پیش‌یابی بارش‌های سیل‌آسا در شرایط تغییر اقلیم و تحلیل حساسیت نتایج به روش کاهش مقیاس

محورهای موضوعی : مدیریت آب در مزرعه با هدف بهبود شاخص های مدیریتی آبیاری

محمدرضا خزائی ¹ (استادیار، گروه مهندسی عمران، دانشگاه پیام نور، ایران)
رضا کاظمی ² (کارشناس ارشد، گروه مدیریت ساخت و آب، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران)

تاریخ دریافت : 1398/12/19 تاریخ پذیرش : 1399/05/05 تاریخ انتشار : 1399/08/01

کلید واژه: روش کاهش‌مقیاس, بارش‌ حدی, عدم قطعیت, تغییراقلیم,

چکیده مقاله :

در بسیاری از نقاط دنیا در آینده شدت و فراوانی بارش‌های سیل‌آسا در اثر تغییر اقلیم افزایش خواهد یافت. لذا لازم است چنین مطالعاتی بر اساس سناریوهای تغییر اقلیم بازنگری شوند. از ابزار‌های‌ کارآمد در چنین مطالعاتی، مدل‌های مولد داده‌های هواشناسی از جمله LARS-WG است. با آنکه GCMها تغییرات ویژگی‌‌های مختلف بارش را برای آینده پیش‌یابی می‌‌کنند، معمولاً در کاهش‌مقیاس توسط LARS-WG تنها تغییرات میانگین‌ها‌ی ماهانه اعمال می‌شود؛ و از تغییرات سایر مشخصات بارش چشم‌پوشی می‌شود. در این مقاله، ضمن ارزیابی اثر تغییر اقلیم بر بارش‌های سیل‌آسای گرگان و خرم‌آباد، نتایج روشی که تغییرات مشخصات مختلف بارش را در کاهش‌مقیاس اعمال می‌کند (روش کامل‌تر) با روش متداولی که تنها تغییرات میانگین‌ها را اعمال می‌کند (روش ساده‌تر) مقایسه شده است. برای اقلیم آینده از سناریوهای بارش مدل CanESM2 تحت سناریوهای انتشار RCP2.6، RCP4.5 و RCP8.5 در دوره 2065-2036 استفاده شد. نتایج نشان داد که برای ارزیابی اثر تغییر اقلیم بر بارش‌های سیل‌آسا، علاوه بر تغییرات میانگین‌ها، لازم است تغییرات سایر آماره‌ها نیز اعمال شود. زیرا تفاوت نتایج دو روش قابل توجه است. مثلا در گرگان برای سناریوهای انتشار مختلف، بارش‌های روزانه حداکثر سالانه‌ی با دوره بازگشت 15 سال در آینده نسبت به دوره تاریخی، طبق روش کامل‌تر بین 16 تا 21 درصد، اما طبق روش ساده‌تر، بین 37 تا 49 درصد افزایش می‌یابند. طیق روش کامل‌تر، شدت بارش‌های سیل‌آسای هر دو ایستگاه در آینده افزایش خواهد یافت. این افزایش برای دوره بازگشت 2 سال بین 23% تا 30% و برای دوره بازگشت 30 سال بین 25% تا 29% خواهد بود.

چکیده انگلیسی:

The frequency and intensity of extreme rainfalls will increase over many areas of the globe due to climate change. So, it is required to revise result of such studies based on the climate change scenarios. One of the most effective tools in such studies is Weather Generators, including LARS-WG. While GCMs predict future changes in the various characteristics of precipitation, usually in downscaling using LARS-WG, just changes of monthly averages are considered. In this paper, the future climate change impact on extreme precipitation in Gorgan and Khoramabad stations are assessed; while, the results of two methods of applying just change in averages (simple method) or applying changes in various characteristics of precipitation (complete method) in downscaling are compared. For future, CanESM2 outputs under RCP2.6, RCP4.5, and RCP8.5 scenarios for 2036-2065 period were used. The results showed that for climate change impact assessment on extreme rainfalls, additional to change in averages, change in other precipitation characteristics should be considered. Because the results of the two methods are different. In Gorgan, for example, the annual maximum daily rainfall with a return period of 15 years in the future will increase by 16 to 21 percent according to the more complete method, but between 37 and 49 percent according to the simpler method. Based on the complete, Intensity of the extreme rainfalls at both stations will increase in the future. This increase will be between 23% and 30% for the 2-year return period and between 25% and 29% for the 30-year return period.

منابع و مأخذ:

Agilan. V. and Umamahesh. N.V. 2016. Is the covariate based non-stationary rainfall IDF curve capable of encompassing future rainfall changes. Journal of Hydrology. 5(41): 1441-1455.

Askarizadeh. S. mozaffari. G. and  mazidy A. 2017. Projections of Variation in precipitation extreme values in Sabzevar by LARS-WG downscaling model during 2011-2030 to 2046-2065. 9(34): 3-82 (In Persian with English abstract).

Elshorbagy. A. Lindenas. K. and Azinfar. H. 2018. Risk-based quantification of the impact of climate change on storm water infrastructure. Water Science. 32: 102–114.

Goodarzi. E. Massah Bavani. A.R. Dastorani. M.T. and Talebi A. 2014. Evaluating effect of downscaling methods; change-factor and LARS-WG on surface runoff (A case study of Azam-Harat River basin, Iran). Desert. 19: 99-109.

Hosseinzadehtalaei. P. Tabari. H. and Willems. P. 2017. Uncertainty assessment for climate change impact on intense precipitation: how many model runs do we need? International Journal of Climatology. 37: 1105-1117.

IPCC. 2001. Climate change. 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.

IPCC. 2012. Managing the risks of extreme events and disasters to advance climate change adaptation, A Special Report of Working Groups I and II of the Intergovernmental Panel on Climate Change UK. Cambridge University Press.

Jahangir. M.H. Norozi. E. Yarahmadi. Y. 2016. Investigation of Climate Parameters’ Changes in Borujerd City in Next 20 Years through the Using HADCM3 Model. Ecohydrology. 5(4): 1345-1353. [Persian]

Kay, A. Davies. H. Bell. V. and Jones. R. 2009. Comparison of uncertainty sources for climate change impacts: flood frequency in England. Climatic Change. 92: 1–63.

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

Khoorani. A. and Jamali. J. 2016. Effects of Climate Change on Drought Duration and Severity in Arid and Semi-arid Stations (Bandarabbassand Shahrekord), Based on HADCM3 Model. Journal of Geography and Planning. 20(57): 115-131 (In Persian with English abstract).

Khosrovanian. j. Onagh. M. Guderzi, M. and Hejazi. S. 2015. Prediction of Climatic Parameters Using LARS-WG Model in Ghare-su Basin, Journal of Geograohy and Planning. 19(53): 93-115 (In Persian with English abstract).

Liu. T. Willems P. Pan. X.L. Bao. A.M. Chen. X. Veroustraete. F. and Dong. And Q.H. 2011. Climate change impact on water resource extremes in a headwater region of the Tarim basin in China. Hydrol. Earth Syst. Sci. 15: 3511–3527.

Mareuil. A. Leconte. R. Brissette. F. and Minville. M. 2007. Impacts of climate change on the frequency and severity of floods in the Chateauguay River basin, Canada. Canadian Journal of Civil Engineering. 34: 1048–1060.

Mullan. D. 2013. Soil erosion under the impacts of future climate change: Assessing the statistical significance of future changes and the potential on-site and off-site problems. CATENA. 109: 234-246.

Semenov. and M.A. and Stratonovitch P. 2010.  Use of multi-model ensembles from global climate model for assessment of climate change impacts. Climate Research. 41: 1-14.

Semenov. M.A. 2008. Simulation of extreme weather events by a stochastic weather generator, Climate Research. 35: 203-212.

Shahabul. M.D. and Elshorbagy. A. 2016. Quantification of the climate change-induced variation Intensity-DurationFrequency curves in Canadian Paris, Journal of Hydrology. 5(27): 990-1005.

Taye. M.T. and Willems. P. 2013 Influence of downscaling methods in projecting climate change impact on hydrological extremes of upper Blue Nile basin. Hydrology and Earth System Sciences & Discussions. 10: 7857-7896.

Teegavarapu. R.S.V. 2012. Floods in Changing Climate Extreme‌ Precipitation, UK: Cambridge University Press.

Utset, A. Martinez-cob. A. Farre. I. and Cavero J. 2006. Simulating the effects of extreme dry and wet years on the water use of flooding-irrigated maize in a Mediterranean landplane, Agricultural Water Management. 85: 77-84.