دوره 13، شماره 26 - ( پاییز و زمستان 1401 1401 )
جلد 13 شماره 26 صفحات 124-115 |
برگشت به فهرست نسخه ها
دانشکده منابع طبیعی و محیط زیست دانشگاه ملایر
چکیده: (1219 مشاهده)
چکیده مبسوط
مقدمه و هدف: یکی از مهم‌ترین چالش‌ها در سال‌های اخیر مساله تغییر اقلیم و اثرات آن بر منابع آبی است که به‌عنوان یکی از اصلی‌ترین زمینه‌های تحقیقاتی در سراسر جهان محسوب می‌شود. دو نشانه‌ی بارز و مشخص تغییر اقلیم تغییر در میانگین و مقادیر حدی متغیرهای اقلیمی است که می‌تواند احتمال بروز سیلاب‌ها را افزایش دهد و آثار زیانباری را در پی داشته باشد. به همین دلیل لازم است تا اثر تغییر اقلیم بر سیلاب حوضه‌ها در دوره‌های آتی بررسی گردد.
مواد و روشها: در این تحقیق با استفاده از داده‌های روزانه بارش و دمای مشاهده‌شده در دوره 2005-1961 ایستگاه‌های سینوپتیک و کلیماتولوژی داخل و اطراف حوزه آبخیز بختیاری اثر تغییر اقلیم موردبررسی قرار گرفت. برای پیش‌بینی بارش و دما در آینده از داده‌های مدل گردش عمومی canESM2 تحت سناریوهای حدی 6/2RCP و 5/8RCP برای متغیرهای اقلیمی در دوره‌های 2006 تا 2100 استفاده شد. معیارهای مؤثر در ریزمقیاس نمایی با توجه به میزان همبستگی متغیرهای پیش‌بینی کننده و پیش‌بینی شونده پایگاه NCEP انتخاب شد. سپس از مدل نیمه توزیعی MORDOR-SD برای ارزیابی اثرات تغیر اقلیم بر میزان رواناب استفاده شد. این مدل با استفاده از داده‌های روزانه بارش و دما و دبی‌های مشاهده‌ای در ایستگاه تنگ پنج بختیاری در دوره آماری 2006-1976 واسنجی و اعتباریابی شد. اعمال نتایج تغییرات داده‌های بارش و دمای به‌دست‌آمده از مدل SDSM تحت دو سناریوی ذکرشده و بازتولید آن‌ها به تعداد بسیار زیاد به روش بوت استرپ ناپارامتری و جایگزینی رویدادهای حداکثر روزانه حاصل از آن در مدل هیدرولوژیکی دستیابی به حداکثر جریان روزانه و احتمال مربوط به آن را ممکن ساخت. پس از پایان شبیه‌سازی و محاسبه تابع توزیع تجمعی رویدادهای شبیه‌سازی شده مقادیر حداکثر دبی‌های روزانه در دوره بازگشت‌های مختلف محاسبه شد.
یافته‌ها: نتایج نشان داد که پارامترهای دما و بارش تحت سناریوهای 6/2RCP و 8/5RCP با متوسط معیارهای ارزیابی 1/29 MAE=1/96, RMSE= و 0/56NASH=برای بارش به‌طور متوسط 5/4 تا 11 درصد کاهش نسبت به دوره پایه و برای دما با معیارهای ارزیابی2/71=MAE=2/27، RMSE و0/92=NASH از 6/5 تا 10/4 درصد افزایش نسبت به دوره پایه را به دنبال دارد. نتایج معیارهای ارزیابی نش-ساتکلیف و کلینگ- گوپتا به ترتیب 0/76 و 0/83 است که نشان از توانایی قابل‌قبول مدل هیدرولوژیکی در شبیه‌سازی است.
نتیجه‌گیری: نتایج نهایی تحقیق نشان داد که حداکثر دبی‌های روزانه شبیه‌سازی‌شده با استفاده از داده‌های سناریوی 8/5 در دوره بازگشت‌های مختلف، مقادیر بیشتری را نسبت به حداکثر دبی‌های روزانه در سناریوی 2/6 نشان می‌دهد اما نسبت به داده‌های حداکثر روزانه در دوره پایه تغییر قابل‌توجهی وجود ندارد.
مقدمه و هدف: یکی از مهم‌ترین چالش‌ها در سال‌های اخیر مساله تغییر اقلیم و اثرات آن بر منابع آبی است که به‌عنوان یکی از اصلی‌ترین زمینه‌های تحقیقاتی در سراسر جهان محسوب می‌شود. دو نشانه‌ی بارز و مشخص تغییر اقلیم تغییر در میانگین و مقادیر حدی متغیرهای اقلیمی است که می‌تواند احتمال بروز سیلاب‌ها را افزایش دهد و آثار زیانباری را در پی داشته باشد. به همین دلیل لازم است تا اثر تغییر اقلیم بر سیلاب حوضه‌ها در دوره‌های آتی بررسی گردد.
مواد و روشها: در این تحقیق با استفاده از داده‌های روزانه بارش و دمای مشاهده‌شده در دوره 2005-1961 ایستگاه‌های سینوپتیک و کلیماتولوژی داخل و اطراف حوزه آبخیز بختیاری اثر تغییر اقلیم موردبررسی قرار گرفت. برای پیش‌بینی بارش و دما در آینده از داده‌های مدل گردش عمومی canESM2 تحت سناریوهای حدی 6/2RCP و 5/8RCP برای متغیرهای اقلیمی در دوره‌های 2006 تا 2100 استفاده شد. معیارهای مؤثر در ریزمقیاس نمایی با توجه به میزان همبستگی متغیرهای پیش‌بینی کننده و پیش‌بینی شونده پایگاه NCEP انتخاب شد. سپس از مدل نیمه توزیعی MORDOR-SD برای ارزیابی اثرات تغیر اقلیم بر میزان رواناب استفاده شد. این مدل با استفاده از داده‌های روزانه بارش و دما و دبی‌های مشاهده‌ای در ایستگاه تنگ پنج بختیاری در دوره آماری 2006-1976 واسنجی و اعتباریابی شد. اعمال نتایج تغییرات داده‌های بارش و دمای به‌دست‌آمده از مدل SDSM تحت دو سناریوی ذکرشده و بازتولید آن‌ها به تعداد بسیار زیاد به روش بوت استرپ ناپارامتری و جایگزینی رویدادهای حداکثر روزانه حاصل از آن در مدل هیدرولوژیکی دستیابی به حداکثر جریان روزانه و احتمال مربوط به آن را ممکن ساخت. پس از پایان شبیه‌سازی و محاسبه تابع توزیع تجمعی رویدادهای شبیه‌سازی شده مقادیر حداکثر دبی‌های روزانه در دوره بازگشت‌های مختلف محاسبه شد.
یافته‌ها: نتایج نشان داد که پارامترهای دما و بارش تحت سناریوهای 6/2RCP و 8/5RCP با متوسط معیارهای ارزیابی 1/29 MAE=1/96, RMSE= و 0/56NASH=برای بارش به‌طور متوسط 5/4 تا 11 درصد کاهش نسبت به دوره پایه و برای دما با معیارهای ارزیابی2/71=MAE=2/27، RMSE و0/92=NASH از 6/5 تا 10/4 درصد افزایش نسبت به دوره پایه را به دنبال دارد. نتایج معیارهای ارزیابی نش-ساتکلیف و کلینگ- گوپتا به ترتیب 0/76 و 0/83 است که نشان از توانایی قابل‌قبول مدل هیدرولوژیکی در شبیه‌سازی است.
نتیجه‌گیری: نتایج نهایی تحقیق نشان داد که حداکثر دبی‌های روزانه شبیه‌سازی‌شده با استفاده از داده‌های سناریوی 8/5 در دوره بازگشت‌های مختلف، مقادیر بیشتری را نسبت به حداکثر دبی‌های روزانه در سناریوی 2/6 نشان می‌دهد اما نسبت به داده‌های حداکثر روزانه در دوره پایه تغییر قابل‌توجهی وجود ندارد.
نوع مطالعه: كاربردي |
موضوع مقاله:
هيدرولوژی
دریافت: 1400/12/7 | ویرایش نهایی: 1401/11/9 | پذیرش: 1401/2/31 | انتشار: 1401/9/10
دریافت: 1400/12/7 | ویرایش نهایی: 1401/11/9 | پذیرش: 1401/2/31 | انتشار: 1401/9/10
فهرست منابع
1. Allan, R.P. and B.J. Soden. 2008. Atmospheric warming and the amplification of precipitation extremes. Science, 321(5895): 1481-1484. [DOI:10.1126/science.1160787]
2. Asadieh, B. and N.Y. Krakauer. 2015. Global trends in extreme precipitation: Climate models versus observations. Hydrology and Earth System Sciences, 19(2): 877-891. [DOI:10.5194/hess-19-877-2015]
3. Asadieh, B., N.Y. Krakauer and B.M. Fekete. 2016. Historical trends in mean and extreme runoff and streamflow based on observations and climate models. Water (Switzerland), 8(5). [DOI:10.3390/w8050189]
4. Baghbanan, P., A. Ahmad Abadi and A. Karimi. 2021. Investigating the effect of climate change on hydrological changes in Hablehrood catchment. Climate Change Research, 2(5): 27-40.
5. Bauwens, A., C. Sohier- and A. Degré. 2013. Impacts of climate change on hydrological regimes and water resources management in the Meuse catchment. A review. Impacts Du Changement Climatique Sur l'hydrologie et La Gestion Des Ressources En Eau Du Bassin de La Meuse (Synthèse Bibliographique), 17(1): 76-86.
6. Bermúdez, M., J.F. Farfán, P. Willems and L. Cea. 2021. Assessing the Effects of Climate Change on Compound Flooding in Coastal River Areas. Water Resources Research, 57(10): 1-19. [DOI:10.1029/2020WR029321]
7. Curry, J. 2011. IPCC special reports on extreme events. Intergovernmental Panel on Climate Change (IPCC).
8. Dibike, Y.B. and P. Coulibaly. 2005. Hydrologic impact of climate change in the Saguenay watershed: comparison of downscaling methods and hydrologic models. Journal of Hydrology, 307(1-4): 145-163. [DOI:10.1016/j.jhydrol.2004.10.012]
9. Garavaglia, F., M. Le Lay, F. Gottardi, R. Garçon, J. Gailhard, E. Paquet, and T. Mathevet. 2017. Impact of model structure on flow simulation and hydrological realism: From a lumped to a semi-distributed approach. Hydrology and Earth System Sciences, 21(8): 3937-3952. [DOI:10.5194/hess-21-3937-2017]
10. Greve, P., B. Orlowsky, B. Mueller, J. Sheffield, M. Reichstein and S. I. Seneviratne. 2014. Global assessment of trends in wetting and drying over land. Nature Geoscience, 7(10): 716-721. [DOI:10.1038/ngeo2247]
11. Griggs, D.J. and M. Noguer. 2002. Climate change 2001: The scientific basis. Contribution of working group I to the third assessment report of the intergovernmental panel on climate change. Weather, 57(8): 267-269. [DOI:10.1256/004316502320517344]
12. Gupta, H.V., H. Kling, K.K. Yilmaz and G.F. Martinez. 2009. Decomposition of the mean squared error and NSE performance criteria: Implications for improving hydrological modelling. Journal of Hydrology, 377(1-2): 80-91. [DOI:10.1016/j.jhydrol.2009.08.003]
13. Hassan, Z., S. Shamsudin and S. Harun. (n.d.). Application of SDSM and LARS-WG for simulating and downscaling of rainfall and temperature.
14. Hemmati, L., and M. Miryaghoubzadeh. 2021. Forecasting of Climate Variables in Future Periods Based on HadCM3 Data using Statistical Downscaling Model (SDSM) in Agh-Chay Basin (West Azarbayjan) Jwmr, 12(23): 95-107.
15. Kavian, A., M. Namdar, M. Golshan and M. Bahri. 2017. Hydrological modeling of Climate Changes Impact on flow discharge in Haraz River Basin. Journal of Natural Environmental Hazards, 6(12): 89-104.
16. Kharin, V.V., F.W. Zwiers, X. Zhang and M. Wehner. 2013. Changes in temperature and precipitation extremes in the CMIP5 ensemble. Climatic Change, 119(2): 345-357. [DOI:10.1007/s10584-013-0705-8]
17. Khazaei, M.R., Hadis Khazaee and Bahram Saghafian. 2020. Climate Change Impact on Extreme Rainfalls in Arid Region of Iran. Journal of Environmental Science and Technology, 22(9): 31-42.
18. Lehmann, J., D. Coumou and K. Frieler. 2015. Increased record-breaking precipitation events under global warming. Climatic Change, 132(4): 501-515. [DOI:10.1007/s10584-015-1434-y]
19. Lei, H., D. Yang and M. Huang. 2014. Impacts of climate change and vegetation dynamics on runoff in the mountainous region of the Haihe River basin in the past five decades. Journal of Hydrology, 511: 786-799. [DOI:10.1016/j.jhydrol.2014.02.029]
20. Min, S.K., X. Zhang, F.W. Zwiers and G.C. Hegerl. 2011. Human contribution to more-intense precipitation extremes. Nature, 470(7334): 378-381. [DOI:10.1038/nature09763]
21. Parandin, F., A. Khoorani and O. Bazrafshan. 2019. The Impacts of Climate Change on Maximum Daily Discharge in the Payab Jamash Watershed , Iran, 1035-1045. [DOI:10.1515/geo-2019-0080]
22. Pourtouiserkani, A. and G. Rakhshandehroo. 2014. Investigating climate change impact on extreme rainfall Events Case study: Chenar-Rahdar basin, Fars, Iran. Scientia Iranica, 21(3): 525-533.
23. Stout, G.E. 1990. Climate and water. Eos, Transactions American Geophysical :union: (Vol. 71). [DOI:10.1029/90EO00112]
24. Toreti, A., P. Naveau, M. Zampieri, A. Schindler, E. Scoccimarro, E. Xoplaki, H.A. Dijkstra, S. Gualdi and J. Luterbacher. 2013. Projections of global changes in precipitation extremes from Coupled Model Intercomparison Project Phase 5 models. Geophysical Research Letters, 40(18): 4887-4892. [DOI:10.1002/grl.50940]
25. Vicente-Serrano, S.M., R. García-Herrera, D. Peña-Angulo, M. Tomas-Burguera, F. Domínguez-Castro, I. Noguera, N. Calvo, C. Murphy, R. Nieto, L. Gimeno, J.M. Gutierrez, C. Azorin-Molina and A. El Kenawy. 2021. Do CMIP models capture long-term observed annual precipitation trends? Climate Dynamics, (0123456789). [DOI:10.1007/s00382-021-06034-x]
26. Wentz, F.J., L. Ricciardulli, K. Hilburn and C. Mears. 2007. How much more rain will global warming bring? Science, 317(5835): 233-235. [DOI:10.1126/science.1140746]
27. Wilby, R.L. 2007. Seasonal Forecasting of River Flows in the British Isles Using North Atlantic Pressure Patterns. Water and Environment Journal, 15(1): 56-63. [DOI:10.1111/j.1747-6593.2001.tb00305.x]
28. Wu, C.H., G.R. Huang and H.J. Yu. 2015. Prediction of extreme floods based on CMIP5 climate models: A case study in the Beijiang River basin, South China. Hydrology and Earth System Sciences, 19(3): 1385-1399. [DOI:10.5194/hess-19-1385-2015]
29. Zabardast Rostami, H.A., M. Raeini Sarjaz and M.A. Gholami Sefidkouhi. 2021. Assessment of Climate Change Effects on River Flow of Gelevard Dam Basin. Jwmr, 12(24): 205-216.
30. Zamani, R. 2019. Assessment of Climate Change impacts on Runoff under Different Level of Probabilistic with Uncertainty Approach (Case Study: Zard River Basin). Irrigation Sciences and Engineering.
31. Zhang, X., F.W. Zwiers, G.C. Hegerl, F.H. Lambert, N.P. Gillett, S. Solomon, P.A. Stott and T. Nozawa. 2007. Detection of human influence on twentieth-century precipitation trends. Nature, 448(7152): 461-465. [DOI:10.1038/nature06025]
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |