مدیریت توامان منابع آب سطحی و زیرزمینی و افزایش تاب‌آوری کشاورزان در مقابل کم‌آبی با پیش‌بینی قیمت محصولات کشاورزی و استفاده از الگوریتم ژنتیک (مطالعه موردی شبکه آبیاری و زهکشی دشت قزوین)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 علوم و مهندسی آب،دانشکده کشاورزی و منابع طبیعی،دانشگاه بین المللی امام خمینی (ره)

2 استادیار، دگروه مهندسی آب، دانشگاه بین المللی امام خمینی، قزوین

3 گروه علوم و مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه بین‌المللی امام خمینی (ره)، قزوین، ایران

چکیده

سد طالقان تأمین‌کننده اصلی آب موردنیاز بخش کشاورزی دشت قزوین است. مقدار آب تخصیص‌یافته از سد طالقان به این دشت به دلایل گوناگون از جمله افزایش تخصیص آب شرب شهر تهران کاهش‌یافته است. کاهش آب تخصیص‌یافته از یک‌سو و نوسان قیمت محصولات کشاورزی به دلیل وقفه زمانی بین تصمیم کشاورز به تولید و عرضه آن به بازار از سوی دیگر، سبب شده کشاورزان نسبت به درآمد آینده خود نامطمئن باشند. کشاورزان برای مقابله با نا اطمینانی‌ قیمت محصولات کشاورزی و تأمین معیشت خویش، علی‌رغم کاهش آب تخصیص‌یافته، با تثبیت سطح و ترکیب الگوی کشت اقدام به تخلیه آب زیرزمینی نموده‌اند. در این پژوهش به‌منظور کمک به افزایش تاب‌آوری کشاورزان و حفظ منابع آب زیرزمینی اقدام به بهینه‌سازی الگوی توزیع آب با پیش­بینی قیمت و بهینه­سازی همزمان الگوی کشت و توزیع آب با پیش­بینی قیمت با استفاده از الگوریتم ژنتیک شده است. برای پیش­بینی قیمت محصولات کشاورزی دارای خرید تضمینی شامل گندم، جو، چغندرقند و کلزا از ANN و قیمت ذرت­علوفه­ای، گوجه­فرنگی، یونجه، نخود، لوبیا، سیب­زمینی، ذرت­دانه­ای و عدس از روش تابع تقاضا معکوس استفاده‌شده است. کشش قیمتی تقاضا برای محصولات ذرت­علوفه­ای، گوجه­فرنگی، یونجه، نخود، لوبیا، سیب­زمینی، ذرت­دانه­ای و عدس به ترتیب 508/0-، 111/1-، 954/0-، 914/0-، 374/0-، 529/0-، 363/0- و 332/0- برآورد شد. بررسی دو شاخص MAE و RSME بیانگر توانایی خوب تابع تقاضا معکوس و ANN در پیش­بینی قیمت بود. همچنین نتایج نشان داد استفاده از مدل­های بهینه­سازی توزیع آب با پیش­بینی قیمت موجب 25% افزایش درآمد و مدل بهینه‌سازی همزمان الگوی کشت و توزیع آب با پیش­بینی قیمت موجب 160% افزایش درآمد شبکه نسبت به وضعیت کنونی خواهد شد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Simultaneously Management of Surface and Groundwater Resources and Increasing Farmers' Resilience to Water Scarcity by Predicting the Price of Agricultural Products and using GA (Case Study of Irrigation and Drainage Network of Qazvin Plain)

نویسندگان [English]

  • seyedeh Marzieh Hoseini 1
  • hamed mazandarani zadeh 2
  • Bijan Nazari 3
1 Department of Water Science and Engineering, Faculty of Agriculture and Natural Resources, Imam Khomeini International University, Qazvin, Iran.
2 associated professor, water eng. group, Imam Khomeini International University، Qazvin
3 Department of Water Science and Engineering, Faculty of Agriculture and Natural Resources, Imam Khomeini International University, Qazvin, Iran.
چکیده [English]

Taleghan Dam is the main supplier of required water to the agricultural sector of Qazvin plain. The amount of water allocated from Taleghan Dam to this plain has decreased for various reasons, including increasing the allocation of drinking water to Tehran. The reduction of allocated water and the fluctuation prices of agricultural products due to the time lag between the farmer's decision to cultivate and offer it to the market, make farmers to be uncertain to their future earnings. In order to deal with the uncertainty of the prices of agricultural products and their livelihood, despite the reduction of allocated water, farmers have started to discharge the groundwater by stabilizing the cultivated area and combining the cultivation pattern. In this study, in order to increase farmers' resilience and preserve groundwater resources, water distribution pattern with price prediction and simultaneous water cultivation and distribution pattern with price prediction has been optimized using genetic algorithm. For predicting the price of agricultural products with guaranteed purchase such as wheat, barley, sugar beet and rapeseed the ANN model was ued. For predicting the price of maize, tomato, alfalfa, peas, beans, potatoes, corn and lentils, the reverse demand function method was used. The price elasticity of demand for maize, tomato, alfalfa, peas, beans, potatoes, corn and lentils were estimated -0.508,-1.111,-0.954,-0.914,-0.374,-0.529,-0.363 and -0.332, respectively. MAE and RSME indeces indicated the ability of reverse demand function and ANN in price forecasting. The results also showed that the use of water distribution optimization models with price forecasting will increase revenue by 25% and the simultaneous optimization model of water cultivation and distribution model with price forecasting will increase network revenue by 160% compared to the current situation.

کلیدواژه‌ها [English]

  • Optimization
  • Cultivation pattern
  • water reallocation
  • Guaranteed purchase
  • Wheat
Abkhan Consulting Engineers (2013) Water Budget of Qazvin Plain, Ministry of Energy, 71pp (in Farsi)
Asaadi, M., Khalilian, S., and Mousavi, S. (2019). Management of Irrigation Water Allocation and Cropping Pattern with emphasis on Deficit Irrigation Strategy (Case study: Qazvin Irrigation Network). Iran-Water Resources Research, 14(5), 1-14.
Borimnejad, V., and Bakeshloo, M. (2018). Forecasting the price of Tomatoes: comparison of syncretistic methods of Neural Network Auto-Regressive and ARIMA. Agricultural Economics and Development, 21(83), 89-103. (In Farsi)
Divisekara, R. W., Jayasinghe, G., and Kumari, K. (2020). Forecasting the red Lentils commodity market price using SARIMA models. SN Business & Economics, 1(1), 1-13.
Hao, L., Su, X., and Singh, V. P. (2018). Cropping pattern optimization considering uncertainty of water availability and water saving potential. International Journal of Agricultural and Biological Engineering, 11(1), 178-186.
Heydari, H. (2013). Estimation of detergent powder demand function in Iran. M.Sc. dissertation, University of Allameh Tabataba'I, Tehran. (In Farsi)
Hosseini Yekani, S., and Kashiri Kolaei F. (2017). Investigating the effect of crop price fluctuations on the optimal cropping pattern in Sari. Agricultural Economics, 11(2), 75-94. (In Farsi)
Minhaj, M. B. (1998) Fundamentals of Neural Networks(1th ed.). Tehran: Professor Hesabi Publishing. (In Farsi)
Najafi, B., Zibaei, M., Sheikhi, M. H., and Tarazkar, M. H. (2007). Forecasting price of some crop products in fars province: application of Artificial Neural Network. Journal of Science and Technology of Agriculture and Natural Resources, 11(1), 501-511. (In Farsi)
Piadeh Koohsar, J., Mazandarani Zadeh, H., and sadr, S. (2019). Evaluation of GA and PSO optimization algorithms in operation of multi-reservoir systems Case study: Gorgan-Rood basin dams. Journal of Water and Soil Conservation, 26(2), 239-250. (In Farsi)
Rao, N.H., Sarma, P.B.S., and Chander, S. (1988). A simple dated water-production function for use in irrigated agriculture. Agricultural Water Management, 13(1), 25-32.
Reddy, A. A. (2019). Price Forecasting of Tomatoes. International Journal of Vegetable Science25(2), 176-184.
Sa'adat Mehr, M. (2017). Estimated demand for chicken meat in Iran. Economic Journal, 16(11),101-117. (In Farsi)
Salami, H., and Rezaei, S. (2010). Forecasting meat prices: An inverse demand approach. Journal of Economics and Agriculture Development, 24(3), 298-303. (In Farsi)
shekari, h., Najarchi, M., jafarinia, r., Mokhtari, S., and Alizadeh, H. (2019). Optimization of Cropping Pattern and Water Resources at Different Levels of Irrigation for Hot and Dry Areas (Case study: Dehloran Plains, Ilam Province). Iranian Journal of Soil and Water Research, 50(6), 1351-1361. (In Farsi)
Simiari, F., Mazandaranizadeh, H., and Gomrokchi, A. (2017). Optimal redistribution of agricultural water using genetic algorithm. In: Proceedings of 2nd National Congress on Hydrology of Iran,11-12 July., Shahrekord University, Shahrekord, Iran. (In Farsi)
Soltani, H. A., and Khajehpour, E. (2020). Optimal Cropping Pattern in Afghanistan Considering Environmental Sustainability. International Journal of Agricultural Management and Development10(4), 333-346.
Wu, S. I. (1995). Artificial neural networks in forecasting. Neural Network World, 2, 199-220.