Scenarios In Climate Change Impact Assessment on Monthly Stream-flow of Karun Basin

Subject Areas : environmental management

Mohammad Reza Khazaei ¹ , Hadis Khazaei ²

1 - Associate Professor, Department of Civil Engineering, Payame Noor University, I.R of IRAN
2 - M.Sc. Student, Technical and Engineering Faculty,Tehran Science and Research Branch, Islamic Azad University, Tehran, Iran.

Received: 2016-08-09 Accepted : 2016-11-05 Published : 2018-03-21

Keywords: monthly stream-flow, Uncertainty, Climate Change, Bashar River Basin,

Abstract :

Background and Objective: In this paper uncertainties of GCM’s structure and emission scenarios in climate change impact assessment on monthly stream-flow of Bashar River basins are investigated and compared. Method: stream-flow of the basin was simulated using a conceptual rainfall-runoff model. Climate scenarios simulated by 6 GCM under 3 emission scenarios for 2063-93 periods were downscaled using change factors method. Using these 18 future scenarios and observed climate data as inputs of the rainfall-runoff model, climate change impact on monthly stream-flow of the basin was assessed. Ranges of the results under various GCMs and emission scenarios were assessed and uncertainty of the GCMs and emission scenarios in the results were investigated. Results: In simulation of the monthly stream-flow of the basin, coefficient of determination (R2) reached values of 0.96 and 0.94 during calibration and validation, respectively. Under each of emission scenarios and GCMs it is projected that the amounts and annual cycle of the stream-flow will change. However, the amount and direction of the changes are different for various GCMs and emission scenarios. As instant, for September’s under various GCMs and emission scenarios the mean stream-flow may changes between 26% decrease to 123% increase. Conclusion: It is projected that climate change will have important impacts on the basin’s stream-flow. The uncertainty from GCM structure is larger than uncertainty from emission scenarios. However, the uncertainty from emission scenarios is significant, too, and cannot be ignored.

References:

 

Reference

1. Shiehbeigi, A., Abbaspour, M., Soltaniyeh, M., Hosseinzadeh, F., Abedi, Z., 2014. Evaluation of climate change and prediction of its impacts on efficiency and fuel consumption of thermal power plants in Iran in next decade. Journal of Environmental Science and Technology, Vol. 16, pp. 1-12. (In Persian)


2. Khoshmanesh zadeh, B., Poorhashemi, A., Soltanieh, M., Hermidas Bavand, D., 2016. Analyzing the Impacts of Climate Change on Human Rights. Journal of Environmental Science and Technology, Vol. 17, pp. 223-234. (In Persian)


3. IPCC, 2001. Impacts, Adaptation and Vulnerability. Contribution of Working Group II to the third assessment report of the Intergovernmental Panel on Climate Change. UK: Cambridge University Press.


4. Kay, A.L., Davies, H.N., Bell, V.A. and Jones, R.G., 2009. Comparison of uncertainty sources for climate change impacts: flood frequency in England. Climatic Change, Vol. 92, pp. 41-63.


5. IPCC, 2007. General Guidelines on the use of Scenario Data for Climate Impact and Adaptation Assessment, Cambridge University Press.


6. Rowell, D.P., 2006. A demonstration of the uncertainty in projections of UK climate change resulting from regional model formulation. Clim Change, Vol. 79, pp. 243–257


7. Wilby, R.L., Whitehead, P.G., Wade, A.J., Butterfield, D., Davis, R.J., Watts, G., 2006. Integrated modeling of climate change impacts on water resources and quality in a lowland catchment: River Kennet,UK. J Hydrol, Vol. 330, pp. 204–220


8. Wilby, R.L., Harris, I., 2006. A framework for assessing uncertainties in climate change impacts: low-flow scenarios for the River Thames, UK. Water Resour Res, Vol. 42, pp. W02419.


9. Cameron, D., 2006. An application of the UKCIP02 climate change scenarios to flood estimation by continuous simulation for a gauged catchment in the northeast of Scotland, UK (with uncertainty). J Hydrol, Vol. 328, pp. 212–226.


10. Serrat-Capdevila, A., Valdés, J.B., Pérez, J.G., Baird, K., Mata, L.J., Maddock, T., 2007. Modeling climate change impacts – and uncertainty –on the hydrology of a riparian system: The San Pedro Basin (Arizona/Sonora). Journal of Hydrology, Vol. 347, pp. 48– 66.


11. Graham LP, Andreasson J., Carlsson B., 2007a. Assessing climate change impacts on hydrology from an ensemble of regional climate models, model scales and linking methods—a case study on the Lule River basin. Clim Change, Vol 81, pp. 293–307.


12. Graham L.P., Hageman S., Jaun S., Beniston M., 2007b. On interpreting hydrological change from regional climate models. Climatic Change, Vol. 81, pp. 97–122.


13. Prudhomme, C., Davies, H.N., 2008. Assessing uncertainties in climate change impact analyses on river flow regimes in the UK. Part 2: future climate, Climate Change, Vol. 93, pp. 197-222.


14. Thompson, J.R., Laizé, C.L.R., Green, A.J., Acreman, M.C., Kingston, D.G., 2014. Climate change uncertainty in environmental flows for the Mekong River. Hydrological Sciences Journal, Vol. 59, pp. 935-954.


15. Tian, Y., Xu, Y.P., Booij, M.J., Cao, L., 2016. Impact assessment of multiple uncertainty sources on high flows under climate change. Hydrology Research, Vol. 47, pp. 61-74.


16. Kamal, A.R., Masah, A., 2012. The uncertainty assessment of AOGCM & Hydrological models for estimating Gharesu basin temperature, precipitation, and runoff under climate change impact, Iranian Water Researches Journal, Vol. 5, pp. 39-50. (In Persian)


17. Farajzadeh, M., Madani Larijani, K., Massah Bevani, A., Davtalab R., 2014. Climate change effects on reliability of water delivery in downstream of Karkheh river basin and its adaptation strategies. Journal of Water and Soil Resources Conservation, Vol. 3, pp. 49-63. (In Persian)


18. Khazaei, M.R., 2016, Estimation of joint uncertainties due to natural climate variability and emission scenarios in climate change assessment on precipitation and temperature in Zanjan. Journal of Environmental Science and Technology, In press. (In Persian)


19. Khazaei, M.R., Zahabiyoun, B., Saghafian, B., 2012. Assessment of climate change impact on floods using weather generator and continuous rainfall-runoff model. International Journal of Climatology, Vol. 32, pp. 1997-2006.


20. Khazaei, M.R., 2016. Climate change impact assessment on hydrological regimes of a mountainous river basin in Iran. Journal of Water and Soil Resources Conservation, Vol. 5, pp. 43-54. (In Persian)


21. Fowler, H.J., Blenkinsop, S., Tebaldi, C., 2007. Linking climate change modelling to impacts studies: recent advances in downscaling techniques for hydrological modelling. International Journal of Climatology, Vol. 27, pp. 1547-1578.


22. Todini, E., 1996. The ARNO rainfall-runoff model. Journal of Hydrology, Vol. 175, pp. 339-382.


23. Khazaei, M.R., Zahabiyoun, B., Saghafian, B., 2015. Daily Stream Flow Simulation in a Data-Poor Basin. Journal of Environmental Science and Technology, Vol. 17, pp. 77-90. (In Persian)


24. Nathan, R.J., McMahon, T.A., 1990. The SFB model part I- validation of fixed model parameters. Civil Engineering Transactions CE32 (3), pp. 157-161.


25. Boughton, W., Chiew, F., 2003. Calibrations of the AWBM for Use on Ungauged Catchments. Technical Report 03/15. CRC for Catchment Hydrology, Monash University, 37 pp.


26. Boughton, W., 2006. Calibrations of a daily rainfall-runoff model with poorquality data. Environmental Modelling and Software, Vol. 21, pp. 1114-1128.

 

 

 

 

 

 

 

علوم و تکنولوژی محیط زیست، دورهبیستم، شماره یک، بهار 97

                                                                

 

تحلیل عدم­قطعیت مدل­های GCM و سناریوهای انتشار در ارزیابی اثر

تغییراقلیم بر رواناب ماهانه حوضه بشار

 

محمد رضا خزائی*^[1]

[e-mail]

حدیث خزائی^[2]

 

تاریخ دریافت:19/5/95

تاریخ پذیرش:15/8/95

 

چکیده

زمینه و هدف: در این مقاله، بزرگی و اهمیت عدم­قطعیت­های ساختار مدل­های GCM و سناریوهای انتشار در نتایج ارزیابی اثر تغییر اقلیم بر جریان ماهانه حوضه­ی رودخانه­ی بشار بررسی و مقایسه شده است.

روش بررسی: جریان حوضه توسط یک مدل بارش-رواناب مفهومی به خوبی شبیه­سازی شد. سناریوهای اقلیمی دوره 93-2067 خروجی شش مدل GCM برای سه سناریوی انتشار گازهای گل­خانه­ای به روش عامل تغییرات ریز مقیاس شد. با ورود داده­های اقلیمی دوره پایه و هر یک از 18 سناریوی اقلیم آینده به مدل بارش-رواناب، اثر تغییر اقلیم بر جریان ماهانه­ی حوضه ارزیابی شد. با مقایسه دامنه­ی تغییرات نتایج تحت مدل­های GCM و سناریوهای انتشار مختلف، عدم­قطعیت آن­ها در نتایج بررسی و مقایسه شد.

یافته­ها: در شبیه­سازی جریان ماهانه ضریب تعیین (R²) در دوره­های واسنجی و اعتبارسنجی به ترتیب برابر 96/0 و 94/0 به دست آمد. تحت هر یک از سناریوهای انتشار و مدل­های GCM پیش­یابی می­شود جریان و رژیم فصلی رودخانه در اقلیم آینده تغییر کند. با وجود آن، هر یک از عدم­قطعیت­های ناشی از انتخاب مدل­های GCM و سناریوی انتشار در نتایج مهم است. به عنوان نمونه تحت سناریوهای انتشار و GCMهای مختلف میانگین جریان ماه دسامبر در آینده از 26% کاهش تا 123% افزایش یابد.

بحث و نتیجه­گیری: پیش­یابی می­شود که تغییر اقلیم اثر مهمی بر جریان حوضه داشته باشد. اگرچه عدم­قطعیت مدل­های GCM از عدم ­قطعیت سناریوی انتشار بزرگ­تر است، اما هیچ یک از این عدم­قطعیت­ها در تصمیم­گیری طرح­های آینده­ی حوضه قابل چشم­پوشی نیست.

واژه­های کلیدی: جریان ماهانه، عدم­قطعیت، تغییر اقلیم، حوضه بشار.

 

J.Env. Sci. Tech., Vol 20, No.1, Spring, 2018

 

Analysis of Uncertainties of GCMs Models and Emission Scenarios In Climate Change Impact Assessment on Monthly Stream-flow of Karun Basin

 

Mohammad Reza Khazaei[3]*

[e-mail]

Hadis Khazaei[4]

 

 

Date Received: August 9, 2016

Admission Date:November 5, 2016

 

Abstract

Background and Objective: In this paper uncertainties of GCM’s structure and emission scenarios in climate change impact assessment on monthly stream-flow of Bashar River basins are investigated and compared.

Method: stream-flow of the basin was simulated using a conceptual rainfall-runoff model. Climate scenarios simulated by 6 GCM under 3 emission scenarios for 2063-93 periods were downscaled using change factors method. Using these 18 future scenarios and observed climate data as inputs of the rainfall-runoff model, climate change impact on monthly stream-flow of the basin was assessed. Ranges of the results under various GCMs and emission scenarios were assessed and uncertainty of the GCMs and emission scenarios in the results were investigated.

Results: In simulation of the monthly stream-flow of the basin, coefficient of determination (R²) reached values of 0.96 and 0.94 during calibration and validation, respectively. Under each of emission scenarios and GCMs it is projected that the amounts and annual cycle of the stream-flow will change. However, the amount and direction of the changes are different for various GCMs and emission scenarios. As instant, for September’s under various GCMs and emission scenarios the mean stream-flow may changes between 26% decrease to 123% increase.

Conclusion: It is projected that climate change will have important impacts on the basin’s stream-flow. The uncertainty from GCM structure is larger than uncertainty from emission scenarios. However, the uncertainty from emission scenarios is significant, too, and cannot be ignored.

 

Key words: monthly stream-flow, uncertainty, climate change, Bashar River Basin.

 

 

مقدمه

تغییر اقلیم موجب تغییر ویژگی­های متغیرهای اقلیمی از جمله بارش و دما می­شود (1) و در نتیجه،­ ویژگی­های جریان رودخانه­ها نیز تغییر می­کند. چنین تغییراتی می­تواند تأثیر مهمی بر جوامع انسانی و محیط زیست در آینده داشته باشد (2). برای کسب آمادگی برای شرایط اقلیمی آینده و کاهش آثار زیان­بار آن، لازم است اثرات تغییر اقلیم در هر منطقه پیش­یابی شود. اما در حال حاضر نتایج مطالعات ارزیابی اثرات تغییر اقلیم هنوز با دشواری­ها و عدم­قطعیت­های زیادی همراه است و نمی­توان آثار تغییر اقلیم را به صورت قطعی برای یک منطقه تعیین کرد.

معتبرترین وسیله برای شبیه­سازی واکنش اقلیم جهانی به غلظت گازهای گل­خانه­ای، مدل­های جهانی اقلیم (General Climate Model (GCM)) هستند (3). این مدل­ها سناریوهای اقلیمی ( از جمله داده­های بارش و دما) آینده را برای سراسر کره زمین شبیه‌سازی می‌کنند. مدل­های ­GCM متعددی وجود دارد که در کشورهای مختلف در نقاط مختلف جهان تولید و اجرا شده­اند. به دلیل تفاوت ساختار این مدل­ها، عموما پیش­یابی­های آن­ها حتی برای یک سناریوی انتشار یکسان متفاوت است. در نتیجه از جمله­ی مهم­ترین عوامل عدم­قطعیت در پیش­یابی آثار تغییر اقلیم، تفاوت پیش­یابی مدل­های GCM مختلف است (4).

از دیگر عوامل عدم­قطعیت در نتایج پیش­یابی اقلیم آینده یک منطقه، عدم­قطعیت سناریوهای انتشار گازهای گل­خانه­ای در آینده می­باشد. میزان انتشار گازهای گل­خانه­ای در آینده به صورت قطعی معلوم نیست و سناریوهای مختلفی برای آن محتمل است. هیأت بین دول تغییر اقلیم (Intergovernmental Panel on Climate Change (IPCC)) چهل سناریوی مختلف را منتشر کرده است که در آن­ها انواع مختلفی از چگونگی انتشار گازهای گل­خانه‌ای وجود دارد. این سناریو‌ها دامنه وسیعی از تغییرات محتمل در آینده را در بر می­گیرد (5). علاوه بر این، عدم­قطعیت­های دیگری چون عدم­قطعیت روش­های کاهش مقیاس، عدم­قطعیت نوسانات اقلیمی و عدم­قطعیت ساختار مدل­های هیدرولوژیکی نیز در ارزیابی آثار هیدرولوژیکی تغییر اقلیم مطرح است. اما عدم­قطعیت مدل­های GCM و سناریوهای انتشار در همه مطالعات ارزیابی آثار تغییر اقلیم مشترک است.

اگرچه مطالعات بسیاری در مناطق مختلف جهان به ارزیابی آثار تغییر اقلیم بدون به حساب آوردن عدم­قطعیت­ها پرداخته­اند، اما این مطالعات عموما به لزوم در نظر گرفتن عدم­قطعیت­ها اذعان داشته­اند. درمطالعات محدودی به بررسی عدم­قطعیت­ها در ارزیابی آثار هیدرولوژیکی پرداخته شده است، که از آن جمله می­توان به موارد زیر اشاره کرد: روول (2006) عدم­قطعیت سناریوهای انتشار و مدل­های GCM را بر تغییر متغیرهای دما و بارش فصلی در انگلستان ارزیابی کرد. برای هر دو متغیر، عدم­قطعیت ساختار مدل­های GCM بزرگ­تر از سناریوهای انتشار بود (6). ویلبی و همکاران (2006) عدم­قطعیت­های مدل­های GCM و سناریوهای انتشار را در ارزیابی اثر تغییر اقلیم بر جریان روزانه را در یک حوضه در انگلستان بررسی کردند و مشاهده کردند که عدم­قطعیت ناشی از انتخاب مدل­های GCM بزرگ­تر از عدم­قطعیت سناریوی انتشار است (7). در مطالعه­ دیگری، ویلبی و هاریس (2006) برای آن­که منابع عدم­قطعیت بیش­تری را بررسی کنند، از چهار مدل GCM، دو سناریوی انتشار، دو روش کاهش مقیاس، دو مدل هیدرولوژیکی، و دو سری پارامتر مدل هیدرولوژیکی برای ارزیابی اثر تغییر اقلیم بر جریان­های کمینه در حوضه Thames استفاده کردند. ایشان نتیجه گرفتند که بیش­ترین عدم­قطعیت مربوط به انتخاب مدل GCM است (8). کامرون (2006) عدم­قطعیت مدل­های GCM، سناریوهای انتشار و نوسانات اقلیمی را در ارزیابی اثر تغییر اقلیم بر سیلاب­های یک حوضه در اسکاتلند بررسی کرد. وی نتیجه گرفت که لازم است بیش از یک مدل GCM در چنین مطالعاتی مورد استفاده قرار گیرد (9). سرات کاپدویلا و همکاران (2007) عدم­قطعیت مدل­های GCM و سناریوهای انتشار را در ارزیابی اثر تغییر اقلیم بر رژیم هیدرولوژیکی حوضه San Pedro در آمریکا بررسی کردند. این مطالعه با استفاده از 17 مدل GCM و 4 سناریوی انتشار در مقیاس سالانه انجام شد و چگونگی تغییرات فصلی جریان حوضه بررسی نشد (10). در مطالعه­ی دیگری گراهام و همکاران (2007) با استفاده از دو مدل GCM دو مدل RCM (که هر یک مربوط به یکی از دو مدل GCM مذکور بود) و دو سناریوی انتشار، عدم­قطعیت­ها را در نتایج اثر تغییر اقلیم بر جریان حوضه رودخانه Lule در سوئد ارزیابی کردند. ایشان نتیجه گرفتند که بزرگ­ترین عدم­قطعیت، مربوط به انتخاب مدل­GCM است (11و 12). پرادهوم و دیویس (2008) عدم­قطعیت­ها در ارزیابی اثر تغییر اقلیم بر جریان ماهانه را در چهار حوضه بررسی کردند. ایشان نتیجه گرفتند که عدم­قطعیت مدل­های GCM بزرگ­ترین منبع عدم­قطعیت است (13). کی و همکاران (2009) شش منبع عدم­قطعیت را در ارزیابی اثر تغییر اقلیم بر سیلاب­های دو حوضه در انگلستان بررسی کردند. نتایج نشان داد که عدم­قطعیت ساختار مدل­های GCM بزرگ­ترین عامل عدم­قطعیت است. ضمن آن­که عدم­قطعیت سناریوهای انتشار و پارامترهای مدل هیدرولوژیکی از کوچک­ترین عوامل عدم­قطعیت بود (4). تامپسون و همکاران (2014) عدم­قطعیت سناریوهای انتشار را در ارزیابی اثر تغیر اقلیم بر جریان 12 ایستگاه آبسنجی در جنوب شرق آسیا ارزیابی کردند. در این مطالعه از هفت مدل GCM استفاده شد و نتیجه­گیری شد که تفاوت بین نتایج GCMهای مختلف قابل توجه است. (14). تیان و همکاران (2016) دامنه­ی عدم­قطعیت­ها در ارزیابی  اثر تغییر اقلیم بر جریان­های حدی را در یک حوضه در چین بررسی کردند. ایشان از چهار سناریوی انتشار، سه مدل GCM و سه مدل هیدرولوژیکی استفاده کردند. ایشان بزرگی عدم­قطعیت­ها بر جریان­های حدی را به ترتیب نزولی ناشی از ساختار مدل­های هیدرولویکی، مدل­های GCM و سناریوهای انتشار یافتند (15).

کمال و مساح بوانی (1390) عدم­قطعیت­های مدل­های GCM و مدل­های هیدرولوژیکی را در ارزیابی اثر تغییر اقلیم بر رواناب حوضه قره­سو بررسی کردند. ایشان از 9 مدل GCM و دو مدل بارش-رواناب استفاده کردند. نتایج نشان داد که انتخاب مدل GCM از عدم­قطعیت بزرگی برخوردار است و لازم است در تصمیم گیری­ها در نظر گرفته شود (16). فرجزاده و همکاران (1393) در ارزیابی اثر تغییر اقلیم بر اطمینان­پذیری تأمین آب پایین دست سد کرخه، سه سناریوی انتشار A₂، A₁B، B₁ و 15 مدل GCM را دسته­بندی کردند و در نهایت از ترکیب 5 مدل-سناریوی انتشار استفاده کردند. ایشان پیش­یابی کردند که آبدهی حوضه در افق 2050 از 56% کاهش تا 34% افزایش داشته باشد (17).

با منظور نمودن عدم­قطعیت­ها، نتایج دامنه­ای از حالات محتمل آینده را در بر می­گیرد. این حالات محتمل گاهی بسیار متفاوت هستند. لذا لازم است در تصمیم­گیری­ها و اتخاذ تدابیر آمادگی با شرایط تغییر یافته آینده در نظر گرفته شوند. به دلیل محدودیت­هایی از جمله محدودیت دسترسی به داده­ها و هزینه­های محاسباتی، در نظر گرفتن همه عدم­قطعیت­ها در همه مطالعات ممکن نیست. لذا مقایسه کمی عدم­قطعیت­ ناشی از منابع مختلف اهمیت دارد. چنین مطالعه­ای علاوه بر ارایه نتایج مطمئن­تر، الگویی را برای تمرکز بر عدم­قطعیت­های مهم­تر در سایر مطالعات ارزیابی آثار تغییر اقلیم در آن منطقه فراهم می­کند.

نتایج مطالعاتی که عدم­قطعیت­ها را در ارزیابی آثار تغییر اقلیم بررسی کرده­اند، نشان داده است که تعدادی از عدم­قطعیت­ها را می­توان نادیده گرفت، اما بعضی از عدم­قطعیت­ها اثر مهمی بر نتایج دارند و لازم است که در ارزیابی اثر تغییر اقلیم بر جریان رودخانه مورد توجه قرار گیرند (5). البته نتایج در نقاط مختلف دنیا متفاوت است و عموماً نتایج مطالعات تغییر اقلیم در هر منطقه را نمی­توان به سایر مناطق تعمیم داد. به عنوان نمونه نتایج مقایسه عدم­­قطعیت­ها در مطالعات مختلف در اروپا و به ویژه در انگلستان حاکی از برتری قابل توجه اهمیت عدم­قطعیت مدل­های GCM و کوچک بودن عدم­قطعیت سناریوهای انتشار است (4، 8، 9، 11 و 12)؛ اما نتایج مطالعاتی در ایران حاکی از قابل توجه بودن عدم­قطعیت سناریوهای انتشار است (18 و 19).

مطابق بررسی نویسندگان این مقاله، پیش از این گزارشی از مقایسه کمی عدم­قطعیت­های سناریوهای انتشار و مدل­های GCM برای ایران منتشر نشده است. لذا در این تحقیق عدم­قطعیت­های ساختار مدل­های GCM و سناریوهای انتشار گازهای گل­خانه­ای در ارزیابی اثر تغییراقلیم بر جریان­های ماهانه حوضه رودخانه بشار بررسی شده است. این بررسی با استفاده از 18 سناریوی مختلف (حاصل از سه سناریوی انتشار و شش مدل GCM) انجام شده است. نتایج چنین پژوهشی علاوه بر آن­که اطلاعاتی با قابلیت اطمینان نسبتاً بالا در خصوص تغییر منابع آب­های سطحی حوضه در اختیار می­گذارد، به بررسی اهمیت دو منشاء اولیه و مهم عدم­قطعیت در نتایج ارزیابی آثار هیدرلوژیکی تغییر اقلیم در یک حوضه مهم در ایران می­پردازد.

 

2- روش تحقیق

2-1- مدل­های GCM و سناریوهای انتشار

برای ارزیابی عدم­قطعیت سناریوهای انتشار گازهای گل­خانه­ای، مطالعه تحت سه سناریوی A₂،B₁ و A₁B انجام شد. این سه سناریو به­ترتیب بیان­گر حالات بدبینانه، خوش­بینانه و بینابینی شرایط انتشار گازهای گل­خانه­ای هستند. لذا اغلب مدل­های GCM بر مبنای این سه سناریو که دامنه وسیعی از حالات ممکن انتشار گازهای گل­خانه­ای را در بر می­گیرند، اجرا شده­اند.

در مطالعات زیادی، پیش­یابی­های مدل­های GCM بزرگ­ترین عامل عدم­قطعیت در ارزیابی آثار تغییر اقلیم شناخته شده است (10). بنابراین در این مطالعه از همه مدل­های GCM در دسترس که شرایط استفاده در این مطالعه را داشته­اند استفاده شده است. داده­ها از سایت IPCC تهیه شده است. برای ارزیابی عدم­قطعیت مدل­های GCM، مدل­هایی انتخاب شده است که خروجی آن­ها در دوره هم­زمان با دوره مشاهداتی برای هر سه سناریوی انتشار و برای منطقه مورد مطالعه در دسترس باشد. بر این مبنا شش مدل GCM شامل BCM2.0، CGCM3T63، CSIROMK3.0، CSIROMK3.5، INMCM3.0 و MIROC3.2 مورد استفاده قرار گرفت. خروجی­های هر یک از این مدل­ها در مقیاس ماهانه برای دوره پایه 2000-1974 و سه سناریوی انتشار دوره آینده 93-2067 مورد استفاده قرار گرفت.

2-2- کاهش مقیاس سناریوهای اقلیمی

در این مطالعه کاهش مقیاس سناریوهای مدل­GCM به روش عامل تغییرات (Change Factors (CF)) انجام شد. روشCF، میانگین­های ماهانه­ی متغیرهای اقلیمی فعلی یک مکان را براساس سناریوهای تغییر اقلیم مدل­های GCM تغییر می­دهد و سناریوهای اقلیمی آینده را برای آن مکان­ تولید می­کند. در نتیجه در مطالعات ارزیابی تغییرات میانگین­ها و سیکل ماهانه متغیرها، روشی مناسب و ساده است. علاوه بر آن، داده­های موردنیاز این روش برای مدل­های GCM و سناریوه­های انتشار بیش­تری نسبت به سایر روش­های کاهش مقیاس در دسترس است. لذا این روش برای بررسی عدم­قطعیت­های مدل­های GCM و سناریوهای انتشار روشی مناسب است (20 و 21).

2-3- منطقه تحقیق و داده­ها

حوضه مورد مطالعه، حوضه رودخانه بشار، واقع در جنوب غربی ایران است. مساحت حوضه 2800 کیلومتر مربع است و ارتفاع متوسط آن 2277 متر از سطح دریا و محدوده­ی تغییرات آن از 1540 تا 4300 متر از سطح دریا است. از 27 سال داده­های بارش روزانه، دمای حداقل روزانه، و دمای حداکثر روزانه ایستگاه تبخیرسنجی یاسوج با کد 203-21 واقع در مرکز حوضه برای سال­های 2000-1974 و 8 سال داده­های با کیفیت جریان روزانه ایستگاه خروجی حوضه با کد 215-21 استفاده شد. داده­های 8 ساله­ی جریان به همراه داده­های هم دوره بارش و دمای حوضه، به دو دوره چهار ساله­ی مجزا تقسیم شد و از یک دوره چهار ساله برای واسنجی مدل هیدرولوژیکی و از دوره چهار ساله دیگر برای اعتبار سنجی مدل استفاده شد. تحقیقات پیشین استفاده از 2 تا 3 سال داده را برای واسنجی مدل ARNO کافی می‌دانند (22).

2-4- شبیه­سازی بارش-رواناب

جریان روزانه رودخانه توسط مدل مفومی بارش-رواناب ARNO شبیه­سازی شده است. داده­های مورد نیاز مدل، سری­های روزانه بارش، دما، و تبخیر و تعرق پتانسیل حوضه و مشخصات حوضه از جمله مساحت، کاربری اراضی و شیب متوسط است. داده­های تبخیر و  تعرق پتانسیل حوضه به روش هارگریوز- سامانی شبیه­سازی شده است. جزئیات این مدل توسط خزائی و همکاران (1394) و تودینی (1996) توصیف شده است (22 و 23).

برای ارزیابی عملکرد مدل، از معیار کارایی (Efficiency Coefficient (EC))، ضریب تعیین (R²)، خطای میانگین­ها (EV) و مقایسه گرافیکی هیدروگراف­ها استفاده شده است. ضریب تعیین مربع ضریب همبستگی است و معیار کارایی و خطای میانگین­ها به صورت زیر تعریف می‌شوند.

(1)
(2)

 

که در آن، جریان مشاهداتی گام زمانی i-ام،  جریان شبیه‌سازی شده گام زمانی i-ام، وو  به ترتیب میانگین جریان مشاهداتی و جریان شبیه­سازی شده در دوره شبیه‌سازی است.

 

3- نتایج و بحث

3-1- شبیه سازی بارش- رواناب

در جدول (1) نتایج عملکرد مدل بارش- رواناب برای شبیه‌سازی جریان ماهانه حوضه ارایه شده است. در مقیاس ماهانه، در دوره واسنجی ضریب تعیین (R²) برابر 96/0 و معیار کارایی (EC) برابر 96/0 به دست آمد. در دوره اعتبارسنجی نیز ضریب تعیین و معیار کارایی به ترتیب برابر 94/0 و 89/0 به دست آمد و قدر مطلق خطای شبیه­سازی میانگین (EV) در هر دو دوره کم­تر از 5 درصد بود.

در مقایسه با دیگر مطالعات، نادن و مک ماهو (1999) ، باقتون و چیو (2003) و باقتون (2006) معیار پذیرش عملکرد شبیه­سازی بارش-رواناب در مقیاس ماهانه را ضریب تعیین بزرگ­تر از 6/0 و خطای میانگین کوچک­تر از 10 درصد برگزیدند (25،24 و 26). فرجزاده و همکاران (1393) در شبیه­سازی جریان ماهانه چهار زیر حوضه کرخه، EC روزانه را بین 34/0 تا 52/0 به دست آوردند (17).

 

 

 

 

جدول 1- عملکرد مدل ARNO در شبیه‌سازی جریان ماهانه حوضه بشار

Table 1. Performance of the ARNO model in simulation of monthly stream-flow of the Bashar Basin

EV (%)	R2	EC	دوره
2/4-	96/0	96/0	واسنجی
6/4	94/0	89/0	اعتبارسنجی

 

در شکل­های (1) و (2) نیز هیدروگراف ماهانه مشاهداتی و شبیه­سازی شده به ترتیب در دوره واسنجی و اعتبارسنجی مقایسه شده است. که حاکی از تطابق قابل قبول جریان شبیه­سازی شده و جریان مشاهداتی است. نتایج حاکی از عملکرد بسیار مناسب مدل واسنجی شده است.

 

 

 

شکل 1- مقایسه هیدروگراف ماهانه مشاهداتی و شبیه­سازی شده در دوره واسنجی Figure 2. Comparison of simulated and observed hydrographs in calibration period	شکل 2- مقایسه هیدروگراف ماهانه مشاهداتی و شبیه­سازی شده در دوره اعتبارسنجی Figure 2. Comparison of simulated and observed hydrographs in validation period

 

 

 

3-2- بررسی عدم­قطعیت­ها در اثر تغییر اقلیم بر رواناب ماهانه

در جدول (2) عدم­قطعیت مدل­های GCM و سناریوهای انتشار توصیف شده است. برای تهیه این جدول، برای هر GCM تحت هر یک از سناریوهای انتشار (برای هر یک از 18سناریو)، درصد تغییرات جریان آینده نسبت به جریان دوره پایه محاسبه شد. برای هر ماه از سال، سناریوهای درصد تغییر جریان به صورت نزولی مرتب شد و حدود 90% بالا و پایین و میانه مقادیر تعیین شد. دامنه 90% سناریوها معادل عدم­قطعیت سناریوهای انتشار و مدل­های GCM در نتایج اثر تغییر اقلیم بر جریان ماهانه­ی حوضه، در سطح احتمال 90%  است.

همان­طورکه در جدول (2) ملاحظه می­شود، پیش­یابی می­شود تغییرات میانگین جریان آینده در ماه­های مختلف متفاوت باشد. ضمن آن­که نتایج در هر ماه به دلیل تفاوت GCMها و سناریوهای انتشار از عدم­قطعیت برخوردار است. به عنوان نمونه به اثر تغییر اقلیم بر جریان ماه دسامبر پرداخته می­شود که پیش­یابی می­شود میانگین ماهانه جریان آن در اقلیم آینده بیش­ترین افزایش را داشته باشد. بر اساس حد میانه مدل­های GCM مختلف و سناریوهای انتشار مختلف، انتظار می­رود میانگین جریان ماهانه اقلیم آینده در دسامبر 51 درصد نسبت به دوره پایه افزایش یابد؛ اما به دلیل عدم­قطعیت­های سناریوهای انتشار و مدل­های GCM، در سطح احتمال 90%میانگین جریان این ماه می­تواند بین 26 درصد کاهش تا 123 درصد افزایش داشته باشد. در مقابل پیش­یابی می­شود که بیش­ترین کاهش جریان در اقلیم تغییر یافته آینده در ماه مارس اتفاق بیفتد. برای این ماه حد میانه مدل­های GCM مختلف و سناریوهای انتشار مختلف، حاکی از کاهش 36 درصدی جریان اقلیم آینده نسبت به اقلیم دوره پایه است. البته در سطح اطمینان 90% به دلیل عدم­قطعیت­های سناریوهای انتشار و مدل­های GCM، کاهش جریان مارس ممکن است بین 12% تا  67% باشد. دامنه عدم­قطعیت­های مورد بررسی برای ماهای مختلف سال بین 149% برای دسامبر تا 16% برای اوت است. این نتایج حاکی از اهمیت عدم­قطعیت­های مدل­های GCM و سناریوهای انتشار در نتایج ارزیابی اثر تغییر اقلیم بر جریان حوضه­ی مورد مطالعه است. برای نمایش بهتر نتایج، در شکل (3) اثر تغییر اقلیم بر میانگین­های ماهانه­ی جریان حوضه نشان داده شده است. در این شکل میانه و حدود90% میانگین جریان اقلیم آینده (93-2067) تحت سناریوهای انتشار و مدل­های GCM مختلف با جریان دوره پایه (2000-1974) مقایسه شده است.

 

جدول 2- میانه و حدود 90% درصد تغییر میانگین جریان ماهانه آینده نسبت به دوره پایه تحت مدل­های GCM و سناریوهای انتشار مختلف(%)

Table 2. Median and 90% bounds for percentage change in stream-flow monthly means for future scenarios in comparison to historical condition under various GCMs and emission scenarios (%)

ژانویه	فوریه	مارس	آوریل	مه	ژوئن	ژوئیه	اوت	سپتامبر	اکتبر	نوامبر	دسامبر
26	18	-12	-7	7	2	2	1	5	19	106	123	حد 90% بالا
-44	-51	-67	-54	-38	-22	-16	-15	-14	-14	-31	-26	حد 90% پایین
70	69	56	47	45	24	18	16	19	33	138	149	دامنه تغییرات
-12	-31	-36	-34	-17	-12	-7	-7	-6	-7	29	51	میانه

 

در جدول (3) بزرگی هر یک از عدم­قطعیت­های مدل­های GCM و سناریوهای­ انتشار ارایه و مقایسه شده است. برای تعیین بزرگی عدم­قطعیت مدل­های GCM برای هر ماه از سال مراحل به شرح زیر است. برای هر سناریوی انتشار و هر GCM، درصد تغییر جریان آینده نسبت به دوره پایه محاسبه شده است. در دامنه 90% مقادیر، برای هر سناریوی انتشار، حدود بالا و پایین درصد تغییرات جریان GCM-های مختلف تعیین شده است. بزرگ­ترین اختلاف بیشینه و کمینه درصد تغییرات برای سناریوهای انتشار مختلف (گام قبل) تعیین شده است که مقادیر اخیر دامنه عدم قطعیت مدل­های GCM است. گام آخر به دلیل آن است که عدم قطعیت مدل­های GCM برای سناریوهای انتشار مختلف متفاوت است و به این روش بیش­ترین عدم قطعیت مدل­های GCM که تحت یک سناریوی انتشار رخ می­دهد تعیین می­شود. به روشی مشابه، بزرگی عدم­قطعیت سناریوهای انتشار تعیین شده است.

بزرگی دامنه عدم­قطعیت مدل­های GCM بین 10% تا 138% و بزرگی دامنه عدم­قطعیت سناریوهای انتشار بین 12% تا 85% برای ماه­های مختلف سال است. این نتایج نشان می­دهد که هر دو مورد انتخاب سناریوهای انتشار و انتخاب مدل GCM، منابع مهمی از عدم­قطعیت در نتایج هستند. بنابراین برای به کارگیری نتایج در طرح­های آینده، لازم است نتایج تحت مدل­های GCM مختلف و سناریوهای انتشار مختلف در اختیار تصمیم گیران قرار گیرد. 

 

 

جدول 3- مقایسه بزرگی دامنه هر یک از عدم­قطعیت­های انتخاب GCM و سناریوی انتشار در اثر تغییر اقلیم بر میانگین جریان ماهانه (%)

Table 3. Comparison of uncertainty magnitude due to GCM selection and because of emission scenario selection in climate change impact assessment on monthly stream-flow (%)

ژانویه	فوریه	مارس	آوریل	مه	ژوئن	ژوئیه	اوت	سپتامبر	اکتبر	نوامبر	دسامبر	منبع عدم­قطعیت
70	69	49	39	37	16	13	10	14	33	138	134	مدل­های GCM
53	41	35	47	38	22	15	14	12	17	81	85	سناریوهای انتشار

 

 

در جدول (4) و شکل (4) میانه و حدود90% میانگین جریان فصلی و سالانه اقلیم آینده (93-2067) تحت سناریوهای انتشار و مدل­های GCM مختلف با جریان دوره پایه (2000-1974) مقایسه شده است. در حد میانه مدل­های GCM و سناریوهای انتشار مختلف پیش­یابی می­شود که جریان فصل زمستان، بهار و تابستان به ترتیب 27%، 24% و 7% کاهش ­یابد و جریان فصل پاییز 38% افزایش یابد. اما به دلیل عدم­قطعیت سناریوهای انتشار و مدل­های GCM، در سطح اطمینان 90% پیش­یابی می­شود جریان در فصل زمستان بین 4% افزایش تا 57% کاهش، و جریان فصل بهار بین 2% تا 46% کاهش یابد. همچنین پیش­یابی می­شود جریان تابستان بین 2% افزایش تا 15% کاهش یابد و جریان فصل پاییز بین 89% افزایش تا 16% کاهش یابد. در مجموع پیش­یابی می­شود میانگین آورد سالانه­ی رودخانه در اقلیم آینده نسبت به اقلیم پایه از 47% کاهش تا 8% افزایش تغییر کند.

 

 

جدول 4- میانه و حدود 90% اثر تغییر اقلیم بر جریان سالانه و فصلی حوضه برای GCMها  و سناریوهای انتشار مختلف (%)

Table 4. Median and 90% bounds for future climate change impacts on seasonal and annual stream-flow means under various GCMs and emission scenarios (%)

زمستان	بهار	تابستان	پاییز	سالانه
-57	-46	-15	-16	-47	حد90%پایین
-27	-24	-7	38	-13	میانه
4	-2	2	89	8	حد90%بالا

 

 

شکل 3- میانه و حدود 90% اثر تغییر اقلیم بر جریان ماهانه حوضه	شکل 4- میانه و حدود 90% اثر تغییر اقلیم بر جریان سالانه و فصلی حوضه
Figure 3. Median and 90% bounds of climate change impacts on monthly stream-flow of the Basin	Figure 4. Median and 90% bounds of climate change impacts on annual and seasonal stream-flow of the Basin

 

 

نتیجه گیری

 

در این مطالعه با استفاده از پیش­یابی­های اقلیمی شش مدل GCM تحت سه سناریوی انتشار گازهای گل­خانه­ای اثر تغییر اقلیمی بر جریان­های ماهانه حوضه بشار ارزیابی شد. سناریوهای انتشار مورد استفاده سناریوهای A₂، A₁B و B₁ هستندکه به ترتیب بیان­گر حالات بدبینانه، بینابینی و خوش­بینانه­ی انتشار گازهای گل­خانه­ای هستند. از همه­ی مدل­های GCM که خروجی آن­ها برای هر سه سناریوی مورد نظر دردوره­ی هم­زمان با دوره مشاهداتی (2000-1974) و دوره آینده 2080 (93-2067) در دسترس بود، استفاده شد. به این ترتیب مدل­های GCM مورد استفاده شاملBCM2.0 ، CGCM3T63، CSIROMK3.0، CSIROMK3.5، INMCM3.0 و MIROC3 است. جریان ماهانه حوضه توسط یک مدل بارش رواناب مفهومی به خوبی شبیه­سازی شد. به گونه­ای که در شبیه­سازی جریان ماهانه ضریب تعیین (R²) و معیار کارایی (EC) در دوره واسنجی برابر 96/0 و در دوره اعتبارسنجی به ترتیب برابر 94/0 و 89/0 به دست آمد و خطای شبیه­سازی میانگین در هر یک از این دو دوره کم­تر از 5% بود. جریان برای اقلیم فعلی و هر یک از 18 سناریوی اقلیم آینده شبیه­سازی شد. همچنین اهمیت و دامنه­ی عدم­قطعیت­های مدل­های GCM و سناریوهای انتشار به صورت کمی بررسی و مقایسه شد. بنابر بررسی انجام شده، پیش از این چنین مقایسه­ای برای جریان حوضه­های آبریز ایران انجام نشده است. چنین مطالعه­ای با ارزیابی اثر تغییر اقلیم بر جریان ماهانه­ی حوضه تحت دامنه وسیعی از سناریوهای ممکن، اطلاعاتی با قابلیت اطمینان نسبتاً بالا در خصوص تغییر منابع آب­های سطحی حوضه کارون در اختیار تصمیم­گیران می­گذارد؛ علاوه بر آن مقایسه­ی اهمیت دو منبع اولیه و مهم عدم­قطعیت در نتایج ارزیابی آثار هیدرلوژیکی تغییر اقلیم، به مطالعات آتی برای شناخت و در نظر گرفتن عدم­قطعیت­های مهم در منطقه مورد مطالعه کمک می­کند.

با در نظر گرفتن 18 سناریوی تغییر اقلیم، نتایج نشان داد که مقادیر جریان ماهانه تحت هر سناریو تغییر می­کند. اما بزرگی و جهت تغییر بستگی به آن دارد که کدام سناریوی انتخاب شده است. به عنوان نمونه میانگین جریان آینده ماه دسامبر (که بیش­ترین دامنه عدم­قطعیت را دارد) در دامنه 90% سناریوها می­تواند از 26% کاهش تا 123% افزایش داشته باشد. در میانه­ی سناریوها پیش­یابی می­شود میانگین جریان این ماه 51% افزایش داشته باشد. این نتایج نشان می­هد که ارزیابی اثر تغییر اقلیم تحت یک یا چند سناریوهای محدود به نتایج نامطمئن و غیرکاربردی منجر شود. به عنوان خلاصه­ای از نتایج، در سطح اطمینان 90%، تحت سناریوهای مختلف پیش­یابی می­شود جریان فصل پاییز از 16% کاهش تا 89% افزایش یابد؛ جریان زمستان از 57% کاهش تا 4% افزایش یابد؛ جریان بهار از 2% تا 46% کاهش یابد؛ و جریان تابستان از 7% تا 15% کاهش یابد. در میانه سناریوها، پیش­یابی می­شود میانگین جریان در پاییز 38% افزایش و در زمستان، بهار و تابستان به­ترتیب 27%، 24% و 7% کاهش یابد. این موضوع حاکی از تغییر سیکل فصلی جریان حوضه است. ضمن آن­که در میانه­ی سناریوها، پیش­یابی می­شود میانگین جریان سالانه حوضه 13% کاهش یابد. حدود 90% تغییرات جریان سالانه بین 47% کاهش تا  8% افزایش است.

در مقایسه عدم­قطعیت­های مدل­های GCM و سناریوهای انتشار در پیش­یابی اثر تغییر اقلیم بر جریان حوضه، دامنه عدم­قطعیت مدل­های GCM از 10% (برای ماه اوت) تا 138% برای ماه نوامبر است. دامنه عدم­قطعیت سناریوهای انتشار از 12% (برای ماه سپتامبر) تا 85% برای ماه دسامبر است. اگر چه عدم­قطعیت ناشی از ساختار مدل­های GCM از عدم­قطعیت سناریوهای انتشار بیش­تر است، اما بزرگی هر یک از این عدم­قطعیت­ها­ در منطقه مورد مطالعه مهم و غیر قابل چشم پوشی است.

تشکر و قدردانی

این تحقیق با استفاده از اعتبارات دانشگاه پیام‌نور انجام شده است.

 

Reference

1. Shiehbeigi, A., Abbaspour, M., Soltaniyeh, M., Hosseinzadeh, F., Abedi, Z., 2014. Evaluation of climate change and prediction of its impacts on efficiency and fuel consumption of thermal power plants in Iran in next decade. Journal of Environmental Science and Technology, Vol. 16, pp. 1-12. (In Persian)


2. Khoshmanesh zadeh, B., Poorhashemi, A., Soltanieh, M., Hermidas Bavand, D., 2016. Analyzing the Impacts of Climate Change on Human Rights. Journal of Environmental Science and Technology, Vol. 17, pp. 223-234. (In Persian)


3. IPCC, 2001. Impacts, Adaptation and Vulnerability. Contribution of Working Group II to the third assessment report of the Intergovernmental Panel on Climate Change. UK: Cambridge University Press.


4. Kay, A.L., Davies, H.N., Bell, V.A. and Jones, R.G., 2009. Comparison of uncertainty sources for climate change impacts: flood frequency in England. Climatic Change, Vol. 92, pp. 41-63.


5. IPCC, 2007. General Guidelines on the use of Scenario Data for Climate Impact and Adaptation Assessment, Cambridge University Press.


6. Rowell, D.P., 2006. A demonstration of the uncertainty in projections of UK climate change resulting from regional model formulation. Clim Change, Vol. 79, pp. 243–257


7. Wilby, R.L., Whitehead, P.G., Wade, A.J., Butterfield, D., Davis, R.J., Watts, G., 2006. Integrated modeling of climate change impacts on water resources and quality in a lowland catchment: River Kennet,UK. J Hydrol, Vol. 330, pp. 204–220


8. Wilby, R.L., Harris, I., 2006. A framework for assessing uncertainties in climate change impacts: low-flow scenarios for the River Thames, UK. Water Resour Res, Vol. 42, pp. W02419.


9. Cameron, D., 2006. An application of the UKCIP02 climate change scenarios to flood estimation by continuous simulation for a gauged catchment in the northeast of Scotland, UK (with uncertainty). J Hydrol, Vol. 328, pp. 212–226.


10. Serrat-Capdevila, A., Valdés, J.B., Pérez, J.G., Baird, K., Mata, L.J., Maddock, T., 2007. Modeling climate change impacts – and uncertainty –on the hydrology of a riparian system: The San Pedro Basin (Arizona/Sonora). Journal of Hydrology, Vol. 347, pp. 48– 66.


11. Graham LP, Andreasson J., Carlsson B., 2007a. Assessing climate change impacts on hydrology from an ensemble of regional climate models, model scales and linking methods—a case study on the Lule River basin. Clim Change, Vol 81, pp. 293–307.


12. Graham L.P., Hageman S., Jaun S., Beniston M., 2007b. On interpreting hydrological change from regional climate models. Climatic Change, Vol. 81, pp. 97–122.


13. Prudhomme, C., Davies, H.N., 2008. Assessing uncertainties in climate change impact analyses on river flow regimes in the UK. Part 2: future climate, Climate Change, Vol. 93, pp. 197-222.


14. Thompson, J.R., Laizé, C.L.R., Green, A.J., Acreman, M.C., Kingston, D.G., 2014. Climate change uncertainty in environmental flows for the Mekong River. Hydrological Sciences Journal, Vol. 59, pp. 935-954.


15. Tian, Y., Xu, Y.P., Booij, M.J., Cao, L., 2016. Impact assessment of multiple uncertainty sources on high flows under climate change. Hydrology Research, Vol. 47, pp. 61-74.


16. Kamal, A.R., Masah, A., 2012. The uncertainty assessment of AOGCM & Hydrological models for estimating Gharesu basin temperature, precipitation, and runoff under climate change impact, Iranian Water Researches Journal, Vol. 5, pp. 39-50. (In Persian)


17. Farajzadeh, M., Madani Larijani, K., Massah Bevani, A., Davtalab R., 2014. Climate change effects on reliability of water delivery in downstream of Karkheh river basin and its adaptation strategies. Journal of Water and Soil Resources Conservation, Vol. 3, pp. 49-63. (In Persian)


18. Khazaei, M.R., 2016, Estimation of joint uncertainties due to natural climate variability and emission scenarios in climate change assessment on precipitation and temperature in Zanjan. Journal of Environmental Science and Technology, In press. (In Persian)


19. Khazaei, M.R., Zahabiyoun, B., Saghafian, B., 2012. Assessment of climate change impact on floods using weather generator and continuous rainfall-runoff model. International Journal of Climatology, Vol. 32, pp. 1997-2006.


20. Khazaei, M.R., 2016. Climate change impact assessment on hydrological regimes of a mountainous river basin in Iran. Journal of Water and Soil Resources Conservation, Vol. 5, pp. 43-54. (In Persian)


21. Fowler, H.J., Blenkinsop, S., Tebaldi, C., 2007. Linking climate change modelling to impacts studies: recent advances in downscaling techniques for hydrological modelling. International Journal of Climatology, Vol. 27, pp. 1547-1578.


22. Todini, E., 1996. The ARNO rainfall-runoff model. Journal of Hydrology, Vol. 175, pp. 339-382.


23. Khazaei, M.R., Zahabiyoun, B., Saghafian, B., 2015. Daily Stream Flow Simulation in a Data-Poor Basin. Journal of Environmental Science and Technology, Vol. 17, pp. 77-90. (In Persian)


24. Nathan, R.J., McMahon, T.A., 1990. The SFB model part I- validation of fixed model parameters. Civil Engineering Transactions CE32 (3), pp. 157-161.


25. Boughton, W., Chiew, F., 2003. Calibrations of the AWBM for Use on Ungauged Catchments. Technical Report 03/15. CRC for Catchment Hydrology, Monash University, 37 pp.


26. Boughton, W., 2006. Calibrations of a daily rainfall-runoff model with poorquality data. Environmental Modelling and Software, Vol. 21, pp. 1114-1128.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

---

[1]- استادیار، گروه مهندسی عمران، دانشگاه پیام نور، ایران^*(مسوول مکاتبات).

[2]- دانشجوی کارشناسی ارشد مهندسی عمران-آب، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران، تهران، ایران.

[3]- Associates Professor, Faculty of Civil Engineering, Payame Noor University, I.R of Iran. *(Corresponding author)

[4]- M.Sc. Student, Technical and Engineering Faculty,Tehran Science and Research Branch, Islamic Azad University, Tehran, Iran.