بررسی تاثیر تغییرات اقلیمی بر شاخص خشکی تحت سناریوهای گزارش ششم تغییر اقلیم در ایران: با نگاهی بر وضعیت صنایع

الموضوعات :

هادی رمضانی اعتدالی ¹ , سکینه کوهی ²

1 - استاد، گروه علوم و مهندسي آب، دانشکده کشاورزي و منابع طبيعي، دانشگاه بين المللي امام خميني (ره)، قزوين، ايران.
2 - دانشجوي دکتري مهندسي منابع آب، گروه علوم و مهندسي آب، دانشکده کشاورزي و منابع طبيعي، دانشگاه بين المللي امام خميني (ره)، قزوين، ايران.

تاريخ الإرسال : 21 السبت , محرم, 1446 تاريخ التأكيد : 16 السبت , ربيع الثاني, 1446 تاريخ الإصدار : 10 الأربعاء , جمادى الثانية, 1446

الکلمات المفتاحية: تغيير اقليم, سناريوهاي SSP, شاخص دومارتن, کارگاه‌هاي صنعتي,

ملخص المقالة :

زمينه و هدف: با توجه به اينکه گرمايش جهاني و تغيير اقليم و پيامدهاي ناشي از تغيير اقليم در حال حاضر يکي از مهم‌ترين چالش‌هاي محيط‌زيستي مي‌باشد. از سوي ديگر، ايران به­عنوان کشوري با اقليم نيمه‌خشک و خشک، همواره با مشکلات مرتبط با کمبود آب و خشکسالي مواجه بوده است. تغييرات اقليمي مي‌تواند سبب تشديد اين مشکلات و همراه با اثرات مخربي بر محيط‌زيست، اقتصاد و جوامع انساني باشد. بنابراين شناخت دقيق تأثيرات اقليمي بر خشکي مي‌تواند به کاهش آسيب‌پذيري جامعه، افزايش تاب‌آوري در برابر تغييرات اقليمي و حفظ منابع طبيعي کشور مفيد واقع شود. در همين راستا، اين مطالعه با هدف بررسي تغييرات اقليمي بر شاخص خشکي در مقياس‌هاي فصلي و سالانه تحت سناريوهاي اقليمي جديدترين گزارش اقليمي (CMIP6) به انجام رسيده است. اين پژوهش، با پيش‌نگري‌ بلندمدت از شرايط خشکي، سعي دارد تا ديدگاه جامعي از تعداد صنايع در معرض شدت‌هاي مختلف از خشکي اقليمي در سراسر ايران و تحت سناريوهاي اقليمي SSP ارائه دهد.

روش پژوهش: لازم بذکر است که در تحقيق حاضر از داده‌هاي 31 ايستگاه سينوپتيک واقع در سراسر کشور استفاده شده است. داده‌هاي بارش و دما طي دوره آماري 1997 تا 2014 به عنوان داده‌هاي مشاهداتي و داده‌هاي اقليمي ريزمقياس شده توسط NEX-GDDP مبناي مطالعه براي پيش‌نگري‌ها طي سه دوره آتي 2049-2025، 2074-2050 و 2099-2075 مي‌باشند. اين داده‌ها تحت سناريوهاي SSP2-4.5 و SSP5-8.5 مورد بررسي قرار گرفته‌اند. مدل‌هاي اقليمي استفاده شده شامل: CNRM-CM6-1، CanESM5، GFDL-ESM4، HadGEM3-GC31-LL و MIROC6 مي‌باشند. پايش تغييرات شاخص خشکي با استفاده شاخص خشکي دومارتن صورت گرفته‌ است. به­منظور بهينه‌سازي ضرايب مدل‌هاي اقليمي و ادغام آن‌ها، از الگوريتم Evolutionary استفاده شده است. شاخص‌هاي آماري RMSE، MAE و MBE براي ارزيابي عملکرد خروجي اقليمي نسبت به مقادير مشاهداتي در دوره پايه مبنا بوده است.

يافته‌ها: طبقه‌بندي اقليمي ايستگاه‌هاي مورد مطالعه بر مبناي شاخص خشکي دومارتن براي دوره 1997 تا 2014 نشان مي‌دهد که که 39 درصد از ايستگاه‌ها در اقليم نيمه‌خشک و 23 درصد در اقليم خشک قرار دارند. براساس نتايج، ايستگاه‌هاي سيستان و بلوچستان، يزد، خوزستان و هرمزگان در اقليم خيلي‌خشک قرار دارند. دقت خروجي اقليمي در تخمين بارش و دما با استفاده از شاخص‌هاي آماري نشان داد که در تخمين بارش و دما به‌ترتيب در 81 و 90 درصد از ايستگاه‌ها خطاي اريبي قابل‌توجه نمي‌باشد. بررسي تغييرات شاخص خشکي دومارتن در سه دوره آتي نسبت به دوره پايه در ايستگاه‌هاي اصفهان، قم، سمنان، کرمان، هرمزگان، مازندران، گلستان، ايلام، چهارمحال و بختياري، فارس، تهران، نيز حاکي از کاهش شاخص خشکي و تغيير اقليم به سمت خشک‌تر مي‌باشد. بررسي پراکندگي کارگاه‌هاي صنعتي در سطح کشور و ميزان آب مصرفي توسط اين صنايع نشان داد که استان‌هاي اصفهان، فارس، تهران، البرز، آذربايجان شرقي و خراسان رضوي بيش از 1250 کارگاه صنعتي دارند. مصرف آب صنايع در استان‌هاي آذربايجان شرقي، تهران، اصفهان، خوزستان، بوشهر و خراسان رضوي بيش از 62217790 مترمکعب است.

نتايج: نتايج حاکي از آن است براساس داده‌هاي مشاهداتي در دوره پايه بخش قابل‌توجهي از کشور در طبقه‌هاي اقليمي نيمه‌خشک تا خيلي‌خشک واقع شده‌اند. باتوجه به عملکرد داده‌هاي اقليمي در دوره پايه مي‌توان چنين عنوان نمود که داده‌هاي بارش و دما مربوط به گزارش ششم تغيير اقليم منبع ارزشمندي براي پايش شرايط خشکي در دهه‌هاي آتي و تحت سناريوهاي اقليمي به‌شمار مي‌روند. براساس نتايج ميزان کاهش در مقدار شاخص خشکي در سه دوره آتي نسبت به دوره پايه، در فصل‌هاي تابستان و پاييز بيش از بهار و زمستان مي‌باشد. به‌طورکلي نتايج نشان داد که با کاهش مقدار شاخص خشکي دومارتن تحت هر دو سناريوي اقليمي SSP2-4.5 و SSP5-8.5، شرايط اقليمي در تعداد زيادي از استان‌هاي کشور به نيمه‌خشک، خشک و خيلي خشک تغيير يافته است. با توجه به واقع شدن تعداد زيادي از کارگاه‌هاي صنعتي در استان‌ها ضروري است تا براي مديريت منابع آب در اين مناطق برنامه‌ريزي و اقدام شود. نتايج تحقيق حاضر مي‌تواند در راستاي مديريت پايدار منابع آبي تحت تاثير تغييرات اقليمي مفيد واقع شود.

المصادر:

Ahmadalipour, A., Moradkhani, H., Castelletti, A., & Magliocca, N. (2019). Future Drought Risk in Africa: Integrating Vulnerability, Climate Change, and Population Growth. Science of the Total Environment, 662, 672–686.
Alizadeh, A. (2014). Principle of Applied Hydrology. Emam Reza University Press. (In Persian).
Andrade, C., Contente, J., & Santos, J. A. (2021). Climate Change Projections of Aridity Conditions in the Iberian Peninsula. Water, 13(2035). https://doi.org/10.20944/preprints202106.0536.v1
Bahri, M., Dastorani, M., & Goodarzi, M. (2015). Assessment of future drought under climate change status, case study: Eskandari Basin, Isfahan Province. Watershed Engineering and Management, 7(2), 157–171. https://doi.org/10.22092/ijwmse.2015.101259. (In Persian).
Bakhtiari, B., Mahdavi, N., & Sayari, N. (2021). Variations and Sensitivity Analysis on Aridity Index (AI) in Some Climate Samples in Iran. Iran-Water Resources Research, 17(1), 1-15. (In Persian).
De Martonne, E. (1926). Aerisme, et Índices d’aridite. Comptes Rendus de L’Academy of Science, 182, 1395–1398.
Dehghan, S., Salehnia, N., Sayari, N., & Bakhtiari, B. (2020). Prediction of meteorological drought in arid and semi-arid regions using PDSI and SDSM: a case study in Fars Province, Iran. Journal of Arid Land, 12, 318-330.
Dey, P., & Mishra, A. (2017). No TitleSeparating the Impacts of Climate Change and Human Activities on Streamflow: A Review of Methodologies and Critical Assumptions. Journal of Hydrology, 548, 278–290.
IPCC. (2007). Summary for Policymakers in Climate Change, The Physical Science Basis, Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change, Cambridge University Press.
IPCC. (2014). Climate Change 2014 Synthesis Report Summary for Policymakers.
Kalanaki, M., & Karandish, F. (2015). Predicting The Long-term Effect of Climate Change on Climatic Variables in Humid Region. Journal of Irrigation and Water Engineering, 5(4), 131–149. (In Persian).
Koohi, S., Azizian, A., & Mazandaranizadeh, H. (2022). The Effects of Climate Change on Drought Conditions Using Fuzzy Logic Under SSP3 and SSP5 Scenarios. Iran-Water Resources Research, 18(3), 1–17. (In Persian).
Mirakbari, M., Mesbahzadeh, T., MohseniSaravi, M., Khosravi, H., & MortezaieFarizhendi, G. (2018). Performance of Series Model CMIP5 in Simulation and Projection of Climatic Variables of Rainfall, Temperature and Wind Speed (Case Study: Yazd). Physical Geography Research Quarterly, 50(3), 593–609. https://doi.org/10.22059/JPHGR.2018.248177.1007156. (In Persian).
Mirgol, B., Nazari, M., RamezaniEtedali, H., & Zamanian, K. (2021). Past and future drought trends, duration, and frequency in the semi-arid Urmia Lake Basin under a changing climate. Meteorological Applications, 28(4).
Moeinzadeh, M. (2019). Evaluation of Climate Change Effects on Meteorological Drought under RCP Scenarios (Case Study: Selected Stations in Isfahan Province). Master of Sciences Thesis. Kashan University, Isfahan.
Mohan, S., & Bhaskaran, P. K. (2019). Evaluation of CMIP5 climate model projections for surface wind speed over the Indian Ocean region. Climate Dynamics, 53(9–10), 5415–5435. https://doi.org/10.1007/s00382-019-04874-2
Pirnia, A., Golshan, M., Bigonah, S., & Solaimani, K. (2018). Investigating the drought characteristics of Tamar basin (upstream of Golestan Dam) using SPI and SPEI indices under current and future climate conditions. Journal of Eco Hydrology, 5(1), 215–228. https://doi.org/10.22059/IJE.2018.239226.689. (In Persian).
Radmanesh, Y., SaraiTabrizi, M., Etedali, H. R., Azizian, A., & Babazadeh, H. (2023). Comparative evaluation of the accuracy of re-analysed and gauge-based climatic data in Iran. Journal of Earth System Science, 132(4). https://doi.org/10.1007/s12040-023-02202-1
Ramezani Etedali, H., Koohi, S., & Partovi, Z. (2023). Evaluation of Ensemble Climate Model development methods based on CMIP5 to investigate the potential of water harvesting from air humidity. Iranian Journal of Soil and Water Research, 54(11), 1609–1625. https://doi.org/10.22059/ijswr.2023.364087.669553. (In Persian).
Rezaei, M., Nohtani, M., Moghaddamnia, A., Abkar, A., & Rezaei, M. (2013). Performance Evaluation of Statistical Downscaling Model (SDSM) in Forecasting Precipitation in two Arid and Hyper arid Regions. Journal of Water and Soil, 28(4), 836–845. https://doi.org/10.22067/JSW.V0I0.23119. (In Persian).
Sarlak, N., & Agha OMM. (2018). Spatial and Temporal Variations of Aridity Indices in Iraq. Journal of Theoretical and Applied Climatology, 133(3), 1-11.
Shokoohi, A., & Morovati, R. (2014). An investigation on the Urmia Lake Basin drought using RDI and ‎SPI indices. Watershed Engineering and Management, 6(3), 232–246. https://doi.org/10.22092/ijwmse.2014.101628. (In Persian).
Spinonia, J., Barbosaa, P., De Jagera, A., McCormicka, N., Naumanna, G., V., Vogta, J., Magnib, D., Masanteb, D., & Mazzeschic, M. (2019). A New Global Database of Meteorological Drought Events from 1951 to 2016. Journal of Hydrology, 22, 1–24.
Xia, H., Zhuang, J., & Yu, D. (2013). Combining Crowding Estimation in Objective and Decision Space With Multiple Selection and Search Strategies for Multi-Objective Evolutionary Optimization. IEEE Transactions on Cybernetics, 44(3). https://doi.org/10.1109/TCYB.2013.2256418