ارزیابی ریسک خشکسالی کشاورزی در شهرستان‌های استان کرمانشاه

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانش‌آموخته کارشناسی ارشد دانشگاه تهران

2 دانشیار دانشگاه تربیت مدرس

3 دانش‌آموخته دکتری دانشگاه تربیت مدرس

چکیده

خشکسالی کشاورزی در سال­های اخیر خسارات زیادی به کشور وارد ساخته است که باید تلاش کرد تا با استفاده از مدیریت منطقی، حتی­الامکان خسارات ناشی از آن را کاهش داد.  بدین منظور لازم است تا مناطق متاثر از این بلا مقایسه شوند و در اولویت اقدامات مدیریتی قرار گیرند.  در این مقاله برای تحلیل ریسک خشکسالی کشاورزی و مقایسة آن در شهرستان­های استان کرمانشاه یک روش ­شناسی بر پایة آمار و اطلاعات کشت دیم گندم توسعه داده شده ­است.  بدین منظور با استفاده از روش­های رگرسیون و سیستم فازی- عصبی (ANFIS) مدلی برای براورد عملکرد محصول با ورودی شاخص­های خشکسالی تهیه شد که پس از بررسی­های لازم، شاخص­های خشکسالی SPI و Z-index  به عنوان ورودی و مدل ANFIS انتخاب شدند.  سپس جهت براورد توزیع­ احتمالاتی عملکرد، از شبیه­سازی مونت کارلو استفاده و ریسک خشکسالی در شهرستان‌های منطقة مورد مطالعه که استان کرمانشاه بود، براورد شد.  نتایج نشان داد که به طور نسبی شهرستان هرسین بیشترین و شهرستان سنقر کمترین ریسک را در مواجهه با خشکسالی دارد.

کلیدواژه‌ها


Andres, F. R., Guillermo P. P., Carlos, M. D., David, L., Julio, D., Edgardo, G. and Santiago, M. 2001.  A linked-modeling framework to estimate maize production risk associated with ENSO-related climate variability in Argentina. Agric. Forest Meteo. 107, 177-192.

Anon. 2010.  http://simlab.jrc.ec.europa.eu/

Arshad,S. 2008. Development of agricultural drought vulnerability assessment. Model for kermanshah province using stochastic and intelligent methods.PhDDissertation. Tarbiat Modares University. Tehran. Iran

Byun, H. R. and Wilhite, D. A. 1996. Daily quantification of drought severity and duration. J. Climate. 5, 1181-1201.

Edwars, D. C. and Mckee, T. B. 1997. Characteristics of 20th century drought in the United States at multiple time scales. Climatology Report Number 97-2. Colorado State University. Fort Collins, Colorado.

Grei, T. 2007.  Introducing a model for considering uncertainties in Monte Carlo simulation to improve quantitative evaluation of project risk 

Hayes, M. J. 2000. What is drought? National Drought Mitigation Center. http://drought.unl.edu/whatis/indices.htm

 

Hayes, M. J., Svoboda, M. D., Wihite, D. A. and Vanyarkho, O. V. 1999. Monitoring the 1996 drought using the standardized precipitation index. Bull. Ame. Meteo. Soc. 80, 429-438.

Heim, Jr, R. R. 2002. A review of 20th century drought indices used in the United States. Bull. Am. Meteor. Soc. 83: 1149-1165.

Jang, J. S. R. 1993. ANFIS: adaptive-network-based fuzzy inference system. IEEE Trans. Sys. Man, and Cybernetics. 23, 665-685.

Mir-Abolghasemi, H., Morid, S. and Ghaemi,  H.  2001. Integrated drought plans, the lost component in water management of Iran. Proceeding of the 1st Cational Conference on Water Crisis Mitigation Strategies. Zabol. Iran. 443-454. (in Farsi)

Nayaka, P. C., Sudheerb, K. P., Ranganc, D. M. and Ramasastri, K. S. 2004. A neuro- fuzzy computing technique for modeling hydrological time series . J. Hydro. 291, 52 - 66.

Nullet, D. and Giambelluca, T. W. 1988. Risk analysis of seasonal agricultural drought on low pacific islands. Agric. Forest Meteo. 42, 229 - 239.

Palmer, W. C. 1965. Meteorological Drought. Research Paper No. 45. U.S. Department of Commerce Weather Burea. Washington. DC.

Pilon, P. J., Condie, R. and Harvey, K. D. 1985. Consolidated frequency analysis package (CFA). User manual for version 1 DEC Pro Series. Water Resources Branch. Inland Water Directorate. Environment Canada.

Quiring, S. M. and Papakryiakou, T. N. 2003.  An evaluation of agricultural drought indices for the Canadian prairies. J. Agric. Forest Meteo. 1, 46-62.

Quiroga, S. and Iglesias, A. 2008. Method for drought risk analysis in agriculture. Option Mediterraneennes, Series B, No.58, chapter 8: 103-113. http://iamz.ciheam.org/ medroplan/guidelines/ archivos/ Guidelines_Chapter08.pdf.

Wells, N. 2003. PDSI Users Manual: Version 2.0. National Agricultural Decision Support System. University of Nebraska-Lincoln.pp.

Yurekli, K. and Kurunc, A. 2006. Simulating agricultural drought periods based on daily rainfall and crop water consumption.J. Arid Environ. 67, 629 - 640.

Zhang, J. 2004. Risk assessment of drought disaster in the maize-growing region of Songliao Plain. China. Agric. Ecosys. Environ. 102, 133-153.