اثرات تغییر اقلیم بر منابع آب در دسترس و الگوی کشت در دشت جیرفت استان کرمان
افشین تقی زاده
1
(
دانشجوی دکتری دانشگاه ازاد واحد قایمشهر
)
یاسر فیض آبادی
2
(
استادیار گروه اقتصاد کشاورزی دانشگاه آزاد اسلامی – واحد قائمشهر
)
مصطفی گودرزی
3
(
عضو هیات علمی گروه اقتصاد و مدیریت کشاورزی،دانشگاه آزاد اسلامی،واحد قائمشهر
)
کلید واژه: آب های زیرزمینی, برنامه ریزی, الگوی کشت, داده های ترکیبی, تغییرات آب و هوا,
چکیده مقاله :
در این مطالعه تلاش شد تا ضمن تعیین اثرات تغییر شرایط آب و هوایی تحت سه سناریو اقلیمی بر سطح آب زیرزمینی در دشت جیرفت-کرمان، تغییرات الگوی کشت در این منطقه نیز شناسایی شود. در گام اول، تاثیرپذیری منابع آب زیرزمینی دشت جیرفت نسبت به دما و بارش با استفاده از الگوی اثرات ثابت در مدل دادههای ترکیبی محاسبه شد. نتایج نشان داد بیشترین کاهش در حجم آب زیرزمینی در دسترس نسبت به شرایط پایه در سناریو سوم اقلیمی برآورد شده است. تغییرات در منابع آب زیرزمینی در سه سناریو اقلیمی در این مطالعه به ترتیب معادل 829/8-، 857/8- و 500/11- میلیون مترمکعب بدست آمده است. نتایج مدل PMP نشان داد سطح زیرکشت تمامی محصولات در نتیجه تغییر اقلیم با کاهش همراه است. بیشترین کاهش سطح زیرکشت در سناریو سوم و معادل 17/2 پیش بینی شد. تحت این شرایط میزان کاهش در سود ناخالص در این دشت معادل 28.79 درصد و میزان صرفه جویی در منابع آب در این منطقه نیز2.77 درصد تعیین شده است.
چکیده انگلیسی :
In this study, an attempt was made to determine the effects of changes in weather conditions under three climate scenarios on the groundwater level in the Jiroft-Kerman plain, and to identify changes in the cultivation pattern in this region. The effectiveness of the underground water resources of Jiroft Plain in relation to temperature and precipitation we used fixed effects model in the panel data model. Then in order to evaluate the effects of climate change on the crop pattern the PMP model was used. The results showed that under all three climate scenarios, the underground water level in this plain decreases. The largest reduction in available groundwater compared to the baseline is estimated in the third climate scenario. Changes in underground water resources in three climate scenarios in this study were obtained as -8.829, -8.857 and -11.500 mcm respectively. Finally, the results of the PMP showed that the largest decrease in the cultivated area was predicted in the third scenario and the amount of reduction in gross profit in this plain is equal to 28.79%
Journal of Agricultural Economics Research Autumn 2022. Issue 14. Vol 3.
ISSN (Print): 2008-6407 - ISSN (Online): 2423-7248
Extended Abstract
Introduction
Considering the extensive and mutual effects of climate on various production sectors, environmental factors and human societies, climate change is considered as one of the most important environmental challenges of the 21st century, which has serious economic consequences (Parado et al., 2019; Karimi et al., 2022).
Various economic sectors including agriculture, forestry; Water, industry and energy are affected by climate changes (Parrado et al., 2019), among which the agricultural sector is the most dependent on climate (Marchau et al., 2019). The change in the climate affects the activities of the agricultural sector directly and indirectly in different ways. In recent decades, various factors such as climate change, global warming and decrease in rainfall and some structural policies such as excessive extraction of underground water resources for agricultural development, low price of irrigation water and inefficient use of water, have caused the level of underground water in many It has decreased from the regions of Iran and has caused a decrease in the amount of renewable water per capita and an increase in the water crisis in the country (Bilali and Viagi, 2015; Layani et al., 2019).
In this study, an attempt was made to evaluate the effects of climate change on underground water resources and cropping patterns in Jiroft- Kerman province.
Materials and Methods
In the first step of this study, in order to investigate the effects of climate change on ground water resources in Jiroft Plain, the water level variable has been used as an indicator of ground water changes. Panel data model are capable in evaluating the experimental intervals on the ground water level due to the consideration of cross-sectional units over time. In the combined data models - time series models that are able to predict the underground water level in one place, it is possible to simultaneously predict the water level in several places during a period of time (Yazdi and colleagues, 2012). According to this study, in this study, the prediction of the groundwater level in the Jiroft plain of Kerman province as a result of temperature changes and increase is discussed using a combination. For this purpose, the conceptual model presented in the study of Soltani and Mousavi (2015) is used.
In the following, the positive mathematical planning model was investigated in order to evaluate the effects of changes in available water resources on the agricultural pattern of Jiroft Plain. In general, the positive mathematical programming model has three stages. In the first stage, the linear profit function is maximized under a linear programming model with respect to the structural limitations and the limits of the land input to obtain the observed values of the cultivated area. In the second stage, the production cost of each product is estimated in the form of a non-linear cost function reweighted with the values of the shadow prices of the first stage, whose form is as follows:
In the third stage of positive mathematical programming, the nonlinear cost function is recalibrated and the structural limitations of a nonlinear programming model are specified in the form of the following relations.
Findings
In the previous section, first, the stationarity of the variables was investigated. The results of the Levin-Lin and Chu, Im Pesaran and Shin and Fisher stationarity test indicate that the desired variables are at a stationary level. In the following, the data integration test has been performed for the desired model. The results showed that it is possible to combine the data in this study. Based on the Hausman test, it can be stated that the fixed effects model is superior to the random effects model and the null hypothesis that the random effects model is suitable is rejected. The results of the fixed effects model showed that all the coefficients are significant at an acceptable level. The estimated coefficient of maximum temperature variable is -0.022, which is significant at the 5% level. The negative sign of the extraction coefficient indicates that the increase in temperature can reduce the underground water level in the Jiroft plain. The effectiveness of the underground water level of Jiroft Plain is positive with respect to minimum temperature and negative with respect to precipitation.
The water level changes based on the coefficients of the fixed effects model in the basic conditions are equal to 29.709, which is equal to 29.673 as a result of applying the RCP2.6 climate change scenario. Under these conditions, the changes in the volume of underground water as a result of applying the climate change scenario is equal to 8.829 million cubic meters.
Under the RCP4.5 scenario, the change in the amount of available underground water compared to the base conditions is predicted as -2.214%. Finally, under the RCP8.5 scenario, a change in the amount of available underground water equal to 11.500 million cubic meters has been obtained, which is 2.874% of the initial amount of underground water resources.
As a result of the mathematical positive planning model, it was shown that the cultivated area of all the examined products is accompanied by a decrease. The proposed model under RCP2.6 and RCP8.5 scenarios does not differ much from each other. In these patterns, the biggest change in the cultivated area was for data and alfalfa. Under the three scenarios, the changes of the total cultivated area compared to the basic conditions were obtained as -1.651%, -1.658% and -2.175% respectively.
Discussion
Considering the dry and semi-arid climate of the country, water plays an important role in determining the type of agricultural activities as one of the limiting factors of production. Vulnerability of groundwater aquifers due to excessive extraction of water resources, exhaustion of the developable potential of using underground water for agricultural purposes and low irrigation efficiency make it necessary to modify the water consumption pattern. Changing the cultivation pattern is the basic solution to correct the water consumption pattern in the agricultural sector. By changing the cultivation pattern in areas with less water potential from crops that need a lot of water during their growth period, such as alfalfa, to crops with higher resistance to water deficit and crops that are more compatible with regional and climatic conditions. It is possible to take steps towards the correct management of water consumption and increasing productivity. The results of the climate scenarios on the cultivation pattern of the region also showed that under all three scenarios, the cultivated area of all the products is accompanied by a decrease. The biggest change in the cultivated area was predicted in the third scenario. Although by reducing the area under cultivation in these patterns, an effective step can be taken in the management of water resources in this plain, but the cost of saving agricultural water resources is the reduction of gross profit from production. Considering the expected negative effects of adopting this strategy on the production and income of farmers in the studied basin, the development of non-agricultural activities and small conversion industries in the villages in order to compensate for the damages caused by the possible variability of weather conditions can be effective.
Conflicts of interest
The authors declared no conflict of interest.
مقاله پژوهشی | |
اثرات تغییر اقلیم بر منابع آب در دسترس و الگوی کشت در دشت جیرفت استان کرمان | |
تقی زاده 1. دانشجوی | |
تاریخ دریافت: 30/10/1401 تاریخ پذیرش: -/-/1401 شماره صفحه: 22-1 | چکیده مقدمه و هدف: در دهههای اخیر عواملی گوناگون همچون تغییرات آب و هوا، گرم شدن کره زمین و کاهش مقدار بارش و برخی سیاست‌های ساختاری، سطح آب زیرزمینی را در بسیاری از مناطق ایران کاهش داده است. بنابراین جهت برنامهریزی بلندمدت منطقهای و ملی لازم است اثرات تغییر اقلیم بر منابع آب در دسترس مورد بررسی قرار گیرد. در این مطالعه تلاش شد تا ضمن تعیین اثرات تغییر شرایط آب و هوایی تحت سه سناریو اقلیمی بر سطح آب زیرزمینی در دشت جیرفت-کرمان، تغییرات الگوی کشت در این منطقه نیز شناسایی شود. مواد و روشها: به منظور دستیابی به اهداف مطالعه، ایتدا با در نظر گرفتن چاههای پیزومتری موجود در سطح دشت به عنوان واحدهای مقطعی و با بهره گیری از اطلاعات نزدیکترین ایستگاه هواشناسی به هر مقطع، تاثیرپذیری منابع آب زیرزمینی دشت جیرفت نسبت به دما و بارش با استفاده از الگوی اثرات ثابت در مدل دادههای ترکیبی محاسبه شد. در ادامه به منظور ارزیابی اثرات کاهش منابع آب در دسترس بر الگوی کشت از مدل برنامه ریزی مثبت ریاضی بهره گرفته شد. یافتهها: نتایج نشان داد که تحت هر سه سناریو اقلیمی، سطح آب زیرزمینی در این دشت با کاهش همراه است. بیشترین کاهش در حجم آب زیرزمینی در دسترس نسبت به شرایط پایه در سناریو سوم اقلیمی برآورد شده است. تغییرات در منابع آب زیرزمینی در سه سناریو اقلیمی در این مطالعه به ترتیب معادل 829/8-، 857/8- و 500/11- میلیون مترمکعب بدست آمده است. در نهایت نتایج مدل PMP نشان داد سطح زیرکشت تمامی محصولات در نتیجه تغییر اقلیم با کاهش همراه است. بیشترین کاهش سطح زیرکشت در سناریو سوم و معادل 17/2 پیش بینی شد. تحت این شرایط میزان کاهش در سود ناخالص در این دشت معادل 79/28 درصد و میزان صرفه جویی در منابع آب در این منطقه نیز 77/2 درصد تعیین شده است. بحث و نتیجهگیری: با توجه تأثیرات منفی انتظاری تغییرات اقلیم بر تولید و درآمد کشاورزان در حوضه مورد بررسی، توسعه فعالیتهای غیرزراعی و صنایع کوچک تبدیلی در روستاها به منظور جبران آسیب‌های ناشی از تغییرپذیری‌های احتمالی شرایط آب و هوایی میتواند موثر واقع شود.
|
از دستگاه خود برای اسکن و خواندن مقاله به صورت آنلاین استفاده کنید
DOI:
| |
واژههای کلیدی تغییرات آب و هوا، آب های زیرزمینی، الگوی کشت، برنامه ریزی، داده های ترکیبی.
| |
* نویسنده مسئول: تقی زاده نشانی: دانشگاه آزاد قایمشهر تلفن: پست الکترونیکی: | |
مقدمه
با توجه به تأثیرات گسترده و متقابل اقلیم بر بخشهای مختلف تولیدی، عوامل زیست محیطی و جوامع انسانی، از تغییر اقلیم به مثابه یکی از مهمترین چالشهای زیست محیطی قرن بیست و یکم یاد میشود که پیامدهای جدی اقتصادی به دنبال خواهد داشت (ریدسما و همکاران، 2009؛ پارادو و همکاران، 2019؛ کریمی و همکاران، 1400). آنچه که موجب گردیده تا تغییرات آب و هوایی به عنوان جدی‌تربن تهدید محیطی دنیای امروز قلمداد گردد، نقشی است که این پدیده در بروز بسیاری از چالشهای زیست محیطی زمین همچون گرم شدن کره زمین و بروز تداوم خشکسالی، بروز قحطی‌ها، وقوع طوفانها و سیلابهای ویرانگر، کاهش منابع آب، تشدید درگیری‌ها و نزاع‌ها بر سر منابع آب و غذا داشته است (IPCC, 2018). بدین ترتیب، پدیده تغییرات آب و هوا به واسطه نقشی که در بروز چالشهای زیست محیطی بازی مینماید، چند دهه‌ای است که امنیت پایدار جهانی را به مخاطره افکنده و سازمان‌ها، نهادها و دولت‌ها را چه در سطح منطقهای و چه در سطح جهانی به چالش کشیده است (باربری و همکاران، 2021).
بخشهای مختلف اقتصادی اعم از کشاورزی، جنگلداری؛ آب، صنعت و انرژی از تغییرات اقلیم متأثر میشوند (پارادو و همکاران، 2019) که در این میان بخش کشاورزی وابستهترین بخش به اقلیم است و اقلیم تعیین کننده اصلی مکان، منابع و سطح تولید و بهرهوری فعالیتهای کشاورزی است (مارچاو و همکاران، 2019). افزون بر این بخش کشاورزی سهم زیادی در اقتصاد کشورهای در حال توسعه و ارتباط گستردهای با دیگر بخشهای اقتصادی دارد، ضمن اینکه یکی از منابع تولید کننده گازهای گلخانهای نیز محسوب میشود. مجموعه این ویژگیها بخش کشاورزی را به محور اصلی بخثهای سیاستی و پروژههای تحقیقاتی انجام شده در رابطه با تغییر اقلیم و راهبردهای مختلف کنترل گازهای گلخانهای در سطوح جهانی تبدیل کرده است (کریمی و همکاران، 1400).
تغییر در وضعیت اقلیم به طرق مختلف و به طور مستقیم و غیرمستقیم فعالیتهای بخش کشاورزی را متاثر میسازد. آب و درجه حرارت دو عامل اصلی کارکرد سیستم فیزیولوژی و رشد همه گیاهان هستند. در دهههای اخیر عواملی گوناگون همچون تغییرات آب و هوا، گرم شدن کره زمین و کاهش مقدار بارش و برخی سیاست‌های ساختاری مانند برداشت بیش‌ازحد از منابع آب زیرزمینی برای توسعه کشاورزی، قیمت پایین آب آبیاری و استفاده ناکارآمد از آب، سطح آب زیرزمینی را در بسیاری از مناطق ایران کاهش داده و موجب کاهش مقدار سرانه آب تجدیدپذیر و افزایش بحران آب در کشور شده است (بلالی و ویاجی، 2015؛ لیانی و همکاران، 2021). همچنین، بهره‌برداری بیش از حد از منابع طبیعی به دلیل بالا بودن نرخ تنزیل، شرایط ذکر شده را تشدید کرده است (شوشتریان و همکاران، 2012). در کنار این عوامل جمعیت کشور به سرعت در حال افزایش بوده، به گونه‌ای که با این نرخ رشد انتظار میرود تا سال 2050 جمعیت ایران به 100 میلیون نفر برسد. بی‌شک افزایش جمعیت کشور در یک سده گذشته تأثیری فراوان در مصرف آب داشته است و این امر در کنار خشک‌سالی‌های اخیر یکی از عوامل مؤثر بر تنش آبی در کشور بشمار میرود (حسینی و باقری، 1391). با توجه به سهم بالای مصرف آب در بخش کشاورزی، نخستین بخشی که با کمبود آب دچار تغییر خواهد شد این بخش است (روسا، 2022).
در دهههای اخیر بررسی آثار تغییر اقلیم بر منابع آب در دسترس و بخش کشاورزی و ارزیابی راهکارهای تطبیق و سازگاری به این تغییرات به یکی از موضوعات مورد علاقه اقتصاددانان کشاورزی تبدیل شده است (فیزی و بتمن، 2015؛ مور و همکاران، 2017؛ کریمی و همکاران، 2018؛ آریال و همکاران، 2020). اقتصاددانان کشاورزی اغلب تغییرات اقلیم را بر اساس تأثیری که بر درآمد کشاورزان (اویکالا، 2009 و اندرسن و همکاران، 2014) یا تأثیری که بر رفاه و مازاد اقتصادی جامعه دارد (استیونویک و همکاران، 2016؛ کالوین و همکاران، 2020) موردبررسی و تحلیل قرار دادهاند و به طور عمده به دنبال پاسخگویی به این پرسشها بوده اند که اثر تغییرات پیش بینی شده در اقلیم بر عملکرد، تولید و عرضه محصولات زراعی چگونه است و چه اثری بر امنیت غذایی در سطح جهانی و در کشورهای مختلف خواهد داشت؟ (یاداو و همکاران، 2015؛ آرورا، 2019؛ ژانگ و همکاران، 2020). برخی از مطالعات نیز تأثیر تغییرات اقلیم بر منابع آب در دسترس را مورد توجه قرار دادند (پیائو و همکاران، 2010؛ علمداری و همکاران، 2017؛ سلطانی و موسوی، 1395). در بین مطالعات داخلی لیانی و بخشوده (1400) به بررسی اثرات تغییرات شرایط آب و هوایی بر بخش کشاورزی حوضه آبریز رودخانه خیرآباد پرداختند. نتایج نشان داد با تغییر شرایط دما و بارش بر اساس سناریو اقلیمی بدبینانه، عملکرد محصولات مورد مطالعه در سطح پایینتری نسبت به شرایط پایه قرار میگیرد. همچنین تحت این شرایط نیاز خالص آبی محصولات نیز افزایش یافته و برای دو محصول جو و گندم بیش از سایر محصولات دستخوش تغییر شده است و با تنش افزایش نیاز آبی مواجه میباشند. کریمی و همکاران (1400) به ارزیابی آثار اقتصادی تغییر اقلیم بر بخش کشاورزی استان فارس پرداختند. بر اساس نتایج بدست آمده سطح زیرکشت محصولات زراعی با کاهش 017/0 درصدی نسبت به الگوی پایه همراه است. در بین محصولات زراعی گندم، جو، صیفیجات و حبوبات افزایش سطح زیرکشت را تجربه میکنند. در زمینه بررسی اثرات تغییر اقلیم بر منابع آب در دسترس توکلی و همکاران (1397) اثرات پدیده تغییرات اقلیم بر تغییرات دبی سد ایلام را مورد ارزیابی قرار دادند. نتایج بدست آمده نشاده دهنده کاهش متوسط دبی سالانه به مقدار 3/6، 9/16 و 1/24 درصد در دوره های 2020، 2050 و 2080در سناریوی A2 و به ترتیب 9/10، 8/8 و 2/13 درصد تحت سناریوی B2 میباشد. سلطانی و موسوی (1395) اثرات بالقوه تغییرات اقلیم بر منابع آب زیرزمینی دشت همدان-بهار را مورد ارزیابی قرار دادند. در این مطالعه ابتدا تغییرات دما و بارش پیش بینی و اثرات تغییرات آب و هوایی بر منابع آب و الگوی کشت بررسی شد. نتایج نشان داد که تغییرات اقلیم از طریق کاهش بیلان آبهای زیرزمینی، دارای آثار منفی بر الگوی کشت منطقه است. در مطالعات گذشته طیف گستردهای از مدلها شامل مدلهای رگرسیون تجربی مبتنی بر دادههای سری زمانی (تانکرسلی و همکاران، 1993)، مدلهای فیزیکی (فدس و همکاران، 1988) و مدلهای هوش مصنوعی (آلن و همکاران، 2007)، به منظور پیشبینی سطح آب زیرزمینی مورد استفاده قرار گرفتهاند. مدلهای سری زمانی تجربی به دلیل تغییر رفتار دینامیک سیستمهای هیدرولوژیک در طول زمان در پیشبینی مولفههای منابع آب فاقد کارایی لازم هستند (بیرنکس، 1998). همچنین از آنجا که ارتباط بین دما، بارش و سطح آب در یک سفره آب زیرزمینی احتمالا غیرخطی است استفاده از مدلهای فیزیکی در شبیه سازی روابط مذکور سودمند نخواهد بود. مدلهای هوش مصنوعی برای مدلسازی رفتار دینامیک سیستمهای غیرخطی مناسب هستند اما در زمینه شبیه سازی شرایط فیزیکی مساله بصورت ناکارا عمل مینمایند (دالیا کاپولاس و همکاران، 2005). در این میان مدلهای رگرسیونی دادههای ترکیبی به دلیل در نظر گرفتن واحدهای مقطعی در طی زمان، در برآورد روابط بین متغیرهای موثر بر سطح آب زیرزمینی توانمند هستند. در مدلهای دادههای ترکیبی برخلاف مدلهای سری زمانی که قادر به پیش بینی سطح آب زیرزمینی در یک مکان هستند، امکان پیش بینی همزمان سطح آب در چندین مکان در طول یک دوره زمانی میسر میگردد (ایزدی و همکاران، 2012).
اگرچه در خصوص بررسی تاثیر تغییر اقلیم بر منابع آب در دسترس تلاشهای خوبی صورت گرفت اما به بررسی اثربخشی همزمان تغییر شرایط آب و هوایی بر منابع آب در دسترس و تولید محصولات کشاورزی (الگوی زراعی) توجه زیادی نشده است. بر اساس اهمیت موضوع در این مطالعه تلاش شد تا اثرات تغییرات اقلیم بر منابع آب زیرزمینی و الگوی کشت زراعی استان کرمان-دشت جیرفت مورد ارزیابی قرار گیرد. بخشهای مختلف مقاله به شرح زیر است: در بخش بعدی منطقه مورد مطالعه معرفی میشود. در بخش سوم به بررسی مواد و روش پرداخته خواهد شد. در بخش چهارم نتایج و در انتها نتیجه گیری و پیشنهادات ارائه میشود.
معرفی منطقه مورد مطالعه:
دشت جیرفت بخشی از حوضه غربی جازموریان است که بین طولهای جغرافیایی 26/58 و 2/57 درجه شرقی و عرضهای جغرافیایی 2/29 و 2/28 درجه شمالی، در جنوب ایران و در استان کرمان قرار گرفته است. ارتفاع آن از سطح دریا بین 800 تا 500 متر متغیر است. این منطقه از نظر آب و هوایی جزء مناطق نیمه خشک به شمار میآید و متوسط بارندگی سالانه آن در یک دوره درازمدت 40 ساله 170 میلیمتر است. میانگین دمای این دشت معادل 1/26 درجه سانتیگراد با حداقل دمای 3 و حداکثر دمای 4/48 درجه است. همچنین نتایج مطالعه برخوری و همکاران (1397) نشان داد دمای حداقل در دشت جیرفت طی دوره 2030-2011 افزایشی بین 64/0 تا 30/2 درجه سانتی گراد را تجربه خواهد کرد. نقشه پهنه بندی خشکسالی 12 ماهه منتهی به اسفند 98 بر اساس شاخص SPEI نشان داد که 6/6 درصد از مساحت استان کرمان خشکسالی شدید، 9/27 درصد از مساحت استان از خشکسالی متوسط و 7/19 درصد از مساحت آن از خشکسالی خفیف برخوردارند. بدین معنا که تقریبا 55 درصد مساحت استان تحت تاثیر خشکسالی خفیف تا شدید قرار گرفته است. در بین شهرستانهای مختلف استان کرمان، 3/24 درصد از مساحت شهرستان جیرفت تحت تاثیر خشکسالی است. در محدوده دشت جیرفت و بر اساس آخرین آمار برداریها حدود 5129 چاه (نیمه عمیق و عمیق)، 1090 چشمه و 294 قنات وجود دارد که تخلیهای بالغ بر 184 میلیون مترمکعب در سال را از آبخوان دشت جیرفت اعمال میکنند. از این میزان تخلیه بخش صنعت با مصرف 26 درصد میزان کل تخلیه، کمترین مقدار و بخش کشاورزی با 94 درصد بیشترین میزان بهره برداری را بخود اختصاص داده اند (افشاری پور و همکاران، 1398).
|
شکل 1: موقعیت مکانی محدوده مورد مطالعه |
نتایج مطالعه اکبری و همکاران (1400)1 نشان داد که متوسط دمای ایستگاه سینوپتیک جیرفت در طی دوره 2050-2021 تحت سناریوهای RCP2.6، RCP4.5 و RCP8.5 به ترتیب به میزان 63/1، 61/1 و 06/2 درجه سانتیگراد افزایش مییابد. این تغییرات دمایی در دوره 2080-2051 نیز مثبت بوده است و منطبق به سناریوهای ذکر شده به ترتیب به میزان 02/2، 88/2 و 23/4 درجه سانتی گراد دما افزایش مییابد. همچنین بارندگی در ایستگاه سینوپتیک جیرفت تنها در دوره اول در سناریوهای RCP2.6 و RCP4.5 به میزان 5 و 8 درصد در فصل زمستان افزایش مییابد اما در سناریو RCP8.5 به میزان 14 درصد کاهش مییابد. همچنین بارندگی در این ایستگاه در دوره دوم در فصل زمستان تحت سناریوهای RCP2.6، RCP4.5 و RCP8.5 به ترتیب به میزان 17، 14 و 23 درصد کاهش مییابد. مقادیر محاسبه شده برای دوره 2050-2021 در این مطالعه به عنوان سناریوهای تغییر اقلیم در نظر گرفته شد تا اثرات آن بر منابع آب زیرزمینی و الگوی کشت تعیین شود. جدول (1) نتایج تغییرات بارش و دمای دشت جیرفت در ماههای مختلف سال را نشان میدهد.
[1] . در این مطالعه برای بررسی پدیده تغییر اقلیم طی دوره زمانی 2017-1989 ابتدا دادههای دمای روزانه و بارندگی ایستگاه سینوپتیک جیرفت از سازمان هواشناسی استان کرمان تهیه شد. سپس به منظور بررسی تغییرات اقلیم از نرم افزار SDSM4.5 و بررسی روند این تغییرات از آزمون من-کندال استفاده شد.
جدول 1: تغییرات بارش و دما در دوره آتی نسبت به دور (2017-1989) در دشت جیرفت
Dec | Nov | Oct | Sep | Aug | Jul | Jun | May | Apr | Mar | Feb | Jan | سناریو | متغیر | دوره |
85/1 | 15/2 | 23/1 | 57/1 | 63/1 | 55/1 | 50/1 | 01/2 | 47/1 | 68/1 | 27/1 | 63/1 | RCP2.6 | دما | 2021-2050 |
69/1 | 11/2 | 28/1 | 69/1 | 80/1 | 77/1 | 61/1 | 87/1 | 30/1 | 58/1 | 14/1 | 42/1 | RCP4.5 | ||
19/2 | 60/2 | 74/1 | 08/2 | 10/2 | 08/2 | 02/2 | 36/2 | 77/1 | 08/2 | 72/1 | 94/1 | RCP8.5 | ||
15/0 | 10/0 | 15/0 | 66/0- | 12/0- | 22/0- | 72/0- | 13/0- | 06/1 | 96/0 | 08/0 | 05/0- | RCP2.6 | بارش | 2051-2080 |
41/0 | 30/0 | 32/0 | 57/0- | 06/0 | 24/0- | 74/0- | 15/0- | 92/0 | 82/0 | 04/0 | 09/0- | RCP4.5 | ||
11/0 | 10/0 | 13/0 | 66/0- | 07/0- | 15/0- | 69/0- | 07/0 | 14/1 | 57/0 | 22/0- | 20/0- | RCP8.5 |
مأخذ: اکبری و همکاران (1400)
مواد و روش
در گام اول این مطالعه به منظور بررسی اثرات تغییرات آب و هوا بر منابع آّب زیرزمینی در دشت جیرفت از متغیر سطح آب به عنوان شاخص تغییرات آب زیرزمینی استفاده شده است. به منظور پیش بینی سطح آبهای زیرزمینی در دشت جیرفت استان کرمان در نتیجه تغییرات دما و بارش از دادههای ترکیبی استفده شد. بدین منظور از مدل مفهومی ارائه شده در مطالعه سلطانی و موسوی (1395) استفاده میگردد.
(1) |
|
در این رابطه 
بیانگر گام زمانی، 
سطح آب زیرزمینی در سال ام، 
مجموع بارندگی سالانه، 
و 
به ترتیب حداقل و حداکثر دما در مقیاس سالانه و 
سطح آب زیرزمینی در دوره گذشته است. متغیر بارندگی، شاخصی از تغذیه آّب زیرزمینی و متغیرهای دمای حداقل و حداکثر به عنوان عامل تبخیر از سطح دشت در مدل لحاظ شد. لازم به ذکر است که متغیرهای مذکور به طور گسترده در سایر مقالات کاربرد داشته اند (دالیا کپولاس و همکاران،2005؛ کاپولا و همکاران، 2003).
به منظور برآورد مدل فوق لازم است چاه های پیزومتری در دشت جیرفت به عنوان مقاطع در نظر گرفته شوند. برای انتخاب پیزومترها، مواردی مانند کامل بودن دادهها، موقعیت مکانی چاه از نظر قرارگیری در مجاورت رودخانهها یا چاههای کشاورزی که روی نوسانات سطح آب پیزومترها تاثیرگذار است، با بهرهگیری از تجربیات کارشناسان امر در نظر گرفته میشود. بدیهی است که نوسانات سطح آب در پیزومترهای نزدیک به رودخانهها و یا چاه های کشاورزی زیاد است و به همین علت سطح آب در این پیزومترها معرف سطح حقیقی آب نیست (ایزدی و همکاران، 2012 و سلطانی و موسوی، 1395). از آنجاکه مطالعه تمام پیزومترهای موجود در سطح دشت، مشکل و غیر سودمند است؛ به جای بررسی تک تک پیزومترها، میتوان رفتارهای یکسان را در قالب یک پیزومتر تجزیه و تحلیل نمود. از این رو پیزومترهای منتخب در سطح دشت، به وسیله فرآیند تحلیل خوشهای، دستهبندی و در هر خوشه یک پیزومتر به عنوان نمایندهی آن خوشه معرفی شد. در تحلیل خوشهای، گروههای تشکیل شده باید دارای بیشترین شباهت درون گروهی و بیشترین تفاوت بین گروهی باشند (دیوید، 1997).
برای نیل به این هدف از 4 ویژگی چاههای پیزومتری شامل، طول و عرض جغرافیایی، ارتفاع و میانگین سطح آب زیرزمینی در دوره زمانی مطالعه به عنوان متغیرهای مناسب جهت خوشه بندی مورد استفاده قرار میگیرد. انجام فرآیند تحلیل خوشهای به روش خوشهبندی سلسله مراتبی وارد که یکی از رایج ترین روشهای خوشه بندی است صورت میگیرد. در این روش معیار ترکیب شدن مقاطع در یک خوشه و تعیین تعداد اعضای هر خوشه، حداقل شدن مقدار کل مجموع مربعات انحراف از میانگین خوشه ها است که براساس رابطه زیر محاسبه میگردد (وارد، 1963).
(2) |
|
در این رابطه 
بیانگر مقدار کل مجموع مربعات انحرافات از میانگین خوشهها، 
، 
و به ترتیب بیانگر خوشه، ویژگی و پیزومتر، تعداد خوشهها، 
تعداد ویژگیها، 
تعداد پیزومترهای خوشه kام، 
مقدار میانگین ویژگی 
ام در خوشه ام و 
مقدار ویژگی ام مرتبط با پیزومتر ام در خوشه ام است. پس از انجام فرآیند خوشه بندی، در هر خوشه یک پیزومتر به عنوان نماینده خوشه معرفی میشود. بدین منظور ابتدا مجموع مربعات انحرافات از میانگین (SSDM) برای تمامی پیزومترهای موجود در داخل هر خوشه محاسبه و پیزومتری که دارای کمترین مجموع انحرافات است به عنوان نماینده خوشه پذیرفته میشود. این پیزومترهای نماینده، واحدهای مقطعی را در مدل رگرسیونهای دادههای ترکیبی تشکیل میدهند. سپس برای تعیین مقادیر متغیرهای مستقل، هریک از پیزومترهای نماینده، نزدیکترین ایستگاه هواشناسی به هر پیزومتر با استفاده از سیستم مختصات مکانی مشخص میشود و برای بررسی نوسانات سطح آب در هر پیزومتر، از اطلاعات نزدیکترین ایستگاه هواشناسی استفاده میشود. پس از تعیین مقادیر دما و بارش برای هر پیزومترهای نماینده، مدل مفهومی آب زیرزمینی رابطه 1 برای دشت جیرفت با در نظر گرفتن پیزومترهای نماینده به عنوان واحد مقطعی در دوره زمانی مورد بررسی با استفاده از مدلهای رگرسیون دادههای ترکیبی برآورد میگردد.
مدل داده‌هاي تركيبي
داده‌هاي ترکيبي1 به يک مجموعه داده‌هایی گفته مي‌شود که بر اساس آن مشاهدات به وسيله تعداد زيادي از متغيرهاي مقطعي (N) که اغلب به صورت تصادفي انتخاب میشوند در طول يک دوره زماني مشخص (T) مورد بررسي قرار گرفته باشند.کاربرد داده هاي ترکيبي در اقتصاد سنجي، برتری‌های زيادي نسبت به استفاده از داده هاي مقطعي يا سري زماني دارد. داده هاي ترکيبي اطلاعات مقاطع متفاوت و پويايي آن‌ها را همزمان در نظر میگیرد. از آنجا که لحاظ نکردن برخي از متغيرها در ساختار مدلها موجب ايجاد عدم کارايي در برآوردهاي مدلهای اقتصاد سنجي میشود، روش داده هاي ترکيبي که از اطلاعات سری‌های زماني و داده هاي مقطعي تشکيل شده است، اثر اين نوع متغيرهاي لحاظ نشده يا غير قابل اندازه گيري را بهتر از داده هاي مقطعي طي يک سال يا داده هاي سری‌های زماني براي يک مقطع نشان میدهد. داده هاي ترکيبي روندهاي گذشته متغيرها را در بر گرفته و از نظر لحاظ کردن پويايي متغيرها، اطمينان ايجاد میکند (ولدریج، 2000).
(3) |
|
در رابطه فوق 
نشان دهنده متغیر وابسته و سطح آب های زیرزمینی هر دشت می باشد و 
متغیرهای توضیحی است که هم در طول زمان و هم در بین گروهها تغییر میکند از جمله این متغیرها، متغیرهای دمای حداقل، دمای حداکثر، میزان بارندگی و متغیرهای دموگرافیک مربوط به منطقه می باشد و 
نشاندهنده خصوصیات ویژه هر فرد یا گروه را نشان میدهد که در واقع ناهمگنی بین گروهی را منعکس میکند. اگر فقط شامل یک جمله ثابت باشد که برای همه گروهها یکسان است این معادله با روش OLS قابل برآورد است که تخمین زنندههای آن کارا و سازگار هستند.
در مدل با اثرات ثابت، شیب رگرسیون در هر مقطع ثابت بوده و عرض از مبدا (جمله ثابت) رگرسیون از مقطعی به مقطع دیگر متفاوت است هرچند اثر زمان معنادار نیست اما اختلاف معناداری میان مقاطع وجود داشته و ضرایب مقاطع با زمان تغییر نمیکند (رابطه 4). حال اگر بر خلاف مدل با اثرات ثابت، عرض از مبداها در هر یک از مقاطع مقادیر ثابتی نباشند، بلکه به صورت تصادفی انتخاب شوند و همچنین مستقل از متغیرهای توضیحی باشند به معنای آن که بین متغیر توضیحی و خطاها همبستگی وجود نداشته باشد، آنگاه مدل با اثرات تصادفی خواهد بود (رابطه 5).
(4) |
|
(5) |
|
پس از معرفي اثر ثابت و اثر تصادفي، اين سؤال باقي مي‌ماند كه كدام روش بايد انتخاب شود زيرا اين طور كه به نظر مي‌رسد انتخاب چندان ساده‌اي نيست (بالتاجی، 2005). به منظور انتخاب بین مدل اثرات ثابت و حداقل مربعات معمولی آزمون F-Test و برای مقایسه بین مدل اثرات تصادفی و حداقل مربعات معمولی LM-Test استفاده میشود. در صورت رد فرض H0 در هر یک از آزمونهای مذکور، آزمون هاسمن جهت انتخاب بین دو مدل اثرات ثابت و تصادفی مورد استفاده قرار خواهد گرفت. اگر فرض صفر مبنی بر عدم وجود همبستگی رد شود مدل اثرات ثابت پذیرفته خواهد شد (گرین، 2005). همچنین به منظور بررسی ایستایی متغیرهای مدل مفهومی آب زیرزمینی از آزمونهای لوین، لین و چو (LLC) و ایم پسران و شین (IPC) بهره گرفته شد.
در ادامه مدل برنامه ریزی مثبت ریاضی به منظور ارزیابی اثرات تغییرات منابع آب در دسترس بر الگوی زراعی دشت جیرفت مورد بررسی قرار گرفت.
برنامه ریزی مثبت ریاضی (PMP)
بطور کلی مدل برنامهریزی ریاضی مثبت دارای سه مرحله میباشد. در مرحله اول تابع سود خطی، تحت یک مدل برنامهریزی خطی نسبت به محدودیتهای ساختاری و محدودیتهای واسنجی نهاده زمین حداکثر میشود تا مقادیر مشاهده شده سطح زیرکشت به دست آید. مقادیر سایر نهادهها نسبت به زمین نرمال میشوند. فرم کلی مدل این مرحله به صورت زیر است ( هاویت و همکاران، 2012):
(6) |
|
(7) |
|
(8) |
|
(9) |
|
در این مدل
، 
، 
، 
، 
، 
، 
،
و 
هر کدام به ترتیب قیمت محصول ام، عملکرد محصول ام، قیمت نهاده ام برای محصول ام، مقدار نهاده ام برای محصولام، سطح زیرکشت محصول ام، میزان مصرف نهاده ام برای هر هکتار از محصول ام، میزان منابع موجود از نهاده ام، سطح زیرکشت مشاهده شده محصول ام و مقدار مثبت کوچکی برای محدودیت واسنجی مدل میباشند. با حل این مدل قیمت سایهای یک هکتار زمین برای هر کدام از محصولات بدست میآید که این مقادیر در مرحله دوم برای شبیهسازی رفتار زارعین استفاده میشود. در مرحله دوم ابتدا هزینه تولید هر محصول به صورت یک تابع هزینه غیرخطی واسنجی شده با مقادیر قیمتهای سایهای مرحله اول برآورد میشود که فرم آن به شکل زیر است:
(10) |
|
در این رابطه 
کل هزینه تولید محصول ام،
پارامتری برای نشان دادن هزینه متوسط محصول و 
پارامتر ارزشهای دوگانه محدودیتهای واسنجی میباشد که هر یک از این پارامترهای فوق به کمک روابط زیر قابل محاسبه میباشند (هاویت و همکاران، 2009).
(11) |
|
(12) |
|
که در رابطه 12،
قیمت سایهای هر هکتار زمین محصول ام میباشد. در مرحله سوم برنامه ریزی ریاضی مثبت، با استفاده از تابع هزینه غیرخطی واسنجی شده و محدودیتهای ساختاری یک مدل برنامه ریزی غیرخطی به صورت روابط زیر تصریح میشود.
(13) |
|
(14) |
|
(15) |
|
بعد از برآورد مدل فوق سناریوهای مختلف را براساس این مدل و تغییر در مقادیر سمت راست محدودیتها (RHS) میتوان اجرا کرد که در این مطالعه نیز از این روش استفاده شده و تاثیر سناریوهای مختلف بر الگوی کشت دشت جیرفت مورد بررسی قرار خواهد گرفت. به طور جزئی تر به منظور اعمال سناریو تغییر اقلیم در مدلسازی برنامه ریزی مثبت ریاضی، تغییرات سطح آب زیرزمینی ناشی از تغییرات دما و بارش مد نظر قرار گرفت. بدین طریق که RHS مربوط به محدودیت منابع آب تحت شرایط مختلف سناریو اقلیمی اصلاح و مدل اجرا شد تا الگوی کشت محصولات کشاورزی تحت شرایط اقلیمی مختلف بهینه گردد.
نتایج
در این مطالعه به منظور بررسی اثر تغییر اقلیم بر سطح آب زیرزمینی دشت جیرفت، ابتدا پیزومترهای منتخب در سطح دشت، به وسیله فرآیند تحلیل خوشهای، دسته بندی و در هر خوشه یک پیزومتر به عنوان نماینده آن خوشه انتخاب شد. در این مطالعه چاههای مناطق شمال هلال احمر، باقر آباد، خاتون آباد، چاه ریگی و کوهستان به عنوان نمایندههای پیزومتری تعیین شدند. در ادامه اطلاعات سطح آب زیرزمینی، حداقل و حداکثر دما و میزان بارش در این مناطق جمع آوری و به منظور برآورد مدل مفهومی معرفی شده در بخش قبل ابتدا ایستایی متغیرهای مورد بررسی قرار گرفت. نتایج آزمون ایستایی لوین-لین و چو، ایم پسران و شین و فیشر حاکی از آن است که متغیرهای مورد نظر در سطح ایستا میباشند (جدول 2).
[1] . Panel Data
جدول 2: نتایج ایستایی متغیرهای مورد بررسی
متغیرها | لوین-لین و چو | ایم-پسران و شین | فیشر |
سطح آب زیرزمینی | (00/0) 92/46- | (00/0)32/41- | (00/0) 96/3- |
دمای حداکثر | (07/0) 47/1- | (00/0) 72/2- | (00/0) 88/2- |
دمای حداقل | (00/0) 49/2- | (00/0) 17/3- | (08/0) 36/1- |
بارش | (00/0) 67/6- | (00/0) 50/6- | (00/0) 41/5- |
در ادامه برای مدل مورد نظر آزمون قابلیت تلفیق دادهها صورت گرفته است و با توجه به مقدار آماره F محاسباتی این نتیجه حاصل شده است که فرضیه صفر در این آزمون، مبنی بر برابری ضرایب تمام متغیرهای مستقل است را نمی‌توان رد نمود و امکان ترکیب دادهها وجود دارد. بر اساس نتایج جدول (3) میتوان بیان نمود که برای مدل مورد نظر فرضیه صفر در آزمون اثرات ثابت رد میشود. در واقع فرضیه صفر بیانگر عدم وجود اثرات ثابت در مدل است. مقدار آماره F در این آزمون بزرگتر از مقدار بحرانی جدول بوده، لذا میتوان نتیجه گرفت که مدل اثرات ثابت نسبت به مدل حداقل مربعات معمولی تجمیعی برتری داشته است. همچنین نتایج آزمون اثرات تصادفی (LM test) نیز در جدول (3) گزارش شده است. مقدار آماره کای دو محاسباتی از مقدار بحرانی جدول بزرگتر میباشد. لذا فرض صفر مبنی بر برابر صفر بودن جزء اخلال‌ها برای مقاطع رد شده و لذا مدل اثرات تصادفی نسبت به مدل حداقل مربعات معمولی تجمیعی برتری دارد. در ادامه بر اساس آزمون هاسمن میتوان بیان نمود که مدل اثرات ثابت نسبت به مدل اثرات تصادفی برتری دارد و فرض صفر مبنی بر مناسب بودن مدل اثرات تصادفی رد میشود. لذا در ادامه به تفسیر نتایج مدل اثرثابت برای بررسی اثر متغیرهای اقلیمی بر سطح آب زیرزمینی پرداخته شده است.
جدول 3: نتایج آزمون اثرات ثابت، اثرات تصادفی وهاسمن تست
هاسمن تست Hausman-test | آزمون اثرات تصادفی LM-Test | آزمون اثرات ثابت F-Test | مدل | |||
12/4 | (00/0) | 82/503 | (00/0) | 52/3 | (00/0) | مدل سطح آب زیرزمینی |
نتایج الگوی اثرات ثابت در جدول (4) ارائه شد. تمامی ضرایب در سطح قابل قبولی معنی دار میباشند. ضریب برآوردی متغیر حداکثر دما 022/0- بدست آمده است که در سطح 5 درصد معنی دارد. علامت منفی ضریب برآوری حاکی از آن است که افزایش دما میتواند سطح آب زیرزمینی در دشت جیرفت را کاهش دهد. تأثیرپذیری سطح آب زیرزمینی دشت جیرفت نسبت به دمای کمینه مثبت و نسبت به بارش منفی است. ضریب برآوردی متغیرهای مورد نظر بر اساس جدول (4) به ترتیب معادل 025/0 و 0013/0- بدست آمده است. علامت منفی ضریب برآوری برای متغیر بارش بر خلاف انتظار بدست آمده است که این نتیجه میتواند به دلیل وجود نوسان زیاد در بارندگی در طی دوره مورد بررسی در دشت جیرفت استان کرمان باشد. در نهایت رفتار سطح آب زیرزمینی در منطقه مورد بررسی تحت تاثیر رفتار گذشته (وقفه) خودش نیز قرار دارد.
جدول 4: نتایح حاصل از برآورد مدل مفهومی با استفاده از الگوی اثرات ثابت
متغیر | ضریب | آماره تی | سطح احتمال |
ضریب ثابت | **595/0 | 39/2 | 017/0 |
حداکثر دما | **022/0- | 04/2- | 04/0 |
حداقل دما | ***025/0 | 51/2 | 02/0 |
بارش | **0013/0- | 02/2- | 04/0 |
متغیر با وقفه سطح آب زیر زمینی | ***988/0 | 57/174 | 00/0 |
اثر تغییر اقلیم بر منابع آب زیرزمینی از طریق حاصلضرب ضریب آبدهی ویژه در تغییرات سطح آب و مساحت منطقه بدست خواهد آمد. تغییرات سطح آب بر اساس ضرایب الگوی اثرات ثابت در شرایط پایه معادل 709/29 بدست آمده است که در نتیجه اعمال سناریو تغییر اقلیم RCP2.6 معادل 673/29 بدست آمده است. تحت این شرایط تغییرات حجم آب زیرزمینی در نتیجه اعمال سناریو تغییر اقلیم معادل 829/8 میلیون مترمکعب است.
تحت سناریو RCP4.5 تغییر در میزان آب زیرزمینی در دسترس نسبت به شرایط پایه معادل 214/2- درصد پیش بینی شده است. با توجه حجم آب زیرزمینی در دسترس در شرایط پایه (152/400 میلیون مترمکعب) به نظر میرسد در شرایط تغییر شرایط آب و هوایی این میزان معادل 857/8 میلیون مترمکعب کاهش یابد. در نهایت تحت سناریو RCP8.5 کاهش در میزان آب زیرزمینی در دسترس معادل 500/11 میلیون مترمکعب بدست آمده است که این میزان 874/2 درصد مقدار اولیه منابع آب زیرزمینی است.
جدول 5: پیش بینی تغییر در منابع آب زیرزمینی ناشی از تغییرات آب و هوا
سناریو اقلیمی | درصد تغییر در آب در دسترس | تغییرحجم آب در دسترس (میلیون مترمکعب) |
RCP2.6 | 206/2- | 829/8- |
RCP4.5 | 214/2- | 857/8- |
RCP8.5 | 874/2- | 500/11- |
تغییرات سطح زیرکشت محصولات زراعی و باغی دشت جیرفت در نتیجه تغییر شرایط آب و هوایی در جدول (6) ارائه شد. همانطور که ملاحظه میشود سطح زیرکشت تمامی محصولات مورد بررسی با کاهش همراه است. الگوی پیشنهادی تحت سناریو RCP2.6 و RCP8.5 اختلاف زیادی با یکدیگر ندارد. در این الگوها بیشترین تغییر در سطح زیرکشت برای باغ خرما و یونجه رقم خورد. به طور جزئی تر سطح زیرکشت باغ خرما در این دشت در شرایط پایه معادل 8374 هکتار است که این میزان تحت سناریو اول و دوم به ترتیب معادل 74/8168 هکتار و 96/8167 هکتار پیش بینی شده است. برای یونجه نیز این میزان در شرایط پایه معادل 364 هکتار گزارش شد که تحت اعمال سناریو اقلیمی اول و دوم به ترتیب به 73/356 هکتار و 71/356 هکتار کاهش مییابد. در گروه غلات سطح زیرکشت گندم در دو سناریو اقلیمی اول و دوم به ترتیب معادل 86/2176 هکتار پیشنهاد شده است که این میزان نسبت به شرایط پایه معادل 69/0 درصد در سطح پایینتری قرار دارد. تغییرات سطح زیرکشت جو نیز به ترتیب معادل 93/0- درصد و 94/0- درصد بدست آمده است. سطح زیرکشت سیب زمینی و خیار در الگوی پایه به ترتیب معادل 1089 هکتار و 1164 هکتار است که این میزان در سناریو اقلیمی RCP2.6 به ترتیب معادل 39/1081 هکتار و 41/1155 هکتار میباشد. بنابراین اثر بخشی تغییر منابع آب در دسترس در نتیجه سناریو مورد نظر بر سطح زیرکشت دو محصول مذکور به ترتیب معادل 70/0- درصد و 74/0- درصد بدست آمده است. تغییرات سطح زیرکشت پیاز نیز در الگوی پیشنهادی اول معادل 68/0- درصد گزارش شده است. سطح زیرکشت گوجه فرنگی با کاهش 09/1 درصد نسبت به الگوی پایه به 1042 هکتار رسید. تغییرات سطح زیرکشت ذرت دانهای و ذرت علوفهای نیز در دو سناریو اول به ترتیب 6/1- درصد و 7/0- درصد بدست آمده است. سطح زیرکشت پیشنهادی برای مرکبات نیز معادل 42/1901 هکتار و 33/1901 هکتار میباشد.
جدول 6: الگوی کشت دشت جیرفت در نتیجه تغییرات اقلیم
محصولات | شرایط پایه | سناریو اقلیمی 1 | سناریو اقلیمی 2 | سناریو اقلیمی 3 |
گندم | 2192 | 86/2176 | 80/2176 | 06/2172 |
جو | 254 | 63/251 | 62/251 | 88/250 |
یونجه | 364 | 73/356 | 71/356 | 43/354 |
سیب زمینی | 1089 | 39/1081 | 36/1081 | 98/1078 |
پیاز | 656 | 53/651 | 51/651 | 11/650 |
خیار | 1164 | 41/1155 | 38/1155 | 69/1152 |
گوجه فرنگی | 1054 | 50/1042 | 46/1042 | 86/1038 |
ذرت دانه ای | 242 | 98/237 | 96/237 | 70/236 |
ذرت علوفه ای | 652 | 03/647 | 01/647 | 45/645 |
مرکبات | 1927 | 42/1901 | 33/1901 | 31/1893 |
خرما | 8374 | 74/8168 | 96/8167 | 64/8103 |
مجموع | 17968 | 17671 | 17671 | 17557 |
نتایج اعمال سناریو سوم اقلیمی و تغییر منابع آب در دسترس بر الگوی کشت حاکی از آن است که بیشترین تغییر در سطح زیرکشت به ترتیب برای خرما، یونجه و ذرت دانهای رقم خواهد خورد. همانطور که ملاحظه میشود در نتیجه اعمال سناریو مورد نظر سطح زیرکشت این محصولات به ترتیب به 64/8103 هکتار، 43/354 هکتار و 7/236 هکتار کاهش مییابد. سطح زیرکشت گندم با کاهش 91/0 درصد به 06/2172 هکتار میرسد. این در حالی است که تغییرات سطح زیرکشت جو بیشتر از گندم پیش بینی شده است. انتظار میرود با تغییر منابع آب در دسترس، سطح زیرکشت جو با کاهش 23/1 درصد از 254 هکتار در شرایط پایه به 88/250 هکتار در سناریو سوم برسد. سطح زیرکشت سیب زمینی، پیاز، خیار و گوجه فرنگی در این الگو به ترتیب معادل 98/1078 هکتار، 11/650 هکتار، 69/1152 هکتار و 86/1038 هکتار بدست آمده است. تغییرات سطح زیر کشت ذرت علوفهای و مرکبات نیز به ترتیب معادل 1- درصد و 75/1- درصد محاسبه شد.
در جدول (7) نتیجه تغییر الگوی کشت بر شاخصهای اقتصادی و مصرف منابع گزارش شده است. همانطور که ملاحظه میشود تحت سه سناریو مورد نظر تغییرات مجموع سطح زیرکشت نسبت به شرایط پایه به ترتیب 651/1- درصد، 658/1- درصد و 175/2- درصد بدست آمده است. مطابق با انتظار با کاهش بیشتر سطح زیرکشت در سناریو سوم، صرفه جویی در مصرف آب کشاورزی در این سناریو بیش از دو سناریو اول است. تغییرات مصرف آب در سناریو اول و دوم به ترتیب معادل 108/2- درصد و 116/2- درصد محاسبه شده است. تغییرات بازده برنامهای در دو سناریو اول معادل 77/28- درصد پیش بینی شد. برای سناریو سوم نیز بازده برنامهای نسبت به شرایط پایه با کاهش 79/28- درصد همراه است. در نهایت تغییرات بهره وری اقتصادی آب در نتیجه تغییرات اقلیم نیز مورد بررسی قرار گرفت. همانطور در جدول (7) گزارش شد در دو سناریو اول بهره وری اقتصادی آب نسبت به شرایط پایه با کاهش 23/27 درصد همراه است که این میزان برای سناریو سوم معادل 75/26 درصد پیش بینی شده است.
جدول 7: درصد تغییرات سطح زیرکشت، مصرف آب و بازده برنامه ای
متغیرها | سناریو اقلیمی 1 | سناریو اقلیمی 2 | سناریو اقلیمی 3 |
سطح زیر کشت | 651/1- | 658/1- | 175/2- |
مصرف آب کشاورزی | 108/2- | 116/2- | 777/2- |
بازده برنامهای | 772/28- | 772/28- | 791/28- |
بهره وری اقتصادی آب1 | 237/27- | 232/27- | 757/26- |
[1] . بهره وری اقتصادی آب از تقسیم ارزش محصول تولید شده بر منابع آب مصرف شده در این بخش محاسبه شد.
نتیجه گیری و پیشنهادات:
در چند سال اخیر منابع آب در دشت جیرفت به دلیل خشکسالی و اثرات تغییر اقلیم با کمبود روبه‌رو شده است. بر اساس دادهها و آمار مرکز ملی خشکسالی و مدیریت بحران کشور، استان کرمان، در هفت سال گذشته وضعیت بحرانی را از نظر بارندگی تجربه کرده است. نتایج محاسبه شاخص خشکسالی در این استان حاکی از آن است که در مقیاس بلندمدت تمامی نقاط استان درگیر درجات گوناگونی از خشکسالی بوده و خشکسالی شدید و بسیار شدید در شمال و جنوب استان تداوم دارد. بر همین اساس بررسی اثرات تغییراقلیم بر منابع آب و الگوی کشت محصولات کشاورزی از اهمیت زیادی برخوردار است. بخصوص با توجه به اینکه تمرکز بسیاری از مصارف کشور بر پایه استحصال آب زیرزمینی است و رشد روز افزون این مصرف، آبخوانها را با مشکل جدی مواجه نموده است، بحث تاثیر سناریوهای تغییر اقلیم در افق دراز مدت بسیار اهمیت دارد. با توجه به تأثیرات گسترده و متقابل اقلیم با بخشهای مختلف تولیدی، عوامل زیستمحیطی و جوامع انسانی، امروزه از تغییر اقلیم به عنوان یکی از مهمترین چالشهای زیستمحیطی قرن بیست و یکم یاد میشود که پیامدهای جدی اقتصادی به دنبال دارد. اگرچه بخشهای مختلف اقتصادی اعم از کشاورزی، جنگلداری، آب، صنعت، گردشگری، انرژی و حتی بازارهای مالی و بیمه از تغییرات اقلیم متاثر میشوند، لکن در این میان بخش کشاورزی وابستهترین بخش به اقلیم بوده و اقلیم تعیینکننده اصلی مکان، منابع تولید و بهرهوری فعالیتهای کشاورزی است. آگاهی از روابط بین پارامترهای اقلیمی، هیدرولوژی و زراعی در سطوح مختلف محلی، منطقهای و ملی برای تحلیل آثار تغییر اقلیم بر منابع فیزیکی آب، تولید محصولات کشاورزی و ارائه راهکارهای تطبیقی مناسب برای مقابله با آن کاربرد دارد. بر همین اساس در این مطالعه تلاش شد تا اثرات تغییرات شرایط آب و هوایی بر منابع آب زیرزمینی و الگوی کشت دشت جیرفت که موضوع مدیریت منابع آب در این دشت در سالهای اخیر مورد توجه سیاست گذاران و برنامه ریزان قرار گرفته است، بررسی شود. نتایج این مطالعه نشان داد که در نتیجه تغییر شرایط آب و هوایی سطح آب زیرزمینی در این دشت با کاهش همراه است و بیشترین تغییر در سطح آب زیرزمینی در این منطقه در سناریو سوم اقلیمی (بدبینانه) رقم خواهد خورد. این نتایج همسو با نتایج مطالعه سلطانی و موسوی (1395) در دشت بهار همدان و انصاری و همکاران (1395) در سفید دشت بوده است. با توجه به نقش حیاتی بخش کشاورزی در اقتصاد ملی و اشتغالزایی و تأمین غذای جامعه، لازم است که از منابع و ابزارهای تولید در این بخش به بهترین شیوه ممکن استفاده شود تا ضمن کاهش در مصرف این منابع، سود‌آوری و رفاه کشاورزان نیز افزایش یابد. با توجه به اقلیم خشک و نیمه‌خشک کشور، آب به عنوان یکی از عوامل محدود‌کننده تولید، نقشی مهم را در تعیین نوع فعالیتهای زراعی ایفا میکند. آسیب‌پذیری سفره‌های آب زیرزمینی در اثر برداشت بی‌رویه از منابع آبی، اتمام پتانسیل قابل توسعه بهره‌برداری از آبهای زیرزمینی برای مصارف کشاورزی و پایین بودن راندمان آبیاری لزوم اصلاح الگوی مصرف آب را ضروری میسازد. تغییر الگوی کشت راهکار اساسی برای اصلاح الگوی مصرف آب در بخش کشاورزی است. با تغییر الگوی کشت در مناطق با پتانسیل آبی کم‌تر از محصولاتی که به آب زیاد در طول دوره رشد خود نیازمند هستند، مانند یونجه، به سمت محصولات با مقاومت بالاتر نسبت به کم آبی و محصولاتی که سازگاری بیش‌تری با شرایط اقلیمی و منطقهای دارند میتوان در راستای مدیریت صحیح مصرف آب و افزایش بهرهوری گام برداشت. نتایج سناریوهای اقلیمی بر الگوی کشت منطقه نیز نشان داد تحت هر سه سناریو سطح زیرکشت تمامی محصولات با کاهش همراه است. بیشترین تغییر در سطح زیرکشت در سناریو سوم پیش بینی شد. اگرچه با کاهش سطح زیرکشت در این الگوها میتوان گام موثری در مدیریت منابع آب در این دشت برداشت اما هزینه صرفهجویی در منابع آب کشاورزی، کاهش سود ناخالص حاصل از تولید است. با توجه تأثیرات منفی انتظاری اتخاذ این راهبرد بر تولید و درآمد کشاورزان در حوضه مورد بررسی، توسعه فعالیتهای غیرزراعی و صنایع کوچک تبدیلی در روستاها به منظور جبران آسیب‌های ناشی از تغییرپذیری‌های احتمالی شرایط آب و هوایی میتواند موثر واقع شود.
References
1. Alamdari, N., Sample, D. J., Steinberg, P., Ross, A. C., & Easton, Z. M. (2017). Assessing the effects of climate change on water quantity and quality in an urban watershed using a calibrated stormwater model. Water, 9(7), 464.
2. Andersen, L., Breisinger, C., Mason-D'Croz, D., Jemio, L. C., Ringler, C., Robertson, R. & Wiebelt, M. (2014). Agriculture, incomes, and gender in Latin America by 2050: An assessment of climate change impacts and household resilience for Brazil, Mexico, and Peru.
3. Arora, N. K. (2019). Impact of climate change on agriculture production and its sustainable solutions. Environmental Sustainability, 2(2), 95-96.
4. Aryal, J. P., Sapkota, T. B., Khurana, R., Khatri-Chhetri, A., Rahut, D. B., & Jat, M. L. (2020). Climate change and agriculture in South Asia: Adaptation options in smallholder production systems. Environment, Development and Sustainability, 22(6), 5045-5075.
5. Barbieri, M., Barberio, M. D., Banzato, F., Billi, A., Boschetti, T., Franchini, S. & Petitta, M. (2021). Climate change and its effect on groundwater quality. Environmental Geochemistry and Health, 1-12.
6. Calvin, K., Mignone, B. K., Kheshgi, H. S., Snyder, A. C., Patel, P., Wise, M., ... & Edmonds, J. (2020). Global market and economic welfare implications of changes in agricultural yields due to climate change. Climate Change Economics, 11(01), 2050005.
7. Fezzi, C., & Bateman, I. (2015). The impact of climate change on agriculture: nonlinear effects and aggregation bias in Ricardian models of farmland values. Journal of the Association of Environmental and Resource Economists, 2(1), 57-92.
8. Karimi, V., Karami, E., & Keshavarz, M. (2018). Climate change and agriculture: Impacts and adaptive responses in Iran. Journal of Integrative Agriculture, 17(1), 1-15.
9. Moore, F. C., Baldos, U. L. C., & Hertel, T. (2017). Economic impacts of climate change on agriculture: a comparison of process-based and statistical yield models. Environmental Research Letters, 12(6), 065008.
10. Oyekale, A. S. (2009). Climatic variability and its impacts on agricultural income and households’ welfare in southern and northern Nigeria. Electronic Journal of Environmental, Agricultural and Food Chemistry, 8(1), 13-34.
11. Piao, S., Ciais, P., Huang, Y., Shen, Z., Peng, S., Li, J. & Fang, J. (2010). The impacts of climate change on water resources and agriculture in China. Nature, 467(7311), 43-51.
12. Rosa, L. (2022). Adapting agriculture to climate change via sustainable irrigation: Biophysical potentials and feedbacks. Environmental Research Letters, 17(6), 063008.
13. Stevanović, M., Popp, A., Lotze-Campen, H., Dietrich, J. P., Müller, C., Bonsch, M. & Weindl, I. (2016). The impact of high-end climate change on agricultural welfare. Science advances, 2(8), e1501452.
14. Yadav, S. S., Hunter, D., Redden, B., Nang, M., Yadava, D. K., & Habibi, A. B. (2015). Impact of climate change on agriculture production, food, and nutritional security. Crop wild relatives and climate change, 1-23.
15. Zhang, L., Ruiz-Menjivar, J., Luo, B., Liang, Z., & Swisher, M. E. (2020). Predicting climate change mitigation and adaptation behaviors in agricultural production: A comparison of the theory of planned behavior and the Value-Belief-Norm Theory. Journal of Environmental Psychology, 68, 101408.
16. Allen, D. M., Schuurman, N. & Zhang, Q. (2007). Using fuzzy logic for modeling aquifer architecture. Journal of Geographical System, 9: 289-310.
17. Bierkens, M. F. P. (1998). Modeling water table fluctuations by means of a stochastic differential equation. Water Resources Research, 34(10): 2485-2499.
18. Daliakopoulos, I. N., Coulibaly, P. & Tsanis, I. K. (2005). Groundwater level forecasting using artificial neural network. Journal of Hydrology, 309(4): 229-240.
19. David, W. S. (1997). Cluster analysis: multivariate statistics, concepts, models and applications; 2nd edition. Missouri State University, Stockburger.
20. Feddes, R. A., Kabat, P., Van Bakel, P. J. T., Bronswijk, J. J. B. & Halbertsma, J. (1988). Modeling soil water dynamics in the unsaturated zone-State of the art. Journal of Hydrology, 100: 69-111.
21. Howitt, R. E., Medellin-Azuara, J., MacEwan, D. J. (2011). Economic impacts of climate-related changes to California agriculture. Climatic Change, 109: 387-405.
22. Izady, A., Davary, K., Alizadeh, A., Ghahraman, B., Sadeghi, M. & Moghaddamnia, A. (2012). Application of panel-data modeling to predict groundwater levels in the Neishaboor plain, Iran. Hydrogeology Journal, 20: 435-447.
23. Redsma, P., Lansink, A. O., Ewert, F., (2009). Economic impacts of climatic variability and subsidies on European agriculture and observed adaptation strategies. Mitig Adapt Strateg Glob Change. 14: 35-59.
24. Afshary Pour, S. K., Hamzeh, S., Alavipanah, S. K., & MoghbeliDameneh, E. (2019). Assessing the water productivity using remote sensing data and WATPRO model, Case study of wheat lands of the Jiroft plain. Iran-Water Resources Research, 15(1), 45-58.
25. Layani, G., Bakhshoodeh, M., & Zibaei, M. (2021). Water resources sustainability under climate variability and population growth in Iran: A system dynamics approach. Caspian Journal of Environmental Sciences, 19(3), 441-455.
26. Balali, H., & Viaggi, D. (2015). Applying a system dynamics approach for modeling groundwater dynamics to depletion under different economical and climate change scenarios. Water, 7(10), 5258-5271.
27. Shooshtarian, A., Zibaei, M., & Soltani, G. R. (2012). Sustainable farm system management considering economic and environmental attitudes. Applied Economics Letters, 19(17), 1745-1752.
28. Layani, G., & Bakhshoodeh, M. (2022). Effects of climate change on the agricultural sector in the Kheirabad River Basin: Application of WEAP Software. Agricultural Economics Research, 13(4), 208-223.
29. Karimi, M., Sharifi, L., & Torkaman, M. (2021). Economic Evaluation of Agricultural Sector in Fars Province as a Result of Climate Change. Geography and Environmental Planning, 32(1), 119-136.
30. Parrado, R., Pérez-Blanco, C. D., Gutiérrez-Martín, C., & Standardi, G. (2019). Micro-Macro
31. Feedback Links of Agricultural Water Management: Insights from a Coupled Iterative Positive Multi-Attribute Utility Programming and Computable General Equilibrium Model in a Mediterranean Basin. Journal of Hydrology, 569, 291-309.
32. Marchau, V. A., Walker, W. E., Bloemen, P. J., & Popper, S. W. (2019). Decision Making under Deep Uncertainty: from Theory to Practice. Springer International Publishing.
33. Howitt, R. E. (1995). A Calibration Method for Agricultural Economic Production Models. Journal of Agricultural Economics, 46(2), 147-159.