محاسبه اثر اصلاح نظام قیمت گذاری بر بهره وری آب در بخش کشاورزی از منظر توسعه پایدار مطالعه موردی: دشت عجب شیر
علیرضا شکاری
عمران
۱۴۰۱
۱۲۲ص.
سی دی
کارشناسی ارشد
۱۴۰۱/۰۶/۲۹
آب یک عنصر ضروری برای توسعه اقتصادی جوامع است. بهرهوری آب مهمترین پارامتر در بهره برداری از منابع آبی است و باید از منظر توسعه پایدار بهینه سازی شود. در این تحقیق بهینه سازی تعرفه آب زراعی در دشت عجبشیر در نظر گرفته شده است. بر اساس مطالعات میدانی، در سال زراعی (1399-1400) مجموعه داده ای شامل خواص مختلف محصولات متعدد جمع آوری شده است. روشهای مختلف رگرسیون یادگیری ماشین مانند جنگل تصادفی، درخت تصمیم گیری تقویت گرادیان و رگرسیون بردار پشتیبان برای پیشبینی هزینه آب استفاده شدهاند. نتیجه پیشبینی با استفاده از رگرسیون تصادفی جنگل کمتر از 5 درصد انحراف را از مقادیر واقعی نشان میدهد. لازم به ذکر است که روش رگرسیون تصادفی جنگل نسبت به سایر روش های مورد مطالعه موفق تر بود. همانطور که نتایج یادگیری ماشین نشان می دهد، یک روش بهینه سازی غیر خطی به نام برنامه ریزی ریاضی مثبت (PMP) برای بهینه سازی بهره وری آب استفاده شده است. محدودیت های منابع مانند زمین مورد نیاز برای کشت، نیروی کار، کود، آفت کش، ماشین آلات و محدودیت های کالیبراسیون برای اکثر محصولات مهم زراعی از جمله سیب زمینی، پیاز، گندم، انگور، بادام و گردو در بهینه سازی در نظر گرفته شده است. بر اساس این رویکرد، اصلاح الگوی کشت در کنار افزایش تعرفه آب، امری حیاتی است و نتایج نشان میدهد که با افزایش تعرفه آب و کاهش سطح زیر کشت، بهرهوری افزایش مییابد. بر اساس میانگین سود خالص به ازای هر قطره (NBPD) محصولات انتخابی شامل گردو با 763/187910 ریال به ازای هر متر مکعب آب، بادام با 112/180247 ریال به ازای هر متر مکعب آب و سیب زمینی با 054/83827 ریال در هر متر مکعب آب با افزایش تعرفه آب بود.
Water is an essential component for the economic development of societies. Water productivity is the most important parameter in the utilization of water resources and it should be optimized from a sustainable development aspect of view. In this study, optimization of the agronomic water tariff has been considered in the Ajabshir plane. Based on the field studies, in the agronomic year (1399 – 1400), a dataset including different properties of various products has been collected. Different machine learning regression methods such as random forest, gradient boosting decision tree, and support vector regressor has been used to predict the water cost. The result of the prediction shows less than 5% relative deviation from the real values using random forest regression. It should be noted that the random forest regression was a more successful method rather than the other studied methods. As the machine learning results suggest, a non-linear optimization method named positive mathematical programming (PMP) has been used to optimize water productivity. The resource constraints such as required land for cultivation, workforce, fertilizer, pesticide, machinery, and calibration constraints for most important agronomic products including potato, onion, wheat, barley, grape, almond, and walnut have been considered in the optimization. Based on this approach, correction of cultivation pattern is a vital matter besides the water tariff increment while the results show that, due to water tariff increment and the cultivated area decrement, productivity will increase. Based on the average net benefit per drop (NBPD) the chosen products were walnut with 187910.763 Rials per cubic meter of water, almond with 180247.112 Rials per cubic meter of water, and potato with 83827.054 Rials per cubic meter of water with an increase of water tariff.
Computing Effect Of Pricing System Reform On The Water Productivity In Viewpoint Of Sustainable Development; Case Study: AjabShir Plain