برآورد عدم قطعیت ناشی از کاربرد پایگاه‌های اقلیمی شبکه‌بندی شده در مدل‌سازی گیاهی

محورهای موضوعی : برگرفته از پایان نامه

یعقوب رادمنش ¹ , مهدی سرائی تبریزی ² , هادی رمضانی اعتدالی ³ , اصغر عزیزیان ⁴ , حسین بابازاده ⁵

1 - دانشجوی دکتری، گروه علوم و مهندسي آب، واحد علوم و تحقيقات، دانشگاه آزاد اسلامي، تهران، ايران
2 - دانشیار، گروه علوم و مهندسي آب، واحد علوم و تحقيقات، دانشگاه آزاد اسلامي، تهران، ايران
3 - استاد، گروه مهندسی منابع آب، دانشگاه بین‌المللی امام خمینی، قزوین، ایران
4 - دانشیار، گروه مهندسی منابع آب، دانشگاه بین‌المللی امام خمینی، قزوین، ایران
5 - استاد، گروه علوم و مهندسي آب، واحد علوم و تحقيقات، دانشگاه آزاد اسلامي، تهران، ايران

تاریخ دریافت : 1403/07/25 تاریخ پذیرش : 1403/10/17 تاریخ انتشار : 1404/09/08

کلید واژه: مدل AquaCrop, تحلیل عدم قطعیت, داده‌های اقلیمی, روش Bootstrap, پایگاه‌های اقلیمی شبکه‌بندی شده,

چکیده مقاله :

مقدمه: مدل‌سازی گیاهی و پیش‌بینی عملکرد محصولات زراعی، به‌ویژه در شرایط تغییر اقلیم، نیازمند داده‌های اقلیمی دقیق است. در کشورهای در حال توسعه، به‌دلیل تراکم کم ایستگاه‌های هواشناسی و دوره‌های آماری کوتاه، دسترسی به داده‌های قابل‌اعتماد با چالش‌هایی مواجه است. پایگاه‌های اقلیمی شبکه‌بندی شده می‌توانند این کمبود را جبران کنند. اما به‌دلیل عدم اندازه‌گیری مستقیم این داده‌ها، تحلیل عدم قطعیت ضروری است.

روش‌شناسی­: در این پژوهش، عدم قطعیت ناشی از داده‌های اقلیمی پایگاه‌های شبکه‌بندی شده شامل CPC Global، CRU TS، ERA-Interim،ERA5  و MERRA-2 در شبیه‌سازی محصولات گندم و ذرت با مدل AquaCrop در اقلیم‌های مختلف ایران طی دوره 30 ساله (2019-1989) بررسی شد. AquaCrop برای مدیریت آب و بهره‌وری کشاورزی طراحی و به داده‌های اقلیمی مانند بارش و دما نیاز دارد. از روش Bootstrap برای ارزیابی عدم قطعیت شبیه‌سازی‌های متغیرهای زیست‌توده، تبخیر و تعرق، نیاز آبی و عملکرد محصولات استفاده شد. همچنین، شاخص‌های p-factor و d-factor برای ارزیابی دقت پایگاه‌های اقلیمی محاسبه گردید.

یافته­ ها: نتایج نشان داد که پایگاه ERA5 میزان عدم قطعیت کمتری در شبیه‌سازی متغیرهای مدل AquaCrop ارائه داد. به‌ویژه در شبیه‌سازی زیست‌توده ذرت در ایستگاه اهواز، مقادیر p-factor و d-factor به ترتیب 33/23 درصد و 5/0 بود. به‌طور کلی، پایگاه‌هایERA5  و ERA-Interim کمترین عدم قطعیت را در اکثر اقلیم‌ها داشتند، در‌حالی‌که MERRA-2 به‌دلیل بیشترین عدم قطعیت، ضعیف‌ترین عملکرد را نشان داد.

نتیجه­ گیری: این تحقیق نشان می‌دهد که انتخاب پایگاه مناسب برای مدل AquaCrop می‌تواند به‌طور مستقیم بر دقت پیش‌بینی‌ها تأثیر بگذارد. پایگاه ERA5 به‌عنوان گزینه برتر با میزان عدم قطعیت کمتر شناخته شد. استفاده از پایگاه‌های با دقت بالا و تحلیل‌های معتبر می‌تواند به بهبود کیفیت مدل‌سازی و تصمیم‌گیری‌های مدیریتی در حوزه کشاورزی و مدیریت منابع آب کمک کند.

 

چکیده انگلیسی:

Introduction: Accurate climatic data are essential for crop modeling and yield prediction, particularly under climate change. In developing countries, access to reliable data is constrained by the low density of meteorological stations and limited historical records. Gridded climate datasets can mitigate this limitation; however, as they are not directly measured, uncertainty analysis is necessary.

Methods: This study evaluated uncertainty from gridded climate datasets—including CPC Global, CRU TS, ERA-Interim, ERA5, and MERRA-2—in simulating wheat and maize using the AquaCrop model across diverse Iranian climates over 30 years (1989–2019). AquaCrop, developed for water management and agricultural productivity, requires inputs such as precipitation and temperature. Bootstrap method quantified uncertainty in simulated biomass, evapotranspiration, crop water requirement, and yield. P-factor and d-factor indices were also calculated to assess dataset accuracy.

Findings: ERA5 consistently showed the lowest uncertainty in AquaCrop simulations. For maize biomass at Ahvaz, p-factor and d-factor were 23.33% and 0.5, respectively. Overall, ERA5 and ERA-Interim exhibited minimal uncertainty across most climates, whereas MERRA-2, with the highest uncertainty, performed worst.

Conclusion: Selecting appropriate high-resolution datasets and applying rigorous uncertainty analyses can directly improve AquaCrop prediction accuracy. ERA5 emerged as the most reliable option. These practices enhance modeling precision and support informed decision-making in agricultural and water resource management.

منابع و مأخذ:

1. Raes D, Steduto P, Hsiao TC, Fereres E. AquaCrop — The FAO Crop Model to Simulate Yield Response to Water: II. Main Algorithms and Software Description. Agronomy Journal. 2009;101(3): 438–447. doi:10.2134/agronj2008.0140s
2. Foster T, Brozović N, Butler AP, Neale CMU, Raes D, Steduto P, et al. AquaCrop-OS: An open source version of FAO’s crop water productivity model. Agricultural Water Management. 2017;181: 18–22. doi:10.1016/J.AGWAT.2016.11.015
3. Izadi Z, Nasrolahi AH, Haghighati Borujeni, B. Simulation of climate change effects on potato crop yield using AquaCrop plant growth model. Irrigation and Water Engineering. 2019;9(3): 143–158. doi:10.22125/IWE.2019.88679
4. Wang G, Mehmood F, Zain M, Hamani AKM, Xue J, Gao Y, et al. AquaCrop Model Evaluation for Winter Wheat under Different Irrigation Management Strategies: A Case Study on the North China Plain. Agronomy. 2022;12(12). doi:10.3390/agronomy12123184
5. Panek-Chwastyk E, Ozbilge CN, Dąbrowska-Zielińska K, Gurdak R. Advancing Crop Yield Predictions: AQUACROP Model Application in Poland’s JECAM Fields. Agronomy. 2024;14(4): 854. doi:10.3390/agronomy14040854
6. Ramezani M, Babazadeh H, Sarai Tabrizi M. Simulating Barley Yield under Different Irrigation Levels by using AquaCrop Model. Irrigation Sciences and Engineering. 2018;41(4): 161–172. doi:10.22055/JISE.2017.20215.1452
7. Wale A, Dessie M, Kendie H. Evaluating the Performance of AquaCrop Model for Potato Production Under Deficit Irrigation. Air, Soil and Water Research. 2022;15. doi:10.1177/11786221221108216
8. Khorsand A, Dehghanisanij H, Heris AM, Asgarzadeh H, Rezaverdinejad V. Calibration and evaluation of the FAO AquaCrop model for canola (Brassicanapus) under full and deficit irrigation in a semi-arid region. Applied Water Science. 2024;14(3). doi:10.1007/S13201-024-02108-3
9. Juston J, Seibert J, Johansson PO. Temporal sampling strategies and uncertainty in calibrating a conceptual hydrological model for a small boreal catchment. Hydrological Processes. 2009;23(21): 3093–3109. doi:10.1002/hyp.7421
10. Shafiei M, Ghahraman B, Saghafian B, Davary K, Vazifedust M. Uncertainty Analysis in Prediction of Soil Water Balance Components in two Irrigated Field in Arid Region. Water and Soil. 2015;28(5): 909–917. doi:10.22067/JSW.V0I0.29617
11. Tung YK, Yen BC. Hydrosystems Engineering Uncertainty Analysis. American Society of Civil Engineers. McGraw-Hill; 2006.
12. Song X, Zhang J, Zhan C, Xuan Y, Ye M, Xu C. Global sensitivity analysis in hydrological modeling: Review of concepts, methods, theoretical framework, and applications. Journal of Hydrology. 2015. p. 739–757. doi:10.1016/j.jhydrol.2015.02.013
13. Shafiei M, Bazrafshan J, Irannejad P. Uncertainty analysis of parameters for river flow simulation using Glue method. Geography. 2018;16(58): 82–99.
14. Efron B, Tibshirani RJ. An Introduction to the Bootstrap. An Introduction to the Bootstrap. Chapman and Hall/CRC; 1994. doi:10.1201/9780429246593
15. Davison AC, Hinkley D V. Bootstrap Methods and their Application. Bootstrap Methods and their Application. Cambridge University Press; 1997. doi:10.1017/cbo9780511802843
16. Fox J. Applied Regressions Analysis and Linear Models (3rd ed.). 2016; 817.
17. Karimi T, Reed P, Malek K, Adam J. Diagnostic Framework for Evaluating How Parametric Uncertainty Influences Agro-Hydrologic Model Projections of Crop Yields Under Climate Change. Water Resources Research. 2022;58(6). doi:10.1029/2021WR031249
18. Galavi H, Mirzaei M, Yu B, Lee J. Bootstrapped ensemble and reliability ensemble averaging approaches for integrated uncertainty analysis of streamflow projections. Stochastic Environmental Research and Risk Assessment. 2023;37(4): 1213–1227. doi:10.1007/S00477-022-02337-5
19. Park J, Hwang S, Song JH, Kang MS. An Alternative for Estimating the Design Flood Interval of Agricultural Reservoirs under Climate Change Using a Non-Parametric Resampling Technique. Water. 2020;12(7): 1894. doi:10.3390/w12071894
20. Althoff D, Rodrigues LN, Bazame HC. Uncertainty quantification for hydrological models based on neural networks: the dropout ensemble. Stochastic Environmental Research and Risk Assessment. 2021;35(5): 1051–1067. doi:10.1007/s00477-021-01980-8
21. Mirza Alipour S, Engeland K, Leal J. Uncertainty Assessment of Flood Maps: A Comparison of Bootstrap and Monte Carlo Methods. In: Proceedings of the IAHR World Congress. International Association for Hydro-Environment Engineering and Research; 2022. p. 6422–6430. doi:10.3850/IAHR-39WC2521716X2022651
22. Tan YX, Ng JL, Huang YF. Quantitative analysis of input data uncertainty for SPI and SPEI in Peninsular Malaysia based on the bootstrap method. Hydrological Sciences Journal. 2023;68(12): 1724–1737. doi:10.1080/02626667.2023.2232348
23. Negri C, Schurch N, Wade AJ, Mellander PE, Stutter M, Bowes MJ, et al. Transferability of a Bayesian Belief Network across diverse agricultural catchments using high-frequency hydrochemistry and land management data. Science of the Total Environment. 2024;949. doi:10.1016/j.scitotenv.2024.174926
24. Iran, Islamic Rep. - Climatology | Climate Change Knowledge Portal.
25. Khalili A, Bazrafshan J, Cheraghalizadeh M. A Comparative study on climate maps of Iran in extended de Martonne classification and application of the method for world climate zoning. Journal of Agricultural Meteorology. 2022;10(1): 3–16. doi:10.22125/AGMJ.2022.156309
26. Chen M, Xie P, Co-authors. CPC Unified Gauge-based Analysis of Global Daily Precipiation. In: Western Pacific Geophysics Meeting, Cairns, Australia, 29 July - 1 August, 2008. 2008. p. 179–184.
27. Dee DP, Uppala SM, Simmons AJ, Berrisford P, Poli P, Kobayashi S, et al. The ERA-Interim reanalysis: configuration and performance of the data assimilation system. Quarterly Journal of the Royal Meteorological Society. 2011;137(656): 553–597. doi:10.1002/QJ.828
28. Hersbach H, Bell B, Berrisford P, Biavati G, Horányi A, Muñoz Sabater J, et al. ERA5 monthly averaged data on single levels from 1940 to present. 2023. doi:10.24381/cds.f17050d7
29. Gelaro R, McCarty W, Suárez MJ, Todling R, Molod A, Takacs L, et al. The Modern-Era Retrospective Analysis for Research and Applications, Version 2 (MERRA-2). Journal of Climate. 2017;30(14): 5419–5454. doi:10.1175/JCLI-D-16-0758.1
30. Singh R. Simulations on direct and cyclic use of saline waters for sustaining cotton–wheat in a semi-arid area of north-west India. Agricultural Water Management. 2004;66(2): 153–162. doi:10.1016/J.AGWAT.2003.10.007
31. Doorenbos J, Kassam AH. Yield response to water. FAO irrigation and drainage paper no. 33. UN-FAO, Rome, Italy. FAO 33. 1979;(33).
32. Raes D, Steduto P, Hsiao TC, Fereres E. Reference manual AquaCrop (Version 7.1), Chapter 1, FAO crop-water productivity model to simulate yield response to water. 2023.
33. FAO. ETo calculator version 3.1. 2012.
34. Abbaspour KC, Johnson CA, van Genuchten MT. Estimating Uncertain Flow and Transport Parameters Using a Sequential Uncertainty Fitting Procedure. Vadose Zone Journal. 2004;3(4): 1340–1352. doi:10.2113/3.4.1340
35. Tarek M, Brissette FP, Arsenault R. Evaluation of the ERA5 reanalysis as a potential reference dataset for hydrological modelling over North America. Hydrology and Earth System Sciences. 2020;24(5): 2527–2544. doi:10.5194/hess-24-2527-2020
36. Navidi Nassaj B, Zohrabi N, Nikbakht Shahbazi A, Fathian H. Evaluating the performance of eight global gridded precipitation datasets across Iran. Dynamics of Atmospheres and Oceans. 2022;98: 101297. doi:10.1016/J.DYNATMOCE.2022.101297
37. Mu Q, Zhao M, Running SW. Improvements to a MODIS global terrestrial evapotranspiration algorithm. Remote Sensing of Environment. 2011;115(8): 1781–1800. doi:10.1016/j.rse.2011.02.019
38. Ogunsola OQ, Bankole AO, Soboyejo LA, Adejuwon JO, Makinde AA. Modeling deficit irrigation water demand of maize and potato in Eastern Germany using ERA5-Land reanalysis climate time series. Irrigation Science 2024 43:5. 2024;43(5): 1127–1145. doi:10.1007/S00271-024-00939-1