دوره 15، شماره 1 - ( بهار و تابستان 1403 )                   جلد 15 شماره 1 صفحات 146-131 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Norooz-valashedi R, Bararkhanpour Ahmadi S, Bahrami-Pichaghchi H, Mazloom Babanari S, Vatanparast F, Esfandiar F. (2024). Investigation of Precipitation-Based Indices in the Mazandaran Region Under Climate Scenarios of the Sixth Report. J Watershed Manage Res. 15(1), 131-146. doi:10.61186/jwmr.15.1.131
URL: http://jwmr.sanru.ac.ir/article-1-1258-fa.html
نوروز ولاشدی رضا، برارخانپور احمدی صدیقه، بهرامی پیچاقچی حدیقه، مظلوم باب اناری سارا، وطن پرست فاطمه، اسفندیار فاطمه. بررسی نمایه‌های مبتنی بر بارش در پهنه مازندران تحت سناریوهای اقلیمی گزارش ششم پ‍‍ژوهشنامه مديريت حوزه آبخيز 1403; 15 (1) :146-131 10.61186/jwmr.15.1.131

URL: http://jwmr.sanru.ac.ir/article-1-1258-fa.html

بررسی نمایه‌های مبتنی بر بارش در پهنه مازندران تحت سناریوهای اقلیمی گزارش ششم
رضا نوروز ولاشدی* 1، صدیقه برارخانپور احمدی2، حدیقه بهرامی پیچاقچی2، سارا مظلوم باب اناری2، فاطمه وطن پرست3، فاطمه اسفندیار4
1- هواشناسی کشاورزی، گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران & هواشناسی کشاورزی، گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
2- هواشناسی کشاورزی، گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران و هواشناسی کشاورزی، گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
3- هواشناسی کشاورزی، گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران و هواشناسی کشاورزی، گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
4- گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران و گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
چکیده:   (1189 مشاهده)
چکیده مبسوط
مقدمه و هدف: یکی از اثرات مهم گرمایش جهانی افزایش پدیده های حدی هواشناختی است که از مهمترین آن­ها می­ توان به تغییر ناگهانی دما، گرمای بیش از حد، سرمای غیرعادی، بارش ­های سنگین و سیل ­آسا، خشک سالی و گرد و غبار ناشی از خشک شدن تالاب ­ها اشاره نمود. تغییر در مولفه­ های اقلیمی در اثر تغییر اقلیم بر روی شدت و فراوانی وقایع حدی بارش و نیز به متعاقب آن بر جامعه و محیط زیست طبیعی تأثیرگذار بوده است؛ بنابراین بررسی تغییرات آینده نمایه ­های مختلف بارش جهت اعمال برنامه­ های مدیریتی بیش از پیش ضرورت دارد به ویژه برای ایران که نیاز به پیشرفت در مطالعات مدل­ سازی آب و هوا با هدف بهبود دانش در مورد تغییرات آب و هوا و تأثیرات آن در کل کشور دارد. در این پژوهش تغییرات روند و نقطه شکست نمایه ­های مبتنی بر بارش با استفاده از مدل سری CMIP6 تحت سه سناریوی خوش‌بینانه، میانه و بدبینانه در استان مازندران برای دو دوره­ی زمانی آینده نزدیک (2060-2021) و آینده دور (2100-2061) مورد مطالعه قرار گرفت.
مواد و روش‌ها: در این پژوهش، برای بررسی مکانی-زمانی روند و نقطه شکست بارش استان مازندران (15 ایستگاه) در دوره­ی آینده، از داده­ های بارش سناریوهای (SSP126, SSP245, SSP585) در دو دوره­ی 2060-2021 و 2100-2061 استفاده شد. با استفاده از نرم ­افزار R-Climdex در محیط نرم ­افزارR، نمایه­ های حدی بارش برای سناریوها و دوره­ های مختلف تعیین شد و سپس برای بررسی روند و نقطه شکست، از آزمون­ های من­ کندال، سن و پتیت استفاده شد. نمایه‌های بارش توسط یک گروه کارشناسی زیر نظر سازمان جهانی هواشناسی به‌عنوان نمایه‌های حدی و نمایه‌های تغییرات آب و هوایی تعریف شده است. لذا در این پژوهش پس از دریافت خروجی مدل ‏ها و ریزمقیاس‌نمایی آن‌ها، داده‌ها در دوره آینده و بر اساس سه سناریوی مورد نظر در تمامی ایستگاه‏ های مورد مطالعه گروه‌بندی شد. برای استخراج نمایه ­های بارش روزانه با برنامه‌نویسی تحت R و به کمک بسته ارائه شده توسط زانگ و یانگ در شعبه تحقیقات اقلیمی سرویس هواشناسی کانادا توسعه یافت، استفاده شد. لذا از بین 27 ‌نمایه موجود‌، 11 ‌نمایه‌ مربوط به بارش و 16 ‌نمایه‌ مربوط به دما بوده است.
یافته‌ها: نتایج حاکی از آن است که در آینده ­ی نزدیک تحت سناریو خوش ­بینانه (SSP126)، نمایه تعداد روزهای تر متوالی، روزهای با بارش سنگین و روزهای خیلی مرطوب در نیمه شرقی استان  به‎صورت معنی­ دار افزایش اما بر اساس سناریوی بدبینانه (SSP585) نمایه روزهای مرطوب و مقدار سالانه بارندگی در نواحی مختلف استان کاهش خواهد یافت. از نظر وقوع نقطه شکست، تنها در سناریوی بدبینانه نمایه روزهای تر متوالی، شدت روزانه بارش و روزهای مرطوب دارای نقطه شکست به ترتیب افزایشی در دهه 2060، افزایشی در سال 2061 و کاهشی در سال 2051 نواحی در نیمه شرقی خواهد بود. در حالی که تحت سناریوهای دیگر هیچ تغییر ناگهانی در سری داده­ ها مشاهده نخواهد شد. بر اساس سناریوی میانه، تغییرات چندانی در نمایه­ های بارش به‎صورت منطقه ­ای رخ نخواهد داد و تنها نمایه شدت روزانه بارش در تعداد محدودی از ایستگاه ­های ساحلی در آینده­ ی نزدیک افزایش خواهد یافت. با این­حال تحت سناریوی بدبینانه، تغییرات نمایه­ های حدی در اغلب مواقع کاهشی خواهد بود؛ به طوری­ که در آینده ­ی نزدیک، نمایه تعداد روزهای مرطوب (با بارش 1 میلی­ متر) در اغلب مناطق استان با شدت بالایی کاهش خواهد یافت. همچنین مقدار سالانه بارندگی در روزهای مرطوب در نواحی ساحلی و غربی، و نیز دو نمایه تعداد روزهای با بارش سنگین و خیلی سنگین در ایستگاه ­های مرتفع نواحی غربی کاهش خواهد یافت؛ بنابراین اگرچه ممکن است در آینده­ ی نزدیک احتمال خطر رخداد وقایع سیلابی کاهش یابد، اما با توجه به کاهش
نمایه ­های رطوبتی در حالت بدبینانه، احتمال وقوع خشکسالی­ های گسترده افزایش می­ یابد. در آینده دور، نمایه‌های بارشی تغییرات معنی‌داری نخواهند داشت و تنها تعداد روزهای با بارش سنگین در نواحی مرتفع شرق استان کاهش خواهد یافت. از نظر وقوع تغییرات ناگهانی نیز می‌توان بیان کرد با حرکت به سمت سناریوی خوش‌بینانه و میانه، تغییر ناگهانی یا نقطه شکست معنی‌داری در سری داده‌های هیچ‌یک از ‌نمایه‌های بارش تا سال 2100 رخ نخواهد داد. اما با حرکت به سمت سناریوی بدبینانه، نقطه تغییر افزایشی برای نمایه تعداد روزهای تر متوالی در تعدادی از ایستگاه‌های استان برای دهه 2070-2060 وجود خواهد داشت. همچنین نمایه‌های شدت روزانه بارش و تعداد روزهای مرطوب (با بارش 1 میلی‌متر) به ترتیب یک تغییر ناگهانی افزایشی در سال 2061 و کاهشی در سال 2051 را در نواحی نیمه شرقی استان تجربه خواهند نمود که بیانگر افزایش ناگهانی در شدت بارش‌های نزولی و کاهش وقوع تعداد روزهای با بارندگی کم است.
نتیجه‌گیری: به‎طور کلی با قرار گرفتن در مسیر سناریو خوش‌بینانه و کاهش انتشار گازهای گلخانه‌ای، می‌توان شاهد افزایش رخدادهای بارشی و افزایش نمایه‌های رطوبتی به خصوص در نیمه شرقی استان بود حال‌آنکه با ادامه مسیر کنونی و چه بسا حالت بدبینانه (افزایش انتشار گازهای گلخانه‌ای)، در آینده‌ی نه چندان دور می‌توان شاهد کاهش در مقدار و فراوانی بارندگی بود که متعاقب آن، با کاهش منابع آبی در استان و افزایش وقوع خشکسالی‌های خفیف تا گسترده مواجه خواهیم شد. بنابراین تدوین برنامه‌ریزی‌های مناسب در زمینه مدیریت خاک، آب و کشاورزی در سطح استان توصیه می‌شود.
 
واژه‌های کلیدی: تغییر اقلیم، روند مکانی-زمانی، مازندران، نمایه‌های حدی بارش
متن کامل [PDF 3321 kb]   (325 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: هواشناسی
دریافت: 1402/1/10 | پذیرش: 1402/7/24
فهرست منابع
1. Aghani, M., Ghorbani, K., & Salarijazi, M. (2017). Trend and change point analysis of seasonal SPI drought index in Iran. Iranian Journal of Irrigation & Drainage, 11(4), 667-679. (In persian)
2. Babaousmail, H., Hou, R., Ayugi, B., Sian, K. T. C. L. K., Ojara, M., Mumo, R., . . . Ongoma, V. (2022). Future changes in mean and extreme precipitation over the Mediterranean and Sahara regions using bias‐corrected CMIP6 models. International Journal of Climatology, 42(14), 7280-7297. [DOI:10.1002/joc.7644]
3. Bai, H., Xiao, D., Wang, B., Liu, D. L., Feng, P., & Tang, J. (2021). Multi‐model ensemble of CMIP6 projections for future extreme climate stress on wheat in the North China plain. International Journal of Climatology, 41, E171-E186. [DOI:10.1002/joc.6674]
4. Bayatani, F., Hayatzadeh, M., Fotouhi Firozabad, F., Fathzadeh, A., Karami, A. (2023). Spatial assessment of watershed vulnerability based on climatic approach (case study: Doroodzan watershed, Fars Province). Journal of Watershed Management Research, 14(28), 78-88. [DOI:10.61186/jwmr.14.28.78]
5. Bock, L., Lauer, A., Schlund, M., Barreiro, M., Bellouin, N., Jones, C., . . . Eyring, V. (2020). Quantifying progress across different CMIP phases with the ESMValTool. Journal of Geophysical Research: Atmospheres, 125(21), e2019JD032321. [DOI:10.1029/2019JD032321]
6. Eyring, V., Bony, S., Meehl, G. A., Senior, C. A., Stevens, B., Stouffer, R. J., & Taylor, K. E. (2016). Overview of the Coupled Model Intercomparison Project Phase 6 (CMIP6) experimental design and organization. Geoscientific Model Development, 9(5), 1937-1958. [DOI:10.5194/gmd-9-1937-2016]
7. Fahiminezhad, E., Babaeian, I., & Entezari, A. (2019). Simulation of the effect of global warming on the mean and extreme events of some hydrochemical variables in Shandiz catchment basin Case study: The Case of the general circulation model CanESM2. Journal of Spatial Analysis Environmental hazarts, 6(3), 27-48. [DOI:10.29252/jsaeh.6.3.27]
8. Fan, L., & Xiong, Z. (2015). Using quantile regression to detect relationships between large-scale predictors and local precipitation over northern China. Advances in Atmospheric Sciences, 32, 541-552. [DOI:10.1007/s00376-014-4058-7]
9. Field, C. B., Barros, V. R., Mastrandrea, M. D., Mach, K. J., Abdrabo, M. A., Adger, W. N., . . . Barnett, J. (2015). Summary for policymakers. In Climate change 2014: impacts, adaptation, and vulnerability. Part A: global and sectoral aspects. Contribution of Working Group II to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change (pp. 1-32): Cambridge University Press. [DOI:10.1017/CBO9781107415379.003]
10. Ghorbani, K., Bararkhan Poor, S., Valizadeh, E., & Molaarazi, A. J. (2020). Regional analysis of trend and change point in seasonal series of SPEI drought index in Iran. Journal of Water and Soil Conservation, 27(4), 185-200. (In persian)
11. Gupta, V., Singh, V., & Jain, M. K. (2020). Assessment of precipitation extremes in India during the 21st century under SSP1-1.9 mitigation scenarios of CMIP6 GCMs. Journal of Hydrology, 590, 125422. [DOI:10.1016/j.jhydrol.2020.125422]
12. Habibzadeh Tilami, A., Shahedi, K., & Habibnejad Roshan, M. (2023). Monitoring the meteorological and hydrological drought trend in Tajan watershed, Mazandaran province. Journal of Watershed Management Research, 14(28), 124-133. [DOI:10.61186/jwmr.14.28.124]
13. Hamed, K. H., & Rao, A. R. (1998). A modified Mann-Kendall trend test for autocorrelated data. Journal of Hydrology, 204(1-4), 182-196. [DOI:10.1016/S0022-1694(97)00125-X]
14. Hejazizadeh, Z., & Zarei, S. (2023). Investigation of Changes of Temperature and Rainfall Indicators in Kurdistan Province Based on Radiation Injection Scenarios (RCP). Journal of Applied researches in Geographical Sciences, 23(69), 1-14.
15. Kanani, R., Fakheri-Fard, A., Ghorbani, M., & Dinpashoh, Y. (2019). Trend analysis of gradual and rapid variations of hydro-climatological factors (Case Study: Lighvanchai Basin). Water and Soil Science, 29(1), 97-110. (In persian)
16. Karl, T. R., Nicholls, N., & Ghazi, A. (1999). Clivar/GCOS/WMO workshop on indices and indicators for climate extremes workshop summary. Weather and climate extremes: Changes, variations and a perspective from the insurance industry, 3-7. [DOI:10.1007/978-94-015-9265-9_2]
17. Kendall, M. (1975). Kendall Rank Correlation Methods; Griffin, C., Ed. In: Oxford University Press: London, UK.
18. Knutti, R., & Sedláček, J. (2013). Robustness and uncertainties in the new CMIP5 climate model projections. Nature Climate Change, 3(4), 369-373. https://doi.org/10.1038/nclimate1716 [DOI:10.1038/nclimates1716]
19. Mann, H. B. (1945). Nonparametric tests against trend. Econometrica: Journal of the econometric society, 245-259. [DOI:10.2307/1907187]
20. Masoodian, S. A. (2023). A Climatological Survey of Spring of 2019 Flood-causing precipitations in the western parts of Iran. Journal of Natural Environmental Hazards, 12(37), 101-116.
21. Meehl, G. A., Covey, C., Delworth, T., Latif, M., McAvaney, B., Mitchell, J. F., . . . Taylor, K. E. (2007). The WCRP CMIP3 multimodel dataset: A new era in climate change research. Bulletin of the American Meteorological Society, 88(9), 1383-1394. [DOI:10.1175/BAMS-88-9-1383]
22. Mistry, M. N. (2019). A high-resolution global gridded historical dataset of climate extreme indices. Data, 4(1), 41. [DOI:10.3390/data4010041]
23. Mortazavifar, S. M., Mobin, M. H., Mokhtari, M. H., Ekrami, M., & Rfiei Sardoii, E. (2019). Evaluation of the impact of climate change on precipitation and temperature variables based on the RCP scenarios: A case study of the east of Mazandaran Province, Iran. Journal of Meteorology and Atmospheric Science, 1(4), 351-364. [DOI:10.1155/2019/6848049]
24. Organization, W. M. (2011). Climate Knowledge for Action: A Global Framework for Climate Services-Empowering the Most Vulnerable: World Meteorological Organization.
25. Pettitt, A. N. (1979). A non‐parametric approach to the change‐point problem. Journal of the Royal Statistical Society: Series C (Applied Statistics), 28(2), 126-135. [DOI:10.2307/2346729]
26. Philip, S. Y., Kew, S. F., Hauser, M., Guillod, B. P., Teuling, A. J., Whan, K., . . . Oldenborgh, G. J. v. (2018). Western US high June 2015 temperatures and their relation to global warming and soil moisture. Climate Dynamics, 50, 2587-2601. [DOI:10.1007/s00382-017-3759-x]
27. Putra, I., Rosid, M. S., Sopaheluwakan, A., & Sianturi, Y. C. U. (2020). The CMIP5 projection of extreme climate indices in Indonesia using simple quantile mapping method. Paper presented at the AIP Conference Proceedings. [DOI:10.1063/5.0000849]
28. Rao, K. K., Kulkarni, A., Patwardhan, S., Kumar, B. V., & Kumar, T. L. (2020). Future changes in precipitation extremes during northeast monsoon over south peninsular India. Theoretical and Applied Climatology, 142, 205-217. [DOI:10.1007/s00704-020-03308-y]
29. Reboita, M. S., Kuki, C. A. C., Marrafon, V. H., de Souza, C. A., Ferreira, G. W. S., Teodoro, T., & Lima, J. W. M. (2022). South America climate change revealed through climate indices projected by GCMs and Eta-RCM ensembles. Climate Dynamics, 58(1-2), 459-485. [DOI:10.1007/s00382-021-05918-2]
30. Ren, G., Chen, Y., Zou, X., Zhou, Y., Ren, Y., Jiang, Y., . . . Zhang, L. (2011). Change in climatic extremes over mainland China based on an integrated extreme climate index. Climate Research, 50(2-3), 113-124. [DOI:10.3354/cr01023]
31. Sadeghi, H., Mohammadi, H., Shamsipour, A., Bazgeer, S., Karimi Ahmadabad, M., & Soufizadeh, S. (2019). Projection of Changes in Precipitation Index of the Southern Coast of the Caspian Sea in Order to Hazards Reduction in the Periods of 2021-2050. Environmental Management Hazards, 6(4), 395-421. (In persian)
32. Salarijazi, M., Akhond-Ali, A.-M., Adib, A., & Daneshkhah, A. (2012). Trend and change-point detection for the annual stream-flow series of the Karun River at the Ahvaz hydrometric station. African Journal of Agricultural Research, 7(32), 4540-4552. [DOI:10.5897/AJAR12.650]
33. Seneviratne, S. I., Donat, M. G., Mueller, B., & Alexander, L. V. (2014). No pause in the increase of hot temperature extremes. Nature Climate Change, 4(3), 161-163. [DOI:10.1038/nclimate2145]
34. Sillmann, J., & Roeckner, E. (2008). Indices for extreme events in projections of anthropogenic climate change. Climatic Change, 86, 83-104. [DOI:10.1007/s10584-007-9308-6]
35. Smith, A. B., & Matthews, J. L. (2015). Quantifying uncertainty and variable sensitivity within the US billion-dollar weather and climate disaster cost estimates. Natural Hazards, 77, 1829-1851. [DOI:10.1007/s11069-015-1678-x]
36. Sobhani, B., Eslahi, M., & Babaeian, I. (2017). Comparison of statistical downscaling in climate change models to simulate climate elements in Northwest Iran. Physical Geography Research Quarterly, 49(2), 301-325. (In persian)
37. soheili E, Malekinezhad H, Ekhtesasi M R. (2019). Analysis of Trends in Temperature and Precipitation in Doroodzan Dam Basin using the Modified Mann-Kendall Test. Journal of Watershed Management Research. 9(18), 123-134. (In persian) [DOI:10.29252/jwmr.9.18.123]
38. Sharifi Garmdareh, A., Mirabbasi Najafabadi, R., Nasr-Esfahani, M., & Fattahi Nafchi, R. (2020). Hydrological Response to Human Activities and Climate Change in the Ghaleh-Shahrokh Watershed. Journal of Watershed Management Research, 11(22), 233-242. (In persian) [DOI:10.52547/jwmr.11.22.233]
39. Stocker, T. F., Qin, D., Plattner, G.-K., Alexander, L. V., Allen, S. K., Bindoff, N. L., . . . Emori, S. (2013). Technical summary. In Climate change 2013: the physical science basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change (pp. 33-115): Cambridge University Press.
40. Taylor, K. E., Stouffer, R. J., & Meehl, G. A. (2012). An overview of CMIP5 and the experiment design. Bulletin of the American Meteorological Society, 93(4), 485-498. [DOI:10.1175/BAMS-D-11-00094.1]
41. Wang, H.-J., Sun, J.-Q., Chen, H.-P., Zhu, Y.-L., Zhang, Y., Jiang, D.-B., . . . Yang, S. (2012). Extreme climate in China: Facts, simulation and projection. Meteorologische Zeitschrift, 21(3), 279. [DOI:10.1127/0941-2948/2012/0330]
42. Wazneh, H., Arain, M. A., & Coulibaly, P. (2020). Climate indices to characterize climatic changes across southern Canada. Meteorological Applications, 27(1), e1861. [DOI:10.1002/met.1861]
43. World Meteorological Organization. (2011). Climate Knowledge for Action: A Global Framework for Climate Services-Empowering the Most Vulnerable. World Meteorological Organization.
44. Xue, J., & Gui, D. (2015). Linear and nonlinear characteristics of the runoff response to regional climate factors in the Qira River basin, Xinjiang, Northwest China. PeerJ, 3, e1104. [DOI:10.7717/peerj.1104]
45. Zarrin, A., & Dadashi-Roudbari, A. (2022). Projection of precipitation intensity in Iran using NEX-GDDP by multi-model ensemble approach. Iranian Journal of Geophysics, 16(1), 47-68. (In persian)
46. Zhang, M., Yang, X., Ren, L., Pan, M., Jiang, S., Liu, Y., . . . Fang, X. (2021). Simulation of extreme precipitation in four climate regions in China by general circulation models (GCMs): performance and projections. Water, 13(11), 1509. [DOI:10.3390/w13111509]
47. Zhang, X., & Yang, F. (2004). RClimDex (1.0) user manual. Climate Research Branch Environment Canada, 22, 13-14.
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به (پژوهشنامه مدیریت حوزه آبخیز (علمی-پژوهشی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 CC BY-NC 4.0 | Journal of Watershed Management Research

Designed & Developed by : Yektaweb