اميرعباس گشتيل

Climate models an‎d machine learning for predicting tea yield variability in northern Iran 1961-2023

توليد چاي در شمال ايران يكي از اركان اصلي معيشت روستاييان است اما به شدت در برابر تغييرپذيري اقليم آسيبپذير است. اين مطالعه به صورت كمي بررسي ميكند كه الگوهاي آب و هوايي در مقياس بزرگ (WPs (چگونه بر تغييرپذيري عملكرد ساالنه چاي در شمال ايران )گيالن-مازندران، 2023-1961؛ به مدت 63 سال( تأثير ميگذارند. با استفاده از دادههاي بازتحليل 5ERA )براي ماههاي آوريل تا اكتبر( و خوشه بندي) means-k MiniBatch با— (30=k كه از طرحهاي سينوپتيكي مانند 30MO الهام گرفته شده است— طبقهبندي روزانه الگوهاي آب و هوايي و فراواني ساالنه آنها استخراج شد. ناهنجاريهاي عملكرد چاي از طريق روندزدايي با ميانگين متحرك 5 ساله محاسبه شد تا اثرات اقليمي مجزا شوند. تحليل ما تضادهاي آشكاري بين رژيمهاي جوي و نتايج عملكرد محصول را نشان ميدهد. الگوهاي خاصي (9WP 18,WP 1,WP (به طور مداوم با سالهاي پرمحصول همزمان هستند، در حالي كه الگوهاي 12,WP 24,WP و 0WP با سالهاي كممحصول همراستا هستند. ما يك شاخص الگوي آب و هوايي (Index WP (معرفي ميكنيم كه به صورت تفاوت نرمالشده بين فراواني الگوهاي مساعد و نامساعد تعريف ميشود و بخش قابل توجهي از واريانس بين سالي را توضيح ميدهد. مدلهاي يادگيري ماشين به مهارت پيشبيني متوسطي دست يافتند )به عنوان مثال، ضريب تعيين 2Rبراي SVR تقريباً برابر با 0.40 و دقت SVM سهكالسه از طريق اعتبارسنجي متقابل تقريباً 0.62 بود(. دماي هواي نزديك سطح زمين (m2t (و دماي نقطه شبنم (m2d (به عنوان عوامل اصلي شناسايي شدند، كه بر اهميت تنش حرارتي-رطوبتي در عملكرد محصوالت چندساله تأكيد دارد. اين رويكرد، با مشخص كردن زمانهايي كه رژيمهاي نامساعد احتماالً غالب هستند، ميتواند به تدوين استراتژي هاي تطبيقي مانند زمانبندي آبياري و انتخاب ارقام گياهي كمك كند. اين چارچوب مقياس پذير مبتني بر الگوهاي آب و هوايي، از سيستمهاي هشدار سريع و برنامهريزي مقاوم در برابر اقليم براي حفاظت از توليد چاي در اگرواكوسيستم هاي در معرض خطر پشتيباني ميكند.

يادگيري ماشين