دوره 13، شماره 26 - ( پاییز و زمستان 1401 1401 )
جلد 13 شماره 26 صفحات 104-93 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Safari Sokhtehkolaei F, NoRooz Valashedi R, Khoshravesh M. (2022). Evaluation of Extreme Scenarios of Climate Change on Discharge of the Shahid Rajaei Dam Catchment under HBV-light Model. J Watershed Manage Res. 13(26), 93-104. doi:10.52547/jwmr.13.26.93
URL: http://jwmr.sanru.ac.ir/article-1-1169-fa.html
URL: http://jwmr.sanru.ac.ir/article-1-1169-fa.html
صفری سوخته کلایی فاطمه، نوروز ولاشدی رضا، خوش روش مجتبی. ارزیابی سناریوهای حدی تغییر اقلیم بر آبدهی حوضه آبریز سد شهید رجایی تحت مدل HBV-light پژوهشنامه مديريت حوزه آبخيز 1401; 13 (26) :104-93 10.52547/jwmr.13.26.93
1- دانشگاه علوم کشاورزی و منابع طبیعی ساری، ایران
چکیده: (1681 مشاهده)
چکیده مبسوط
مقدمه و هدف: مدیریت آب در حوضه‌های آبی با توجه به کمبود ایستگاه‌های داده‌برداری به‌سختی امکان‌پذیر است. امروزه شبیه‌سازی بارش-رواناب با مدل‌های مختلف به مدیریت منابع آبی موجود کمک خواهد کرد. لذا استفاده از مدل‌های هیدرولوژی که با حداقل داده‌ها امکان شناخت و مدیریت حوضه را فراهم می‌کنند، می‌تواند روشی مناسب باشد.
مواد و روش‌ها: در این تحقیق به‌منظور شبیه‌سازی رواناب ناشی از بارش و بررسی مکانیسم تشکیل رواناب و جریان خروجی در حوضه آبریز سد شهید رجایی واقع در شهرستان ساری، از مدل HBV-light با داده‌های موجود از سال 1981 تا سال 2015 استفاده شد. از 70 درصد داده‌های سری زمانی در مرحله واسنجی (1981-2005) و حدود 30 درصد آن (2006-2015) در مرحله صحت سنجی استفاده شد. همچنین عملکرد آن تحت شرایط تغییر اقلیم با دو سناریوی RCP2.6 و RCP8.5 در دو بازه زمانی آینده نزدیک (2016-2040) و آینده دور (2041-2065) مورد ارزیابی قرار گرفت.
یافته‌ها: نتایج نشان داد افزایش دما به ترتیب در دو سناریوی RCP2.6 و RCP8.5 به مقدار 11/5 و 13/9 درصد در آینده نزدیک و به ترتیب 13/9 و 24/2 درصد در آینده دور بوده است. همچنین میزان بارش در دو سناریوی اقلیمی RCP2.6 و RCP8.5 در آینده دور و آینده نزدیک حدود 58 درصد کاهش خواهد یافت. نتایج خروجی مدل نشان داد اثر سناریوهای اقلیمی بر دبی‌های اوج در آینده نزدیک (2016-2040) افزایشی و در آینده دور (2041-2065) کاهشی خواهد بود. اختلاف میانگین دبی‌های اوج در پنجره زمانی آینده نسبت به دوره پایه در سطح اعتماد 95 درصد (آزمون کروسکال والیس) معنی‌دار بوده است. به ترتیب در دو سناریوی اقلیمی RCP2.6 و RCP8.5 در آینده نزدیک 36 و 28 درصد افزایش و در آینده دور 12 و 3 درصد کاهش خواهد یافت. بررسی توزیع احتمالاتی داده‌ها نشان داد مقادیر دبی اوج از تابع ویبول نوع سوم پیروی می‌کند. این تغییرات در دبی‌های اوج با توجه به تغییر توزیع آماری احتمال رخداد پدیده‌های حدی (دبی‌های اوج شدید) را افزایش خواهد داد. لذا وقوع بارش‌های حدی و دبی‌های اوج شدیدتر با دور بازگشت کمتری رخ خواهد داد.
نتیجه‌گیری: در مجموع، این نتایج حاکی از آن است مدیریت، بهره‌برداری و نگهداری از منابع آبی تجمیع شده در محل سد شهیدرجایی با چالش جدی روبرو خواهد شد. لذا پیشنهاد می‌شود ضمن بررسی دقیق‌تر و مقایسه با نتایج دیگر مدل‌های هیدرولوژیکی سناریوهای حدی پیش‌رو در مدیریت حوضه آبریز اعمال شود.
مقدمه و هدف: مدیریت آب در حوضه‌های آبی با توجه به کمبود ایستگاه‌های داده‌برداری به‌سختی امکان‌پذیر است. امروزه شبیه‌سازی بارش-رواناب با مدل‌های مختلف به مدیریت منابع آبی موجود کمک خواهد کرد. لذا استفاده از مدل‌های هیدرولوژی که با حداقل داده‌ها امکان شناخت و مدیریت حوضه را فراهم می‌کنند، می‌تواند روشی مناسب باشد.
مواد و روش‌ها: در این تحقیق به‌منظور شبیه‌سازی رواناب ناشی از بارش و بررسی مکانیسم تشکیل رواناب و جریان خروجی در حوضه آبریز سد شهید رجایی واقع در شهرستان ساری، از مدل HBV-light با داده‌های موجود از سال 1981 تا سال 2015 استفاده شد. از 70 درصد داده‌های سری زمانی در مرحله واسنجی (1981-2005) و حدود 30 درصد آن (2006-2015) در مرحله صحت سنجی استفاده شد. همچنین عملکرد آن تحت شرایط تغییر اقلیم با دو سناریوی RCP2.6 و RCP8.5 در دو بازه زمانی آینده نزدیک (2016-2040) و آینده دور (2041-2065) مورد ارزیابی قرار گرفت.
یافته‌ها: نتایج نشان داد افزایش دما به ترتیب در دو سناریوی RCP2.6 و RCP8.5 به مقدار 11/5 و 13/9 درصد در آینده نزدیک و به ترتیب 13/9 و 24/2 درصد در آینده دور بوده است. همچنین میزان بارش در دو سناریوی اقلیمی RCP2.6 و RCP8.5 در آینده دور و آینده نزدیک حدود 58 درصد کاهش خواهد یافت. نتایج خروجی مدل نشان داد اثر سناریوهای اقلیمی بر دبی‌های اوج در آینده نزدیک (2016-2040) افزایشی و در آینده دور (2041-2065) کاهشی خواهد بود. اختلاف میانگین دبی‌های اوج در پنجره زمانی آینده نسبت به دوره پایه در سطح اعتماد 95 درصد (آزمون کروسکال والیس) معنی‌دار بوده است. به ترتیب در دو سناریوی اقلیمی RCP2.6 و RCP8.5 در آینده نزدیک 36 و 28 درصد افزایش و در آینده دور 12 و 3 درصد کاهش خواهد یافت. بررسی توزیع احتمالاتی داده‌ها نشان داد مقادیر دبی اوج از تابع ویبول نوع سوم پیروی می‌کند. این تغییرات در دبی‌های اوج با توجه به تغییر توزیع آماری احتمال رخداد پدیده‌های حدی (دبی‌های اوج شدید) را افزایش خواهد داد. لذا وقوع بارش‌های حدی و دبی‌های اوج شدیدتر با دور بازگشت کمتری رخ خواهد داد.
نتیجه‌گیری: در مجموع، این نتایج حاکی از آن است مدیریت، بهره‌برداری و نگهداری از منابع آبی تجمیع شده در محل سد شهیدرجایی با چالش جدی روبرو خواهد شد. لذا پیشنهاد می‌شود ضمن بررسی دقیق‌تر و مقایسه با نتایج دیگر مدل‌های هیدرولوژیکی سناریوهای حدی پیش‌رو در مدیریت حوضه آبریز اعمال شود.
فهرست منابع
1. Akbary, M. and V. Sayad. 2021. Analysis of climate change studies in Iran. Physical Geography Research Quarterly, 53(1): 37-74 (In Persian).
2. Abbaspour, K.C., M. Faramarzi, S.S. Ghasemi and H. Yang. 2009. Assessing the impact of climate change on water resources in Iran. Water resources research, 45(10): 1-16 (In Persian). [DOI:10.1029/2008WR007615]
3. Binesh, N., M.H. Niksokhan and A. Sarang. 2018. Analysis of Climate Change Impact on Extreme Rainfall Events in the West Flood-Diversion catchment of Tehran. Journal of Watershed Management Research, 9(17): 226-234 (In Persian). [DOI:10.29252/jwmr.9.17.226]
4. Goudarzi, M., B. Salahi and S.A. Hosseini. 2015. Effects of Climate Changes on Surface Runoff Changes (Case Study: Urmia Lake Basin). Iranian Journal of Ecohydrology, 2(2): 175-189 (In Persian).
5. Mutsindikwa, T.C., Y. Yira, A.Y. Bossa, J. Hounkpè, S. Salack, I.A. Saley and A. Rabani. 2021. Modeling climate change impact on the hydropower potential of the Bamboi catchment. Modeling Earth Systems and Environment, 7(4): 2709-2717. [DOI:10.1007/s40808-020-01052-w]
6. Devia, G.K., B.P. Ganasri and G.S. Dwarakish. 2015. A review on hydrological models. Aquatic procedia, 4: 1001-1007. [DOI:10.1016/j.aqpro.2015.02.126]
7. Jansen, K.F., A.J. Teuling, J.R. Craig, M. Dal Molin, W.J. Knoben, J. Parajka, M. Vis and L.A. Melsen. 2021. Mimicry of a Conceptual Hydrological Model (HBV): What's in a Name? Water Resources Research, 57(5): e2020WR029143. [DOI:10.1029/2020WR029143]
8. Niroumandfar, F., M. Zaherinia and B. Yazarloo. 2018. Investigating the effect of climate change on river flow using HBV-light rainfall-runoff model; Case study MohammadAbad watershed, Golestan. Irrigation and Water Engineering, 7(4): 152-163 (In Persian).
9. Hasanpour Kashani, M., M.A. Ghorbani, Y. Dinpazhouh, and S. Shahmorad. 2016. Rainfall-Runoff Simulation in the Navrood River basin using Truncated Volterra Model and Artificial Neural Networks. Journal of Watershed Management Research, 6(12): 1-10 (In Persian).
10. Khoshravesh, M., M. Raeini and E. Nikzad Tehrani. 2017. Application of Continuous Rainfall-Runoff HMS-SMA Model in Estimating Runoff and Flood and Droughts Frequency of Neka BasinunderA2 Climate Scenario of HadCM3 Model. Journal of Watershed Management Research, 7(14): 140-128 (In Persian). [DOI:10.29252/jwmr.7.14.140]
11. Meskar, H. and R. Fazloula. 2013. Investigation of Sedimentation Pattern in The Shahid Rajaee Reservoir Using Gstar3.0 Numerical Model. Journal of Watershed Management Research, 4(7): 16-29 (In Persian).
12. Yaghoubi, M. and A.R. Massah Bavani. 2014. Sensitivity analysis and comparison of capability of three conceptual models HEC-HMS, HBV and IHACRES in simulating continuous rainfall-runoff in semi-arid basins. Journal of the Earth and Space Physics, 40(2): 153-172 (In Persian).
13. Rusli, S.R., D. Yudianto and J.-t. Liu. 2015. Effects of temporal variability on HBV model calibration. Water Science and Engineering, 8(4): 291-300. [DOI:10.1016/j.wse.2015.12.002]
14. Zhang, Z., Q. Cheng, B. Qi and Z. Tao. 2021. A general approach for the machining quality evaluation of S-shaped specimen based on POS-SQP algorithm and Monte Carlo method. Journal of Manufacturing Systems, 60: 553-568. [DOI:10.1016/j.jmsy.2021.07.020]
15. Nonki, R.M., A. Lenouo, R.M. Tshimanga, F.C. Donfack and C. Tchawoua. 2021. Performance assessment and uncertainty prediction of a daily time-step HBV-Light rainfall-runoff model for the Upper Benue River Basin, Northern Cameroon. Journal of Hydrology: Regional Studies, 36: 100849. [DOI:10.1016/j.ejrh.2021.100849]
16. Seibert, J. 1997. Estimation of parameter uncertainty in the HBV model: Paper presented at the Nordic Hydrological Conference (Akureyri, Iceland-August 1996). Hydrology Research, 28(4-5): 247-262. [DOI:10.2166/nh.1998.15]
17. Seibert, J. 1996. HBV light, in User's manual, Uppsala University, Institute of Earth Science, Department of Hydrology, Uppsala.
18. Kult, J., W. Choi and J. Choi. 2014. Sensitivity of the Snowmelt Runoff Model to snow covered area and temperature inputs. Applied Geography, 55: 30-38. [DOI:10.1016/j.apgeog.2014.08.011]
19. Shiwakoti, S. 2017. Hydrological modeling and climate change impact assessment using HBV light model: a case study of Karnali River basin. Iranian (Iranica) Journal of Energy & Environment, 8(4): 296-304 (In Persian).
20. Aamiri, A. and H. Salimi. 2021. Comparison of the Performance of MISDc and HBV Hydrological Models in Runoff Simulation of Kakareza Basin in Lorestan Province. Journal of Water and Sustainable Development, 7(4): 51-60.
21. Esmaeili-Gisavandani, H., M. Lotfirad, M.S.D. Sofla and A. Ashrafzadeh. 2021. Improving the performance of rainfall-runoff models using the gene expression programming approach. Journal of Water and Climate Change, 12(7): 3308-3329. [DOI:10.2166/wcc.2021.064]
22. Maxander, O. 2021. The impact of different evapotranspiration models in rainfall runoff modelling using HBV-light, in TVVR21/5012. 2021, Division of Water Resources Engineering: LUND UNIVERSITY LIBRARIES. p. TVVR21/5012.
23. Lakzaianpour, G.H., O. Mohamadrezapour and M. Malmir. 2016. Evaluating the Effects of Climatic Changes on Runoff of Nazloochaei River in Uremia Lake Catchment Area. Geography And Development Iranian Journal, 14(42): 183-198 (In Persian).
24. Usman, M., C.E. Ndehedehe, H. Farah and R. Manzanas. 2021. Impacts of climate change on the streamflow of a large river basin in the Australian tropics using optimally selected climate model outputs. Journal of Cleaner Production, 315: 128091. [DOI:10.1016/j.jclepro.2021.128091]
25. Conover, W.J. 1999. Practical nonparametric statistics. Vol. 350. john wiley & sons.
26. Feng, Y., W. Wang, D. Suman, S. Yu and D. He. 2019. Water cooperation priorities in the Lancang-Mekong River basin based on cooperative events since the Mekong River Commission establishment. Chinese geographical science, 29(1): 58-69. [DOI:10.1007/s11769-019-1016-4]
27. Fathzadeh, A., M. Mahdavi, R. Bales, A. Abkar and A. Shirazi. 2009. A comparison of degree-day and radiation base of Snowmelt Runoff Model (SRM). Journal of Range and Watershed Managment, 62(1): 99-110.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
