Investigating the Impact of Climate Change on the Aridity Index Under the Scenarios of the CMIP6 in Iran: looking at Industries
Subject Areas : Drought in meteorology and agriculture
Hadi Ramezani Etedali
1
,
Sakine Koohi
2
1 - Professor, Department of Water Engineering, Faculty of Agriculture and Natural Resources, Imam Khomeini International University, Qazvin, Iran.
2 - PhD Student, Department of Water Engineering, Faculty of Agriculture and Natural Resources, Imam Khomeini International University, Qazvin, Iran.
Keywords: climate change, SSP scenarios, De Martonne index, industrial workshops,
Abstract :
Background and Aim: Due to the global warming and climate change and its outcomes are among the most significant environmental challenges today. Iran, as a country with a semi-arid and arid climate, has always faced issues such as water scarcity and drought, climate change can exacerbate these problems and have destructive effects on the environment, economy, and human societies. Thus, a precise understanding of the impacts of climate on the land is crucial for reducing societal vulnerability, enhancing resilience against climate changes, and preserving the country's natural resources. In this context, this study aims to examine the effects of climate change on the aridity index on seasonal and annual scales under the climate scenarios of the latest climate report (CMIP6). This study aims to offer a comprehensive outlook on the number of industries likely to be affected by varying intensities of climatic drought across Iran by providing long-term drought forecasts under the SSP climate scenarios.
Method: In this study, data from 31 synoptic stations distributed across the country were utilized. Precipitation and temperature data from the statistical period 1997 to 2014 served as observational data, while high-resolution climate data from NEX-GDDP provided the basis for projections for the three future periods of 2025-2049, 2050-2074, and 2075-2099. These data were analyzed under the SSP2-4.5 and SSP5-8.5 scenarios. The climate models used in this research included CNRM-CM6-1, CanESM5, GFDL-ESM4, HadGEM3-GC31-LL, and MIROC6. The monitoring of changes in the aridity index was performed using the De Martonne aridity index. An evolutionary algorithm was employed to optimize the coefficients of the climate models and their integration. The statistical indices RMSE, MAE, and MBE were used to evaluate the performance of the climate outputs compared to the observed values in the base period.
Results: The climatic classification of the studied stations, based on the De Martonne aridity index for the period from 1997 to 2014, indicates that 39% of the stations are situated in semi-arid climates, while 23% are in dry climates. The findings reveal that the stations in Sistan and Baluchistan, Yazd, Khuzestan, and Hormozgan are classified as very dry climates. The evaluation of the climatic output accuracy, using statistical indices, demonstrated that there is no significant bias in precipitation and temperature estimations for 81% and 90% of the stations, respectively. An analysis of changes in the De Martonne aridity index for the upcoming three periods, relative to the base period, shows a trend toward increased dryness in the stations of Isfahan, Qom, Semnan, Kerman, Hormozgan, Mazandaran, Golestan, Ilam, Chaharmahal and Bakhtiari, Fars, and Tehran. Furthermore, a review of the distribution of industrial facilities and their water consumption reveals that provinces such as Isfahan, Fars, Tehran, Alborz, East Azarbaijan, and Razavi Khorasan each host over 1,250 industrial workshops. The industrial water usage in East Azarbaijan, Tehran, Isfahan, Khuzestan, Bushehr, and Razavi Khorasan exceeds 62,217,790 m3.
Conclusion: The results indicate that, based on observational data from the base period, a significant portion of the country falls within semi-arid to very arid climate classes. The base period’s results suggest that precipitation and temperature data from the sixth climate change report are valuable resources for monitoring future drought conditions under various climate scenarios. The findings reveal that the decrease in the DMI is more pronounced during the summer and autumn seasons compared to spring and winter. Overall, the results demonstrate that, under both SSP2-4.5 and SSP5-8.5 scenarios, many provinces in the country will experience a shift towards semi-arid, dry, and very dry climate conditions. Given the concentration of industrial workshops in these provinces, it is imperative to develop and implement strategies for water resource management in these areas. The outcomes of this research can significantly contribute to the sustainable management of water resources in the face of climate change.
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
Investigating the Impact of Climate Changes on the Aridity Index Under the Scenarios of the CMIP6 in Iran: Looking at Industries
Hadi Ramezani Etedali1* and Sakine Koohi2
1) Professor, Department of Water Engineering, Faculty of Agriculture and Natural Resources, Imam Khomeini International University, Qazvin, Iran.
2) PhD Student, Department of Water Engineering, Faculty of Agriculture and Natural Resources, Imam Khomeini International University, Qazvin, Iran.
*Corresponding author email: ramezani@eng.ikiu.ac.ir
Abstract:
Background and Aim: Due to the global warming and climate change and its outcomes are among the most significant environmental challenges today. Iran, as a country with a semi-arid and arid climate, has always faced issues such as water scarcity and drought, climate change can exacerbate these problems and have destructive effects on the environment, economy, and human societies. Thus, a precise understanding of the impacts of climate on the land is crucial for reducing societal vulnerability, enhancing resilience against climate changes, and preserving the country's natural resources. In this context, this study aims to examine the effects of climate change on the aridity index on seasonal and annual scales under the climate scenarios of the latest climate report (CMIP6). This study aims to offer a comprehensive outlook on the number of industries likely to be affected by varying intensities of climatic drought across Iran by providing long-term drought forecasts under the SSP climate scenarios.
Method: In this study, data from 31 synoptic stations distributed across the country were utilized. Precipitation and temperature data from the statistical period 1997 to 2014 served as observational data, while high-resolution climate data from NEX-GDDP provided the basis for projections for the three future periods of 2025-2049, 2050-2074, and 2075-2099. These data were analyzed under the SSP2-4.5 and SSP5-8.5 scenarios. The climate models used in this research included CNRM-CM6-1, CanESM5, GFDL-ESM4, HadGEM3-GC31-LL, and MIROC6. The monitoring of changes in the aridity index was performed using the De Martonne aridity index. An evolutionary algorithm was employed to optimize the coefficients of the climate models and their integration. The statistical indices RMSE, MAE, and MBE were used to evaluate the performance of the climate outputs compared to the observed values in the base period.
Results: The climatic classification of the studied stations, based on the De Martonne aridity index for the period from 1997 to 2014, indicates that 39% of the stations are situated in semi-arid climates, while 23% are in dry climates. The findings reveal that the stations in Sistan and Baluchistan, Yazd, Khuzestan, and Hormozgan are classified as very dry climates. The evaluation of the climatic output accuracy, using statistical indices, demonstrated that there is no significant bias in precipitation and temperature estimations for 81% and 90% of the stations, respectively. An analysis of changes in the De Martonne aridity index for the upcoming three periods, relative to the base period, shows a trend toward increased dryness in the stations of Isfahan, Qom, Semnan, Kerman, Hormozgan, Mazandaran, Golestan, Ilam, Chaharmahal and Bakhtiari, Fars, and Tehran. Furthermore, a review of the distribution of industrial facilities and their water consumption reveals that provinces such as Isfahan, Fars, Tehran, Alborz, East Azarbaijan, and Razavi Khorasan each host over 1,250 industrial workshops. The industrial water usage in East Azarbaijan, Tehran, Isfahan, Khuzestan, Bushehr, and Razavi Khorasan exceeds 62,217,790 m3.
Conclusion: The results indicate that, based on observational data from the base period, a significant portion of the country falls within semi-arid to very arid climate classes. The base period’s results suggest that precipitation and temperature data from the sixth climate change report are valuable resources for monitoring future drought conditions under various climate scenarios. The findings reveal that the decrease in the DMI is more pronounced during the summer and autumn seasons compared to spring and winter. Overall, the results demonstrate that, under both SSP2-4.5 and SSP5-8.5 scenarios, many provinces in the country will experience a shift towards semi-arid, dry, and very dry climate conditions. Given the concentration of industrial workshops in these provinces, it is imperative to develop and implement strategies for water resource management in these areas. The outcomes of this research can significantly contribute to the sustainable management of water resources in the face of climate change.
Keywords: climate change, SSP scenarios, De Martonne index, industrial workshops
بررسي تأثير تغييرات اقليمي بر شاخص خشکي تحت سناريوهاي گزارش ششم تغيير اقليم در ايران: با نگاهي بر وضعيت صنايع
هادي رمضاني اعتدالي1* و سکينه کوهي2
1) استاد، گروه علوم و مهندسي آب، دانشکده کشاورزي و منابع طبيعي، دانشگاه بينالمللي امام خميني (ره)، قزوين، ايران.
2) دانشجوي دکتري مهندسي منابع آب، گروه علوم و مهندسي آب، دانشکده کشاورزي و منابع طبيعي، دانشگاه بينالمللي امام خميني (ره)، قزوين، ايران.
*ايميل نويسنده مسئول: ramezani@eng.ikiu.ac.ir
چکيده:
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.
کلمات کليدي: تغيير اقليم، سناريوهاي SSP، شاخص دومارتن، کارگاههاي صنعتي
مقدمه
تغييرات اقليمي حتي بهصورت جزئي اجزاي مختلف اکوسيستم و جوامع انساني را تحت تأثير قرار ميدهد (Bahri et al., 2015). افزايش غلظت گازهاي گلخانهاي ناشي از فعاليتهاي انساني همچون گسترش استفاده از سوختهاي فسيلي، جنگلزدايي و توسعه کشاورزي منجر به افزايش دماي جهاني و تغيير در الگوي بارشها شده است. اين تغييرات ميتوانند با تغيير در مولفههاي هواشناسي، هيدرولوژي و افزايش پديدههاي شديد اقليمي همراه باشند (Dey & Mishra, 2017; Kalanaki & Karandish, 2015). خشکسالي بهعنوان يکي از مهمترين اثرات حدي تغيير اقليم، ميتواند تاثيرات مخربي بر اقتصاد، محيطزيست و جوامع انساني داشته باشد. براساس گزارش مجمع بينالدول تغيير اقليم (IPCC) اين پديده از پيچيدهترين مخاطرات طبيعي به شمار ميرود که در اثر بارشِ کمتر از متوسط در يک دوره طولانيمدت و افزايش دما حاصل خواهد شد (IPCC, 2007). يکي از موارد مهم در مطالعات خشکسالي، قائل شدن تمايز بين خشکسالي و خشکي ميباشد. خشکي نوعي ويژگي دائمي آب و هوا و جزء ذات منطقه است، درحاليکه خشکسالي ميتواند در تمام طبقات اقليمي رخ داده ولي مشخصات و تاثيرات آن در مناطق مختلف، متفاوت باشد (Alizadeh, 2014). خشکسالي هواشناسي نيز يکي از نمودهاي خشکسالي بهشمار ميرود و پيامدهايي همچون کاهش کميت و کيفيت منابع آب سطحي و زيرزميني، محصولات کشاورزي و ساير مسائل اقتصادي و اجتماعي را به دنبال دارد (IPCC, 2014). ايران نيز به عنوان کشوري با اقليم نيمهخشک و خشک، همواره با مشکلات مرتبط با کمبود آب و خشکي مواجه ميباشد. موقعيت جغرافيايي و اقليم ايران منجر شده است تا در برابر آثار و نتايج خشکسالي از آسيبپذيري بيشتري برخوردار باشد. از آنجاييکه جلوگيري از وقوع خشکي و خشکسالي بهطور کامل امکانپذير نميباشد. بنابراين، يکي از مسائل مهم براي کاهش تاثيرات خشکي، خشکسالي و برنامهريزيهاي طولانيمدت در زمينه محيطزيست، اقتصاد و اجتماع، ارزيابي و شناسايي دورههاي خشک و مرطوب و بررسي تاثيرات تغيير اقليم در اين زمينه است.
مطالعاتي نيز در زمينه ارزيابي تاثيرات تغيير اقليم بر شرايط خشکي و خشکسالي به انجام رسيده است. بهعنوان مثال، شکوهي و مروتي (1393) در تحقيقي به بررسي تاثيرات خشکسالي بر روند خشک شدن درياچه اروميه انجام دادند. نتايج نشان داد که گسترش فعاليتهاي عمراني در حوضه منطبق بر دورههايي است که حوضه برمبناي شاخص خشکسالي از نظر منابع آبي شکننده ميباشد. پيرنيا و همکاران (1398) به ارزيابي وضعيت خشکسالي در بالادست سد گلستان در آينده (2020-2049) نسبت به دوره پايه (1985-2014) تحت سناريوهاي اقليمي RCP2.6 و RCP8.5 براساس شاخصهاي خشکسالي SPI و SPEI پرداختند. نتايج حاکي از تغييرات ناچيز بارندگي و افزايش معنادار دما ميباشد. همچنين مشخص شد که استفاده از شاخص SPEI برآورد منطقيتر و واقعيتري نسبت به شاخص SPI داشته است و شرايط خشکسالي شديدتري را نشان داده است. بختياري و همکاران (1400) در پژوهشي به تحليل حساسيت شاخص خشکي AI براساس 7 متغير هواشناسي و در 5 نمونه اقليمي تحت سناريوهاي RCP4.5 و RCP8.5 پرداختند. نتايج حاکي از افزايش خشکي در هر 5 ايستگاه به جز ايستگاه مشهد است. همچنين با توجه به نتايج مقدار شاخص خشکي طي دوره آتي و تحت سناريوهاي اقليمي در همه ايستگاهها به جز ايستگاه ياسوج با افزايش همراه است. احمدعليپور و همکاران (2019) با ارزيابي ريسک خشکسالي هواشناسي در سراسر آفريقا نشان دادند که نسبت ريسک خشکسالي در کشورهاي آفريقاي مرکزي در نتيجه افزايش آسيبپذيري و جمعيت، بالاتر است. در صورت عدم اتخاذ سناريوهايي با هدف سازگاري با تغييرات آب و هوايي، ريسک و خطر خشکساليها ميتواند دهها سال زودتر از موعد رخ دهد. اسپسنونيا1 و همکاران (2019) در تحقيقي با ارزيابي شرايط خشکسالي در سه مقياس جهاني، منطقهاي کلان و کشوري نشان دادند که در دهههاي اخير در آسياي مرکزي خشکساليهاي شديدي رخ داده است. همچنين در بخش عظيمي از آسياي مرکزي افزايش درجه حرارت با تعديل در افزايش بارندگيها همراه بوده است که اين موضوع منجر به خشکساليهاي مکرر و شديد در منطقه شده است.
همچنين سرلک و آقا (2018) در پژوهشي با بررسي تغييرات مکاني و زماني شاخصهاي خشکي شامل لانگ، دومارتن، UNEP و Erinc در کشور عراق نشان دادند که حدود 97 درصد از اين کشور داراي اقليم خشک و نيمهخشک ميباشد. همچنين کاهش بارش و افزايش دما در اين منطقه منجر به خشکتر شدن شرايط اقليمي طي دورههاي آتي خواهد شد. دهقان و همکاران (2020) به ارزيابي تاثيرات تغيير اقليم بر خشکسالي تحت دو سناريوي اقليمي RCP4.5 و RCP8.5 در استان فارس پرداختند. نتايج نشان داد که دورههاي خشک در دهههاي آتي و تحت سناريوهاي اقليمي با افزايش همراه است. ميرگل و همکاران (2021) در پژوهشي به بررسي تغييرات مکاني و زماني خشکسالي در حوضه درياچه اروميه با استفاده از پنج مدل اقليمي و تحت سناريوهاي اقليمي RCP4.5، RCP2.6 و RCP8.5 براساس شاخصهاي خشکسالي SPI و SPEI پرداختند. نتايج نشان داد که دورههاي آتي نسبت به دوره پايه تحت تمام سناريوهاي اقليمي از نظر روند و مدت زمان خشکسالي با شرايط خشکسالي کمتري مواجه خواهد بود. اما فراواني خشکساليهاي شديد فصلي در آينده بيش از دوره پايه ميباشد که ميتواند وضعيت کمآبي درياچه را تشديد نمايد. اندراد2 و همکاران (2021) به ارزيابي شرايط خشکي در شبه جزيرهاي در پنسيلوانيا با استفاده از سه شاخص دومارتن، پينا و ارينچ تحت سناريوهاي اقليمي RCP4.5 و RCP8.5 پرداختند. نتايج بيانگر افزايش شرايط خشکسالي تحت سناريوي RCP8.5 در مرکز و جنوب اين منطقه تا سال 2070 ميباشد. کوهي و همکاران (2022) به بررسي تغييرات ويژگيهاي خشکسالي در حوضه آبخيز کارون براساس شاخص خشکسالي فازي تحت سناريوهاي اقليمي SSP3 و SSP5 پرداختند. پايش شرايط خشکسالي طي دورههاي آتي حاکي از وجود روند افزايشي در سطح اطمينان 95 درصد، افزايش دورههاي خشک و کاهش دورههاي تر ميباشد. همچنين مناطق شمالي، شمالغرب و غرب حوضه کارون بيشتر در معرض شرايط خشک قرار دارند. بررسي مطالعات حاکي از آن است که شرايط خشکي و خشکساليها تحت تاثير تغييرات اقليم با تشديد همراه بوده است. همچنين بسياري از مطالعات گذشته بر کاربرد سناريوهاي قديم اقليمي و مناطق خاصي از کشور متمرکز بوده و در کمتر تحقيقي به ارزيابي تعداد صنايع در معرض شدتهاي مختلف خشکي پرداخته شده است. اين خلاء يکي از دلايل عدموجود برنامهريزيهاي جامع و کارآمد براي مديريت منابع آب و سازگاري صنايع با شرايط اقليمي آينده ميباشد. درحاليکه بررسي صنايع در معرض شدتهاي مختلف خشکي ميتواند بهعنوان گامي اوليه براي شناسايي صنايع آسيبپذير، تحليل تأثيرات خشکي بر آنها و توسعه راهکارهاي سازگاري در سطح کشور بهشمار رود. بنابراين، با توجه به اهميت آگاهي از روند تغييرات اين پديده تحت اثر تغييرات اقليمي به ويژه در زمينه برنامهريزي و مديريت صحيح در زمينه منابع آب و فعاليتهاي کشاورزي، لازم است تا روند تغييرات خشکي پايش و ارزيابي شود. بدين ترتيب با پيشبيني شرايط خشکي تحت سناريوهاي جديد اقليمي ميتوان کمک قابلتوجهي به کاهش اثرات ناشي از اين اتفاق نمود. بنابراين، هدف از انجام اين پژوهش، ارزيابي و پايش وضعيت خشکي تحت تأثير تغييرات اقليمي در سطح کشور ميباشد. همچنين، اين پژوهش بهدنبال شناسايي تعداد صنايعي است که در معرض شدتهاي مختلف از خشکي قرار دارند. از همين رو، در اين تحقيق پايش وضعيت خشکي تحت تاثير تغيير اقليم براساس شاخص خشکي دومارتن در سطح کشور ايران مورد بررسي قرار گرفته است. در اين پژوهش از دادههاي 5 مدل GCM تحت دو سناريوي SSP2-4.5 و SSP5-8.5 از جديدترين گزارش IPCC (CMIP6: Coupled Model Intercomparison Project Phase 6) استفاده شده است. لازم بذکر است که پژوهش پيشرو طي دوره 1997 تا 2014 بهعنوان دوره مشاهداتي به انجام رسيده است و تغييرات آتي در سه دوره آماري مورد بررسي قرار گرفته است.
مواد و روشها
منطقه مورد مطالعه
اين پژوهش در سطح 31 ايستگاه سينوپتيک واقع در کل کشور به انجام رسيده است. در اين مطالعه مقادير بارش و دما ثبت شده در ايستگاههاي سينوپتيک طي دوره آماري 18 ساله (1997 تا 2014) به عنوان دادههاي مشاهداتي در نظر گرفته شده است. علاوهبراين، مقدار شاخص دومارتن براي ايستگاهها طي سه دوره آتي که عبارتند از: 2025 تا 2049، 2050 تا 2074 و 2075 تا 2099 محاسبه و مورد بررسي قرار گرفته است. در شکل 1، موقعيت ايستگاههاي سينوپتيک مورد مطالعه نشان داده شده است.
شکل 1. موقعيت ايستگاههاي سينوپتيک مورد مطالعه
دادههاي اقليمي مورد استفاده
مجموعه دادههاي NEX-GDDP (NASA Earth Exchange Global Daily Downscaled Projections)، اخيرا اقدام به ريزمقياسسازي و انتشار دادههاي اقليمي جديدترين گزارش تغيير اقليم (CMIP6) در تفکيک مکاني 25/0 درجه نموده است. دادههاي اقليمي ريزمقياس شده توسط NEX-GDDP شامل بارش، حداقل، حداکثر و متوسط دما، سرعت باد و رطوبت نسبي مدلهاي CMIP6 در مقياس روزانه ميباشد. دادههاي اين مجموعه از سال1950 تا 2014 به عنوان دوره پايه و از سال 2015 تا 2100 تحت دو سناريوي انتشار SSP2-4.5 و SSP5-8.5 از سامانه قابل GEE (Google Earth Engine) دريافت ميباشد. مفروضات سناريوي SSP2-4.5 بيانگر شرايط حد وسط است، در اين شرايط توسعه اجتماعي-اقتصادي همگام با شرايط معمول است. درحاليکه در سناريوي اقليمي SSP5-8.5 فرض بر دنيايي پيشرفته و با مصرف بالاي انرژي و سوخت فسيلي ميباشد. در مطالعه حاضر، از دادههاي بارش و دما مربوط به 5 GCM شامل: CNRM-CM6-1، CanESM5، GFDL-ESM4، HadGEM3-GC31-LL و MIROC6 استفاده شده است.
از آنجاييکه در تحقيقات مختلفي نشان داده شده است که بهينهسازي ضرايب مدلهاي اقليمي و ادغام آنها از تاثير مثبتي بر افزايش کارايي و کاهش عدمقطعيت خروجيهاي اقليمي در بازتوليد متغيرهاي جوي برخوردار است (Mirakbari et al., 2018; Mohan & Bhaskaran, 2019; Ramezani Etedali et al., 2023). در اين پژوهش نيز خروجيهاي مدلهاي اقليمي با يکديگر ادغام شده است. روش مورد استفاده در اين مطالعه براي بهينهسازي ضرايب مدلهاي اقليمي، الگوريتم Evolutionary مربوط به تابع بهينهسازي Solver ميباشد. الگوريتم Evolutionary يکي از الگوريتمهاي بهينهسازي فراشناختي مبتني بر ازدحام جمعيت است که در شاخهاي از هوش مصنوعي قرار ميگيرد. در اين الگوريتم جستجو از چندين نقطه در فضاي تصميم آغاز ميشود (Xia et al., 2013). در اين مطالعه، حداقل نمودن مقدار شاخص خطاي RMSE محاسباتي بين خروجي اقليمي ِحاصل از ادغام پنج مدل و مقادير مشاهداتي به عنوان تابع هدف براي کاربرد الگوريتم بهينهسازي در نظر گرفته شده است.
شاخص خشکي دومارتن (De Martonne)
در اين مطالعه شاخص دومارتن که از شناختهشدهترين و پرکاربردترين شاخصهاي خشکي نيز بهشمار ميرود، استفاده شده است. اين شاخص براساس نسبت ميانگين بارش سالانه (ميليمتر) و ميانگين درجه حرات سالانه بنا شده است. به عقيده دومارتن کاهش ضريب خشکي بيانگر خشکي منطقه و افزايش اين شاخص حاکي از مرطوب بودن منطقه ميباشد. محاسبه شاخص خشکي دومارتن در مقياسهاي فصلي و سالانه بهترتيب توسط روابط 1 و 2 انجام ميشود (De Martonne, 1926). در روش دومارتن، شش نوع اقليم در نظر گرفته شده است. اين تقسيمبندي توسط محققين اصلاح و به 8 نوع تقسيم شده است که در جدول 1 مشاهده ميشود (Rezaei et al., 2013).
رابطه 1 |
|
رابطه 2 |
|
که در آن، P مجموع بارش (ميليمتر) و T متوسط دما (درجه سانيگراد) ميباشد.
جدول 1. طبقهبندي اقليمي دومارتن
نوع اقليم | شاخص خشکي |
خيلي خشک | 5 > DMI ≥ 0 |
خشک | 10 > DMI ≥ 5 |
نيمهخشک | 20 > DMI ≥ 10 |
مديترانهاي | 24 > DMI ≥ 20 |
نيمهمرطوب | 28 > DMI ≥ 24 |
مرطوب | 35 > DMI ≥ 28 |
خيلي مرطوب نوع 1 | 55 > DMI ≥ 35 |
خيلي مرطوب نوع 2 | DMI ≥ 55 |
شاخصهاي ارزيابي مورد استفاده
در مطالعه حاضر از شاخصهاي آماري جذر ميانگين مربعات خطا (RMSE: Root Mean Square Error)، ميانگين قدرمطلق خطا (MAE: Mean Absolute Error) و ميانگين انحراف خطا (MBE: Mean Bias Error) براي ارزيابي عملکرد خروجي مدلهاي اقليمي در شبيهسازي مقدار بارش و دما در دوره پايه استفاده شده است. معادلات مورد استفاده براي هر يک از شاخصهاي فوق و مقدار بهينه آنها در جدول 2 ارائه شده است.
جدول 2. شاخصهاي ارزيابي مورد استفاده در اين پژوهش
شاخص آماري | معادله | مقدار بهينه |
RMSE |
| صفر |
MAE |
| صفر |
MBE |
| صفر |
که در جدول فوق، 
:مقاديردادههاي اقليمي، 
:مقادير مشاهداتي،N :تعداد دادهها.
نتايج و بحث
طبقهبندي اقليمي ايستگاههاي مورد مطالعه
در ابتدا به طبقهبندي اقليمي ايستگاههاي مورد مطالعه برمبناي شاخص خشکي دومارتن طي دوره 1997 تا 2014 پرداخته شده است. نتايج حاصل از طبقهبندي اقليمي با استفاده دادههاي بارش و دماي مشاهداتي طي دوره پايه در جدول 3 ارائه شده است. همانطور که مشاهده ميشود بهترتيب 39 و 23 درصد از ايستگاههاي مورد مطالعه در اقليمهاي نيمهخشک و خشک واقع شدهاند. تغييرات مقدار متوسط سالانهي شاخص خشکي دومارتن طي دوره مشاهداتي براي ايستگاههاي خراسان رضوي، آذربايجان شرقي، خراسان شمالي، البرز، مرکزي، فارس، همدان، آذربايجان غربي، قزوين، اردبيل و زنجان در محدوده 10
جدول 3. طبقهبندي اقليمي ايستگاههاي مورد مطالعه در دوره مشاهداتي
|
|
تا 20 و براي ايستگاههاي کرمان، سمنان، قم، خراسان جنوبي، اصفهان، چهارمحال و بختياري و بوشهر در محدوده 5 تا 10 تخمين زده شده است. با توجه به نتايج مشخص است که ايستگاههاي سيستان و بلوچستان، يزد، خوزستان و هرمزگان در اقليم خيليخشک قرار دارند. همچنين ايستگاههاي سينوپتيک گلستان، کرمانشاه، کردستان، لرستان و تهران با مقدار شاخص خشکي دومارتن در محدوده 20 تا 24 در اقليم مديترانهاي واقع شدهاند. با توجه به نتايج مشخص است که تنها 3 (ايستگاه سينوپتيک ايلام)، 3 (ايستگاه سينوپتيک مازندران) و 6 درصد (ايستگاههاي سينوپتيک کهگيلويه و بويراحمد و گيلان) از ايستگاههاي سينوپتيک در اقليم نيمهمرطوب، مرطوب و خيلي مرطوب قرار گرفتهاند.
ارزيابي عملکرد خروجي مدل اقليمي در دوره پايه
در اين بخش عملکرد خروجي حاصل از ادغام پنج مدل اقليمي مورد مطالعه در تخمين متغيرهاي جوي موثر بر تخمين مقدار شاخص خشکي دومارتن (بارش و دما) نسبت به مقادير مشاهداتي پرداخته شده است. در شکل 2 تغييرات مکاني شاخصهاي آماري MAE و MBE بين مقادير بارش و دما بهدست آمده از ادغام مدلهاي اقليمي نسبت به مقادير ثبت شده براي مقياس ماهانه در ايستگاههاي سينوپتيک در دوره پايه ارائه شده است. بررسي مقدار شاخص MAE در سطح ايستگاههاي مطالعاتي در شبيهسازي بارش نشان داد که در مقياس ماهانه اين شاخص از 5/3 تا 0/70 ميليتر متغير ميباشد و مقدار متوسط آن 2/18 ميليمتر است. همچنين نتايج حاکي از آن است که در 19 و 58 درصد از ايستگاههاي مورد مطالعه مقدار خطاي حاصل از ادغام مدلهاي اقليمي در تخمين بارش در دوره پايه و برمبناي شاخص آماري MAE بهترتيب کمتر از 10 و 20 ميليمتر بوده است. با توجه به شکل 2 مشخص است که بيشترين ميزان خطاي مدلهاي اقليمي در ايستگاههاي واقع در حاشيه درياي خزر و همچنين جنوبغرب کشور شامل گيلان، گلستان، مازندران، کهگيلويه و بويراحمد، خوزستان، تهران و ايلام بوده است. مقدار متوسط شاخص MAE در ايستگاههاي مذکور حدود 1/31 ميليمتر تخمين زده شده است. بررسي شاخص MBE که نشاندهنده ميزان بيشبرآوردي يا کمبرآوردي مدلهاي اقليمي در شبيهسازي تغييرات بارش در دوره پايه ميباشد نشان داد که خروجي حاصل از مدلهاي اقليمي گزارش ششم تغيير اقليم در 81 درصد از ايستگاههاي مورد مطالعه با بهرهمندي از مقدار شاخص MBE در محدوده 5- تا 5 داراي بيشبرآوردي يا کم برآوردي قابلتوجهي در تخمين مقدار بارش نميباشد. براساس شکل 2 مشخص است که متوسط مقدار شاخص MBE در ايستگاههاي سينوپتيک گيلان، گلستان، مازندران، کهگيلويه و بويراحمد و همدان 3/12 ميليمتر و در ايستگاه خوزستان 3/7- ميليمتر و بهترتيب حاکي از بيشبرآوردي و کمبرآوردي در تخمين مقدار بارش ميباشد. ارزيابي عملکرد مدلهاي اقليمي نسبت به مقادير بارش مشاهداتي برمبناي شاخصهاي MAE و MBE گوياي اين مطلب است که ميزان خطا و اريبي دادههاي اقليمي براي دوره پايه و در مقياس ماهانه در بيش از 75 درصد از ايستگاههاي مورد مطالعه قابلقبول ارزيابي ميشود.
ارزيابي عملکرد خروجي مدلهاي اقليمي در تخمين متوسط دماي ماهانه طي دوره پايه برمبناي شاخص MAE حاکي از آن است که بهترتيب در 81 و 13 درصد از ايستگاههاي مورد مطالعه مقدار خطا در تخمين متوسط دماي هوا به 2 و 5 درجه سانتيگراد محدود شده است. براساس شاخص MAE مشخص است که بيشترين ميزان خطا در شبيهسازي تغييرات ماهانه دما توسط مدلهاي اقليمي در ايستگاههاي اصفهان و خوزستان بوده است. به عنوان مثال، ميزان شاخص خطا در ايستگاهها فوق بهترتيب برابر است با 2/8 و 4/14 درجه سانتيگراد. ارزيابي نتايج براساس شاخص آماري MBE که نشاندهنده ميانگين انحراف در دادهها است حاکي از عملکرد قابلقبول مدلهاي اقليمي در شبيهسازي متوسط دماي هوا در 90 درصد از ايستگاههاي مطالعاتي ميباشد، بهطوريکه محدوده تغييرات مقدار شاخص اريبي در اين ايستگاه 2- تا 2 درجه سانتيگراد تخمين زده شده است. با توجه به نتايج مدلهاي اقليمي در تخمين متوسط دماي هوا در ايستگاههاي تهران و اصفهان با برخورداري از شاخص اريبي 2/2 و 2/3 درجه سانتيگراد با اندکي بيشبرآوردي و در ايستگاه خوزستان (MBE برابر با 4/13 درجه سانتيگراد) با کمبرآوردي همراه بودهاند. براساس نتايج، عملکرد خروجي مدلهاي اقليمي گزارش ششم تغيير اقليم از نظر ميزان خطا و ميزان اريبي در تخمين متوسط دما هوا بهترتيب در بيش از 90 درصد از ايستگاههاي مورد مطالعه مناسب ارزيابي ميشود.
تغييرات شاخص خشکي تحت سناريوهاي مختلف اقليمي
در اين بخش از پژوهش، به بررسي تغييرات فصلي شاخص خشکي دومارتن تحت تاثير تغييرات اقليمي طي سه دوره آتي نسبت به دوره پايه پرداخته شده است (شکل 3). با توجه به تعداد بالاي ايستگاههاي مورد مطالعه، به ارائه نتايج هفت ايستگاه به نمايندگي از هر اقليم (مبتني بر نتايج بخش طبقهبندي اقليمي ايستگاهها) تحت دو سناريوي SSP2-4.5 و SSP5-8.5 اکتفا شده است. بررسي نتايج در ايستگاه يزد به نمايندگي از ايستگاههاي داراي اقليم خيليخشک حاکي از وجود روند کاهشي در مقدار شاخص دومارتن در فصلهاي پاييز و زمستان طي دورههاي آتي و تحت هر دو سناريوي اقليمي نسبت به دوره پايه ميباشد. چنانکه در فصل زمستان مقدار شاخص خشکي دومارتن در ايستگاه يزد حدود 0/6 تخمين زده شده است که طبق طبقهبندي اقليمي دومارتن حاکي از اقليم خشک ميباشد. اما کاهش مقدار شاخص خشکي منجر به تغيير اقليم اين منطقه به اقليم خيليخشک در فصل زمستان شده است. بيشترين و کمترين ميزان در کاهش مقدار شاخص خشکي در فصل زمستان در ايستگاه يزد برابر است با 8/43 و 5/24 درصد کاهش که بهترتيب به دوره دوم و دوره اول تحت سناريوي اقليمي SSP2-4.5 تعلق دارد. مشخص است که مقدار شاخص دومارتن در فصل تابستان هم در دوره پايه و هم در
|
|
|
|
دما | بارش |
شکل 2. تغييرات مکاني شاخصهاي MAE و MBE در شبيهسازي متغيرهاي جوي بارش و متوسط دماي هوا در دوره پايه
دورههاي آتي در حداقلِ مقدار خود يعني صفر که بيانگر اقليم خيليخشک است قرار دارد. با توجه به نتايج در فصل بهار شاخص خشکي با اندکي افزايش نسبت به دوره پايه همراه ميباشد که اين ميزان در تغيير نوع اقليم منطقه اثرگذار نيست. بيشترين ميزان افزايش شاخص خشکي در فصل بهار مربوط به دوره اول و تحت سناريوي اقليمي SSP2-4.5 ميباشد، (ميزان شاخص خشکي در اين حالت برابر است 17/1).
بررسي نتايج در ايستگاه اصفهان حاکي از کاهش قابلتوجه در مقدار شاخص دومارتن بهويژه در فصلهاي تابستان و پاييز ميباشد. بهطوريکه طبقهبندي اقليمي ايستگاه اصفهان در دوره پايه در فصلهاي تابستان و پاييز بهترتيب خشک و نيمهخشک بوده است، درحاليکه طي دورههاي آتي و تحت سناريوهاي اقليمي مقدار شاخص دومارتن به کمتر از 5 (اقليم خيليخشک) کاهش يافته است که با نتيجه معينزاده و همکاران (2019) نيز همخواني دارد؛ بهطوريکه اين محققين با بررسي اثر تغيير اقليم بر ايستگاههاي استان اصفهان تحت سناريوهاي اقليمي RCP نشان دادند که مقدار شاخص دومارتن در ايستگاه سينوپتيک اصفهان طي دورههاي آتي و تحت سناريوهاي اقليمي گزارش پنجم تغيير اقليم به سمت اقليم خيليخشک کاهش خواهد يافت. تغييرات مقدار شاخص خشکي در ايستگاه قزوين حاکي از کاهش شاخص دومارتن و تغيير وضعيت اقليمي منطقه به سمت نيمهخشک و خيليخشک در فصلهاي بهار تا پاييز و مرطوب در فصل زمستان دارد. درحاليکه در دوره پايه اقليم ايستگاه قزوين در فصلهاي بهار، پاييز و زمستان بهترتيب خشک، مديترانهاي و خيليمرطوب بوده است. در ايستگاه تهران در فصلهاي تابستان و پاييز همچنان روند کاهشي در مقدار شاخص خشکي مشهود است. درحاليکه در فصل بهار و زمستان چنين نميباشد. بررسي نتايج در ايستگاه ايلام حاکي از وجود روند کاهشي قابلتوجهي در مقدار شاخص خشکي دومارتن در فصل زمستان ميباشد. بهطوريکه بيشترين و کمترين مقدار کاهش در شاخص خشکي بهترتيب 6/46 و 7/25 درصد تخمين زده شده است و به دوره سوم (تحت سناريوي اقليمي SSP5-8.5) و دوره اول (تحت سناريوي اقليمي SSP2-4.5) تعلق دارد. روند تغييرات مقدار شاخص خشکي در ايستگاههاي واقع در اقليم مرطوب و خيليمرطوب همچون مازندران و گيلان نيز حاکي از کاهش قابلتوجهي در مقدار شاخص خشکي در فصلهاي بهار و پاييز ميباشد، بهطوريکه مقدار کاهش شاخص دومارتن منجر به ايجاد تغيير در طبقهي اقليمي در منطقه شده است. درحاليکه در فصلهاي بهار و زمستان ميزان کاهش در شاخص خشکي نسبت به دوره پايه و تحت سناريوهاي اقليمي SSP2-4.5 و SSP5-8.5 و طي دورههاي آتي کمتر از فصلهاي تابستان و پاييز تخمين زده شده است.
بهطورکلي مشخص است که تحت سناريوهاي اقليمي SSP2-4.5 و SSP5-8.5 در سه دوره آتي نسبت به دوره پايه، کاهش در مقدار شاخص خشکي و حرکت به سمت اقليمهاي خشک تا خيليخشک در بسياري از ايستگاههاي مورد مطالعه مشهود ميباشد. با توجه به نتايج، شدت اين تغييرات در فصول تابستان و پاييز بيش از بهار و زمستان پيشبيني ميشود که ميتواند از تأثيرات جدي بر کشاورزي ديم و آبي، تغيير در الگوي کشت، کاهش توليدات کشاورزي و درنهايت تهديدي براي امنيت غذايي کشور بهشمار رود. بنابراين تنظيم استراتژيهاي کشاورزي منطبق با شرايط اقليمي جديد، تامين منابع آبي پايدار و مديريت دقيق آب منابع آبي با هدف سازگاري با تغييرات اقليمي و کاهش خسارات ناشي از آن الزامي بنظر ميرسد.
تأثير تغييرات اقليمي بر صنايع
در اين بخش از پژوهش، براي بررسي تاثير تغييرات اقليمي بر صنايع، به بررسي پراکندگي تعداد کارگاههاي صنعتي بيش از ده نفر در استانهاي مختلف کشور و ميزان آب مصرفي سالانه اين صنايع پرداخته شده است. لازم بهذکر است که تعداد کارگاههاي صنعتي و ميزان آب مصرفي آنها براساس آماربرداري سازمان آمار کشور در سال 1400 ميباشد که در سايت سازمان آمار دردسترس قرار دارد (https://amar.org.ir/statistical-information). در شکل 4 تعداد کارگاههاي صنعتي با بيش از ده نفر شاغل و مقدار آب مصرفي سالانه توسط اين صنايع به تفکيک استانهاي مختلف ارائه شده است. با توجه به شکل 4 مشخص است که استانهاي اصفهان، فارس، تهران، البرز، آذربايجان شرقي و خراسان رضوي را ميتوان از قطبهاي صنعتي کشور دانست بهطوريکه تعداد کارگاههاي صنعتي در اين استانها بيش از 1250 عدد عنوان شده است. پس از استانهاي فوق، مازندران، قزوين، مرکزي، قم، سمنان، يزد با 750 تا 1250 کارگاه صنعتي در رتبه دوم قرار دارند. مشخص است که مصرف آب صنايع در اين استانها به مقدار قابلتوجهي بالاست؛ به عنوان مثال، در استانهاي آذربايجان شرقي، تهران، اصفهان، خوزستان، بوشهر، خراسان رضوي ميزان مصرف آب توسط صنايع در يک سال بيش از 62217790 مترمکعب تخمين زده شده است. نکته قابلتوجه بالا بودن ميزان مصرف صنايع در استانهاي خوزستان (750 کارگاه صنعتي) و بوشهر (199 کارگاه صنعتي) عليرغم تعداد کمتر صنايعِ موجود در اين دو استان ميباشد.
|
|
خشک | خيلي خشک |
|
|
مديترانهاي | نيمهخشک |
|
|
مرطوب | نيمهمرطوب |
|
|
| خيلي مرطوب |
شکل 3. تغييرات فصلي مقدار شاخص خشکي دومارتن تحت سناريوهاي اقليمي SSP2-4.5 و SSP5-8.5
در ايستگاههاي يزد، اصفهان، قزوين، تهران، ايلام، مازندران و گيلان بهعنوان نمونه
|
|
شکل 4. تعداد کارگاههاي صنعتي و ميزان مصرف آب توسط صنايع (آماربرداري سازمان آمار، 1400)
براي بررسي تاثير تغييرات اقليمي در آينده، متوسط سالانه مقدار شاخص دومارتن تحت سناريوهاي اقليمي SSP2-4.5 و SSP5-8.5 و در سه دوره آتي محاسبه و طبقهبندي اقليمي منطبق با جدول 1 به تفکيک استانهاي مختلف انجام شده است (شکل 5). با توجه به شکل مشاهده ميشود که در سه دوره زماني آتي استانهاي واقع در مرکز، جنوبشرق کشور و همچنين خوزستان در گروه اقليمي خيليخشک واقع شدهاند. با توجه به نتايج مشخص است که استانهاي يزد، خوزستان و سيستان و بلوچستان همچون دوره پايه تحت سناريوهاي اقليمي SSP2-4.5 و SSP5-8.5 و در سه دوره زماني آتي با برخورداري از شاخص خشکي کمتر از 5 و داراي اقليمي خيلي خشک ميباشند. در شکل 4 نشان داده شد که تعداد کارگاههاي صنعتي در اين استان بهترتيب 1144، 750 و 364 و ميزان مصرف آب صنايع در اين استانها بهترتيب 38167631، 284836735 و 6454720 مترمکعب ميباشد. علاوهبراين، استانهاي اصفهان، قم، سمنان، کرمان، هرمزگان در هر سه دوره آتي و تحت سناريوهاي اقليمي با کاهش مقدار شاخص خشکي به کمتر از 5 در اقليم خيليخشک قرار خواهند گرفت، درحاليکه در دوره پايه در اقليم خشک قرار داشتهاند. بررسي وضعيت صنايع در اين استانها حاکي از آن است که تعداد کارگاههاي صنعتي در استانهاي اصفهان، قم و سمنان نيز بيش از 750 و مصرف آب توسط صنايع نيز بالا ميباشد. با فرض ثابت بودن تعداد صنايع در دورههاي آتي، با توجه به بالا بودن تعداد صنايع در اين استانها و همچنين تغيير وضعيت اقليم آنها به سمت خيليخشک، ميتوان انتظار داشت که فعاليت صنايع در آنها در دورههاي آتي با مشکلاتي ناشي از کمبود آب مواجه شود. علاوهبراين، تغيير در شرايط اقليمي به شکل کاهش بارش يا افزايش دماي هوا ميتواند از نظر فيزيکي و روانشناختي در کارايي و بهرهوري نيروي کار موثر واقع شود، بهطوريکه گرم و خشک شدن شرايط اقليمي فعاليت انسانها را دشوار نموده و منجر به پايين آمدن تمرکز نيروي کار خواهد شد. از سوي ديگر، بالا بودن مصرف آب توسط صنايع در اين استانها ميتواند وضعيت منابع آبي در آنها را تحت تاثير قرار دهد و خود نيز يکي ديگر از علتهاي تشديد کمآبي در مناطق شود.
با توجه به شکل 5 مشخص است که با کاهش مقدار شاخص خشکي دومارتن تحت هر دو سناريوي اقليمي SSP2-4.5 و SSP5-8.5، شرايط اقليمي در استانهاي مازندران، گلستان، ايلام، چهارمحال و بختياري و فارس نيز به مديترانهاي، نيمهخشک، مديترانهاي، نيمهخشک و نيمهخشک تغيير يافته است. بهطورکلي براساس نتايج ميتوان چنين انتظار داشت که اقليم تعداد زيادي از ايستگاهها در دوره آينده به سمت خشکتر شدن پيش رود که اين اتفاق همراستا با نتايج تحقيقات بختياري و همکاران (2021) ميباشد. اين محققين با بررسي روند تغييرات شاخص خشکي (نسبت تبخير و تعرق به بارش) تحت دو سناريوي RCP4.5 و RCP8.5 در دوره 2020 تا 2050 نشان دادند که افزايش خشکي تحت سناريوهاي اقليمي در تعداد زيادي از ايستگاهها مشاهده ميشود. با توجه به وابستگي صنايع به آب و ميزان مصرف آب توسط صنايع که پيشتر مورد بررسي قرار گرفت، ميتوان چنين عنوان نمود که کاهش شديد منابع آبي در تعداد زيادي از استانهاي ايران در نتيجهي تغييرات اقليمي ميتواند فعاليت صنايع را نيز تحت تاثير قرار دهد، بنابراين انتظار ميرود که بهرهوري اقتصادي استانها نيز با کاهش روبرو شود.
| |
|
|
|
|
|
|
شکل 5. طبقهبندي شاخص خشکي دومارتن تحت سناريوهاي اقليمي SSP2-4.5 و SSP5-8.5 در دورههاي آتي و پايه
نتيجهگيري
از آنجاييکه بررسي دورههاي خشک و مرطوب تحت تاثير تغييرات اقليمي براي مديريت و برنامهريزي صحيح در بخشهاي مختلف جامعه با هدف کاهش پيامدهاي ناشي از تغيير اقليم ضروري بنظر ميرسد. پژوهش حاضر با هدف پايش و بررسي وضعيت خشکي براساس شاخص خشکي دومارتن تحت جديدترين سناريوهاي اقليمي شامل SSP2-4.5 و SSP5-8.5 در نمونههاي مختلف اقليمي در سراسر ايران به انجام رسيده است. براي اين منظور از دادههاي اقليمي مربوط به پنج GCM استفاده شده است. بررسي در دوره پايه طي سالهاي 1997 تا 2014 و پيشنگري طي سه دوره آتي از 2025 تا 2099 انجام شده است. نتايج در دوره پايه حاکي از عملکرد قابلقبول خروجي اقليمي در شبيهسازي بارش و دما در تعداد زيادي از ايستگاههاي مورد مطالعه ميباشد. بهطوريکه براساس شاخص MAE ميزان خطا در شبيهسازي بارش و دما بهترتيب در بيش از 75 و 90 درصد از ايستگاههاي مورد مطالعه قابلقبول ارزيابي ميشود. يافتههاي پژوهش در رابطه با تعيين طبقهبندي اقليمي ايستگاههاي مورد مطالعه برمبناي دادههاي مشاهداتي در دوره پايه نشان داد که بخش وسيعي از کشور (حدود 75 درصد از استانهاي مورد مطالعه) داراي اقليم نيمهخشک، خشک و خيلي خشک ميباشند. همچنين بررسي تغييرات فصلي و سالانه مقدار شاخص خشکي طي دورههاي آتي و تحت سناريوهاي مختلف حاکي از آن است که روند تغييرات اقليمي با خشکتر شدن شرايط آب و هوايي در تعداد زيادي از استانها همراه خواهد بود. با فرض ثابت بودن تعداد صنايع در دورههاي آتي، با توجه به بالا بودن تعداد کارگاههاي صنايع بيش از ده نفر در برخي از استانها همچون اصفهان، قم، سمنان و يزد و از سوي ديگر وابستگي کارگاههاي صنعتي مذکور به آب (با توجه به مصرف بالاي آب توسط کارگاهها)، انتظار ميرود که فعاليت و توليد کارگاههاي صنعتي در دورههاي آتي تحت تاثير قرار گيرد. از سوي ديگر، بالا بودن مصرف آب توسط کارگاههاي صنعتي در استانهاي با اقليم خشک تا خيليخشک ميتواند شرايط منابع آبي استانها را تحت تاثير قرار داده و بحرانيتر نمايد.
Reference:
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
يادداشتها3
[1] Spinonia
[2] Andrade
