تحلیل مکانی و زمانی تغییر اقلیم در سال‌های آینده و مقایسۀ روش‌های ریزمقیاس‌نمایی SDSM، LARS-WG و شبکۀ عصبی مصنوعی (مطالعۀ موردی: استان خوزستان)

نوع مقاله : پژوهشی

نویسندگان

1 استادیار دانشکدۀ محیط‏ زیست و منابع طبیعی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران

2 کارشناس ارشد مهندسی منابع آب، گروه مهندسی آبیاری و آبادانی، دانشگاه تهران

چکیده

خشک‏سالی خطر پیچیده‏ای است که سبب برهم‌خوردن تعادل آبی می‏شود؛ بنابراین بررسی تغییرات اقلیمی و پیش‏بینی آنها می‏تواند در امر مدیریت و برنامه‏ریزی مربوط به آن تأثیر زیادی داشته باشد. در تحقیق حاضر برای پایش و پیش‏بینی خشک‏سالی منطقۀ خوزستان و نیز بررسی عملکرد مدل‏های ریزمقیاس در این منطقه، ابتدا داده‏های بارش و دما به‏صورت روزانه طی دورۀ 1985-2010 از هشت ایستگاه منتخب در منطقه دریافت شد. سپس، نمایۀ خشک‏سالی دورۀ مشاهداتی به‏وسیلۀ دو شاخص SPI و SPEI محاسبه و نقشۀ پهنه‏بندی آن‏ها ترسیم شد. در پژوهش حاضر برای پیش‏بینی خشک‏سالی از داده‏های GCM و مدل HADCM3 تحت دو سناریوی A2 و B1 استفاده شد؛ سپس داده‏های بزرگ‏مقیاس GCM با سه مدل‏ SDSM، LARS-WG و شبکۀ عصبی مصنوعی ریزمقیاس شدند. نتایج نشان داد توانایی مدل ریزمقیاس‏ شبکۀ عصبی مصنوعی در شبیه‏سازی بارش نسبتاً قابل ‏قبول‏تر از سایر مدل‏ها‌ست. نتایج آمارۀ من-کندال نشان داد همواره مقادیر پیش‏بینی‏شده توسط مدل LARS-WG برای نمایه‏های SPI و SPEI شیب بیشتری در جهت منفی شدن دارد. با مشاهدۀ نقشۀ پهنه‏بندی نمایه‏های خشک‏سالی استان خوزستان می‏توان چنین استنباط کرد که طی دوره‏های آتی همواره میانگین مقادیر دو شاخص کاهش یافته است، ولی از نظر مکانی تغییر درخور توجهی نداشته است.

کلیدواژه‌ها

موضوعات


[1]. Mosaedi A, Mahdi Zade S, Maftah M, Seyyed Ghasemi S. The Effect of Climate Change on Precipitation in Golestan Dam Basin. Water and soil conservation Research. 2011; 18(3). [Persian].
[2]. Keyantash J, Dracup JA. The quantification of drought: an evaluation of drought indices. Bulletin of the American Meteorological Society. 2002; 83(8):1167-80.
[3]. Abbasi F, Babaian I, Goli Mokhtari L, Melbosi Sh. Assessment of Climate Change Effects on Iran's Temperature and Precipitation in Decades with the MAGICC-SCENGEN Model. Natural Geography Research. 2010; 42-72. [Persian].
[4]. IPCC. General guidelines on the use of scenario data for climate impact and adaptation assessment. Task Group on Data and Scenario Support for Impact and Climate Assessment. 1999.
[5]. Salah al-Din M, Khani T, Mortazavi M. Precipitation and temperature prediction in the Uromieh basin using HadCM3. 12th National Conference on Irrigation and Evaporation Reduction in Kerman. Shahid Bahonar University of Kerman. 2013; [Persian].
[6]. Wilby RL, Harris I. A framework for assessing uncertainties in climate change impacts: Low‐flow scenarios for the River Thames, UK. Water Resources Research. 2006; 1: 42(2).
[7]. Modaresi F, Araghinejad Sh, Ebrahimi K, Kholghi M. Assessment of Climate Change Effects on the Annual Water Yield of Rivers: A Case Study of Gorganroud River, IRAN. Journal of Water and Soil. 2011; 25(6): 1365-1377. [Persian].
[8]. Komozep T and Chung Ok. The effects of climate change on the water resources of the Geumho River Basin. Republic of Korea. Journal of Hydro-environment Research. 2014; 8(4): 358–366.
[9]. Dehghan Z, Fathian F, Eslamian S. Comparative Assessment of SDSM, IDW and LARS-WG Models for Simulation and Downscaling of Temperature and Precipitation. Majallah-i āb va Khāk. 2017; 29(5):1376-90.
[10].            Rajabi A, Sedghi H, Eslamian S, Musavi H. Comparison of LARS-WG and SDSM downscaling models in Kermanshah (Iran). Journal of Ecology, Environment and Conservation. 2010; 16(4): 465-474.
[11].            McKee T B, Doesken N J, Kleist J. Drought monitoring with multiple time scales. In Proceedings of the 9th Conference on Applied Climatology. American Meteorological Society. 1995; 233-236.
[12].            Vicente-Serrano SM, Beguería S, López-Moreno JI. A multiscalar drought index sensitive to global warming: the standardized precipitation evapotranspiration index. Journal of climate. 2010; 23(7):1696-718.
[13].            Babaeian I, Kouhi M. Agroclimatic Indices Assessment over Some Selected Weather Stations of Khorasan Razavi Province Under Climate Change Scenarios. Journal of Water and Soil. 2012; 26(4):953-967. [Persian].
[14].            Principe JC, Euliano NR, Lefebvre WC. Neural and adaptive systems: fundamentals through simulations. New York. Wiley.2000; 679(29).
[15].            Mahsafar H, Maknoon R. Saghafian B. The Impact of Climate Change on Urmia Lake Water Level. Iran-Water Resources Research. 2011; 7(1):5-37. [Persian].
[16].            Sarafroozheh F M, Jalali T, Jalali A. Evaluation of the effects of future climate change on water consumption of wheat in Tabriz. Quarterly Journal of Geographical Space Islamic Azad University. Ahar Branch. 2012; 12(37):81. [Persian].
[17].            Moghadam, Jamali J, Javanmard S, Mehdiyan A, and Treasury L. Drought monitoring on the basis of SPI, decile and normal profile in Sistan and Baluchistan province. Proceedings of the First Conference on Measuring Water-Crisis Solutions. Zabol University, Iran. 2001; 69-80. [Persian].
[18].            Massah Boani AS, Morid S. The effects of climate change on the flow of the Zayandehrud River. Journal of Agricultural Science and Technology. 2005; 9 (4): 17-27. [Persian].
[19].            Zhang XC, Liu WZ, Li Z, Chen J. Trend and uncertainty analysis of simulated climate change impacts with multiple GCMs and emission scenarios. Agricultural and Forest Meteorology. 2011; 151(10):1297-304.
[20].            Alison L K, Richard GJ, Nicholas S R. RCM rainfall for UK flood frequency estimation Climate change results. J Hydrol. 2004; 318: 163-172.
دوره 5، شماره 4
دی 1397
صفحه 1161-1174
  • تاریخ دریافت: 31 اردیبهشت 1397
  • تاریخ بازنگری: 29 مرداد 1397
  • تاریخ پذیرش: 10 شهریور 1397
  • تاریخ اولین انتشار: 01 دی 1397
  • تاریخ انتشار: 01 دی 1397