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]

چکیده

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

روش انجام تحقیق

انتخاب ایستگاه­های مناسب

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

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.

کوچک مقیاس کردن داده­های اقلیمی

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) .

که در آن: O_i داده­های مشاهداتی، S_iداده­های 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).

مدل SDSM

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.

انتخاب پیش­بینی کننده­ها[17] نرم افزار SDSM در واقع بین سری مشاهداتی روزانه منطقه و متغیرهای بزرگ مقیاس مشاهداتی منطقه (NCEP) رابطه­ای با حداکثر ضریب همبستگی برقرار نموده (25) و سپس با استفاده از پارامترهای به‏دست آمده از این رابطه، با به­کارگیری متغیرهای بزرگ مقیاس حاصل از مدل HadCM3 , CGCM1 و سناریوهای مختلف در دوره آتی سری زمانی بارندگی و دمای روزانه منطقه را تولید می­کند. در این روش داده­های بزرگ مقیاس از داده­های شبیه سازی توسط مدل HadCM3 وCGCM1  برای دوره 2000-1971 استخراج شدند. سپس با معرفی این داده‌ها به مدل SDSM، بارش و دمای متوسط، بیشینه و کمینه تحت سه سناریوA1 ,A2  و  B2برای منطقه مورد مطالعه کوچک مقیاس گردید. ابتدا به کمک پیش­بینی کننده­های منتخب متغیرهای مورد بررسی برای دوره پایه شبیه­سازی شدند. سپس این متغیرها تحت سه سناریوA1 ,A2  و B2برای دوره­های 2039-2010، 2069-2040 و 2099-2070 پیش­بینی گردید و تغییرات هر متغیر در سناریوهای مختلف نسبت به دوره پایه مورد بررسی قرار گرفت.

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

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. 

نتایج حاصل از ریز مقیاس سازی توسط نرم افزارSDSM

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.

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

1. Stocker, T. F., Qin, D., Plattner, G. K., Tignor, M., Allen, S. K., Boschung, J., ... & Vasconcellos de Menezes, V. (2013). Climate Change 2013. The Physical Science Basis. Working Group I Contribution to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change-Abstract for decision-makers. Groupe d'experts intergouvernemental sur l'evolution du climat/Intergovernmental Panel on Climate Change-IPCC, C/O World Meteorological Organization, 7bis Avenue de la Paix, CP 2300 CH-1211 Geneva 2 (Switzerland).
2. Xu CY (1999) From GCMs to river flow: a review of downscaling methods and hydrologic modelling approaches. Prog Phys Geogr 23:229–249.
3. Hewitson BC, Crane RG (1996) Climate downscaling: techniques and application. Clim Res 7:85–95.
4. Fowler HJ, Blenkinsop S, Tebaldi C (2007) Linking climate change modelling to impacts studies: recent advances in downscaling techniques for hydrological modelling. Int J Climatol 27:1547–1578.
5. Wilby RL, Charles SP, Zorita E, Timbal B, Whetton P, Mearns LO (2004) Guidelines for use of climate scenarios developed from statistical downscaling methods. Supporting material of the Intergovernmental Panel on Climate Change, available from the DDC of IPCC TGCIA 27.
6. Kilsby CG, Jones PD, Burton A, Ford AC, Fowler HJ, Harpham C, James P, Smith A, Wilby RL (2007) A daily weather generator for use in climate change studies. Environ Model Softw 22:1705–1719
7. Kim BS, Kim HS, Seoh BH, Kim NW (2007) Impact of climate change on water resources in Yongdam Dam Basin, Korea. Stoch Environ Res Risk Assess 21:355–373
8. Dibike YB, Coulibaly P (2005) Hydrologic impact of climate change in the Saguenay watershed: comparison of  ownscaling methods and hydrologic models. J Hydrol 307:145–163.
9. Semenov MA (2008) Simulation of extreme weather events by a stochastic weather generator. Clim Res 35(3):203–212.
10. Zhang, X.B. Harvery, K.D. Hogg, W.D., and Yuzyk T.R. (2001). Trends in Canadian streamflow. Water Resour. Res. 37:4. 987-998
11. Wilby RL, Wigley TML (2000) Precipitation predictors for downscaling: observed and general circulation model relationships. IntJ Climatol 20:641–661.
12. Beersma JJ, Buishand TA (2003) Multi-site simulation of daily precipitation and temperature conditional on the atmospheric circulation. Clim Res 25:121–133.
13. Ragab, R. and C. Prudhomme (2002). "Sw—soil and Water: climate change and water resources management in arid and semi-arid regions: prospective and challenges for the 21st century." Biosystems Engineering 81(1): 3-34.
14. Hashmi, M. Z., Shamseldin, A. Y., & Melville, B. W. (2011). Comparison of SDSM and LARS-WG for simulation and downscaling of extreme precipitation events in a watershed. Stochastic Environmental Research and Risk Assessment, 25(4), 475-484.
15. Koch, M., & Cherie, N. (2013). Mono-and multi-modal statistical downscaling of GCM-climate predictors for the Upper Blue Nile River basin, Ethiopia. In Proceedings of the 6 th International Conference on Water Resources and Environment Research, ICWRER (pp. 3-7).
16. Tatsumi, K., Oizumi, T., & Yamashiki, Y. (2013). Introduction of daily minimum and maximum temperature change signals in the Shikoku region using the statistical downscaling method by GCMs. Hydrological Research Letters, 7(3), 48-53.
17. Etemadi, H., Samadi, S., & Sharifikia, M. (2013). Uncertainty analysis of statistical downscaling models using general circulation model over an international wetland. Climate Dynamics, 1-22.
18. فرزانه، محمدرضا، و همکاران. 1389. معرفی پیش بینی کننده های منتخب جهت کوچک مقیاس کردن آماری-رگرسیونی در زیر حوضه بهشت آباد کارون شمالی، نخستین کنفرانس پژوهشهای کاربردی منابع آب ایران، کرمانشاه، دانشگاه صنعتی کرمانشاه، http://www.civilica.com/Paper-INCWR01-INCWR01_081.html.

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. توسلی. احد. 1389: شبیه سازی تغییرات درون رگباری ضریب روان آب با استفاده از مولفه­های  بارشی در حوزه­ی آبخیز بار نیشابور، مجله علوم و مهندسی آبخیزداری ایران، جلد 10. شماره 4. ص 33-21.
2. طائی سمیرمی، س. مرادی، ح.ر. خداقلی،. م. 1392. انتخاب مدل گردش عمومی جو و سناریو مناسب به­منظور مطالعه اثرات تغییر اقلیم در حوزه آبخیز بار نیشابور. دومین همایش ملی تغییر اقلیم وتاثیر آن بر کشاورزی و محیط زیست. ارومیه. مجموعه مقالات34-28.
   1. Zarghami, M., Abdi., Babaeian, I., Hassanzadeh, Y., Kanani, R., (2011). Impacts of Climate Change on runoffs in East Azerbaijan, Iran. Global and Plantary Change. 78 (2011) 137–146.

1. Moriasi D N., Arnold JG., Van Liew, M. W., Bingner, R. L., Harmel, R. D., & Veith, T. L. Model evaluation guidelines for systematic quantification of accuracy in watershed simulations. Transactions of the ASABE. 2007; 50(3), 885-900.
2. صمدی، س.ز.، مساح بوانی، ع.، مهدوی، م.، .1388 انتخاب  متغیر پیش­بینی­کننده بمنظور کوچک مقیاس کردن آماری داده­های دما و بارندگی درحوزه آبخیز کرخه. مجموعه مقالات پنجمین همایش ملی علوم و مهندسی آبخیزداری(مدیریت پایدار بلایای طبیعی). 2و 3 اردیبهشت ماه 1388. دانشگاه علوم کشاورزی و منابع طبیعی ساری.
3. کتیرایی، پرویز، 1386. سهم تغییرات فراوانی و شدت بارش روزانه در روند بارش در ایران طی دوره 1960 تا 2001، مجله فیزیک زمین و فضا. جلد 1. شماره 33. ص 67 - 83.
4. صبوحی، راضیه، و سلطانی، سعید، 1387. تحلیل روند عوامل اقلیمی در شهرهای بزرگ ایران، مجله علوم . فنون کشاورزی و منابع طبیعی. جلد 12 شماره 46 ص 303 - 321.
5. آذرانفر، آرش، و همکاران. 1385. ارزیابی اثرات تغییر اقلیم بر بارش و دما در حوضه آبریز زاینده رود با استفاده از خروجی مدل های چرخش عمومی. دومین همایش ملی منابع آب ایران. اصفهان.
6. الهی گل، علی، و سهراب حجام، 1385، بررسی اثر تغییرات دما و بارش بر رواناب در حوضه آبریز امامه (استان تهران)، دومین کنفرانس مدیریت منابع آب، اصفهان، دانشگاه صنعتی اصفهان، انجمن علوم و مهندسی منابع آب ایران، http://www.civilica.com/Paper-WRM02-WRM02_004.html
7. خلیلی اقدم، نبی. 1391. ارزیابی توانایی مدل LARS-WG در پیش­بینی برخی از پارامترهای جوی سنندج. مجله پژوهش­های حفاظت آب و خاک.  جلد 19. شماره 4. ص 19-85.
   1. Elo, A. R., Huttula, T., Peltonen, A., & Virta, J. (1998). The effects of climate change on the temperature conditions of lakes. Boreal environment research, 3, 137-150.
   2. Etemadi, H. (2012). Statistical Downscaling of Climatic Variables in Shadegan Wetland, Iran.

24. Wilby, R.L., Tomlinson, O, J., Dawson, C.W., (2007). Multi-site simulation of precipitation by condition resampling. Journal of climate Research, 23: 183-194.
25.  گل محمدی، محمد.، مساح بوانی، علیرضا.، 1389. بررسی تغییرات شدت و دوره بازگشت خشکسالی حوضه قره سو در دوره­های آتی تحت تاثیر تغیر اقلیم. نشریه آب و خاک. (2)25: 326-315.