ارزیابی اثر تغییر اقلیم، تحت تاثیر عدم قطعیت روش‌های ریز مقیاس‌گردانی: مطالعه‌ی موردی حوضة قرآن طالار

محورهای موضوعی : برگرفته از پایان نامه

مهدی احمدی ¹ , باقر قرمز چشمه ² , هدی قاسمیه ³

1 - دانشجوی دکتری علوم و مهندسی آبخیزداری واحد علوم و تحقیقات
2 - استادیار، پژوهشکده حفاظت خاک و آبخیزداری
3 - استادیار دانشگاه کاشان

تاریخ دریافت : 1393/10/08 تاریخ پذیرش : 1396/12/05 تاریخ انتشار : 1396/08/01

کلید واژه: ارزیابی, تغییر اقلیم, شبکه‌ی عصبی مصنوعی, SDSM,

چکیده مقاله :

       در دهه‌های گذشته، در نتیجه‌ی فعالیت‌های انسانی و طبیعی، میزان گاز‌های گلخانه‌ای در نیوار افزایش یافته و در نتیجه، دمای کره‌ی زمین روند افزایشی را به خود گرفته است. افزایش دمای کره‌ی زمین به نوبه‌ی خود، باعث تغییرات معنی‌داری در حیطه‌های مرتبط، به ویژه منابع آب و رواناب شده است، بنابراین، مطالعه و شبیه سازی تغییرات عناصر اقلیمی (به ویژه دما و بارش) می‌تواند در برنامه‌ریزی‌های مدیریت منابع آب کشور، بسیار با اهمیت باشد. در حال حاضر، معتبر‌ترین ابزار جهت تولید نمایشنامه‌های اقلیمی، نرم‌افزار‌های سه بعدی جفت شده اقیانوس- نیوار گردش عمومی جو (AOGCM) است. در این تحقیق، تاثیر عدم قطعیت مربوط  به نرم‌افزار‌های AOGCM و همچنین روش های ریز مقیاس گردانی نرم افزار های اقلیمی در حوضه‌ی قرآن طالار  در دوره‌ی 2011- 2040 میلادی تحت نمایشنامه انتشار A₂ و B₂ نرم‌افزار HadCM₃  مورد بررسی قرار گرفت. در این راستا از دو نرم افزار ریز مقیاس گردانی: چندگانه‌ی خطی SDSM و نرم‌افزار شبکه‌ی عصبی مصنوعی استفاده گردید و سرانجام SDSM به عنوان بهترین نرم افزار انتخاب شد.  نتایج به دست آمده نشان دادند که در دوره‌ی آتی، میزان بارش در ایستگاه قرآن‌طالار در نمایش نامه‌های A₂ و B₂ HadCM₃ به ترتیب 7 و 6 درصد افزایش خواهد یافت. اندازه ی دما ی حوضه، 34/0 تا 86/0 درجه‌ی سانتی‌گراد افزایش خواهد گرفت. با توجه به افزایش بارش و دما در دوره‌ی آتی در 2 نمایش نامه ی A₂ و  B₂  موجب می گردد رواناب نیز افزایش یابد.

چکیده انگلیسی:

One consequence of a significant increase in the man-made greenhouse gases in recent decades has been a global rise in air temperature with the commensurate rise in the atmospheric heat energy, which in turn affects the hydrologic cycle. Thus a drastic change in the amount, distribution and timing of the hydrologic events is logical. Therefore, preparation for the future water-related events dictates an implication of detailed studies on the prediction of the future rise in temperature and the resultant change in precipitation. The Atmosphere-Ocean General Circulation Model (AOGCM) is considered to be the most reliable software   for the predicting the weather-related events. The statistical downscaling method (SDSM) and the Artificial Neural Networks (ANN) were tested to remove the uncertainty related to the AOGCM. Of a few software used for downscaling, SDSM was proved to be the most reliable for predicting the 2011-2040 changes in air temperatures and precipitation under the A2, B2 scenarios of the HadCM3 for the Qorantalar Watershed. Results indicated that there would be an increase of 7% and 6% in the precipitation amount, and 0.34 and 0.86 degrees Celsius in temperature using the A2 and B2 scenarios, respectively.

منابع و مأخذ:

1)       احمدی، م.، قاسمیه، ه.، و قرمز چشمه ب. 1393. بررسی اثر تغییر اقلیم در دوره آتی تحت سناریو انتشار. دومین همایش ملی بیابان با رویکرد مناطق خشک و بیابانی. دانشگاه سمنان.

2)       بی­همتا، ع.، و زارع چاهوکی. م. ع. 1387. اصول آمار در علوم منابع طبیعی، انتشارات دانشگاه تهران. 298 ص.

3)       خلیلی­اقدم، ن.، مساعدی، آ. و سلطانی، آ. 1388. بررسی تغییر اقلیم ارومیه طی 50 سال گذشته، مجله پژوهش­های حفاظت آب و خاک 19 (4) : 141-151.

4)       خلیلی­اقدم، ن.، مساعدی، آ.، سلطانی، آ. و کامکار. ب. 1390. ارزیابی توانایی مدل LARS_WG در پیش­بینی برخی پارامترهای جوی سنندج، مجله پژوهش­های حفاظت آب و خاک 19 (14) : 85-96.

5)       دسترنج، ع. 1391. پیش‌بینی مقادیر بارش و دما با کاربرد مدل­های گردش عمومی جو و شبیه‌سازی اقلیم (منطقه مورد مطالعه: استان­های نیمه شمالی کشور)، پایان­نامه کارشناسی ارشد گروه احیاء مناطق خشک و کوهستانی، دانشگاه تهران، 120 ص.

6)       صمدی، ز. 1388. بررسی عدم قطعیت روش­های کوچک مقیاس کردن آماری- رگرسیونی بر رواناب رودخانه (مطالعه موردی: حوضه قره­سو)، پایان­نامه دکتری منابع آب، دانشگاه آزاد واحد علوم تحقیقات، 216 ص.

7)       صمدی، س.ز.، مساح بوانی، ع.، و مهدوی. م. 1389. انتخاب متغیر پیش‌بینی کننده به منظور کوچک مقیاس کردن آماری داده‌های دما و بارندگی در حوضة آبخیز کرخه، پنجمین همایش ملی علوم و مهندسی آبخیزداری ایران، گرگان، 2 الی 3 اردیبهشت ماه، ص 260-271.

8)       فرج­زاده، م. 1390. تحلیل اثرات تغییر اقلیم بر میزان آبدهی رودخانه (مطالعه موردی رودخانه ششپیر). مجله جغرافیا و برنامه­ریزی محیط 24 (1) : 18-32.

9)       قرمزچشمه، ب.، 1393. ارزیابی عدم قطعیت ناشی از ریزمقیاس کردن مدل­های AOGCM با تحلیل عناصر دما و بارش (مطالعه موردی: حوضه آبخیز دریاچه ارومیه)، پایان­نامه دکتری گروه جغرافیای طبیعی، دانشکده جغرافیا، دانشگاه تبریز، 192 ص.

10)   کمال، ع.، 1388. ارزیابی اثر تغییر اقلیم بر رواناب تحت تأثیر عدم قطعیت مدل‌های AOGCM-AP4 و روش‌های کوچک مقیاس کردن (مطالعه موردی حوضه قره­سو)، پایان­نامه کارشناسی ارشد گروه مهندسی آب، دانشگاه تهران. 95 ص.

11)   کمال، ع.، و مساح­بوانی، ع. 1389. تأثیر تغییر و نوسانات اقلیمی بر رواناب حوضه با دخالت عدم قطعیت دو مدل هیدرولوژی، نشریه آب و خاک 24 (5): 920-931.

12)   کمال، ع.، و مساح­بوانی، ع. 1390. ارزیابی عدم قطعیت مدل­های AOGCM-AP4 و مدل‌های هیدرولوژی در تخمین دما و بارش و رواناب حوضه قره­سو تحت تأثیر تغییر اقلیم. مجله پژوهش آب ایران  5 (9) : 39-50.

13)   مساح­بوانی، ع.، و مرید، س. 1384. اثرات تغییر اقلیم بر جریان رودخانه زاینده­رود اصفهان، مجله علوم و فنون کشاورزی و منابع طبیعی 9 (4) : 40-47.

14)   مهدی­زاده، ص.، مفتاح، م.، قاسمی، س. و مساعدی. آ. 1390. بررسی تأثیر تغییر اقلیم بر میزان بارش در حوضه سد گلستان. مجله پژوهشی حفاظت آب و خاک. 18 (3): 117-131.

15)   واثقی، ر. 1389. بررسی تأثیر جمعی خروجی‌های مدل­های گردش عمومی جو- اقیانوس بر رواناب حوضة قره­سو در دورة آتی، پایان­نامة کارشناسی ارشد، دانشگاه آزاد اسلامی واحد علوم تحقیقات، ص 8-25 و 79-82.

16)   هراتیان­عرب، آ. 1388. ریز‌مقیاس­گردانی آماری متغیرهای دما و بارش (مطالعه موردی شهر همدان)، پایان­نامه کارشناسی ارشد رشته جغرافیا طبیعی، دانشگاه رازی. ص 20

17)   17. یزدانی. م. 1390. بررسی تغییر اقلیم بر منابع آب (آب­های سطحی) حوزه آبخیز   زاینده­رود، پایان­نامه دکتری رشته جغرافیا طبیعی (گرایش اقلیم­شناسی)، دانشگاه اصفهان. ص 20

18)    Dibike, B.Y., and Coulibaly, P. 2006, Temporal neural network for downscaling variability extremes Neural Networks 19: 135-144.

19)    Dibike, Y.B., Gachon. P., St-hilaire,  A., Quarda, T.B. and NguYen. V. 2007. Uncertainty analysis of statistically downscaled temperature and precipitation régimes in Northern Canada.Theroetical and Applied Climatology 91: 149-170. 

20)    Dracup, J.A. and Vicuna., S. 2005. An overview of hydrology and water resources studies on climate change: the California experience. Proc. EWRI 2005: Impacts of Global Climate Change.

21)    Hashemi, M.Z., Shamseldin., A.Y., and Melville. B.W. 2009. Comparison of SDSM and LARS-WG for simulation and downscaling of extreme precipitation events in a watershed. Stoch. Environ. Res. Risk Assess. 25: 475–484.

22)    Huang, J., Zhang, J., and Zhang, Z. 2011. Simulation of extreme precipitation indices in the Yangtze River Basin by using statistical Downscaling Method (SDSM), Theor. Appl. Climatol. 10.1007/s00704-011-0536-3.

23)    IPCC-TGCIA. 2004. Guidelines for use of climate scenarios developed from statistical downscaling methods.IPCC draft 2004.

24)    IPCC. 2007. Summary for policymarkers, In: Climate Change.  IPCC draft.

25)    IPCC. 2001. Climate Change 2001. The science of climate change. Contribution of working group I to the second assessment report of the Intergovernmental Panel on Climate Change. Eds. Houghton, J.T., Filho, L.G.M., Callander, B.A., Harris, N., Attenberg, A., and Maskell K., Cambridge University Press, Cambridge. 572 pp.

26)    Wilby. R. L., Dawson, C.W., and Barrow, E. M. 2002. SDSM: A decision support tool for the assessment of regional climate change Impacts Environmental and Modeling Software 17: 145-157.

27)    Wilby, R. L., and Dawson, C. 2007. SDSM 4.2. A decision support tool for the assessment of reginal climate change impacts. User, Manual.

28)    Wilby, R.L., and Dawson. C. 2013. Statistical downScaling model – decision Centric (SDSM-DC) Version 5. 1 supplementary note (USER GIDE).