نوع مقاله : مقاله پژوهشی
نویسندگان
1 دانشجوی مهندسی آبخیزداری، گروه آبخیز داری، دانشگاه تربیت مدرس.
2 دانشیار گروه مهندسی آبخیزداری دانشگاه تربیت مدرس *(مسئول مکاتبات).
3 استادیار مرکز تحقیقات کشاورزی و منابع طبیعی استان اصفهان.
چکیده
کلیدواژهها
فصلنامه انسان و محیط زیست، شماره 28، بهار 93
شبیهسازی و پیشبینی برخی از متغیرهای اقلیمی توسط مدل چندگانه خطی SDSM و مدلهای گردش عمومی جو(مطالعه موردی: حوزه آبخیز بار نیشابور)
سیاوش طائی سمیرمی[1]
حمید رضا مرادی[2]*
hrmoradi@modares.ac.ir
مرتضی خداقلی[3]
یکی از ضعفهای مدلهای GCM بزرگ بودن مقیاس مکانی متغیرهای اقلیمی شبیه سازی شده میباشد که در این صورت برای مطالعات هیدرولوژی و منابع آب در محدوده حوزههای آبخیز از دقت کافی برخوردار نیستند. بنابراین میبایستی آنها را توسط روشهای مختلف کوچک مقیاس نمود. سپس با استفاده از خروجیهای ریز مقیاس سازی شده این مدلها اثرات تغییر اقلیم در مطالعات هیدرولوژیکی مورد ارزیابی قرار گیرد. از بین روشهای ریزمقیاس سازی، روشهای آماری به واسطه عملکرد سریع و آسان بیشتر مورد توجه هیدرولوژیستها قرار میگیرند. در تحقیق حاضر مدل آماری (SDSM) در شبیه سازی و پیشبینی دمای بیشینه، کمینه و بارش در حوزه آبخیز بار نیشابور با استفاده از دو روش آماری و ترسیمی مورد ارزیابی قرار گرفت. برای اجرای مدل SDSM از خروجیهای مدل Hadcm3 و CGCM1 استفاده شد. دادههای روزانه دمای بیشینه، کمینه و بارش برای دوره پایه (2000-1970) تحت سه سناریو A1، A2 و B1 شبیه سازی گردید. نتایج هر سه سناریو عموماً حاکی از افزایش دما و کاهش بارش در منطقه مورد مطالعه میباشد. به عنوان مثال با توجه به نتایج پارامترهای آماری، سناریو A2(04/4 RMSE =،84/0R2 = ، 99/0 Nash =، 33/0 MAE =، و 24/0-= (PBIS مشاهده شد که خروجی های مدل Hadcm3 تحت سناریو A2 دارای تطابق بیشتری با دوره پایه بوده است. نتایج نشان داد که در دورههای 2039-2010، 2069-2040 و 2099-2070، دمای میانگین به ترتیب 01/0، 3/0 و 6/0؛ دمای متوسط کمینه 3/0، 5/0 و 4/1 و دمای متوسط بیشینه 7/0، 4/1 و 7/2 درجه سانتیگراد نسبت به دوره پایه در حوضه مورد مطالعه افزایش مییابد همچنین نتایج نشان داد که در سه دوره مورد مطالعه بارش متوسط به اندازه 6، 10 و 17 میلیمتر نسبت به دوره پایه کاهش مییابد.
کلمات کلیدی: مدلهای گردش عمومی جو، ریزمقیاس سازی آماری، تولید کننده آب و هوا، حوزه آبخیز بار نیشابور.
مقدمه
دمای سطح زمین از اواسط قرن 19 تا کنون روندی افزایشی داشته است. در این دوره، سه دهه اخیر گرمترین سالها را به خود اختصاص دادهاند. اطلاعات ثبت شده حاکی از آن است که از سال 1901 تا سال 2012 دمای سطح زمین و اقیانوسها به طور متوسط در حدود 89/0 درجه سانتیگراد افزایش یافته است (1). این روند افزایشی در دمای کره زمین و همچنین تغییر در خصوصیات فیزیکی جو اشاره به تغییرات آب و هوایی دارد. در صورتیکه اقدامات مناسبی در جهت کاهش اثرات تغییر اقلیم و سازگاری با آن صورت نگیرد این پدیده میتواند بخش عمدهای از جهان، از جمله کشاورزی، منابع آب و صنعت گردشگری را تحت تآًثیر قرار دهد. امروزه مدلهای گردش عمومی جو قویترین ابزار جهت تولید سناریوهای اقلیمی میباشند. خروجیهای این مدلها دارای دقت مکانی پاینی هستند. لذا در صورتی که خروجی این مدلها مستقیما به عنوان ورودی مدلهای هیدرولوژیکی قرار گیرد باعث افزایش عدم قطعیت میشود. هیدرولوژیستها برای ریز مقیاس سازی دادههای اقلیمی از بین روشهای ریزمقیاس سازی، بیشتر از مدلهای آماری استفاده میکنند ( 1-4). یکی از دلایل استفاده از این مدلها عملکرد سریع و آسان آنها نسبت به سایر روشها میباشد(5-8). از جمله مدلهای ریز مقیاس سازی آماری که امروزه مورد استفاده قرار میگیرد مدل میباشد SDSM میباشد (9-12).
Coulibalyو Dibike در سال (2005) با استفاده از سه مدل ANN[4]، SDSM[5] و LARS-WG[6] به ریز مقیاس سازی متغیرهای اقلیمی در کانادا پرداختند. نتایج نشان داد که مدل SDSM دارای دقت بالاتری در ریز مقیاس سازی متغیرهای اقلیمی دارد (8). Rajabi در سال 2010 به ارزیابی مدل SDSM در کرمانشاه پرداخت. نتایج حاکی از دقت بالای این مدل در ریز مقیاس سازی متغیرهای اقلیمی میباشد (13).
Hashm و همکاران در سال 2010، و Koch و Cherie در سال 2013 به مقایسه دو مدل آماری SDSM و LARS-WGپرداختند. نتایج نشان داد که هر دو مدل با دقت بالایی متغیرهای اقلیمی را شبیهسازی میکند (14 و 15). Tatsumi و همکاران در سال 2013، با استفاده از مدل SDSM به ریز مقیاس سازی دما در منطقه Shikoku پرداختند. نتایج نشان داد که در دوره 2099-2071 دما تحت بیشتر سناریوها نسبت به دوره پایه افزایش مییابد (16). Etemadi و همکاران در سال 2013 به بررسی عدم قطعیت دو مدل ریز مقیاس سازی LARS-WG و SDSM در تالاب چادگان ایران پرداختند نتایج حاکی از آن بود است که مدل LARS-WG عملکرد بالاتری در مدل سازی دادههای اقلیمی دارند (17). فرزانه در سال 1389 به بررسی عدم قطعیت مدل چندگانه خطی SDSM در حوزه آبخیز کارون شمالی پرداخت. نتایج حاکی از دقت بالای مدل در شبیه سازی متغیرهای اقلیمی در دوره پایه است (18). آقاشاهی و همکاران در سال 1391 به معرفی و مقایسه دو مدل SDSM و LARS-WG پرداختند. نتایج نشان داده که مدل SDSM دارای عدم قطعیت کمتری میباشند (19). با توجه به مطالعات فوق مشاهده میشود که مدل SDSM دارای دقت قابل قبولی در ریز مقیاس سازی دادههای اقلیمی میباشد و از طرف دیگر بیشتر مطالعات صورت گرفته در رابطه با ریز مقیاسسازی با استفاده از مدل SDSM محدود به یک یا دو دوره در طول قرن حاضر میباشد ولی تحقیق حاضر در نظر دارد که با استفاده از مدل SDSM برخی از متغیرهای اقلیمی حوضه آبخیز بار نیشابور را در طول دوره آماری بلند مدت 1971 تا 2099 مورد شبیه سازی و پیشبینی قرار دهد. با توجه به مطالعات صورت گرفته مشخص شد که مدلهای ریز مقیاس سازی در نقاط مختلف نتایج مختلفی ارائه داده اند لذا انجام مطالعات بیشتر در نقاط مختلف به منظور روشن شدن اثرات تغییر اقلیم ضروری میباشد. لزوم بهرهگیری از آمار طولانی مدت در مطالعات تغییر اقلیم ضروری است به همین سبب حوزه آبخیز بار به واسطه داشتن دوره آماری بلند مدت درجه حرارت و بارش جهت انجام این تحقیق انتخاب گردید.
مواد و روشها
محدودة مورد مطالعه حوزه آبخیز بار– اریه نیشابور میباشد. این حوضه به مساحت 11388 هکتار در جنوب غربی سلسله جبال بینالود قرار گرفته است (شکل 1). این منطقه در 82 کیلومتری شمال غربی مشهد واقع شده است. حوزه آبخیز مذکور در موقعیت "38 '27 °36 تا "32 '36 °36 عرض شمالی و "46 '40 °58 تا "31 '49 °58 طول شرقی قرار دارد. میانگین ارتفاع حوزه آبخیز 2226 متر، حداکثر ارتفاع حدود 2861 متر و حداقل ارتفاع در خروجی حوزة آبخیز و در محل ایستگاه هیدرومتری 1580 متر میباشد. محیط حوزه آبخیز 54 کیلومتری و شیب متوسط آن 9/11 درصد محاسبه گردیده است. میزان متوسط بارندگی سالانه آن 4/330 میلیمتر و حداکثر بارش 24 ساعته آن 8/31 میلیمتر گزارش شده است (20).
شکل 1- موقعیت سیمای کلّی حوزة آبخیز بار در استان خراسان رضوی وکشور
اطلاعاتی که برای انجام این تحقیق مورد استفاده قرار گرفت میتوان به دادههای بارش و درجه حرارت میانگین، بیشینه و کمینه اشاره کرد. این اطلاعات از ایستگاههای موجود در حوضه و نزدیک حوضه تهیه شدند که مشخصات آنها در در جدول 1 آورده شده است.
جدول 1- مشخصات ایستگاههای مورد استفاده
ردیف |
نام ایستگاه |
نوع |
عرض |
طول |
سال تاسیس |
ارتفاع از سطح دریا (متر) |
1 |
بار- اریه |
کلیماتولوژی |
'29°36 |
'42 °58 |
1329 |
1520 |
2 |
کارخانه قند |
باران سنجی |
'17 °36 |
'66 °58 |
1365 |
1074 |
3 |
ماروسک |
باران سنجی |
'8 °36 |
'22 °58 |
1369 |
1900 |
سپس از جمع آوری اطلاعات مورد نیاز، صحت دادهها در محیط نرم افزار SPSS بررسی شد. در این تحقیق جهت رفع نواقص آماری از روش همبستگی بین ایستگاهها استفاده شد.
در این تحقیق به منظور تعیین مدل GCM[7] و سناریو مناسب که شرایطی مشابه با شرایط حوضه داشته باشد، مدلهای Hadcm3[8] و CGCM1[9] تحت سناریوهایA1 ، A2 وB2 برای حوزه آبخیز بار مورد بررسی قرار گرفت. هر یک از سناریوهای فوق شرایطی از اقلیم آینده را در اختیار کاربر قرار میدهد. به عنوان مثال سناریو A1 بر اساس نوع تکنولوژی مورد استفاده در قرن ٢۱ در نظر گرفته شده است. سناریوی :A2 جهان به صورت ناهمگون با رشد مداوم جمعیت و رشد اقتصادی منطقهای که بسیار پراکنده و کندتر از بقیه سناریوها میباشد توصیف شده است. سناریوی B1: وضعیت جمعیت در این سناریو مانند سناریو A1 میباشد با این تفاوت که تأکید در این سناریو بیشتر در استفاده از انرژیهای پاک و محیط زیست میباشد. در این خانواده بر پایداری اقتصادی محیط زیست و اقتصاد در سطح جهانی تأکید دارد (21).
دقت مدلهایHadcm3 و CGCM1 در ارزیابی اثرات تغییر اقلیم بر روی منابع آب در بسیاری از مطالعات به اثبات رسیده است (18، 20 و22). بدین ترتیب ابتدا هر دو مدل تحت سناریوهای مختلف، بر اساس پارامترهای آماری مورد ارزیابی قرار گرفت. سپس مدل و سناریویی که از دقت آماری بالاتری در منطقه مورد مطالعه برخوردار بود، به عنوان مدل و سناریو یی که با شرایط حوضه مورد مطالعه شباهت بیشتری دارد (دقت آماری بالاتر) انتخاب گردید.
در نهایت به منظور انتخاب مدل گردش عمومیجو و سناریو مناسب دادههای ریز مقیاس سازی شده توسط مدل با دادههای مشاهداتی مورد ارزیابی قرار گرفتند. جهت بررسی عملکرد مدلها و مقایسه آنها از دو روش ترسیمی و معیارهای آماری مرسوم RMSE[10], MAE[11], NSE[12], PBISE[13] و [14]R2 استفاده گردید. این معیارها بر اساس روابط 1 تا 5 محاسبه میشوند (23) .
(1) |
|
(2) |
|
(3) |
|
(4) |
|
(5) |
که در آن: Oi دادههای مشاهداتی، Siدادههای برآورد شده، Ōو S میانگین دادههای مشاهداتی و برآورد شده، σ واریانس میباشد. مقادیر RMSE و MAE معرف دقت در بسیاری از روشهای آماری میباشد. هر چه این مقادیر به صفر نزدیکتر باشد نشان دهنده دقت بالای مدل و مقدار صفر، نشان دهنده عدم وجود خطا در بـرآورد مدل است. R2 بیانگــر ارتباط دادههای مشاهداتی و برآورد شده میباشد. دامنه این پارامتر بین 0 تا 1 است هرچه این مقدار به 1 نزدیکتر باشد نشان دهنده ارتباط قوی بین دو گروه میباشد. دامنه ضریب NSE بین -∞ تا 1 میباشد دامنه بین 0 تا 1 قابل قبول و بهترین حالت زمانی است که ضریب NSE برابر1 باشد. PBISE هر چه به صفر نزدیکتر باشد نشاندهنده دقت بالاتر مدل در برآورد متغیر مورد نظر میباشد. در صورتیکه مقدار این پارامتر به سمت مثبت میل کند نشان دهنده این است که متغیر مورد بررسی بسیارکمتر از مقدار واقعی برآورد شده است. اگر این پارامتر به سمت منفی میل کند نشان میدهد که پارامتر مورد نظر مقدار متغیر را بسیار بیشتر از مقدار واقعی برآورد کرده است. قابل ذکر است که برای این پارامتر آستانه خاصی در نظر گرفته نشده است (23).
مـدلSDSM ، متغیـرهــای پیشبینــی شـونـده [15]NCEP و GCM را کالیبره و آنالیز مینماید. SDSM یک روش نمونه برداری مجدد شرطی و دو مرحلهای است (24). این روش ابتدا متغیر پیش بینی کننده (مانند دما و بارش) را با استفاده از روشهای رگرسیونی ترکیبی و یک روش مولد هواشناسی تصادفی[16] کوچک مقیاس کرده و در مرحله بعد بارش در محل ایستگاه مجدداً تولید میگردد. در واقع SDSM ترکیبی از روش مولد هواشناسی آماری و توابع تغییر شکل یافته است. نرم افزار SDSM کوچک مقیاس کردن آماری متغیرهای اقلیمی روزانه را تحت مراحل زیر انجام میدهد:
1- کنترل کیفیت دادهها و تغییرشکل دادهها؛ 2- انتخاب بهترین متغیرهای پیشبینی کننده؛ 3- کالیبره کردن مدل؛ 4- تولید مدل هواشناسی (با استفاده از پیش بینی کننده مشاهدهای)؛ 5- آنالیز آماری؛ 6- خروجی گرافیکی مدل؛ 7- تولید سناریو اقلیمی ( با استفاده از پیشبینی کنندههای اقلیمی مدل)؛ تمامی مراحل بالا توسط گزینههای تعبیه شده در محیط نرم افزار SDSM انجام میگیرد.
نتایج و بحث
در این قسمت با استفاده از پارامترهای بزرگ مقیاس مشاهداتی NCEP[18] و نرم افزار SDSM به انتخاب پیشبینی کنندههای منتخب پارامترهای اقلیمی مورد نیاز پرداخته شد. بدین منظور، از بین 26 پارامتر بزرگ مقیاس NCEP و توابع مختلف آنها، 12 پارامتر نهایی بزرگ مقیاس، برای متغیرهای اقلیمی مورد نظر انتخاب گردید. نتایج پیشبینی کنندههای منتخب نهایی در جدول 2 ارائه شده است.
جدول 2- پیشبینی کنندههای منتخب جهت کوچک مقیاس کردن آماری دما و بارش روزانه ایستگاه بار
متغیر |
پیشبینی کنندههای منتخب |
پیشبینی کنندههای منتخب |
Pvalue |
همبستگی جزئی |
بارش |
500hPa Wind Direction 850hPa Wind Direction Mean Temperature at 2m |
جهت باد در hpa500 جهت باد در hpa850 میانگین دما در ارتفاع 2 متری |
01/0 04/0 02/0 |
07/0 06/0 06/0
|
دما متوسط |
Mean Sea Level Pressure 850hPa Zonal Velocity 850hPa Geopotential |
فشار متوسط سطح دریا سرعت مداری در hpa850 ژئو پتانسیل hpa850
|
00/0 00/0 00/0 |
75/0 50/0 46/0 |
دمای بیشینه |
Mean Sea Level Pressure 850hPaMeridiona Velocity Near surface relative humidity |
فشار متوسط سطح دریا سرعت نصف النهاری در hpa 850 رطوبت نسبی سطحی |
00/0 01/0 00/0 |
63/0 49/0 51/0 |
دمای کمینه |
Mean Sea Level Pressure Mean Temperature at 2m Surface Wind Direction |
فشار متوسط سطح دریا میانگین دما در ارتفاع 2 متری جهت باد سطحی |
00/0 00/0 03/0 |
73/0 54/0 7/0 |
با توجه به نتایج جدول (2) مشخص شد که دادههای درجه حرارت همبستگی بهتری با دادههای مشاهداتی (در قیاس با دادههای بارندگی) داشتهاند که با نتایج تحقیقات (18 و 26) مطابقت دارد. این بدان علت است که تغییر پذیری دما نسبت به بارندگی کمتر است و دما یک متغیر پیوسته میباشد که کمتر تحت تاثیر بی هنجاریهای زمانی قرار میگیرد. در حالیکه بارش تحت تاثیر عوامل مختلفی در حوضه قرار میگیرد. از سوی دیگر، بارندگی یک پارامتر گسسته است.
در این بخش با بررسی و مقایسه دادههای مشاهداتی متوسط 30 ساله دما و بارندگی در دوره پایه 1971 تا 2000 با دادههای شبیه سازی شده دما و بارندگی GCM ها، مدل و سناریویی که از دقت آماری بالاتری برخوردار بود، معرفی گردید. همانطور که توضیح داده شد در این تحقیق برای ارزیابی مدل از دو روش ترسیمی و پارامترهای آماری استفاده شد. در شکل 2 نتایج حاصل از ارزیابی مدل به روش ترسیمی ارائه شده است.
|
شکل2- نتایج حاصل از مقادیر شبیهسازی شده و مقادیر مشاهدهای (2000-1971)
با توجه به نتایج شکل 2 مشخص شد که سناریو A2 تطابق بیشتری با شرایط اقلیمی دوره پایه دارد. تحقیقات متعدد نشان میدهند که این سناریو به واقعیت تولید گازهای گلخانهای نزدیکتر بوده و سناریوی واقعیتر و نرمالتری ارائه میدهد و سناریوهای دیگر مقداری خوشبینانه هستند (24). برای روشن شدن توانمندی مدل، علاوه بر روش ترسیمی از معیارهای آماری (RMSE , MAE ,NAE, PBISE و R2) نیز استفاده شد. نتایج حاصل از ارزیابی مدل با استفاده از معیارهای آماری در جدول 3 ارائه شده است.
بارندگی |
دما |
GCM
|
|||||||||
PBIS |
MAE |
Nash |
R2 |
RMSE |
PBIS |
MAE |
Nash |
R2 |
RMSE |
||
23- |
23/0 |
-32/0 |
01/0 |
11/4 |
-78/0 |
1/0 |
94/0 |
82/0 |
20/4 |
سناریو B2 |
Hadcm3
|
44/9 |
83/0 |
01/0 |
02/0 |
56/3 |
-24/0 |
33/0 |
99/0 |
84/0 |
04/4 |
سناریو A2 |
|
-44/0 |
35/0 |
-45/0 |
09/0 |
13/4 |
-51/0 |
06/0 |
79/0 |
73/0 |
52/4 |
سناریو A1 |
CGCM1 |
جدول 3- معیارهای عملکرد GCM های مختلف در مقایسه با مقادیر مشاهداتی
نتایج حاصل از ریز مقیاس سازی مدل SDSM نشان داد که در بین مدلهای Hadcm3 و CGCM1 و سناریوهای A1,A2 و B2 مدل Hadcm3 تحت سناریوی A2 دقت آماری بالاتری (جدول 3) در تولید دادههای اقلیمی دارد. در ادامه با استناد به خروجیهای سناریو A2 متغیرهای مورد نظر برای سه دوره 30 ساله آتی پیشبینی گردیدند. نتایج حاصل از مقادیر پیشبینی شده و مشاهداتی در شکل 3 ارائه شده است.
شکل3- نتایج حاصل از مقادیر مشاهداتی و پیشبینی شده تحت سناریوA2 و مدل Hadcm3 برای دورههای آتی
پس از پیشبینی دمای متوسط، کمینه، بیشینه و بارش برای دورههای 2039-2010، 2069-2040، 2099-2070، اقدام به مقایسه مقایر پیشبینی شده با مقادیر مشاهداتی شد. شکل4 نتایج حاصل از تغییرات متغیرهای مورد بررسی را نسبت به مبنا (دوره پایه) نشان میدهد.
با توجه به شکل 3 مشخص میشود بارش ماهانه منطقه عموماً در طول قرن 21 کاهش پیدا میکند. دلیل کاهش بارندگی در طول قرن 21 را میتوان افزایش روند گرمایی در سطح زمین دانست. طبق گزارش آکادمی علوم روسیه، افزایش دما در سیبری باعث ذوب شدن برف و یخها شده که این امر باعث افزایش آبدهی رودخانهها در سیبری گردیده است. شرایط اقلیمی در ایران عموماً نمیتواند از این تحولات بی تأثیر باشد؛ چرا که یکی از تودههای اصلی ورودی به ایران از منطقه سیبری نشأت میگیرد. بر اساس نتایج حاصله از تحقیقات اخیر، روند گرمایی در سطح زمین افزایشی است که در این صورت با افزایش دما چون سامانههای کمفشار دینامیک بهدلیل نیاز آنها به وجود هوای سرد تضعیف میگردند لذا این سامانهها وقتی به منطقه ما وارد میشوند از طرفی دارای شرایط ناپایداری کمتری بوده و لذا بارش کمتری در منطقه ریزش میکند و از سوی دیگر به علت تضعیف شدن، به عرضهای شمالیتر کشیده میشوند (که دارای هوای سردتر هستند) در نتیجه منطقه مورد مطالعه تحت تأثیر تعداد چرخند کمتری قرار میگیرد. این نتایج با یافتههای (27 و 28) در مورد روند نزولی بارش مطابقت دارد.
شکل 4- تغییرات متغیرهای مورد بررسی در طول قرن 21 نسبت به دوره پایه
تغییر اقلیم به دو شکل میتواند بر روی بارش نقش داشته باشد. یکی به شکل تغییر در مقدار بارش و دیگری تغییرات زمانی الگوی بارش میباشد. نکته جالب توجه در این تحقیق تغییرات زمانی الگوی بارش میباشد. مثلاً هر چه به پایان قرن حاضر نزدیک میشویم ملاحظه میگردد که بارش در ماههای اول سال کاهش پیدا کرده و در ماههای آخر سال، اندکی افزایش پیدا میکند. با توجه به شکل3 و 4 بارش در ماههای دسامبر و نوامبر نسبت به دوره پایه افزایش مییابد که با نتایج تحقیقات (29 و 30) مطابقت دارد. همچنین افزایش بارندگی در ماههای دسامبر و نوامبر را میتوان به عواملی همچون خطا در اجرای مدل یا در نظر نگرفتن عواملی دانست که احتمالاً در پیشبینی بارش نقش داشتهاند ولی در این تحقیق مد نظر قرار نگرفتهاند.
با بررسی شکلهای 4 مشاهده میشود دمای حداقل و حداکثر در اکثر ماهها نسبت به دوره پایه افزایش یافته است. به نظر می رسد یکی از مهمترین عوامل موثر در افزایش دما، افزایش گازهای گلخانه جو زمین باشد IPCC، (2007). یکی از اثرات تغییر اقلیم تأثیر بر روی آستانهها میباشد. نتایج به دست آمده در این تحقیق نشان داد که آستانهها (دمای حداکثر و حداقل) به شدت تحت تأثیر قرار گرفتهاند که با نتایج تحقیقات (31 و32) مطابقت دارد ولی با نتایج تحقیقی که (33) در جنوب غرب کشور انجام دادند تطابق ندارد. احتمالا دلیل این امر تاثیر پذیری این مناطق از تودههای آب و هوایی متفاوت میباشد بهطور مثال حوزه آبخیز بار نیشابور بیشتر تحت تأثیر توده آب و هوایی است که از طرف سیبری و غرب وارد کشور شده و منطقه مورد مطالعه را تحت تأثیر قرار میدهد. ولی جنوب غرب کشور بیشتر تحت تأثیر آب و هوایی است که از سمت سودان و دریای سرخ منطقه را تحت تأثیر قرار میدهد. با توجه به شکل 3 و 4 هرچه به سمت اواخر قرن 21 نزدیک میشویم مشاهده میشود که دمای میانگین نیز افزایش پیدا میکند ولی این افزایش نسبت به دمای کمینه و بیشینه کمتر است از این نکته چنین میتوان برداشت نمود که تغییر اقلیم میتواند تاثیر بیشتری بر روی آستانهها (دمای کمینه و بیشینه) داشته باشد.
نتیجهگیری
در تحقیق حاضر اقدام به شبیهسازی و پیشبینی برخی از متغیرهای اقلیمی با استفاده از مدل چندگانه خطی SDSM و مدلهای گردش عمومی جو در حوزه آبخیز بار نیشابور شد. در این تحقیق از بین مدلهای CGCM1 و HADCM3 تحت سناریوهای A1، A2وB1 براساسپارامترهای آماری مشخص شد مدل HADCM3 تحت سناریو A2 تطابق بیشتری با شرایط اقلیمی منطقه در دوره پایه دارد.
دادههای درجه حرارت همبستگی بهتری با دادههای مشاهداتی (در قیاس یا دادههای بارندگی) داشتهاند، این بدان علت است که تغییر پذیری دما نسبت به بارندگی کمتر است (21)، و دما یک پارامتر با توزیع احتمالی نرمال میباشد. از جمله عوامل کاهش همبستگی در بارندگی این است که عوامل مختلفی بر روی بارندگی موثر میباشد و از طرف دیگر بارندگی یک متغیرگسسته است بنابراین حل مشکل همبستگی در توسعه مدلهای تغییراقلیم در آینده میبایست مد نظر قرار گیرد. تغییر اقلیم می تواند باعث تغییرات زمانی و مکانی متغیرهای اقلیمی شود. در خصوصیات این متغیرها میتواند اثرات زیان باری بر روی اجزای اکوسیستم داشته باشد. با توجه به نتایج به دست آمده مشخص گردید که در طول قرن 21 دما رو به افزایش؛ و بارش رو به کاهش است. همچنین پیشبینی شد هرچه به اواخر قرن 21 نزدیکتر میشویم این شرایط تشدید میشود که این امر نشان میدهد که وضعیت تغییر اقلیم در منطقه مورد نظر جدی است هر چند برای اطمینان بیشتر از بروز تغییر اقلیم در منطقه مورد مطالعه نیاز به مطالعات بیشتر میباشد.
منابع
19. آقاشاهی. محسن. 1391. معرفی و مقایسه مدل های LARS-WG و SDSM به منظور ریز مقیاس سازی پارامترهای زیست محیطی در مطالعات تغییر اقلیم. مجموعه مقالات ششمین همایش ملی مهندسی محیط زیست. تهران، دانشگاه تهران، دانشکده محیط زیست، http://www.civilica.com/Paper-CEE06-CEE06_569.html.
1- دانشجوی مهندسی آبخیزداری، گروه آبخیز داری، دانشگاه تربیت مدرس.
2- دانشیار گروه مهندسی آبخیزداری دانشگاه تربیت مدرس *(مسئول مکاتبات).
3- استادیار مرکز تحقیقات کشاورزی و منابع طبیعی استان اصفهان.
[4]-Artificial Neural Network
2- Statistical Downscail Model
3- Long Ashton Reserch Station Wether Generator
1- Long Ashton Reserch Station Wether Generator
2- Or Climate Prediction and Research/Met Office, UK
[9]- Canadian Centre for Climate Modeling and Analysis, Canada
4- Root mean square error
[11]- Mean absolutely error
[12]- Nash-Sutcliffe efficiency
[13]- Percent bias
[14]- Returns the square
[15]- National Center Enviroment Prediction
[16]- stochastic weather generator
1- predictors
[18]- National Center Enviroment Prediction