چشم‌انداز اثرات تغییر اقلیم بر خشکسالی بر اساس گزارش پنجم IPCC (مطالعه موردی شهر ایلام)

محورهای موضوعی : خشکسالی در هواشناسی و کشاورزی

هادی رمضانی اعتدالی ¹ , فریبا خدابخشی ² , الهه کنعانی ³

1 - دانشیار گروه علوم مهندسی آب، دانشگاه بین‌المللی امام خمینی (ره)، قزوین، ایران.
2 - دانشجوی دکتری گروه مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه بین‌المللی امام خمینی (ره)، قزوین، ایران.
3 - دانشجوی دکتری گروه مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه بین‌المللی امام خمینی (ره)، قزوین، ایران.

تاریخ دریافت : 1401/02/25 تاریخ پذیرش : 1401/05/07 تاریخ انتشار : 1401/07/01

کلید واژه: سناریوهای RCP, خشکسالی هواشناسی, مدل SDSM,

چکیده مقاله :

زمینه و هدف: فرایند تغییر اقلیم به‌ویژه تغییرات دما و بارش و تأثیر آن ها بر پدیده خشکسالی یکی از مهم‌ترین مسائل مطرح در قلمرو علوم محیطی است. مطالعه تغییرات اقلیمی و تأثیر آن برشدت و تواتر خشکسالی های دهه‌های آتی می‌تواند به برنامه‌ریزی جهت استفاده صحیح منابع آب و سازگاری با آثار مخرب پدیده خشکسالی کمک شایانی نماید. هدف از این مطالعه، بررسی اثرات تغییر اقلیم بر خشکسالی هواشناسی است. بدین منظور در پژوهش حاضر بر اساس روش کار ریزمقیاس گردانی SDSM بارش و دما طی دوره زمانی 2020-2100 با مدل بزرگ‌مقیاس CanESM2، پیش‌بینی و اثرات تغییر اقلیم بر خشکسالی هواشناسی استان ایلام با استفاده از دو شاخص SPI و RDI موردبررسی قرار گرفت.روش پژوهش: در این مطالعه، ابتدا داده های اقلیمی موردنیاز از طریق یکی از سایت‌های تولید داده گزارش پنجم به دست می آید. از 21 مدل CMIP5 جهت پیش‌بینی پارامترهای بارندگی و دمای متوسط در دوره آتی استفاده‌شده است. برای بررسی میزان عدم قطعیت ناشی از به‌کارگیری مدل های موردبررسی از روش وزن دهی میانگین های مشاهداتی استفاده شد. در ادامه با استفاده از مدل ریزمقیاس گردانی SDSM داده های هواشناسی تحت سه سناریوی RCP 4.5، RCP2.6 و RCP8.5 مدل جفت شده‌ی جوی- اقیانوسی CanESM2 تولید می شود. داده‌های تاریخی مدل از سال 1993 تا سال ۲۰۰۵ با به‌کارگیری داده‌های باز تحلیل NCEP برای واسنجی و طراحی روابط ریزمقیاس گردانی مورداستفاده قرار می‌گیرند و داده‌های سال ۲۰۰۶ تا ۲۱۰۰ نیز برای برآورد چشم‌انداز تغییرات اقلیمی دهه‌های آتی مورداستفاده قرار می‌گیرند. سری‌های زمانی SPI و RDI در سه مقیاس 3، ۶ و ۱۲ ماهه برای دوره تاریخی و آینده محاسبه شدند. مشخصه‌های شدت، مدت و فراوانی خشکسالی طبق تئوری ران با انتخاب سطح آستانه برای سری‌های زمانی SPI و RDI در مقیاس 3، ۶ و ۱۲ ماهه به دست آمد.یافته‌ها: بر طبق نتایج حاصل از بررسی عدم قطعیت مدل CanESM2 نسبت به سایر مدل ها بیشترین وزن را برای هردو متغیر دما و بارش به خود اختصاص داد. آنالیز وجود روند در داده‌های بارش و دما با آزمون نا پارامتری من - کندال نشان داد که دما در سناریو RCP8.5 دارای روند معنادار و مثبت (افزایشی) در سطح معناداری 01/0 است و بارش دارای روند کاهشی است. نتایج پایش خشکسالی نشان داد در دو شاخص SPI و RDI با افزایش مقیاس زمانی فراوانی دوره‌های خشک کاهش می‌یابد که این کاهش با افزایش شدت و مدت خشکسالی توأم است. شاخص RDI به دلیل در نظر گرفتن دمای متوسط در محاسبه دوره‌های خشک، مشخصه‌های خشکسالی را نسبت به SPI بالاتر نشان می‌دهد. بزرگ‌ترین خشکسالی در دوره تاریخی طبق شاخص SPI در مقیاس 12 ماهه دارای شدت 22/38-و مدت 26 ماه می‌باشد. بزرگ‌ترین خشکسالی در شاخص RDI در مقیاس ۱۲ ماهه دارای شدت 14/39- و مدت 26 ماه می‌باشد. منطقه مطالعاتی خشکسالی‌های شدیدتر و طولانی‌تری را در آینده طبق هر سه سناریو مدل گردش عمومی جو نسبت به دوره تاریخی تجربه خواهد کرد، به‌طوری‌که شدت خشکسالی‌های تولیدشده توسط سناریوهای RCP4.5 RCP2.6 و RCP8.5 بر اساس SPI ۱۲ ماهه به ترتیب 11، 52 و 65 درصد می‌باشد.نتایج: نتایج بررسی مدل SDSM و شاخص‌های خشکسالی SPI و RDI نشان داد که در شرایط اقلیمی آینده برای دوره زمانی 2020-2100 افزایش دما و کاهش بارندگی متحمل است. به‌طوری‌که دما 798/3 درجه سانتی‌گراد افزایش و بارش 8/6 درصد کاهش می‌باید. همچنین نتایج نشان داد منطقه مطالعاتی در آینده خشکسالی های شدیدتر و طولانی تری را نسبت به دوره تاریخی تحت هر سه سناریوهای RCP2.6، RCP4.5 و RCP8.5 تجربه می کند. با افزایش مقیاس زمانی SPI شدت و مدت خشکسالی افزایش‌ می‌یابد. شاخص RDI از مشابهت رفتاری بالایی با SPI برخوردار بوده، اما شاخص RDI حساس به تغییرات محیطی است و نتایج بهتری را ارائه می‌دهد.

چکیده انگلیسی:

Background and Aim: The process of climate change, especially the change in temperature and precipitation, and its effect on the drought phenomenon constitute the most important topic of discussion in environmental sciences. Studying climate change and its effect on the severity and frequency of droughts in the coming decades can considerably contribute to the planning for the proper use of water resources and adapting to the destructive effects of droughts. To this end, based on the SDSM microscale method, precipitation and temperature during the 2020-2100 period were predicted in the present study using the large-scale CanESM2 model, and the effects of climate change on the meteorological drought in Ilam Province were studied using the SPI and RDI indices.Method: In this study, the required climatic data are obtained through one of the data reporting sites of the IPCC AR5. Twenty one CMIP5 models have been used to predict Precipitation and temperature parameters in the future. The weighting method of observational means was used to investigate the uncertainty caused by using the studied models. Then, using the SDSM model, meteorological data are generated under three scenarios: RCP 2.6, RCP4.5 and RCP8.5 of the CanESM2 model. Model historical data from 1993 to 2005 will be used to analyze the SDSM model using NCEP re-analysis data, and data from 2006 to 2100 will be used to estimate future climate change. The SPI and RDI time series were calculated in three scales of 3, 6 and 12 months for the historical and future period. The intensity, duration and frequency of the drought, according to the run theory for the spi and RDI on scale 3, 6 and 12 months.Results: According to the results of the uncertainty analysis, the CanESM2 model had the highest weight compared to other models for both temperature and precipitation variables. Analysis of trend in precipitation and temperature data by non - parametric mann - kendall test showed that temperature in scenario rcp8.5 has a significant positive trend ( increasing ) at 0.01 and precipitation has decreasing trend. The results of drought monitoring showed that in both SPI and RDI indices, the frequency of dry period’s decreases with increasing time scale, which is accompanied by an increase in the severity and duration of drought. The RDI index shows higher drought characteristics than SPI due to considering the average temperature in calculating dry periods. The greatest drought in the historical period according to the SPI index on a 12-month scale has an intensity of 38.22 and a duration of 26 months. RDI index on a 12-month scale has an intensity of 39.14 and a duration of 26 months.The study area will experience more severe and longer droughts in the future according to all three scenarios than in the historical period. The severity of droughts produced by RCP4.5 RCP2.6 and RCP8.5 scenarios based on 12-month SPI is 11%, 52% and 65%.Conclusion: The results of the analysis with the SDSM model and the SPI and RDI drought indices indicated that in the future climatic conditions in the 2020-2100 period, an increase in temperature and a decrease in precipitation are probable. To wit, temperature rises by 3.798 C and precipitation decreases by 6.8%. The results also revealed that the study area will experience more severe and longer droughts in the future than in the historical period under all three RCP2.6, RCP4.5 and RCP8.5 scenarios. As the time scale of the drought index increases, the severity and duration of the drought increases. The RDI index has a high behavioral similarity to the SPI, but the RDI index is sensitive to environmental changes and provides better results.

منابع و مأخذ:

Ahmadvand Kahrizi M, Rouhani H. 2016. Assessing the conservation impacts of climate change based on temperature projected on 21 century (Case study: Arazkoseh and Nodeh stations). Journal of Echo Hydrology. 3 (4): 597-609. [In Persian].

Angledis, P.; F. Maris; N. Kotsovinos.: V. Hrissanthou. 2012. Computation of drought index SPIwith alternative distribution functions. Water resources management.

Ashofteh, P.S. and Massah, A.R., 2010. Impact of climate change uncertainty on temperature and precipitation of Aidoghmoush basin in 2040-2069 period. Soil and Water Science, 19.1(20), pp.85-98. [In Persian].

Ashofteh, P.S. and Massah, A.R., 2012. Investigation of AOGCM model uncertainty and emission scenarios of greenhouse gases impact on the basin runoff under climate change, case study: Gharanghu Basin, East Azerbaijan. Iran-Water Resources Research, 8(2), pp.36-47. [In Persian].

Aziziabadi Farahani M, Bakhtiari B, Ghaderi K, Rezapour M. 2016.  Investigating the Impact of Climate Change on Hardness-Drought Frequency Curves of Qarahsoo Basin Using Detailed Functions, Iranian Soil and Water Research. 4: 743-754. [In Persian].

Bahak, B. 2013. Investigating the likelihood of climate change in Kerman province using the Man Kendall method (A case study of Kerman station), Geographical Quarterly of the Territory, Year 10, No. 39. pp. 72-65.

Bazrafshan, A., and Mahmoudzadeh, F., and Asgarinejad, A., and Bazrafshan, J. 2019. Comparative comparison of SPI, RDI and SPEI indices in analyzing the trend of severity, duration and frequency of drought in arid and semi-arid regions of Iran. Engineering and Irrigation Sciences (Scientific Journal of Agriculture), 42 (3), 117-131. [In Persian].

Edossa, D.; M. Babel; A. Gupta. 2010. Drought analysis in the awash river basin, Ethiopia. Waterresources management, 24:1441-1460.

IPCC. 2013. Climate change 2013: the physical science basis. Contribution of Working Group I to the 5th Assessment Report of the Intergovernmental Panel on Climate Change, Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA.

Jahangir, M., & amrai, n., & Norozi, E. (2020). Predicting Variables Climate, Temperature and Precipitation by Multiple Linear the Model SDSM (Case Study: Tehran Synoptic Station) (Technical Report). JOURNAL OF WATERSHED MANAGEMENT RESEARCH, 11(21), 303-311. [In Persian].

Khalili A, Bazr Afshan J.2007. Evaluation of return period and drought duration risk using annual secular precipitation data in ancient stations of Iran. 2th conference on water resources management. Isfahan University of Technology. Science and natural resources. 15: 176-182. [In Persian].

Khan, M.S.; Coulibaly, P. and Dibike, Y. 2006. Uncertainty analysis of statistical downscaling methods, Journal of Hydrology, 6: 357-382.

Khorshiddoust A, sarraf B, ghermez cheshmeh B, jafarzadeh F.2017. Estimation and Analysis of Caspian Region's Future Rainfalls by Using General Atmospheric Circulation Models. Researches in Geographical Sciences. 17 (47): 213-226. [In Persian].

Koohi, M., Sanaeinejad, Sarh. And Amini, M. 2016. The effect of different methods for estimating reference evapotranspiration on the calculation of drought identification index in several climatic samples of Iran. Journal of Climatological Research, 25: 47-65. [In Persian].

Lee, S. H, Yoo, S. H., Choi, J. Y., Bae, S. 2017. Assessment of the Impact of Climate Change on Drought Characteristics in the Hwanghae Plain, North Korea Using Time Series SPI and SPEI: 1981-2100. MDPI 9(579): 1-19.

Lopes, P.M.D.A.G. 2008. Assessment of climate change statistical downscaling methods: Application and comparison of two statistical methods to a single site in Lisbon (Doctoral dissertation, FCTUNL).

McKee, T.B.; N.J. Doesken; J. Kliest. 1993. The relationship of drought frequency and durationto time scales. Proc. of the 8th Conference on Applied Climatology, American MeteorologicalSociety, Boston, 179-184.

Mishra, A. K., & Singh, V. P. (2011, April 6). A review of drought concepts. Journal of Hydrology.

Mohamadian, A., M. Kuohi, A. Adineh Baigi, S. J. Rasouli and B. Bazrafshan 2010. Comparison of monitoring of drought using SPI, DI and PNI and Zoning Them (Case study: Northern Khorasan Province). Journal of Water and Soil Conservation 17(1): 177-184. [In Persian].

Quiring, S. M. and T. N. Papakryiakou. 2003. An evaluation of agricultural drought indices for the Canadian prairies. Journal of Agricultural and Forest Meteorology 118(1-2): 49-62.

Raziei,T., Shokoohi, A., Ebadi, F. 2011. Identification of the best fitted probability distribution function on precipitation data in different climate regimes of Iran, to calculate Standardized precipitation index (SPI) at different time scales. The first National Conference on Drought and Climate Change [In Persian].

Rezaei M, Nehtani M, Abkar A, Rezaei M, Mirkazhi Rigi M. Performance Evaluation of Statistical Downscaling Model (SDSM) in Forecasting Temperature Indexes in Two Arid and Hyper Arid Regions (Case Study: Kerman and Bam). Journal of Watershed Management Research. 2015; 5 (10): 117-131. [In Persian].

Sheykh Rabiee, M., Peyrowan, H., Daneshkar Arasteh, P., Akbary, M., Motamedvaziri, B. (2022). Evaluating the efficiency of climate change models in simulating temperature and precipitation components (Case study of Karganrood watershed). Journal of Geography and Environmental Studies, 11(41), 123-142. [In Persian].

Shokoohi, A. (2012). Comparison of SPI and RDI in drought analysis in local scale with emphasizing on agricultural drought (Case study: Qazvin and Takestan). Irrigation and Water Engineering Volume 3, Issue 1 -Serial Number 9 Pages 111-122. [In Persian].

Stagge, J. H., Tallaksen, L. M., Gudmundsson, L. Van Loon, A. F. and Stahl, K. 2015a. Candidate distributions for climatological drought indices (SPI and SPEI). International Journal Climatology 35: 4027-4040

Tai S, Moradi S, Khodagholi M. 2014 Simulation and Prediction of Some Climatic Elements by SDSM Multiple Linear Model and Atmospheric Circulation Models (Case Study: Neishabour Watershed), Journal of Human and Environment. 28: 15-1. [In Persian].

Thilakarathne, M. and Sridhar, V. 2017. Characterization of future drought conditions in the Lower Mekong River Basin. Weather and Climate Extremes 17:47-58.

Torabi Tabatabai, F., and Shamsnia, S. 2019. Comparison of different methods for estimating potential evapotranspiration on the results of Drought Identification Index (RDI) in Tehran province. Water Resources Engineering, 12 (41), 31-48. [In Persian].

Tsakiris, G.; D. Pangalou; H. Vangelis. (2007). Regional drought assessment based onReconiassance Drought Index (RDI). Water resources management, 21:821-833.

Vrochidou, A.-E.K., Tsanis, I.K., Grillakis, M.G., Koutroulis, A.G., (2013),The impact of climate change on hydrometeorological droughts at a basin scale, Journal of Hydrology, Vol. 476 .290-301.

Wilby, R.L., Dawson, C.W., and Barrow, E.M. (2002). SDSM-A decision support tool for the assessment of regional climate change impacts. Environmental Modelling & Software 17 (2):147-159.

Yevejevich V. (1967) an objective approach to definition and investigation of continental hydrologic droughts. Hydrology paper 23. Colorado University Press. Fort Collins.

zoheyri Z, ghazavi R, omidvar E, Davudi_rad A. (2020)  Comparison of LARS-WG and SDSM Downscaling Models for Prediction Temperature and Precipitation Changes under RCP Scenarios. Arid Regions Geographic Studies. 10 (40):39-52. [In Persian].