تحلیل مقایسه ای روش های Bootstrap و GLUE برای ارزیابی عدم قطعیت پایگاه های اقلیمی در شبیه سازی های مدل AquaCrop

تحلیل عدم قطعیت در مدل های گیاهی مانند AquaCrop، با توجه به اهمیت داده های اقلیمی در شبیه سازی عملکرد محصولات کشاورزی، ضروری است. این مطالعه با هدف مقایسه دو روش GLUE و Bootstrap در برآورد عدم قطعیت پایگاه های اقلیمی انجام شد. داده های اقلیمی از پایگاه های CPC Global، CRU TS، ERA۵، ERA-Interim و MERRA-۲ برای بازه زمانی ۱۹۸۹ تا ۲۰۱۹ و محصولات گندم و ذرت مورد استفاده قرار گرفت. ارزیابی ها نشان داد روش GLUE باندهای عدم قطعیت وسیع تری ایجاد می کند و شاخص های p-factor و d-factor بیشتری نسبت به روش Bootstrap ارائه می دهد. به طور خاص، کمترین عدم قطعیت زیست توده ذرت در پایگاه CPC Global و ایستگاه بابلسر با مقادیر p-factor و d-factor معادل ۶۷/۹۶ درصد و ۳/۳ مشاهده شد، در حالی که بیشترین عدم قطعیت در پایگاه MERRA-۲ و ایستگاه قزوین با مقادیر ۳۳/۶۳ درصد و ۹۸/۵ ثبت گردید. در روش Bootstrap نیز پایگاه CPC Global در اکثر ایستگاه ها بهترین عملکرد را با کمترین باند عدم قطعیت نشان داد. نتایج نشان دادند که پایگاه های ERA۵ و CPC Global به دلیل ارائه داده های دقیق تر و کاهش عدم قطعیت در زیست توده، تبخیر-تعرق، نیاز آبی و عملکرد محصولات، گزینه های مناسب تری برای مدل سازی گیاهی هستند. در مقابل، پایگاه MERRA-۲ بالاترین میزان عدم قطعیت را در تمامی متغیرها و ایستگاه ها ثبت کرد. به طور کلی، روش GLUE برای تحلیل های جامع تر مناسب تر است، در حالی که روش Bootstrap به دلیل سادگی و ارائه باندهای باریک تر، گزینه بهتری برای مطالعات آماری با داده های محدود محسوب می شود. این نتایج اهمیت انتخاب داده های اقلیمی با کیفیت و روش تحلیل مناسب را در بهبود دقت پیش بینی های مدل های کشاورزی برجسته می کند.

کلیدواژه ها:

برآورد عدم قطعیت ، روش GLUE ، روش Bootstrap ، مدل AquaCrop ، پایگاه های اقلیمی