ارزیابی اثر تغییر اقلیم بر متغیرهای هواشناسی و بارش‌های حداکثر تحت سناریوهای جدید انتشار RCP در حوضه آبریز

مقاله پژوهشی

فصلنامه انسان و محیط زیست، شماره 61، تابستان 1401 صص 111-127

ارزیابی اثر تغییر اقلیم بر متغیرهای هواشناسی و بارش‌های حداکثر تحت سناریوهای جدید انتشار RCP در حوضه آبریز

محمدرضا گودرزی^*[1]

Goodarzimr@yazd.ac.ir

آتیه فاتحی فر[2]

تاریخ دریافت: 05/09/97                                                                                                           تاریخ پذیرش: 20/03/98

چکیده

زمینه هدف: امروزه با افزایش جمعیت و پیشرفت تکنولوژی، استفاده بی‌رویه از سوخت‌های فسیلی موجب افزایش انتشار گازهای گلخانه‌ای در اتمسفر شده است. افزایش غلظت این گازها تغییرات اقلیمی را در پی خواهد داشت. در واقع تغییر اقلیم نه تنها تغییر در متوسط متغیرهایی چون دما و مجموع  بارش، بلکه در افزایش رویدادهای حدی اثر گذار است. از اینرو تاثیر اثرات تغییرات اقلیمی بر پارامتر دما و بارش و همچنین بارش‌های حدی میتواند اهمیت بسیاری برای برنامه ریزی‌های آینده داشته باشد.

روش بررسی: در این مطالعه جهت بررسی اثر تغییر اقلیم بر پارامترهای دما و بارش از مدل گردش عمومی جو CanESM2 طبق جدیدترن گزارش هیئت بین الدول تغییر اقلیم (AR5) و از سناریوهای انتشار RCP2.6، RCP4.5 و RCP8.5 برای پیش بینی غلطت گازهای گلخانه‌ای در جو و از مدل آماری SDSM برای ریزمقیاس سازی داده‌های بزرگ مقیاس گردش عمومی برای شبیه‌سازی در دوره 2059-2030 میلادی استفاده شده است. سپس کارایی مدل با سه شاخص آماری ریشه میانگین‌مربع‌خطا (RMSE)، ضریب تعیین (R²)، و ضریب کارایی نش-ساتکلیفNSE) ) مورد ارزیابی قرار خواهد گرفت.

یافته‌ها: نتایج تحقیق در مرحله اول ریزمقیاس سازی با مدل SDSM نشان از کارایی خوب مدل دارد. ضرایب R² و NSE برای دوره واسنجی دما ایستگاه آذرشهر 99/0 و 99/0 برای بارش 95/0، 95/0 و بارش ایستگاه قرمزیگل 91/0، 86/0 می‌باشد. یافته‌ها افزایش دما حداقل و حداکثر بخصوص ماهای آپریل تا جولای در این حوضه را بیان می‌کند که بیشترین افزایش مربوط به RCP8.5 به میزان 26/0 درجه سانتی گراد می‌باشد. همچنین بارش در ایستگاه آذرشهر افزایش 44/7 درصدی تحت RCP2.6 و در ایستگاه قرمزیگل کاهش 57/7 درصدی را تحت RCP8.5 نشان می‌دهد. روند کاهشی بارش در سناریوها دیده می‌شود بطوری که در بدبینانه ترین سناریو (RCP8.5)، بیشترین کاهش نمایان شده است. نتایج حاکی از بررسی بارش‌های حدی نشان داد که با وجود تغییرات اقلیمی و کاهش بارش و افزایش دما و به تبع آن افزایش تبخیر و درنتیجه کمبود منابع آبی و خشکسالی نباید از سیل و بارش‌های حدی سیل آسا غافل ماند.

بحث و نتیجه گیری: به طور کلی نتایج افزایش مقدار بارش‌های حداکثر در آینده را نشان داده است. با این گونه شبیه سازی‌ها میتوان دریافت که تغییر اقلیم حتی در حوضه‌هایی که کاهش متوسط بارش سالانه را به همراه داشته اند، باعث افزایش مقدار و فرکانس بارش‌های حدی شده است. در پژوهش حاضر در ایستگاه‌هایی که مقادیر بارندگی در فصول مختلف افزایش می‌یابد، افزایش مقدار بارندگی خطر ناشی از وقود سیلاب را افزایش خواهد داد، لذا لازم است تا به مدیریت منابع آب و کنترل سیلاب حوضه توجه خاصی مبذول گردد.

واژگان کلیدی: تغییر اقلیم، ریزمقیاس نمایی آماری، CanESM2، RCP، SDSM

Human and Environment, No. 61, Summer 2022, pp. 111-127

Assessment of Climate Change Effects on Meteorological Variables and Maximum Precipitation under New RCP Emission in Watershed

Mohammadreza Goodarzi ^*[3]

Goodarzimr@yazd.ac.ir

Atiyeh Fatehifar[4]

Abstract

Background and Objective: Today, the excessive use of fossil fuels has increased the emissions of greenhouse and climate change. Climate change not only affects changes in the mean of variables such as temperature and total precipitation, but also increases the incidence of maximum events. Therefore, the impact of climate change on temperature and precipitation parameters as well as extreme precipitation can be very important for future planning.

Analysis methodology: In this study, to investigate the effect of climate change on temperature and precipitation parameters, CanESM2 general circulation model, according to assessment report fifth (AR5) of the intergovernmental panel on climate change used of new scenarios Representative Concentration Pathways (RCP) Contains RCP2.6, RCP4.5 and RCP8.5 and Statistical down scaling model (SDSM) for down scaling Large scale data GCM for simulation has been used during the period 2030-2059. Then the efficiency of the model will be evaluated with three indicators: root mean square error (RMSE), coefficient of determination (R2) and nash–sutcliffe efficiency (NSE).

Findings: The results of the research in the first stage of downscaling with the SDSM model show the good efficiency of the model. The R2 and NSE coefficients for the calibration period of the Azarshahr station are 0.99, 0.99 for temperature and 0.95, 0.95, precipitation and for the Ghermezigol station is 0.91, 0.86. The results indicate the minimum and maximum temperature increase, especially in the month of April to July in this basin, with the highest increase relative to RCP8.5 at 0.26 ° C. Also, precipitation in the Azarshahr station increased by 7.44% under RCP 2.6 and at the Ghermezigol station decreased by 7.57%, under RCP8.5. The decreasing trend of precipitation can be seen in the scenarios, so that the most pessimistic scenario (RCP8.5) shows the greatest decrease. The results of the investigation of extreme rainfalls showed that despite the climate changes and the decrease of precipitation and increase in temperature and consequently the increase of evaporation and the lack of water resources and drought, one should not ignore floods and extreme rainfalls.

Discussion and Conclusions: In general, the results have shown an increase in the amount of maximum rainfall in the future. With such simulations, it can be seen that climate change has caused an increase in the amount and frequency of extreme rainfall, even in basins that have brought about a decrease in average annual rainfall. In the present study, in the stations where the amount of rainfall increases in different seasons, the increase in the amount of rainfall will increase the risk of flooding, so it is necessary to pay special attention to the management of water resources and flood control of the basin.

Keywords: CanESM2, Climate Change, RCP, SDSM, Statistical downscaling

مقدمه

تغییر اقلیم عبارت است از تغییرات رفتار آب و هوایی یک منطقه نسبت به رفتاری که در طول یک افق زمانی بلند مدت از اطلاعات مشاهده یا ثبت شده در آن منطقه مورد انتظار است(1). بر اساس گزارشات پنجم بین المللی تغییر اقلیم (IPCC)[5] درجه حرارت کره زمین در طول صد سال گذشته به طور متوسط حدود یک درجه سانتی گراد افزایش داشته است(2). همچنین در آخرین نشست سران کشورهای جهان تلاش بر محدود کردن این افزایش به دو درجه سانتی‌گراد بوده است. بررسی‌ها و مطالعات گوناگون نشان می‌دهند که تغییرات اقلیمی دارای اثراتی بر سیستم‌های مختلف طبیعی، اقتصادی، اجتماعی و سیاسی است.

 پدیده تغییر اقلیم که ناشی از افزایش غلظت گازهای گلخانه‌ای به ویژه گاز دی اکسید کربن در جو می‌باشد، باعث تغییراتی در رژیم بارش، میزان رواناب، سرعت باد، تابش خورشیدی رسیده به سطح زمین و دمای هوا می‌شود. توجه به تغییرات اقلیمی در سال‌های اخیر به علت پیامدهای اقتصادی، اجتماعی و خسارت‌های مالی مربوط به رویدادهای جوی اهمیت زیادی پیدا کرده است(3). تغییرات معنی دار دمای کره زمین با گرمایش جهانی به عنوان مهمترین نمودهای تغییر اقلیم در قرن حاضر مورد توجه قرار گرفته است(4).

مطالعات بسیاری با توجه به اهمیت بحث تغییر اقلیم و اثرات ناشی از آن در سال‌های اخیر، در کشورهای مختلف انجام شده است. الیسون و همکاران (2004) تأثیر تغییر اقلیم را بر وضعیت تناوب سیلاب حوضه‌های کشور انگلستان تحت خروجی‌های مدل HadRM3H RCM و سناریوی انتشار A2 مورد مطالعه قرار دادند. نتایج نشان داد علیرغم کاهش متوسط سالانه بارش در حوضه‌ها (به استثنای یک حوضه) در بیشتر دوره بازگشت‌ها، تناوب سیلاب‌ها افزایش یافته است(5). هاو و همکاران (2013) دما و بارش ماهانه قاره‌های آسیا، آفریقا و آمریکای جنوبی را با استفاده از 13 مدل گزارش پنجم مورد ارزیابی قرار دادند و نتایج بیانگر آن بود که این مدل‌ها انطباق نزدیکی با داده‌های مشاهداتی داشته و تفاوت‌های بین الگوهای منطقه‌ای و دامنه تغییرات در مدل‌های شبیه سازی تغییر اقلیم بستگی به داده‌های مشاهداتی بارش و دما دارد(6). همچنین بوزارت و سن (2013)، به بررسی اثرات تغییر اقلیم بر سیستم‌های گوناگون پرداختند(7).

آکوروت و همکاران (2014) اثرات تغییر اقلیم بر بارندگی دریاچه ویکتوریا در شرق آفریقا را در قرن 21 با استفاده از خروجی‌های مدل‌های گزارش پنجم و تحت دو سناریوی  RCP4.5و RCP8.5 در دوره زمانی آتی 2075-2040 را مورد بررسی قرار دادند. توانایی مدل‌های اقلیمی در مقیاس روزانه، ماهانه و سالیانه براساس معیارهای ارزیابی خطای میانگین و جذر مجموع مربعات مورد ارزیابی قرار گرفتند. درنتیجه تحت سناریوی RCP4.5 بارش سالانه کمتر از 10 درصد و برای سناریو RCP8.5 کمتر از 20 درصد افزایش بارندگی در کل قرن 21 رخ می‌دهد(8). مسعود و همکاران(2015) اثرات تغییر اقلیم آینده را بر هیدرولوژی حوضه‌های گانگز، براهامپورتا و مقنا واقع در بنگلادش را به کمک پنج مدل گزارش پنجم شاملMIROC-ESM ،MIROC5 ، MRI-CGCM3، HadGEM2-ES و MRI-AGCM3.2S و تحت سناریوی انتشار RCP8.5 در سه دوره زمانی نزدیک، متوسط و دور مورد ارزیابی قرار دادند و نتایج نشان داد که تا انتهای قرن 21 در کل این سه حوضه دما تا حدود 3/4 درجه سانتیگراد افزایش، بارش میانگین به طور متوسط برای حوضه‌های گانگز، براهامپورتا و مقنا به ترتیب برابر 3/16، 8/19 و 6/29 درصد افزایش یافته و این تغییرات در فصل‌های خشک (نوامبر تا آپریل) بیشتر از فصل‌های مرطوب (می تا اوکتبر) می‌باشد(9).

فرج‌زاده (1392) برای ارائه بهترین تصویر از وضعیت عوامل هواشناسی دما و بارندگی ماهانه در رودخانه ششپیر در استان فارس، از 18 مدل گردش عمومی برای افق سال‌های 2070 ،2040 و 2100 میلادی، استفاده کرد. برای پارامتر بارندگی، در مقیاس سالانه در افق‌های پیش گفته، به ترتیب 8 ،2 و 19 درصد افزایش در بارش را پیش بینی نمود(10). دشت بزرگی و همکاران (1394) به شبیه سازی شاخص‌های حدی دمای استان خوزستان بر اساس سناریوهای RCP 2.6, 4.5, 6 پرداختند. نتایج روند افزایشی دما را بیان کرد، همچنین شاخص دوره سرد روند کاهشی و شاخص دوره گرم سال روند افزایش را نشان داد(11). میردشتوان و همکاران (1395) پارامترهای اقلیمی حوضه دریاچه ارومیه را با استفاده از یک مدل گردش عمومی HadCM3 و با روش ریزمقیاس نمایی آماری SDSM و دو سناریو انتشار A2 و B2 بازه زمانی 2070-2041 را  شبیه سازی کردند. نتایج حاکی از افزایش دما در هر دو سناریو بخصوص A2 و کاهش بارش در منطقه بود(12).

در کشورمان تاکنون اکثر مطالعات انجام شده در حوضه مدلسازی تغییراقلیم بر اساس داده‌های سری گزارش چهارم انجام شده است، لذا انجام مطالعات و به روز رسانی آن‌ها با داده‌های گزارش پنجم برای کاهش عدم قطعیت مدلسازی تغییراقلیم دهه‌های آتی امری ضروری است که تاکنون در ایران تحقیقاتی کمی در زمینه تغییر اقلیم با گزارشات پنجم هیأت بین الدول صورت گرفته است. هدف اصلی این پژوهش بررسی کارایی مدل [6]SDSM در ریزمقیاس نمایی و همچنین میزان تغییرات پارامترهای اقلیمی دما و بارش و همچنین بررسی بارش‌های حدی در حوضه مورد مطالعه در دوره 2059-2030 با استفاده از سناریوهای [7]RCP می‌باشد. با توجه به تغییرات اقلیمی انجام این پژوهش در راستای بهره برداری پایدار از منابع آبی حوضه تحت تغییر آتی اقلیم امری ضروری به نظر میرسد. نتایج این بررسی در پژوهش‌های مرتبط با ارزیابی منابع آبی در شرایط تغییر اقلیم قابل استفاده می‌باشد.

مواد و روش‌ها

محدوده مطالعاتی و داده‌ها

حوضه آبریز آذرشهر چای یکی از زیر حوضه‌های حوضه آجی چای در شمال غرب ایران است. در واقع این حوضه از حوضه‌های درجه چهار در تقسیم بندی‌ها محسوب می‌شود. حوضه آذرشهر چای در دامنه‌های غربی توده کوهستانی سهند، در شرق دریاچه ارومیه و در جنوب غرب محدوده شهرستان تبریز واقع شده است. موقعیت این حوضه در محدوده عرض شمالی '37 °37 - '90 °37 و طول شرقی '49 °45 - '34 46° می‌باشد. همچنین در سیستم مختصات  UTM این حوضه در زون 38 قرار دارد. متوسط دمای سالانه در حوضه، حدود22/13 درجه‌ی سانتی‌گراد و متوسط دمای ماهانه بین 5- درجه‌ی سانتی‌گراد در دی ماه تا 87/33 درجه‌ی سانتی‌گراد در مرداد ماه در یک دوره آماری 25 (1370-1394) ساله متغیر می‌باشد. متوسط بارندگی سالانه در یک دوره‌ی مشترک 35 ساله (1350-1385) 21/266 میلی‌متر می‌باشد. در شکل (1) موقعیت حوضه حوضه نشان داده شده است.

برای مدلسازی با مدل SDSM داده‌های مدل گردش عمومی جو CanESM2 از سایت کانادایی[8] برای گزارش پنجم تهیه شد. داده‌های NCEP  از سال 1960 تا 2005 وجود دارند. از  اینرو برای مدلسازی از بین سه ایستگاه دو ایستگاه مورد تجزیه تحلیل قرار گرفتند و ایستگاه گمبرف بدلیل تازه تأسیس بودن و داشتن داده از سال 2000 میلادی و عدم شبیه سازی با 6 سال داده پایه از محاسبات حذف شد. شبیه سازی بارش با دو ایستگاه آذرشهر و قرمزیگل با آماره 30 ساله و دمای ایستگاه آذرشهر 16 ساله انجام شده است. در جدول (1) مشخصات ایستگاه‌های مورد استفاده نشان داده شده است.

جدول 1- اطلاعات مورد استفاده ایستگاه‌های اندازه‌گیری بارش و دما

Table 1- Information used by precipitation and temperature stations

شکل 1- موقعیت جغرافیایی حوضه آذرشهر چای (نگارنده)

Figure 1- Geographical location of Azarshahr Chai basin (author)

مدل گردش عمومی [9]CanESM2

روش‌های مختلفی برای شبیه سازی متغیرهای اقلیمی در دوره های آتی وجود دارد که یکی از معتبرترین آن‌ها، استفاده از مدل‌های گردش عمومی جو یا [10]GCM هست. این مدل‌ها قادرند تا تمامی فرآیندهای اقلیمی را در ابعاد جهانی و یا قاره‌ای به طور نسبتاً دقیقی شبیه سازی نمایند(13). یکی از محدودیت‌های اصلی استفاده از داده‌های اقلیمی مدل‌های گردش عمومی جو، این است که دقت تجزیه مکانی و زمانی آن‌ها با دقت مورد نیاز مدل‌های هیدرولوژیک مطابقت ندارد. دقت مکانی این مدل‌ها که در حدود 200 کیلومتر است برای بررسی مناطق کوهستانی و مطالعه فرآیندهای بارش نامناسب است(14). در نتیجه داده‌ها باید به طریقی کوچک مقیاس شوند. مدل‌های گردش عمومی جو (GCM) در چند دهه‌ی اخیر با افزایش قدرت رایانه‌ها توسعه‌ی چشمگیری یافته‌اند. تاکنون مدل‌های گردش عمومی زیادی توسط مراکز مختلف تحقیقات ارائه شده ‌است که حدودا در گزارش پنجم 40 مدل معرفی شده است. مدل CanESM2 ترکیبی از دو مدل CanCM4[11]و CTEM[12] است که توسط مرکز مدل‌سازی و آنالیز اقلیم کانادا[13]  طراحی شده و دارای شبکه‌بندی سطحی (شبکه‌های با ابعاد حدود81/2 درجه‌ی طول و عرض جغرافیایی) است(15). در این پژوهش یکی از 40 مدل گردش عمومی بنام CanESM2 استفاده شد. در پژوهش حاضر با در نظر گرفتن موقعیت سلول محاسباتی اصلی با ویژگی‌های x17 و y46 داده‌های مدل گردش عمومی جو CanESM2 و داده‌های بازکاوی روزانه میان یابی شده از پایگاه داده NCEP[14]برای کوچک مقیاس سازی استخراج گردید. در جدول (2) زیر لیست متغییرهای NCEP  آورده شده است.

جدول 2- فهرست متغیر های NCEP

Table 2- list of NCEP variables

سناریوهای انتشار

از آن جای که مهمترین ورودی مدل‌های گردش عمومی جو، مقدار انتشار گازهای گلخانه‌ای در دوره‌های آتی بوده و از طرفی محاسبه و تعیین انتشار این گازها در دوره‌های آتی به طور قطعی امکان پذیر نیست، از این رو سناریوهای انتشار مختلفی برای آنها ارائه شده است که آنها را سناریوهای انتشار[15] می‌نامند(4). هیأت بین الدول تغییر اقلیم در گزارش پنجم (AR5[16]) خود در سال 2010 سناریوهای جدید RCP را معرفی کردند(2). سناریوهای جدید انتشار RCP به عنوان نماینده‌های خطوط سیر غلظت‌های گوناگون گازهای گلخانه‌ای استفاده کرده است. سناریوهای جدید انتشار دارای چهار خط سیر کلیدی با نام‌های RCP2.6، RCP4.5، RCP6  و RCP8.5  می‌باشند که براساس میزان واداشت تابشی آنها در سال 2100 نام گذاری شده‌اند. سناریوهایRCP با احتمال تغییرات وسیع در فعالیت‌های انسانی و انتشار گازهای گلخانه‌ای در آینده همراه می‌باشند. سناریو RCP2.6 دربرگیرنده کمترین نرخ افزایش گازهای گلخانه‌ای و واداشت تابشی ناشی از آن است. در این سناریو میزان غلظت دی‌اکسید‌کربن تا سال ۲۱۰۰، به مقدار 490 ppm تخمین زده می‌شود. گرمایش کلی بین 0 تا 2/1 درجه‌ی سانتی‌گراد برای اواخر قرن 23(2300-2281) نسبت به 2005-1986 توصیف شده‌است. این سناریو میزان جمعیت را تا سال ۲۱۰۰ حدود ۷ میلیارد نفر پیش‌بینی کرده ‌است. سناریو RCP 4.5 میزان غلظت دی‌اکسید‌کربن تا سال ۲۱۰۰، به مقدار650 ppm تخمین زده می‌شود. سناریوی RCP4.5 میزان رشد جمعیت کمتر از سناریوی  RCP 2.6 تخمین زده شده ‌است. سناریو RCP8.5  دربرگیرنده بیشترین نرخ افزایش گازهای گلخانه‌ای و واداشت تابشی ناشی از آن است، که بدون اتخاذ هیچ گونه سیاست‌های کاهش آثار و مقابله با پیامدهای اقلیم، در این سناریو پیش خواهد رفت. در این سناریو میزان غلظت دی‌اکسید‌کربن تا سال ۲۱۰۰، به مقدار 1370 ppm تخمین زده می‌شود. گرمای کلی بین 3 تا 12/6 درجه‌ی سانتی‌گراد برای همان دوره توصیف شده‌است. میزان جمعیت در سال ۲۱۰۰ در این سناریو حدود ۱۲ میلیارد نفر خواهد بود(16).

ریزمقیاس نمایی

خروجی مدل‌های گردش عمومی جو باید تحت سناریوهای مختلف برای منطقه مورد مطالعه کوچک مقیاس شوند. روش‌های معمول ریزمقیاس نمایی می‌توان به مدل‌های آماری، دینامیکی اشاره کرد(17). کوچک مقیاس سازی آماری به دلایلی نظیر هزینه کمتر و ارزیابی سریع‌تر عوامل مؤثر بر تغییرات آب و هوایی از مزیت‌ها و قابلیت‌های بیشتری برخوردار هستند. در ریز مقیاس نمایی آماری با استفاده از مفاهیم زنجیره مارکوف، سری فوریه، توزیع‌های آماری و روش‌های رگرسیونی، بر مبنای داده‌های تاریخی منطقه وضعیت پارامترهای اقلیمی را در آینده پیش‌بینی می‌کنند. در این پژوهش از گزارش پنجم و مدل ریزمقیاس نمایی آماری که تنها سایت اقلیمی کانادا مدل CanESM2 برای مدل ASD و SDSM بروز کرده و مدل  SDSM بدلیل کارایی بهتر، استفاده شده است.

مدل ریز‌مقیاس‌نماییSDSM   از ابزارهای کمکی برای ارزیابی تأثیرات تغییر اقلیم محلی می‌باشد، که توسط ویلبی و همکاران توسعه یافت. این مدل برای ارزیابی ارتباط بین متغیرهای ریز‌مقیاس محلی و متغیرهای بزرگ ‌مقیاس اتمسفری از داده‌های مستقل مشاهداتی استفاده می‌کند. این مدل ترکیبی از مدل مولدهای آب‌وهوا و مدل رگرسیونی می‌باشد. در ابتدا به‌منظور واسنجی و ارزیابی مدل، متغیرهای بزرگ ‌مقیاس منطقه‌ی مطالعاتی در مقیاس روزانه در دوره‌ی مشاهداتی(متغیرهای حاصل از NCEP) به‌عنوان متغیرهای مستقل؛ و بارندگی و دماهای بیشینه وکمینه‌ی روزانه‌ی مشاهداتی، به‌عنوان متغیرهای وابسته به‌طور جداگانه وارد مدل شده و سپس نتایج به‌دست‌آمده از مدل با مقادیر مشاهده‌شده، مقایسه و نحوه‌ی عملکرد مدل ارزیابی می‌شود. با استفاده از نتایج به‌دست‌آمده در دوره‌ی تنظیم مدل و داده‌های بزرگ‌مقیاس مدل‌های گردش عمومی، سناریوهای بارش و دمای منطقه برای دو دوره‌ی مشاهداتی و آتی تولید می‌شود که با استفاده از آن‌ها می‌توان به تخمین تغییرات اقلیمی در منطقه‌ی مورد مطالعه پرداخت(18).

به‌منظور بررسی میزان قابل اعتماد بودن اطلاعات شبیه‌سازی شده از سه شاخص آماری ریشه میانگین‌مربع‌خطا (RMSE)[17] طبق رابطه 1، ضریب تعیین (R²)[18] طبق رابطه 2 و ضریب کارایی نش-ساتکلیف (NSE)[19] طبق رابطه 3 مورد استفاده قرار گرفته‌است.

RMSE =  (1)                 

R² =      (2)          

NSE = 1-  (3)                    

که در آن‌ها،  میانگین داده‌های مشاهداتی،  میانگین داده‌های شبیه‌سازی شده، Oi داده‌های مشاهداتی هر ماه در کل دوره و Si داده‌های شبیه‌سازی شده هر ماه در کل دوره می‌باشند.

یافته‌های پژوهش

نتایج صحت سنجی پارامتر دما و بارش در مدل SDSM

پس از آماده‌سازی داده‌های مورد نیاز مدل SDSM، این اطلاعات برای هر ایستگاه بطور مستقل وارد مدل شده و خروجی‌های مدل‌های گردش عمومی CanESM2 برای دوره پایه شبیه سازی شدند که برای صحت سنجی از سه شاخص ریشه میانگین ‌مربع‌خطا، ضریب تعیین و ضریب کارایی نش-ساتکلیف استفاده شد. جدول (3) نتایج صحت سنجی دمای کمینه و بیشینه و جدول (4) نتایج بارش را نشان می‌دهد.

جدول 3- نتایج واسنجی و ارزیابی مدل‌ گردش عمومی CanESM2 برای دمای اندازه‌گیری شده

Table 3- Calibration and validation results of the CanESM2 general circulation model for the measured temperature

جدول 4- نتایج واسنجی و ارزیابی  مدل‌ گردش عمومی جو CanESM2 برای بارش اندازه‌گیری شده

Table 4- Calibration and validation results of the CanESM2 general circulation model for the measured precipitation

هر چه میزان RMSE کمتر باشد نشان دهنده کارایی بیشتر مدل است. مقدار R² بیانگر ارتباط خطی بین داده‌های شبیه‌سازی شده و مشاهداتی بوده که مقدار آن بین صفر تا یک متغیر است، که هر چه به یک نزدیکتر باشد شبیه‌سازی بهتر است. موتویلو و همکاران (19) در بررسی تعیین کارایی مدل تعیین کردند که اگر مقادیر ضریب تأثیر Nash بیش از 75/0 باشد شبیه سازی خوب و مقادیر بین 75/0-36/0 شبیه سازی مقبول و کمتر از 36/0 شبیه سازی پذیرش ناپذیر است. نتایج شبیه سازی دقت خوب و عملکرد بالای مدل SDSM را نشان می‌دهد.

بررسی تغییرات اقلیمی در دوره‌ 2059-2030

 تغییرات دما 

برای پیش بینی از مدل گردش عمومی CanESM2 و سه سناریوی انتشار RCP2.6، RCP4.5 و RCP8.5 استفاده شده است. در جدول‌ 5 نتایج حاصل از پیش‌بینی دما در دوره 30 ساله آینده 2059-2030 ارائه شده است. در این بررسی‌ها، دمای حداکثر روزانه ایستگاه‌ و دمای حداقل ایستگاه‌ بطور مجزا مورد تحلیل قرار گرفته‌اند. نتایج نشان می‌دهند که هم دمای حداکثر و هم دمای حداقل این ایستگاه‌ها در دوره آینده افزایش خواهد یافت. همان طور که در جدول (5) مشهود است، بازه تغییرات دمای حداکثر ایستگاه‌ بین 06/0 تا 26/0 درجه سانتی‌گراد و بازه تغییرات دمای حداقل ایستگاه‌ها بین 13/0 تا 23/0 درجه سانتی‌گراد می‌باشد. در تغییرات دمای حداکثر این دوره، بیشترین افزایش دما مربوط به این ایستگاه تحت سناریوی انتشار RCP8.5 و با میزان افزایش 26/0 درجه سانتی‌گراد و کمترین افزایش دما مربوط به سناریوی انتشار RCP2.6 و با میزان افزایش 06/0 درجه سانتی‌گراد است. همچنین در تغییرات دمای حداقل این دوره، بیشترین افزایش دما مربوط به سناریوی انتشار RCP8.5 و با میزان افزایش 23/0 درجه سانتی‌گراد و کمترین افزایش دما مربوط به سناریوی انتشار RCP2.6 و با میزان افزایش 13/0 درجه سانتی‌گراد می‌باشد.

جدول 5- تغییرات متوسط دمای حداقل و حداکثر دوره مشاهداتی و آینده ایستگاه‌ آذرشهر

Table 5- average changes of the minimum and maximum temperature of the observation and future period the of Azarshahr station

تغییرات و میزان ماهانه دمای ایستگاه آذرشهر برای دوره آتی در شکل‌های (2) و (3) ارائه شده‌است. در ابتدا نمودار دمای کمینه ایستگاه‌ها در دوره آینده و سپس نمودار دمای بیشینه آنها ترسیم شده‌است. در این نمودارها دمای پیش‌بینی شده توسط سناریوهای انتشار مدل گردش عمومی اقلیمی روی محور افقی ترسیم شده‌اند و مقدار آنها توسط ستون سمت راست قابل استخراج است و دمای مشاهداتی هر ایستگاه بصورت نمودار خطی ارائه شده است که با استفاده از ستون سمت چپ می‌توان میزان دمای هر ماه را تشخیص داد.

شکل 2- میزان تغییرات دمای حداقل ماهانه در دوره آتی (2030-2059)

Figure 2- The rate of minimum monthly temperature changes in the future period (2030-2059)

با توجه به شکل (2)، مشاهده می‌شود که در دوره 2059-2030 بیشترین افزایش دما در دمای حداقل در ماه می تحت همه سناریو انتشار اتفاق افتاده‌است. همان طور که در شکل مشهود است در RCP8.5 نسبت به سایر سناریوها افزایش بیشتر رخ داده است.

شکل 3- میزان تغییرات دمای حداکثر ماهانه در دوره آتی (2030-2059)

Figure 3- The amount of monthly maximum temperature changes in the future period (2030-2059(

با توجه به شکل (3)، مشاهده می‌شود که در دوره 2059-2030 بیشترین افزایش دما در دمای حداکثر در ماه می به میزان 61/2 درجه سانتی‌گراد تحت سناریو انتشار RCP8.5 اتفاق افتاده ‌است. همچنین دما در ماه جولای به حداکثر خود می‌رسد.

تغییرات بارش

نتایج حاصل از پیش‌بینی بارش در دوره 30 ساله آینده 2059-2030 در جدول (6) ارائه شده است. با بررسی اجمالی این نتایج اینگونه برداشت می‌شود که تغییرات اقلیمی در ایستگاه آذرشهر افزایش بارش و ایستگاه قرمزیگل کاهش بارش را بدنبال داشته است. اما در طی سناریوها روند کاهشی بارش دیده می‌شود. در این مدل کمترین میزان کاهش بارش به سناریوی RCP2.6 اختصاص یافته و میزان پیش‌بینی بارش سناریوی RCP4.5 بطور کلی حد واسط دو سناریوی دیگر در این مدل است. با دقت بیشتر در این نتایج مشاهده می‌شود که بحرانی‌ترین حالت در دوره آینده مربوط به ایستگاه قرمزیگل تحت سناریوی انتشار RCP8.5 مربوط می‌شود که میزان بارش 57/7% نسبت به دوره مشاهداتی کاهش یافته‌است.

جدول6- میزان بارش سالانه دوره مشاهداتی و آینده ایستگاه‌ها

Table 6- The annual precipitation of the observation and future period of the stations

در ادامه میزان تغییرات ماهانه بارش در ایستگاه‌ها در دوره 30 ساله 2059-2030 برای همه سناریوهای انتشار مدل‌های گردش عمومی اقلیمی مورد تجزیه و تحلیل قرار می‌گیرد. میزان بارش و تغییرات بارش ماهانه ایستگاه‌ها در شکل‌های (4) و (5) ارائه شده‌اند.

شکل 4- میزان تغییرات بارش ماهانه ایستگاه آذرشهر دوره 2059-2030

Figure 4- The amount of changes in monthly precipitation of Azarshahr station during 2030-2059

در این شکل‌ها، درصد کاهش و افزایش هر ماه تحت سناریوهای انتشار مختلف بصورت نمودارهای میله‌ای نشان داده شده‌است که مقدار آن‌ها از ستون سمت راست نمودار قابل قرائت است. شکل‌ (4)، میزان افزایش بیشتر از کاهش در ماه‌ها است و در شکل (5)، به مقدار کمی در ماه‌ها افزایش دیده می‌شود. بطور کلی کاهش بارش در ماه‌های گرم و افزایش آن در ماه‌های سرد مشاهده شده است. در هر دو شکل مشخص است که هر چه از سمت RCP2.6 به RCP8.5 پیش میرویم میزان افزایش بارش کمتر شده است.

شکل 5- میزان تغییرات بارش ماهانه ایستگاه قرمزیگل دوره 2059-2030

Figure 5- The amount of changes in monthly precipitation of Ghermezigol station during 2030-2059

مقایسه بارش حداکثر دوره پایه و آتی

بمنطور مقایسه بارش‌های حداکثر رخ داده با بارش‌های حداکثر آینده، داده‌های بارش در محیط اکسل به صورت نزولی مرتب شد. در تمامی ایستگاه تعداد وقوع باران‌های حدی سیل‌آسا مشخص شد. بررسی داده‌ها بیانگر افزایش احتمال باران‌های حداکثر سیل آسا در این حوضه خواهد بود. جدول (7) و (8) بارش‌های حداکثر رخ داده در دوره مشاهداتی و آتی را  نشان می‌دهند.

جدول 7- گزارش برخی از توفان‌ها و باران‌های حدی سیل‌آسا دوره مشاهداتی در حوضه آذرشهر چای

Table 7- Report of some storms and torrential rains during the observation period in Azarshahr Chai

جدول 8- گزارش برخی از توفان‌ها و باران‌های حدی سیل‌آسا دوره آتی در حوضه آذرشهر چای

Table 8- Report of some storms and torrential rains during the future period in Azarshahr Chai basin

با بررسی و مقایسه نتایج می‌توان افزایش مقدار بارش‌های حداکثر سیل‌آسا را مشاهده کرد. در ایستگاه آذرشهر با توجه به افزایش بارش مقدار بارش حداکثر در سناریو RCP2.6 چندان افزایش نداشته اما در سناریو RCP4.5 مقدار بارش‌ها افزایش یافته و بیشترین افزایش در RCP8.5 با 59 میلی‌متر بارش دیده می‌شود درصورتی که بیشترین بارش رخ داده در این ایستگاه در دوره مذکور 44 میلیمتر بوده است. در ایستگاه قرمزیگل با وجود کاهش متوسط بارش مقدار بارش‌های حداکثر سیل‌آسا همچنان افزایش یافته بطوری که در RCP8.5 بیشترین افزایش با 70 میلی‌متر را پیش بینی شده است که این مقدار در دوره 30 ساله پایه رخ نداده است. شبیه سازی و نتایج پیش بینی روزانه با مدل SDSM افزایش مقدار باران‌های حداکثر را در آینده نشان داده است. بدبینانه‌ترین حالت ممکن مربوط به RCP 8.5 می‌باشد.

بحث و نتیجه گیری

با توجه به اثرات مستقیم و غیرمستقیم تغییر اقلیم بر بخش‌های مختلف اعم از کشاورزی، منابع آب،‌ محیطزیست، صنعت و اقتصاد، برنامه ریزی‌های بلندمدت برای مدیریت شرایط جدید، امری اجتناب ناپذیر بوده و برنامه‌های آینده باید به گونه‌ا‌ی باشند که تغییرات پیش‌رو اثرات زیانبار کمتری را متوجه بخش آب در این مناطق گرداند.

در پژوهش حاضر با استفاده از خروجی‌های بزرگ مقیاس مدل CanESM2 و با مدل کوچک مقیاس نمایی آماری SDSM تحت سناریوهای انتشار گازهای گلخانه‌ای گزارش پنجم RCP2.6، RCP4.5 و RCP8.5 مقادیر دما و بارش در ایستگاه‌های حوضه آذرشهر چای در دوره آینده 2059-2030 میلادی شبیه سازی گردید. با توجه به یافته‌های پژوهش مدل رگرسیون خطی چندمتغیره SDSM کارایی مناسبی در شبیه سازی بارش و دمای ایستگاه آذرشهر و قرمزیگل نشان داد و دارای توانایی خوبی در تولید داده‌های اقلیمی برای دوره آتی است. درجه حرارت با این شبیه سازی در دوره 2059-2030 تحت سناریوهای RCP2.6، RCP4.5 و RCP8.5 برای دمای حداقل بترتیب 13/0+، 16/0+، 23/0+، و برای دمای حداکثر بترتیب 06/0+، 12/0+، 26/0+  درجه سانتی گراد افزایش داشته‌اند.

نتایج شبیه سازی بارش تحت سناریوهای RCP2.6، RCP4.5 و RCP8.5 حاکی از افزایش بارش در ایستگاه آذرشهر بترتیب 44/7+، 1/6+، 53/4+ درصد و کاهش بارش در ایستگاه قرمزیگل بترتیب 15/1-، 01/5-، 57/7- درصد بود. همان طور که مشهود است روند کاهشی بارش در سناریوها دیده می‌شود بطوری که در بدبینانه ترین سناریو (RCP8.5)، بیشترین کاهش نمایان شده است. نتایج حاکی از بررسی بارش‌های حدی نشان داد که با وجود تغییرات اقلیمی و کاهش بارش و افزایش دما و به تبع آن افزایش تبخیر و درنتیجه کمبود منابع آبی و خشکسالی نباید از سیل و بارش‌های حدی سیل آسا غافل ماند. با این گونه شبیه سازی‌ها میتوان دریافت که تغییر اقلیم حتی در حوضه‌هایی که کاهش متوسط بارش سالانه را به همراه داشته اند، باعث افزایش مقدار و فرکانس بارش‌های حدی شده است. نتایج پژوهش در افزایش وقوع رخدادهای حداکثر بارش و سیل با سایر پژوهشگران مطابقت دارد(5، 8، 20). در پژوهش حاضر در ایستگاه‌هایی که مقادیر بارندگی در فصول مختلف افزایش می‌یابد، افزایش مقدار بارندگی خطر ناشی از وقود سیلاب را افزایش خواهد داد، لذا لازم است تا به مدیریت منابع آب و کنترل سیلاب حوضه توجه خاصی مبذول گردد. نتایج حاصل از پژوهش حاضر راهگشای مهمی در اتخاذ تصمیم‌های مرتبط با مدیریت منابع آب در حوضه خواهد بود چرا که با کاهش و افزایش بارندگی و افزایش دما، تبخیر افزایش می‌یابد و کمبود آب و یا سیلاب در آینده بیش از دوره‌ی کنونی احساس می‌شود.

References

• 1- Bolin B.R. The greenhouse effect, climate change and ecosystems. SCOPE Rep. 1986; 29: 541pp.
• 2- Climate Change 2014: Impacts, Adaptation and Vulnerability. Contribution of Working Group II to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. Yokohama, Japan. 2014.
• 3- Mohammadi H, Taghavi F. The trend of extreme temperature and precipitation indices in Tehran. GEOGRAPHICAL RESEARCH QUARTERLY. 2005;37(53): 151-172. (In Persian)
• 4- Climate Change 2007: Synthesis Report, Contribution of Working Groups I, II and III to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change [Core Writing Team, Pachauri, R.K & Reisinger, A. (eds.)]. IPCC, Geneva, Switzerland, 2007b;104 pp.
• 5- Alison L.K. Richard G.J. Nicholas S.R. RCM rainfall for UK flood frequency estimation. II. Climate change results. Journal of Hydrology. 2004; 318:163-172
• 6- Hao Z. Aghakouchak A. Phillips T.J. Changes in concurrent monthly precipitation and temperature extremes. Environmental Research Letters, 2013; 8:1–7.
• 7- Bozkurt D. Sen O. L. Climate change impacts in the Euphrates–Tigris Basin based on different model and scenario simulations. Journal of hydrology. 2013; 480: 149-161.
• 8- Akurut M. Willems p. Niwagaba C.B. Potential Impacts of Climate Change on Precipitation over Lake ictoria, East Africa, in the 21st Century. Water 2114, 2014; 6: 2634-2659.
• 9- Masood M. Yeh P.J.F. Hanasaki N. Takeuchi K. Model study of the impacts of future climate change on the hydrology of Ganges–Brahmaputra–Meghna basin. Hydrology Earth Syst. Sci. 2015; 19: 242-221.
• 10- Farajzadeh M. Climate Change Effects on River Discharge-Case Study Sheshpir River. Geography and Environmental Planning. 2013; 24(1): 17-32. (In Persian)
• 11- Dashtbozorgi A. Alijani, B. Jafarpour Z. & Shakiba A. Simulatiing ExtremeTemperature Indicators Based on RCP Scenarios: The Case of Khuzestan Province. Journal of Geography and Environmental Hazards. 2016; 4(4): 105-124. (In Persian)
• 12- Mirdashtvan M. Malekian A. Mohseni Saravi M. Climate change assessment under greenhouse gases emission scenarios: Urmia Lake Basin. Desert Management. 2017; 5(9): 15-30. (In Persian)
• 13- Performance Evaluation of Statistical Downscaling Model (SDSM) in Forecasting Temperature Indexes in Two Arid and Hyper Arid Regions (Case Study: Kerman and Bam) . jwmr. 2015; 5 (10) :117-131. (In Persian)
• 14- Afrooz A. Akbari, H. Rakhshandehroo, G. Pourtouiserkani A. Climate change impact on probable maximum precipitation in Chenar-Rahdar River Basin. Watershed Management. 2015; 1: 36-47.
• 15- Chylek P. Li J. Dubey M. K. Wang M. Lesins G. Observed and model simulated 20th century Arctic temperature variability: Canadian Earth System Model CanESM2. Atmospheric Chemistry and Physics, Discuss. 2011; 11: 22893-22907.
• 16- Meinshausen M. Smith S.J. Calvin K. Daniel J.S. Kainuma M.L.T. Lamarque J.F. Matsumoto K. Montzka S.A. Raper S.C.B. Riahi K. Thomson A. Velders G.J.M. Van Vuuren D.P.P. The RCP greenhouse gas concentrations and their extensions from 1765 to 2300. Climatic Change. 2011; 109: 213–241.
• 17- Wilby R.L. Harris I. A framework for assessing uncertainties in climate change impacts: Low-flow scenarios for the River Thames, UK. Water Resources Research, 2006; 42: 1-10.
• 18- Chen J. Brissette F.P. Leconte R. Coupling statistical and dynamical methods for spatial downscaling of precipitation. Journal of Climate Change. 2012; 114: 509-526.
• 19- Motovilov Y.G. Gottschalk, L. Engeland, K. and Rodhe A. Validation of a istributed Hydrological Model again Spatial Observations. Agricultural and Forest Meteorology. 1999; 98: 257-277.
• 20- Qin X. S. & Lu Y. Study of climate change impact on flood frequencies: a combined weather generator and hydrological modeling approach, Journal of Hydrometeorology. 2014; 15(3): 1205-1219

[1]-  دانشیار دانشکده مهندسی عمران، دانشگاه یزد، ایران (نویسنده مسئول) 

[2]- دانشجوی ارشد مهندسی عمران، آب و سازه های هیدرولیکی، دانشگاه آیت الله العظمی بروجردی (ره)، ایران

[3]- Associate Professor, Department of Civil Engineering, Yazd University, Iran *(Corresponding Author)

[4]- M.S Student of Civil Engineering, Water and Hydraulic Structures, Ayatollah Ozma Boroujerdi University, Iran

[5]- Intergovernmental Panel on Climate Change

[6]- Statistical Down Scaling Model

[7]- Representative Concentration Pathways

[8]- http://climate-scenarios.canada.ca/?page=pred-canesm2

[9]- Canadian Earth System Model

[10]- General Circulation Model

[11]- Canadian Coupled Global Climate Model

[12]- Canadian Terrestrial Ecosystem Model

[13]- Canadian Centre for Climate Modelling and Analysis

[14]- National Centers for Environmental Prediction

[15]- Emission Scenarios

[16]- Assessment Report Fifth

[17]- Root Mean Square Error

[18]- Coefficient of Determination

[19]- Nash–Sutcliffe Efficiency