in R-Studio software, and spatio-temporal maps were generated using the functions of the t-map package. For clustering analysis, functions from the factoextra package were used. This package allows for data standardization before clustering using various methods. Moreover, in this research, Iran's provinces were clustered according to three criteria: the percentage of completion of modern irrigation systems, the percentage of development of irrigation and drainage networks, and the percentage of coverage of traditional irrigation canals in 2022. The findings indicate that out of 6,014,211 hectares of irrigated agricultural land, 2,469,835 hectares have been equipped with modern irrigation systems, reflecting an average implementation rate of 41% nationwide. Furthermore, the development percentages of irrigation and drainage networks and the coverage of traditional canals were found to be 15% and 0.5%, respectively. The spatio-temporal map of modern irrigation system implementation revealed that provinces with the most extensive irrigated agriculture exhibited lower adoption rates of these systems compared to others. For example, Khuzestan and Fars, which cumulatively account for 31% of the country's irrigated lands, have only progressed by 9% and 18%, respectively, in establishing new irrigation systems. It is important to note that while advanced irrigation systems enhance irrigation efficiency at the farm level, their significant effect on levels of groundwater table requires the presence of smart meters for agricultural wells that supply these systems.

 

Keywords: Modern Irrigation Systems, Clustering, R-Studio Software, Spatial-Temporal Map

 

 

مقاله پژوهشی

 

 

 

ایجاد نقشه مکانی -زمانی گسترش سامانه‌های آبیاری نوین در استان‌های ایران با استفاده از کتابخانه t-map نرم‌افزارR-Studio

 

ایمان احمدی

 

گروه زراعت، دانشگاه آزاد اسلامی، واحد اصفهان (خوراسگان)، اصفهان، ایران.

 

ایمیل نویسنده مسئول: [e-mail] 

 © The Author)s( 2025   

چاپ: 18/11/1403

پذیرش: 15/11/1403

دریافت: 01/09/1403

 

چکیده 

 

هدف از پژوهش حاضر ایجاد نقشه‌ مکانی- زمانی گسترش سامانه‌های آبیاری نوین در استان‌های ایران با استفاده از کتابخانه t-map نرم افزار R-Studio است. داده‌های خام مورد استفاده در این پژوهش از جداول آماری ارائه شده توسط مرکز آمار وزارت جهاد کشاورزی در مورد توسعه سامانه‌هاي آبياري پيشرفته در استان‌های ایران در دوره زمانی سال‌های 1388 تا 1401 به دست آمد. همچنین در این پژوهش خوشه‌بندي استان‌های کشور با توجه به معيارهاي درصد تكميل سامانه‌هاي آبياري مدرن، درصد توسعه شبكه‌هاي آبياري و زه‌كشي و درصد پوشش انهار و كانال‌هاي سنتي به صورت تجمعي تا سال 1401، انجام شد. به صورت اجمالی روش کار به این صورت بود که ابتدا با استفاده از داده‌های خام، فایل اکسلی آماده‌سازی شد که محتوای آن سازگار با اطلاعات جغرافیایی مربوط به استان‌های ایران باشد. سپس به کمک توابع نرم‌افزار R-Studio ادغام محتوای فایل اکسل و اطلاعات جغرافیایی انجام شد و در نهایت با استفاده از توابع کتابخانه t-map، نقشه‌های مکانی-زمانی تهیه شد. برای انجام خوشه‎بندی، از توابع کتابخانه factoextra استفاده شد. توابع موجود در این کتابخانه قادر به استانداردسازی داده‌ها قبل از انجام فرآیند خوشه‌بندی به روش‌های مختلف هستند. بر اساس نتایج به‌دست آمده از 6014211 هکتار زمین‌های زراعی دارای کشت آبی، 2469835 هکتار به سیستم‌های آبیاری نوین تجهیز شده‌اند که بیانگر تکمیل 41 درصدی این سامانه‌ها در کل کشور است. درصد توسعه شبکه‌های آبیاری و زه‌کشی و درصد پوشش انهار و کانال‌های سنتی به ترتیب برابر با 15% و 5/0% به‌دست آمد. از سوی دیگر نقشه مکانی-زمانی درصد تکمیل سامانه‌های آبیاری نوین نشان داد که در استان‌های پیشرو در کشت آبی استقبال از این سامانه‌ها کمتر از سایر استان‌ها بوده ‌است، مثلاً استان‌های خوزستان و فارس که به‌صورت تجمعی 31 درصد از اراضی کشت آبی را در اختیار دارند بترتیب 9% و 18% در استقرار سامانه‌های آبیاری نوین پیشرفت داشته‌اند. لازم به ذکر است که هرچند استقرار سامانه‌های آبیاری پیشرفته به افزایش راندمان آبیاری در سطح مزرعه منجر می‌شود، اما با توجه به گزارش‌های سایر محققین، برای موثر بودن استقرار این سامانه‌ها بر روی افزایش سطح سفره‌های آب زیرمینی، وجود کنتورهای هوشمند برای چاه‌های کشاورزی تغذیه کننده این سیستم‌های آبیاری الزامی است.

 

واژه‌های کلیدی: سامانه‌هاي آبياري پيشرفته، خوشه‌بندی، نرم افزار R-Studio، نقشه مکانی- زمانی

 

 

1- مقدمه

امروزه با توجه به دسترسی به حجم زیادی از داده‌، روش‌های تحلیل داده توانایی خود را در حل برخی از مسائل نشان داده‌اند. به عنوان مثال مفهوم پردازش داده‌های کلان در رشته‌های مختلفی چون بیمه، بانکداری، بهداشت و درمان و مطالعات زیست محیطی (Batko & Ślęzak, 2022; Waga & Rabah, 2014; Cooper et al., 2013) وارد شده است. در علوم کشاورزی نیز پژوهشگران مشتاق انجام مطالعات در زمینه پردازش داده‌های کشاورزی هستند. به عنوان مثال Tesfaye et al. (2016)، Kempenaar et al. (2016) و Frelat et al. (2016) به ترتیب از مفهوم کلان داده برای بررسی مسائلی در زمینه تغییرات آب و هوایی و اقلیمی، پژوهش‌های علوم دامی و امنیت غذایی استفاده کردند. برای تحلیل کلان داده‌ها از مجموعه‌ای از نرم افزارها و ابزار رایانه‌ای مانند نرم‌افزارهای تحلیل تصویر، یادگیری ماشین، سکوهای ابری برای ذخیره سازی و پردازش کلان داده، سامانه اطلاعات مکانی (GIS)، مدلسازی و شبیه‌سازی، ابزارهای آماری و تحلیل سری‌های زمانی استفاده می‌شود (Kamilaris et al., 2017). یکی از سکوهای قوی برای انجام پردازش‌های کلان داده‌ای مورد نیاز در زمینه یادگیری ماشین و انجام عملیات آماری، زبان برنامه‌نویسی R است که در دسته زبان‌های برنامه‌نویسی متن باز قرار می‌گیرد. البته به منظور استفاده از قابلیت ویرایش کد، بهتر است برنامه‌نویسی در محیط نرم افزار R-Studio صورت پذیرد. همچنین این نرم افزار ابزار مناسبی برای مشهودسازی داده در اختیار کاربر قرار می‌دهد(Guleria & Kaur, 2021). به عنوان مثال Lemenkova (2020) از کتابخانه‌های مختلف R به عنوان نرم‌افزاری که در دسترس همه قرار دارد، برای آموزش علم جغرافیا استفاده کرده ‌است. همچنین Ahmadi (2023) از کتابخانه t-map برای مشهودسازی مکانی- زمانی سهم فعالیت‌های کشاورزی در تولید CO2 در سطح قاره‌های جهان بین سال‌های 1990 تا 2019  استفاده کرده است.

از سوی دیگر یکی از راه‌های افزایش راندمان آبیاری در بخش کشاورزی به‌کارگیری سامانه‌های پیشرفته آبیاری است که شامل سامانه‌های آبیاری بارانی و قطره‌ای می‌شود ((Shahnoushi et al., 2020. در صورت در اختیار بودن داده‌های چندین ساله از میزان تجهیز اراضی به سامانه‌های آبیاری نوین و با توسعه نقشه‌های مکانی- زمانی، امکان مقایسه دقیق‌تر استان‌های ایران از لحاظ تکمیل این‌گونه سامانه‌ها فراهم می‌شود. به‌خصوص اینکه نقشه‌های مکانی- زمانی حالت پویا داشته و در صورت وجود روندهای با تغییرات مکانی- زمانی در داده‌ها، امکان مشاهده این روندها با ایجاد این نقشه‌ها تسهیل می‌شود (Ahmadi, 2023). در پژوهش انجام شده توسط (Ghimire et al., 2025) به نمونه‌ای از کاربردهای مفهوم تغییرات مکانی- زمانی در مبحث آبیاری پرداخته شده است. آنها بر اساس این مفهوم تغییرات پیوسته کشت آبی (در مقابل کشت دیم) در کشور نپال را به منظور انجام برنامه‌ریزی دقیق‌تر در استفاده از آب کشاورزی مد نظر قرار دادند. در پژوهش دیگری (Pandey et al., 2020) به موضوع توزیع مکانی- زمانی آب در دسترس در حوضه آبریز Karnali-Mohana پرداختند تا تاثیر تغییرات آب و هوایی در مقدار آب در دسترس با وضوح بیشتری مشخص گردد. توسعه نقشه‌های مکانی- زمانی در این پژوهش‌ها با توجه به نوع داده‌ها، با استفاده از امکانات سکوی Google Earth Engine (GEE) انجام شده است، در حالیکه داده‌های مورد استفاده در پژوهش حاضر سازگار با سکوی GEE نیست. بنابراین در این پژوهش ایجاد نقشه مکانی- زمانی با استفاده از امکانات نرم‌افزار R-Studio دنبال شد.

هدف از پژوهش حاضر توسعه نقشه‌های مکانی- زمانی مساحت پوشش داده شده و درصد تکمیل سامانه‌های آبیاری نوین در استان‌هاي کشور در دوره زمانی سال‌های 1388 تا 1401 با استفاده از کتابخانه tmap نرم افزار R-Studio است. همچنین در این پژوهش خوشه‌بندی استان‌های کشور با توجه به سه عامل درصد تکمیل سامانه‌های آبیاری نوین، درصد ایجاد شبکه‌های آبیاری و زه‌کشی و درصد پوشش انهار و کانال‌های سنتی به کمک نرم‌افزار R-Studio، انجام شده است. با خوشه‌بندی استان‌ها، سیاستگذار قادر به تدوین سیاست‌های مدیریتی مشابه برای استان‌های قرار گرفته در هر خوشه می‌باشد.

 

2- مواد و روش‌ها

برای توسعه نقشه‌های مکانی- زمانی به دو سری داده احتیاج است که عبارتند از: داده‌های مرجع‌یابی مكاني شده در زمان‌هاي مختلف و داده‌های مربوط به نقشه جغرافیایی. در اين پژوهش، داده‌هاي مربوط به توسعه سامانه‌هاي آبياري پيشرفته در استان‌های ایران در دوره زمانی 1388 تا 1401 (13 سال) به عنوان داده‌هاي مرجع‌یابی مكاني شده در زمان‌هاي مختلف و فايل مربوط به مرز جغرافيايي استان‌هاي ايران به عنوان نقشه جغرافیایی در نظر گرفته شد. ساختار داده‌ای دو بعدی نهایی که در ایجاد نقشه‌های مکانی- زمانی مورد استفاده قرار گرفت، ساختاری دارای 434 سطر و 23 ستون بود که بخشی از آن در شکل (1) نشان داده شده است.

شكل 1- نمایش بخشی از ساختار داده‌ای مورد استفاده در ایجاد نقشه‌های مکانی- زمانی

 

Fig 1. Presentation of a part of the data frame used for developing spatio-temporal maps

 

ايجاد نقشه مكاني- زماني به وسيله نرم افزار R-Studio انجام شد. کدهای مربوط به ایجاد نقشه مکانی- زمانی در پیوست مقاله آورده شده است.

برای جمع آوری و تحلیل داده‌های مربوط به توسعه سامانه‌هاي آبياري پيشرفته در استان‌های ایران مراحل زیر انجام شد:

از داده‌های آماری وزارت جهاد کشاورزی در زمینه مقدار توسعه سامانه‌هاي آبياري پيشرفته بر حسب هکتار در سال‌های مختلف دوره زمانی 1388 تا 1401 در استان‌های ایران به عنوان داده‌های خام استفاده شد. داده‌ها به گونه‌ای وارد کاربرگ نرم‌افزار اکسل شد که ستون اول آن سال، ستون دوم آن نام استان و ستون سوم آن مساحت زمین‌های کشاورزی تجهیز شده به سامانه‌های آبیاری پیشرفته در یک استان و در یک سال باشد. سپس داده‌های کل کاربرگ با روش مرتب‌سازی دو عاملی ابتدا برحسب سال به ترتیب نزولی و سپس برحسب نام انگلیسی استان مرتب شدند. سپس با فرمول‌نویسی مقدار مساحت تجمعی زمین‌های کشاورزی تجهیز شده به سامانه‌های آبیاری پیشرفته در استان‌های مختلف بر حسب سال محاسبه شد. در نهایت از تقسیم مساحت تجمعی اراضی تحت سامانه‌های آبیاری پیشرفته در هر استان به مساحت کل زمین‌های دارای کشت آبی آن استان، درصد تجهیز تجمعی اراضی کشاورزی آبی آن استان به سامانه‌های آبیاری پیشرفته در هر سال به‌دست آمد. در نهایت فایل به‌دست آمده با پسوند .csv ذخیره شد و برای ایجاد نقشه مکانی- زمانی در مسیر کاری نرم‌افزار R-Studio قرار داده شد. با توجه به داده‌های موجود در فایل اکسل، دو سری نقشه مکانی- زمانی به‌دست خواهد آمد که عبارتند از نقشه مکانی- زمانی مساحت تجمعی زمین‌های تجهیز شده به سامانه‌های آبیاری پیشرفته برحسب هکتار و نقشه مکانی- زمانی درصد پیشرفت تجمعی زمین‌های تجهیز شده به سامانه‌های آبیاری پیشرفته. نکته مثبت ایجاد نقشه‎هاي مكاني- زماني در اين است كه به علت پویا بودن این نقشه‌ها، به کارگیری آن‌ها باعث استخراج روندهای موجود در داده‌ها به صورت دیداری می‌شود.¹

 در اين پژوهش علاوه بر ايجاد نقشه‌هاي مكاني- زماني مقدار و درصد پوشش مساحتي روش‌هاي آبياري پيشرفته در استان‌هاي ايران، خوشه‌بندي استان‌ها با توجه به سه معيار درصد تكميل سامانه‌هاي آبياري مدرن، درصد توسعه شبكه‌هاي آبياري و زه‌كشي و درصد پوشش انهار و كانال‌هاي سنتي به صورت تجمعي در سال 1401 به شيوه‌هاي تقسيم‌بندي و سلسله‌مراتبي صورت گرفت. روش خوشه‌بندی تقسيم‌بندي به نوبه خود به روش‌های خوشه‌بندی K- میانگین و K- میانه تقسیم می‌شود. ذكر اين نكته اهميت دارد كه قبل از اعمال هر كدام از روش‌هاي خوشه‌بندي، ابتدا بايد داده‌هاي اوليه نرمال‌سازي شوند، يعني تبديل به داده‌هايي با ميانگين صفر و واريانس يك شوند. در اجراي روش خوشه‌بندي K- میانگین ابتدا K عدد به طور تصادفی به عنوان مرکز خوشه‌ها تعیین شده و با محاسبه معیاری برای سنجش شباهت نمونه‌ها، مثل فاصله اقلیدسی بین نمونه‌ها، فاصله بین تمام نقاط و هر یک از مراکز محاسبه مي‌‍‌‌گردد. سپس هر نقطه به مرکزي نسبت داده می‌شود که فاصله کمتری از آن داشته باشد. سپس با میانگین‌گیری از نمونه‌های متعلق به هر خوشه، مراکز جدید متعلق به خوشه‌ها محاسبه شده و دوباره فاصله نمونه‌ها از مراکز جدید محاسبه مي‌گردد و هر نمونه به مرکز دارای کمترین فاصله اختصاص داده می‌شود و این عمل آنقدر تکرار می‌شود که یا تغییری در نمونه‌های متعلق به هر خوشه به وجود نیاید و یا تعداد تکرار محاسباتی كامل شود. ویژگی روش K- میانگین این است که این روش به داده‌های دارای فاصله زیاد از مرکز حساس بوده و وجود این داده‌ها در نمونه‌ها باعث تاثيرگذاری بر نتيجه خوشه‌بندي خواهد شد. روشي كه این ویژگی K- ميانگين را در فرآیند خوشه‌بندی ندارد، روش K- ميانه است كه تفاوت مراحل آن با روش K- ميانگين در اين است كه به جاي استفاده از ميانگين نمونه‌هاي قرار گرفته در هر خوشه به عنوان مركز آن خوشه، از ميانه نمونه‌هاي قرار گرفته در آن خوشه به عنوان مركز خوشه استفاده مي‌شود. با اين كار چون ميانه از داده‌هایي که دارای فاصله زیاد از مرکز هستند و در مجموعه داده‌ها وجود دارند، تاثير نمي‌پذيرد، خوشه‌بندي با اين روش نيز اين خاصيت را خواهد داشت.

در روش خوشه‌بندي سلسله مراتبي ابتدا هر نمونه به عنوان يك خوشه در نظر گرفته شده و سپس به عنوان معيار شباهت، فاصله اقليدوسي بين زوج نمونه‌ها محاسبه مي‌گردد و نمونه‌هايي‌كه كمترين فاصله را از هم دارند با هم ادغام شده و تشكيل يك خوشه در سطح بالاتر را مي‌دهند و اين عمل آنقدر ادامه داده مي‌شود كه در نهايت تمام نمونه‌ها در يك خوشه قرار گيرند. البته پس از تشكيل درخت سلسله مراتبي، امكان شكستن تك خوشه‌اي كه كل نمونه‌ها را در بر گرفته به خوشه‌هاي زير مجموعه وجود دارد.

 

3- نتایج و بحث

ابتدا به نتایج مربوط به کارهای انجام شده درباره استقرار سامانه‌های آبیاری نوین، ایجاد شبکه‌های آبیاری و زه‌کشی و پوشش انهار و کانال‌های انتقال آب سنتی در سطح کشور پرداخته می‌شود. تا سال 1401 تکمیل سامانه‌های آبیاری پیشرفته در سطح 2469835 هکتار، ایجاد شبکه‌های آبیاری و زه‌کشی در سطح 895997 هکتار و پوشش انهار و کانال‌های سنتی در سطح 28318 هکتار از 6014211 هکتار اراضی زراعی کشت آبی صورت گرفته است، در نتیجه درصد تکمیل سامانه‌های آبیاری نوین در سطح کشور تا سال 1401 برابر با 41%، درصد ایجاد شبکه‌های آبیاری و زه‌کشی برابر با 15% و درصد پوشش انهار و کانال‌های سنتی برابر با 5/0% بوده است. از سوی دیگر ضریب پراکندگی در درصد تکمیل سامانه‌های آبیاری پیشرفته در استان‌های ایران بالاست که شامل استان‌هایی با درصد تکمیل نزدیک 100% مثل استان‌های هرمزگان و خراسان جنوبی، همچنین درصد تکمیل نزدیک صفر مثل استان‌های گیلان و مازندران می‌شود. از نظر عددی مقدار ضریب پراکندگی محاسبه شده برای این شاخص برابر با 6/55% به‌دست آمد. ضرایب پراکندگی به‌دست آمده برای درصد ایجاد شبکه‌های آبیاری و زه‌کشی و درصد پوشش انهار و کانال‌های سنتی نیز بسیار بالاست (به ترتیب 128 و 124 درصد) که نشان دهنده پراکندگی زیاد در درصد اجرای این پروژه‌ها بین استان‌های مختلف ایران است.

به کمک داده‌های مساحت پوشش داده شده و درصد تکمیل روش‌هاي آبياري پيشرفته و استفاده از كد آورده شده در پيوست، امكان ايجاد نقشه‌هاي مكاني- زماني مساحت پوشش داده شده و درصد تکمیل روش‌هاي آبياري پيشرفته فراهم شد. به علت اینکه نقشه‌های مکانی- زمانی حالت پویا دارند و در فایل word قابل درج نیستند، برای مشاهده آن‌ها از روش توضیح داده شده در پاورقی فصل مواد و روش‌ها استفاده کنید. بنابراین در شکل (2) فقط نقشه‌های مکانی مساحت پوشش داده شده و درصد تکمیل روش‌هاي آبياري پيشرفته در استان‌های ایران براي سال 1401 نشان داده شده است. در یک نقشه مکانی- زمانی، مقدار پارامتر مورد نظر در هر استان با توجه به رنگ آن مشخص می‌شود. رنگ‌ها به گونه‌ای انتخاب مي‌شوند که اطلاعات دیداری مناسبی به خواننده منتقل شود. در این گزارش مقادير کوچک و بزرگ به ترتیب با رنگ‌های روشن و تیره نشان داده شده‌اند. به کمک این شیوه نمایشی، امکان تشخیص روندهای مخفی در داده‌های ارائه شده وجود دارد.

 

شکل 2- نقشه‌های مکانی (a مساحت پوشش داده شده و (b درصد استقرار سامانه‎هاي آبياري پيشرفته در هر استان در سال 1401

(برای مشاهده نقشه‌های مکانی- زمانی از روش توضیح داده شده در پاورقی فصل مواد و روش‌ها استفاده کنید)

 

Fig 2. Spatial maps of showing a) the area covered and b) the percentage of the implementation of modern irrigation systems in Iran's provinces in 2022

 

نتیجه‌ای که می‌توان از نقشه مکانی- زمانی توسعه سامانه‌های آبیاری مدرن در استان‌های ایران به‌دست آورد این است که این سامانه‌ها با استقبال کمی در استان‌های پیشرو در زراعت محصولات دارای سیستم کشت آبی مواجه بوده‌اند. به عنوان مثال استان‌های خوزستان و فارس که به‌صورت تجمعی 31% از اراضی زراعی دارای کشت به شیوه آبی را در اختیار دارند، از نظر مساحتی بترتیب 9% و 18% در استقرار سامانه‌های آبیاری نوین پیشرفت داشته‌اند. دو استان پیشرو بعدی در کشت آبی محصولات زراعی یعنی استان‌های خراسان رضوی و آذربایجان غربی نیز پیشرفت کمتر از 30% در تجهیز اراضی به سامانه‌های آبیاری نوین داشته‌اند.

ذکر این نکته لازم است که صرف پیشرفت در استقرار سامانه‌های آبیاری نوین به بهبود شرایط در زمینه سطح آب‌های زیرزمینی منجر نمی‌شود. چون با استقرار این سامانه‌هاف کشاورزان به افزایش وسعت زمین‌های کشاورزی اقدام می‌کنند و همان مقدار آبی که در حالت عدم وجود سامانه آبیاری نوین مصرف می‌کرده‌اند را با وجود سامانه‌های آبیاری نوین مصرف می‌کنند. از سوی دیگر چون نفوذ آب به سفره‌های آب زیرزمینی و مقدار آب خارج شده از مزرعه در اثر زه‌کشی در سامانه‌های آبیاری نوین کمتر از سامانه‌های آبیاری سنتی است، با الگوی بالا وضعیت سفره‌های آب زیرزمینی بدتر خواهد شد. نکته کلیدی در موثر بودن استقرار سامانه‌های آبیاری نوین به وجود نظارت صددرصدی روی مقدار برداشت از آب‌های زیرزمینی برمی‌گردد که این مهم با نصب کنتورهای هوشمند روی چاه‌های کشاورزی قابل انجام است. با این کار هم بازده مزرعه‌ای آب مصرف شده افزایش خواهد یافت و هم سطح سفره‌های آب زیرزمینی به تدریج افزایش خواهد یافت. به این موضوع در پژوهش(Kiani & Shaker, 2022)  نیز اشاره شده است.

نتایج به دست آمده برای خوشه‌بندی استان‌های ایران با توجه به معیارهای درصد تکمیل سامانه‌های آبیاری مدرن، درصد توسعه شبکه‌های آبیاری و زه‌کشی و درصد پوشش انهار و کانال‌های انتقال آب سنتی در دو حالت خوشه‌بندی از طریق قسمت‌بندی (Partitioning) به روش‌های K- میانگین و K- میانه و حالت سلسله مراتبی در شرایط هفت خوشه‌های در شکل (3) نشان داده شده است.

با توجه به شکل(3)، چون شکل و موقعیت مرکز خوشه‌بندی‌های انجام شده به روش‌های K- میانگین (شکل a3( و K- میانه (شکل b3( متفاوت است، وجود داده‌های دارای فاصله زیاد از مرکز در مجموعه داده‌ها محتمل می‌باشد، این وضعیت با شعاع‌های بیرون زده از ناحیه خوشه‌بندی در نمودارهای مربوط به روش K- میانگین خود را نشان داده‌ است. از نظر کاربرد مدیریتیِ نتیجه به‌دست آمده برای فرآیند تصمیم‌گیری راجع به انتخاب یکی از روش‌های K- میانگین و K- میانه باید از معیار اطمینان به صحت داده‌های اولیه ای که خوشه‌بندی براساس آن‌ها انجام شده است، استفاده کرد: به این معنی که اگر به صحت داده‌های اولیه اطمینان بالایی وجود داشته باشد، خوشه‌بندی به روش K- میانگین باید برای دسته بندی استان‌ها مورد استفاده قرار گیرد و اگر به صحت داده‌های اولیه اطمینان کمی وجود داشته باشد، روش K- میانه انتخاب بهتری است.

علیرغم وجود شباهت‌هایی بین نتایج خوشه‌بندی به روش‌های مبتنی بر تقسیم‌بندی و سلسله مراتبی، تفاوت‌هایی نیز بین آنها وجود دارد. دلیل این مطلب می‌تواند متفاوت بودن فرآیند خوشه‌بندی روش سلسله مراتبی با روش‌های مبتنی بر تقسیم‌بندی باشد. چون در روش سلسله مراتبی ابتدا هر نمونه در یک خوشه قرار داده می‌شود و سپس با حرکت از پائین به بالا و با توجه به مشابهت بین نمونه‌ها، کار ادغام نمونه‌ها انجام می‌شود، در صورتیکه در روش‌های مبتنی بر تقسیم بندی، ابتدا K مرکز به تصادف انتخاب شده و سپس با فرآیند تکراری اختصاص نمونه‌ها به مراکز و محاسبه مراکز جدید عمل خوشه‌بندی کامل می‌شود.

نکته دیگر این‌که در نمودارهای K- میانگین و K- میانه دو محور با نام‌های Dim1 و Dim2 وجود دارند که در واقع دو امتدادی هستند که به عنوان Principal axes توسط نرم افزار در نظر گرفته می‌شوند. نحوه تشکیل این محورها به این صورت است که نرم‌افزار محوری را که بیشترین پراکندگی داده‌ها در راستای آن رخ می‌دهد به عنوان محورDim1 انتخاب کرده و محور Dim2 عمود بر محورDim1 در نظر گرفته می‌شود. البته لازم نیست که داده‌های اولیه حتماً دارای دو بعد باشند تا این محورها شکل بگیرند. اگر داده‌های اولیه بردارهایی با بیش از دو بعد هم باشند نرم افزار قادر به اختصاص محورهای Dim1 و Dim2 به داده‌ها می‌باشد. مزیت این کار در این است که چون داده‌های مسئله در یک شکل دو بعدی بر حسب این دو محور جانمایی می‌شوند، نمایش داده‌ها در این نمودارها براحتی قابل انجام است.

دليل اينكه تعداد خوشه‌هاي در نظر گرفته شده در اين پژوهش برابر با 7 لحاظ شده اين است كه همانطور كه در شكل(4) مشاهده مي‌شود بيشترين مقدار براي متوسط عرض پارامتر Silhouette در تعداد خوشه برابر با 7 حاصل شده است، به اين معني كه بيشترين فاصله بين خوشه‌هاي با در نظر گرفتن تعداد خوشه برابر با 7 به‌دست مي‌آيد.

شکل 3- خوشه‌بندی استان‌های ایران از نظر استقرار سامانه‎هاي آبياري و زه‌كشي به روش‌های (a K- میانگین هفت کلاسه، (b K- میانه هفت کلاسه، و (c سلسله مراتبی هفت کلاسه

 

 

 

Fig 3. Clustering of Iran's provinces regarding to the implementation of irrigation and drainage systems using a) seven-class K-means, b) seven-class K-medians, and c) seven-class dendrogram

شكل 4- نمودار تغييرات متوسط عرض پارامتر silhouette بر حسب تعداد خوشه

 

Fig 4- Variation of average silhouette width with respect to the number of clusters

 

از سوي ديگر مقدار شاخص Hopkins با انجام خوشه‌‎بندي7 خوشه‌اي برابر با 82/0 به‌دست آمد كه نشان‌دهنده وقوع خوشه‌بندي مناسب است.

خوشه‌بندی استان‌های ایران بر اساس معیارهای سه گانه ذکر شده در اعمال سیاست‌های مدیریتی کلان می‌تواند کاربرد داشته باشد، جایی‌که سیاستگذار می‌تواند سیاست‌های مدیریتی مشابهی را برای استان‌های قرار گرفته در هر خوشه تدوین کند و خواستار اجرای آنها توسط استان‌های قرار گرفته در آن خوشه شود.

 

4- نتیجه‌گیری

قابلیت رسم نقشه‌های مکانی- زمانی پویای نرم افزار R-Studio می‌تواند به نمایش دیداری مناسبی از حجم زیادی داده متراکم در جداول آماری در زمان کم بیانجامد، این نقشه‌ها نسبت به جداول آماری در به دست آوردن روند تغییرات داده‌ها بهتر عمل می‌کنند. در این پژوهش از این قابلیت برای ایجاد نقشه‌های مکانی- زمانی مقدار و درصد تکمیل سامانه‌های آبیاری مدرن در استان‌های ایران استفاده و نتایج حاصل ارائه داده شده است. همچنین در این پژوهش خوشه‌بندی استان‌های ایران با توجه به سه عامل درصد تکمیل سامانه‌های آبیاری مدرن، درصد ایجاد شبکه‌های آبیاری و زه‌کشی و درصد پوشش انهار و کانال‌های سنتی به روش‌های K- میانگین و K- میانه و سلسله مراتبی صورت گرفت و شباهت و تفاوت‌های این روش‌ها از نظر الگوریتم‌های به کار رفته و نتایج حاصله تشریح شد. می‌توان این‌طور جمع‌بندی کرد که در صورت موجود بودن داده‌های آماری مطمئن و با توسعه نقشه‌های مکانی- زمانی و خوشه‌بندی، دید درستی از وضعیت موجود ارائه شده که به تصمیم‌گیران کلان بخش کشاورزی در جهت تدوین سیاست‌های مدیریتی صحیح می‌تواند یاری برساند.

 

5- تضاد منافع نویسندگان

 نویسنده این مقاله اعلام می‌دارد که هیچ تضاد منافعی در رابطه با نویسندگی و یا انتشار این مقاله ندارد.

 

 

6- منابع

Ahmadi, I. (2023). A spatiotemporal analysis of the continent-wide contribution of agriculture in CO2-eq production from 1990 to 2019 using the t-map package of R software. Journal of nature and spatial sciences, 3(2), 17–24. https://doi.org/10.30495/jonass.2023.1974762.1060  

Batko, K., & Ślęzak, A. (2022). The use of Big Data Analytics in healthcare. Journal of Big Data, 9(3). https://doi.org/10.1186/s40537-021-00553-4 

Cooper, J., Noon, M., Jones, C.,  Kahn, E., & Arbuckle, P. (2013). Big data in life cycle assessment. Journal of Industrial Echology, 17 (6), 796–799. https://doi.org/10.1111/jiec.12069 

Frelat, R., Lopez-Ridaura, S., Giller, K E., Herrero, M., Douxchamps, S., Andersson Djurfeldt, A., Erenstein, O., Henderson, B., Kassie, M., Paul, B K., Rigolot, C., Ritzema, R S., Rodriguez, D., van Asten, P J., & van Wijk, M T. (2016). Drivers of household food availability in sub-Saharan Africa based on big data from small farms. Proceedings of the National Academy of Sciences, 113(2), 458-463. https://doi.org/10.1073/pnas.1518384112 

Ghimire, P., Karki, S., Pandey, V P., & Pradhan, A M S. (2025). Mapping Spatio-Temporal dynamics of irrigated agriculture in Nepal using MODIS NDVI and statistical data with Google Earth Engine: A step towards improved irrigation planning. International Journal of Applied Earth Observation and Geoinformation,136. https://doi.org/10.1016/j.jag.2024.104345

Guleria, D., & Kaur, G. (2021), Bibliometric analysis of ecopreneurship using VOS viewer and R-Studio Bibliometrix, 1989–2019, Library Hi Tech, 39(4), 1001-1024. https://doi.org/10.1108/LHT-09-2020-0218 

Kamilaris, A., Kartakoullis, A., & Prenafeta-Boldú F X. (2017). A review on the practice of big data analysis in agriculture. Computers & Electronics in Agriculture, 143, 23-37. https://doi.org/10.1016/j.compag.2017.09.037

Kempenaar, C., Lokhorst, C., Bleumer, E. J B., Veerkamp, R F., Been, Th., Evert, F K. van, Boogaardt, M J., Ge, L., Wolfert, J., Verdouw, C N., Bekkum, M A. van, Feldbrugge, L. , Verhoosel, J P C., Waaij, B D. van der, Persie, M. van, & Noorbergen, H. (2016). Big data analysis for smart farming. Wageningen University & Research Publications, Wageningen.

Kiani, A R., & Shaker, M. (2022). Evaluating the effectiveness of pressurized irrigation system in Iran. Water Management in Agriculture, 8(2), 167-182. (In Persian)

Lemenkova, P. (2020). Using R packages ‘t-map’, ‘raster’ and ‘ggmap’ for cartographic visualization: an example of dem-based terrain modelling of Italy, apennine peninsula. Zbornik radova - Geografski fakultet Univerziteta u Beogradu, 68, 99-116. 10.5937/zrgfub2068099L

Pandey, V P., Dhaubanjar, S., Bharati, L., & Thapa, B R. (2020). Spatio-temporal distribution of water availability in Karnali-Mohana Basin, Western Nepal: Climate change impact assessment (Part-B). Journal of Hydrology: Regional Studies, 29, 100691. https://doi.org/10.1016/j.ejrh.2020.100691

Shahnoushi, N., Taherpour, H., Fatemi, M., & Allameh, A S. (2020). An investigation on effects of implementing under-pressure irrigation projects on agriculture sector productivity in Khorasan Razavi. Agricultural Economics, 13(4), 1-18. https://doi.org/10.22034/iaes.2020.47190.1332. (In Persian)

Tesfaye, K., Sonder, Kai., Caims, J., Magorokosho, C., Tarekegn, A., Kassie, Girma T., Getaneh, F., Abdoulaye, T., Abate, T., & Erenstein, O. (2016). Targeting drought-tolerant maize varieties in southern Africa: a geospatial crop modeling approach using big data. International Food and Agribusiness Management Review, 19(A), 1–18.

Waga, D., & Rabah, K. (2014). Environmental conditions’ big data management and cloud computing analytics for sustainable agriculture. World Journal of Computer Application and Technology, 2(3), 73–81. https://doi.org/10.13189/wjcat.2014.020303 

 

 

 

 

پيوست: كدهاي مورد نياز براي ايجاد نقشه و خوشه‌بندي استان‌هاي كشور 

library(sf)

library(tmap)

setwd("C:/Users/acer/Documents")                   #Setting the address of the working directory#

getwd()

 

iran <- st_read("irn_admbnda_adm1_unhcr_20190514.shp")

 

centroid<-st_centroid(iran$geometry)

x_y<-st_coordinates(centroid)

iran2<-cbind(iran,centroid)

 

N<-c("Alb","Ard","Bush","Ch_Bakh","E_Azar","Far","Gil","Gol","Ham","Hor","Ilam","Isf","Ker",

     "Ker_Shah","Khuz","Koh_Boy","Kur","Lor","Mark","Maz","N_Khor","Qaz","Qom","R_Khor","Sem",

     "Sist_Bal","S_Khor","Teh","W_Azar","Yazd","Zanj")

 

iran3<-cbind(iran2,N)

 

newcolumn1<-read.csv("ab1.csv")

 

library(dplyr)

modifyframe<-bind_rows(replicate(14, iran3, simplify = FALSE))

finalframe1<-cbind(modifyframe,newcolumn1)

 

library(gifski)

ab1<-tm_shape(finalframe1)+tm_polygons(col="area_covered_hec",palette = "Blues")+

  tm_facets(along = "year", free.coords = FALSE)+

  tm_text("N", remove.overlap = FALSE)+

  tm_compass(type = "8star", position = c("right", "top"),size=5) +

  tm_scale_bar(breaks = c(0, 100, 200), position = c("center", "bottom"),size= 2)

 

tmap_animation(ab1, filename = "ab3.gif", delay = 120)

 

ab2<-tm_shape(finalframe1)+tm_polygons(col="percentage",palette = "Blues")+

  tm_facets(along = "year", free.coords = FALSE)+

  tm_text("N", remove.overlap = FALSE)+

  tm_compass(type = "8star", position = c("right", "top"),size=5) +

  tm_scale_bar(breaks = c(0, 100, 200), position = c("center", "bottom"),size= 2)

 

tmap_animation(ab2, filename = "ab4.gif", delay = 120)

 

getwd()

data <- read.csv("AB.csv", row.names = 1)

df<- scale(data)

head(df, n = 3)

 

library(factoextra)

fviz_nbclust(df, kmeans, method = "wss") +geom_vline(xintercept = 0,linetype = 2)

set.seed(123)

 

km.res <- kmeans(data, 7, nstart = 25)

print(km.res)

 

fviz_cluster(km.res, data = df,

             ellipse.type = "euclid",                 # Concentration ellipse

             star.plot = TRUE,                         # Add segments from centroids to items

             repel = TRUE,                         # Avoid label overplotting (slow)

             ggtheme = theme_minimal()

)

 

res.dist <- dist(df, method = "euclidean")

res.hc <- hclust(d = res.dist, method = "ward.D2")

fviz_dend(res.hc, cex = 0.5)

 

fviz_dend(res.hc, cex = 0.5, k = 7,

          k_colors = "jco", type = "circular")

 

fviz_dend(res.hc, cex = 0.5, k = 7,                 # Cut in seven groups

          k_colors = "jco")

 

library (cluster)

 

fviz_nbclust(df, pam, method = "silhouette")+

  theme_classic()

 

pam.res <- pam(df, 7)

print(pam.res)

 

fviz_cluster(pam.res,

             ellipse.type = "t",                         # Concentration ellipse

             repel = TRUE,                         # Avoid label overplotting (slow)

             ggtheme = theme_classic()

)

 

library(hopkins)

# Compute Hopkins statistic

set.seed(123)

hopkins(df)

 

fviz_dist(dist(df), show_labels = FALSE)

 

2

 

---

[1]  شایان ذکر است که از راه‌های زیر می‌توان به نقشه‌های مکانی- زمانی مربوط به این گزارش دسترسی پیدا کرد:

كافي است آدرس زير را در نوار آدرس مرورگر وب وارد كنيد

https://drive.google.com/file/d/1MS76rk60QLgHucEuK3rwB5ColHhozvGr/view?usp=drive_link

 تا از طريق فضاي ابري Google drive به نقشه‌هاي پوياي مربوط به اين گزارش دسترسي داشته باشيد. البته فايل تصاوير به فرمت فشرده ذخيره شده است و براي مشاهده بايد از حالت فشرده خارج شود. همچنین می‌توانید از QR-code زير استفاده كرده و به فضاي ابري Google drive دسترسي پيدا كنيد: