دوره 15، شماره 2 - ( پاییز و زمستان 1403 )
جلد 15 شماره 2 صفحات 16-1 |
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:
Azimi-Habashi S, Miryaghoubzadeh M, Erfanian M, Javan K. (2024). Projection of Future Climatic Variables based on CMIP5 and CMIP6 Models in the Gedarchay Catchment (West Azarbaijan). J Watershed Manage Res. 15(2), 1-16. doi:10.61186/jwmr.15.2.1
URL: http://jwmr.sanru.ac.ir/article-1-1199-fa.html
URL: http://jwmr.sanru.ac.ir/article-1-1199-fa.html
عظیمی حبشی ساناز، میریعقوب زاده میرحسن، عرفانیان مهدی، جوان خدیجه. پیش‌نگری متغیرهای اقلیمی دما و بارش بر اساس برونداد مدل های CMIP5 و CMIP6 در حوزه آبخیز گدارچای (آذربایجان‌غربی) پژوهشنامه مديريت حوزه آبخيز 1403; 15 (2) :16-1 10.61186/jwmr.15.2.1
1- دانشکده منابع طبیعی، دانشگاه ارومیه، ارومیه، ایران
2- گروه جغرافیا، دانشکده ادبیات و علوم انسانی، دانشگاه ارومیه، ارومیه، ایران
2- گروه جغرافیا، دانشکده ادبیات و علوم انسانی، دانشگاه ارومیه، ارومیه، ایران
چکیده: (1119 مشاهده)
چکیده مبسوط
مقدمه و هدف: مهم‌ترین معضل کره زمین در قرن حاضر، افزایش دمای کره زمین و تغییر در متغیرهای اقلیمی بهعلت صنعتی‌شدن جوامع و افزایش گازهای گلخانه‌ای می‌باشد، از اینرو بررسی روند افزایش دما و تغییر در متغیرهای اقلیمی در مقیاس جهانی و منطقه‌ای بسیار مهم می‌باشد. تاکنون برای پیش‌نگری وضعیت آتی اقلیم، مدل‌های گردش عمومی متعددی طراحی شده‌است؛ ولی بهعلت عدم استفاده بهینه از خروجی این مدلها بهعلت محدودیت در تفکیک مکانی در مقیاس محلی، روش‌های مختلف و جدیدی بهمنظور استفاده از خروجی این مدلها در مقیاس منطقه‌ای و محلی ابداع شده‌است. حوزه آبخیز گدارچای بهواسطه وجود رودخانه گدار و آبهای زیرزمینی، از اهمیت ویژهای بهویژه در بخش کشاورزی برخوردار است و مطالعات مختلفی بر روی آن انجام شده است. حوزه آبخیز گدارچای بهواسطه وجود رودخانه گدار و آبهای زیرزمینی، از اهمیت ویژهای بهویژه در بخش کشاورزی برخوردار است و مطالعات مختلفی بر روی آن انجام شده است. ولی تاکنون مطالعهای در خصوص بررسی اثرات تغییر اقلیم تحت سناریوهای SSP گزارش ششم که اثر فعالیتهای اجتماعی- اقتصادی را درنظر میگیرد، در این حوزه صورت نگرفته است. لذا هدف اصلی این پژوهش، بررسی تغییرات متغیرهای اقلیمی برای دوره‌های آتی در حوزه آبخیز گدار نقده در شرایط سناریوهای انتشار RCP در گزارش پنجم (CMIP5) و سناریوهای SSP گزارش ششم (CMIP6) که ترکیب مقادیر انتشار گازهای گلخانه‌ای و فعالیتهای اجتماعی-اقتصادی است، می‌باشد. نتایج این مطالعه میتواند برای سیاستگذاری و برنامهریزی منابع آب در آینده مؤثر باشد.
مواد و روش‌ها: در این پژوهش جهت بررسی تغییرات متغیرهای اقلیمی در حوزه آبخیز گدار نقده واقع در شمال غرب کشور از مدل ریزمقیاس نمایی SDSM استفاده شده است. ابتدا میزان کارایی این مدل برای متغیرهای اقلیمی مورد ارزیابی قرار گرفت، سپس متغیرهای مذکور تا سال 2100 پیش‌نگری شد. کالیبراسیون و واسنجی مدل SDSM با استفاده از داده‌های مشاهداتی ایستگاه سینوپتیک مهاباد و داده‌های NCEP انجام شد، همچنین برای ارزیابی مدل از معیارهای ضریب همبستگی، میانگین خطای مطلق و مجذور میانگین مربعات خطا استفاده شد و پس از اطمینان از کارایی مدل، خروجی‌های مدل CanESM2 و CanESM5 در دوره‌های زمانی 2050-2031 و 2081-2100 در حوزه آبخیز گدار نقده، تحت سناریوهای RCP 2.6, 4.5, 8.5 و SSP1-2.6, 2-4.5, 5-8.5 توسط مدل آماری SDSM ریزمقیاس انجام گرفت.
یافته‌ها: ارزیابی و واسنجی مدل با استفاده از داده‌های NCEP صورت گرفته و با استفاده از داده‌های CanESM2 و CanESM5، میزان بارش، دمای حداکثر و حداقل برای ایستگاه مهاباد برای دو دوره 2031-2050 و 2081-2100 پیش‌بینی و با دوره پایه مقایسه گردید. ارزیابی دقت مدل SDSM بر اساس آمارههای میانگین خطای مطلق، با استفاده از خروجی مدل CanESM2، برای بارش، دمای حداکثر و دمای حداقل، به‌ترتیب، 1/645، 0/029 و 0/031 با استفاده از مدل CanESM5، برای بارش، دمای حداکثر و دمای حداقل، به‌ترتیب، 0/73، 1/10 و 1/89، ضریب همبستگی با استفاده از مدل CanESM2، برای بارش، دمای حداکثر و دمای حداقل، به‌ترتیب، 0/998، 0/999 و 0/999 و با استفاده از مدل CanESM5، برای بارش، دمای حداکثر و دمای حداقل، به‌ترتیب، 0/999، 0/993 و 0/971 بدست آمد. مجذور میانگین مربعات خطا نیز با استفاده از مدل CanESM2 به‌ترتیب 2/240، 0/043 و 0/045 و با استفاده از مدل CanESM5 به‌ترتیب 0/89، 1/49 و 2/07 بهدست آمده است. بر اساس نتایج بهدست آمده، میانگین دمای حداکثر در دوره 2050-2031 و تحت سناریوی RCP، بهمیزان 0/93 درجه سانتیگراد افزایش یافته ولی در دوره 2081-2100 ثابت خواهد ماند. در حالیکه تحت سناریوی SSP، در دوره 2031-2050 بهمیزان 1/24 درجه سانتیگراد و برای دوره 2081-2100 حدود 0/35 درجه سانتیگراد افزایش خواهد یافت. افزایش میانگین دمای حداقل تحت سناریوی RCP در دوره اول و دوم به‌ترتیب 0/27 و 0/28 درجه سانتیگراد و تحت سناریوی SSP در دوره اول و دوم به‌ترتیب 0/46 و 0/43 درجه سانتیگراد خواهد بود. افزایش میزان بارش نیز تحت سناریوی RCP، در دو دوره به‌ترتیب 0/59 و 0/38 میلیمتر و تحت سناریوی SSP، در دو دوره به‌ترتیب 2/15 و 1/64 میلیمتر خواهد بود.
نتیجه‌گیری: با توجه به نتایج حاصل از ارزیابی دقت مدل SDSM در پیش‌نگری بارش، دمای حداکثر و دمای حداقل بر اساس آمارههای R، MAE و RMSE، انطباق زیادی بین مقادیر پیش‌نگری شده و دوره پایه وجود دارد. طبق نتایج بهدست آمده، افزایش میزان بارش و دمای حداقل برای دوره‌های آینده نزدیک و آینده دور و نیز افزایش دمای حداکثر در دوره آینده نزدیک و ثبات آن در آینده دور مشاهده شد. با توجه به اهمیت پدیده تغییر اقلیم و بهتبع آن، اثرات تغییر اقلیم در کشاورزی، محیط زیست و وضعیت منابع آبی و طبیعی لازم است کلیه مدیران، برنامه‌ریزان و مسئولین ذی‌ربط راهکارهای مناسب و لازم مانند تغییر الگوی کشت، استفاده از گونههای کشاورزی مقاوم به خشکی، ایجاد سیستمهای پیش‌آگاهی و آموزش شیوههای سازگاری با تغییر اقلیم برای کشاورزان و نیز استفاده از انرژیهای تجدیدپذیر را برای تعدیل و کاهش خسارات ناشی از تغییرات اقلیم اتخاذ نمایند.
مقدمه و هدف: مهم‌ترین معضل کره زمین در قرن حاضر، افزایش دمای کره زمین و تغییر در متغیرهای اقلیمی بهعلت صنعتی‌شدن جوامع و افزایش گازهای گلخانه‌ای می‌باشد، از اینرو بررسی روند افزایش دما و تغییر در متغیرهای اقلیمی در مقیاس جهانی و منطقه‌ای بسیار مهم می‌باشد. تاکنون برای پیش‌نگری وضعیت آتی اقلیم، مدل‌های گردش عمومی متعددی طراحی شده‌است؛ ولی بهعلت عدم استفاده بهینه از خروجی این مدلها بهعلت محدودیت در تفکیک مکانی در مقیاس محلی، روش‌های مختلف و جدیدی بهمنظور استفاده از خروجی این مدلها در مقیاس منطقه‌ای و محلی ابداع شده‌است. حوزه آبخیز گدارچای بهواسطه وجود رودخانه گدار و آبهای زیرزمینی، از اهمیت ویژهای بهویژه در بخش کشاورزی برخوردار است و مطالعات مختلفی بر روی آن انجام شده است. حوزه آبخیز گدارچای بهواسطه وجود رودخانه گدار و آبهای زیرزمینی، از اهمیت ویژهای بهویژه در بخش کشاورزی برخوردار است و مطالعات مختلفی بر روی آن انجام شده است. ولی تاکنون مطالعهای در خصوص بررسی اثرات تغییر اقلیم تحت سناریوهای SSP گزارش ششم که اثر فعالیتهای اجتماعی- اقتصادی را درنظر میگیرد، در این حوزه صورت نگرفته است. لذا هدف اصلی این پژوهش، بررسی تغییرات متغیرهای اقلیمی برای دوره‌های آتی در حوزه آبخیز گدار نقده در شرایط سناریوهای انتشار RCP در گزارش پنجم (CMIP5) و سناریوهای SSP گزارش ششم (CMIP6) که ترکیب مقادیر انتشار گازهای گلخانه‌ای و فعالیتهای اجتماعی-اقتصادی است، می‌باشد. نتایج این مطالعه میتواند برای سیاستگذاری و برنامهریزی منابع آب در آینده مؤثر باشد.
مواد و روش‌ها: در این پژوهش جهت بررسی تغییرات متغیرهای اقلیمی در حوزه آبخیز گدار نقده واقع در شمال غرب کشور از مدل ریزمقیاس نمایی SDSM استفاده شده است. ابتدا میزان کارایی این مدل برای متغیرهای اقلیمی مورد ارزیابی قرار گرفت، سپس متغیرهای مذکور تا سال 2100 پیش‌نگری شد. کالیبراسیون و واسنجی مدل SDSM با استفاده از داده‌های مشاهداتی ایستگاه سینوپتیک مهاباد و داده‌های NCEP انجام شد، همچنین برای ارزیابی مدل از معیارهای ضریب همبستگی، میانگین خطای مطلق و مجذور میانگین مربعات خطا استفاده شد و پس از اطمینان از کارایی مدل، خروجی‌های مدل CanESM2 و CanESM5 در دوره‌های زمانی 2050-2031 و 2081-2100 در حوزه آبخیز گدار نقده، تحت سناریوهای RCP 2.6, 4.5, 8.5 و SSP1-2.6, 2-4.5, 5-8.5 توسط مدل آماری SDSM ریزمقیاس انجام گرفت.
یافته‌ها: ارزیابی و واسنجی مدل با استفاده از داده‌های NCEP صورت گرفته و با استفاده از داده‌های CanESM2 و CanESM5، میزان بارش، دمای حداکثر و حداقل برای ایستگاه مهاباد برای دو دوره 2031-2050 و 2081-2100 پیش‌بینی و با دوره پایه مقایسه گردید. ارزیابی دقت مدل SDSM بر اساس آمارههای میانگین خطای مطلق، با استفاده از خروجی مدل CanESM2، برای بارش، دمای حداکثر و دمای حداقل، به‌ترتیب، 1/645، 0/029 و 0/031 با استفاده از مدل CanESM5، برای بارش، دمای حداکثر و دمای حداقل، به‌ترتیب، 0/73، 1/10 و 1/89، ضریب همبستگی با استفاده از مدل CanESM2، برای بارش، دمای حداکثر و دمای حداقل، به‌ترتیب، 0/998، 0/999 و 0/999 و با استفاده از مدل CanESM5، برای بارش، دمای حداکثر و دمای حداقل، به‌ترتیب، 0/999، 0/993 و 0/971 بدست آمد. مجذور میانگین مربعات خطا نیز با استفاده از مدل CanESM2 به‌ترتیب 2/240، 0/043 و 0/045 و با استفاده از مدل CanESM5 به‌ترتیب 0/89، 1/49 و 2/07 بهدست آمده است. بر اساس نتایج بهدست آمده، میانگین دمای حداکثر در دوره 2050-2031 و تحت سناریوی RCP، بهمیزان 0/93 درجه سانتیگراد افزایش یافته ولی در دوره 2081-2100 ثابت خواهد ماند. در حالیکه تحت سناریوی SSP، در دوره 2031-2050 بهمیزان 1/24 درجه سانتیگراد و برای دوره 2081-2100 حدود 0/35 درجه سانتیگراد افزایش خواهد یافت. افزایش میانگین دمای حداقل تحت سناریوی RCP در دوره اول و دوم به‌ترتیب 0/27 و 0/28 درجه سانتیگراد و تحت سناریوی SSP در دوره اول و دوم به‌ترتیب 0/46 و 0/43 درجه سانتیگراد خواهد بود. افزایش میزان بارش نیز تحت سناریوی RCP، در دو دوره به‌ترتیب 0/59 و 0/38 میلیمتر و تحت سناریوی SSP، در دو دوره به‌ترتیب 2/15 و 1/64 میلیمتر خواهد بود.
نتیجه‌گیری: با توجه به نتایج حاصل از ارزیابی دقت مدل SDSM در پیش‌نگری بارش، دمای حداکثر و دمای حداقل بر اساس آمارههای R، MAE و RMSE، انطباق زیادی بین مقادیر پیش‌نگری شده و دوره پایه وجود دارد. طبق نتایج بهدست آمده، افزایش میزان بارش و دمای حداقل برای دوره‌های آینده نزدیک و آینده دور و نیز افزایش دمای حداکثر در دوره آینده نزدیک و ثبات آن در آینده دور مشاهده شد. با توجه به اهمیت پدیده تغییر اقلیم و بهتبع آن، اثرات تغییر اقلیم در کشاورزی، محیط زیست و وضعیت منابع آبی و طبیعی لازم است کلیه مدیران، برنامه‌ریزان و مسئولین ذی‌ربط راهکارهای مناسب و لازم مانند تغییر الگوی کشت، استفاده از گونههای کشاورزی مقاوم به خشکی، ایجاد سیستمهای پیش‌آگاهی و آموزش شیوههای سازگاری با تغییر اقلیم برای کشاورزان و نیز استفاده از انرژیهای تجدیدپذیر را برای تعدیل و کاهش خسارات ناشی از تغییرات اقلیم اتخاذ نمایند.
فهرست منابع
1. Baede, A. P., Ahlonsou, E., Ding, Y., & Schimel, D. S. (2001). The climate system: an overview. Climate Change 2001: impacts, adaptation and vulnerability, 87-98.
2. Change, I. C. (2007). The Physical Science Basis. Final Report Working Group 1, Intergovernmental Panel on Climate Change, Assessment Report 4, Geneva, Swiss (2007).
3. Chen, H., & Sun, J. (2015). Assessing model performance of climate extremes in China: an intercomparison between CMIP5 and CMIP3. Climatic Change, 129, 197-211. [DOI:10.1007/s10584-014-1319-5]
4. Davarpanah, S., Erfanian, M., & Javan, K. (2021). Assessment of climate change impacts on drought and wet spells in Lake Urmia Basin. Pure and Applied Geophysics, 178(2), 545-563. [DOI:10.1007/s00024-021-02656-8]
5. 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]
6. Fallah Kalaki, M., Shokri Kuchak, V., & Ramezani Etedali, H. (2021). Simulating the effects of climate change on runoff using the CMIP5 and CMIP6 climate models by SWAT hydrological model (Case study: Tashk-Bakhtegan Basin). Iran-Water Resources Research, 17(3), 345-359.
7. Fung, C. F., Lopez, A., & New, M. (Eds.). (2011). Modelling the impact of climate change on water resources. John Wiley & Sons. [DOI:10.1002/9781444324921]
8. Goodarzi, M., Hoseini, M., & Parekar, M. (2017). Evaluation of Statistical downscaling method in simulation of climate change of Karkheh basin up to the Karkheh dam. Iranian Journal of Watershed Management Science and Engineering, 10(35), 51-64.
9. Goodarzi, M., Hosseini, S.A., & Mesgari, E. (2017). Climate Models. Azarlak Press, Zanjan, Iran, 272 pp (In Persian).
10. Gulacha, M. M., & Mulungu, D. M. (2017). Generation of climate change scenarios for precipitation and temperature at local scales using SDSM in Wami-Ruvu River Basin Tanzania. Physics and Chemistry of the Earth, Parts A/B/C, 100, 62-72. [DOI:10.1016/j.pce.2016.10.003]
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. Hasirchian, M., Zahabiyoun, B., & Khazaei, M. R. (2019). Assessment of SDSM model performance to investigate the effect of climate change on precipitation and temperature. Irrigation and Water Engineering, 9(2), 108-120.
13. Hemmati, L., & Miryaghoubzadeh, M. (2021). Forecasting of climate variables in future periods based on HadCM3 Data using statistical downscaling model (SDSM) in Agh-Chay Basin (West Azarbayjan). Journal of Watershed Management Research, 12(23), 95-107. [DOI:10.52547/jwmr.12.23.95]
14. Jolliffe, I. T., & Stephenson, D. B. (Eds.). (2012). Forecast verification: a practitioner's guide in atmospheric science. John Wiley & Sons. [DOI:10.1002/9781119960003]
15. Kermani, R.M., & Tourin, N. (2012). Maximum، minimum and average temperature prediction using Nero fuzzy algorithm at Kerman station. 5th National Conference of Watershed Management and Soil and Water Resources Management, 13 pp.
16. Kim, J. W., Chang, J. T., Baker, N. L., Wilks, D. S., & Gates, W. L. (1984). The statistical problem of climate inversion: Determination of the relationship between local and large-scale climate. Monthly weather review, 112(10), 2069-2077.
https://doi.org/10.1175/1520-0493(1984)112<2069:TSPOCI>2.0.CO;2 [DOI:10.1175/1520-0493(1984)1122.0.CO;2]
17. Kim, S., Kim, B. S., Jun, H., & Kim, H. S. (2014). Assessment of future water resources and water scarcity considering the factors of climate change and social-environmental change in Han River basin, Korea. Stochastic environmental research and risk assessment, 28, 1999-2014. [DOI:10.1007/s00477-014-0924-1]
18. Kundu, S., Khare, D., & Mondal, A. (2017). Interrelationship of rainfall, temperature and reference evapotranspiration trends and their net response to the climate change in Central India. Theoretical and Applied Climatology, 130, 879-900. [DOI:10.1007/s00704-016-1924-5]
19. Mahmood, R., & Babel, M. S. (2014). Future changes in extreme temperature events using the statistical downscaling model (SDSM) in the trans-boundary region of the Jhelum river basin. Weather and Climate Extremes, 5, 56-66. [DOI:10.1016/j.wace.2014.09.001]
20. Mohamadi, S., Ghazanfari, S., & Abkar, A. (2020). Prediction of Rainfall under HadCM3 and CanESM2 Climate Change Models using Statistical Downscaling Model (Case Study: Tabriz Synoptic Station). Journal of Watershed Management Research, 11(22), 220-232. [DOI:10.52547/jwmr.11.22.220]
21. 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]
22. Noguer, M., Van der Linden, P. J., Dai, X., Maskell, K., & Johnson, C. A. (2001). Climate change 2001: the scientific basis. Contribution of working group I to the third assessment report of the intergovernmental panel on climate change.
23. Roshani, A., & Hamidi, M. (2022). Forecasting the effects of climate change scenarios on temperature & precipitation based on CMIP6 models (Case study: Sari station). Water and Irrigation Management, 11(4), 781-795.
24. Shaemi, A., & Habibinokhandan, M. (2009). Global warming and bio-ecological consequences. Ferdowsi University of Mashhad publication, Mashhad, Iran.
25. Van Vuuren, D. P., Edmonds, J., Kainuma, M., Riahi, K., Thomson, A., Hibbard, K., ... & Rose, S. K. (2011). The representative concentration pathways: an overview. Climatic change, 109, 5-31. [DOI:10.1007/s10584-011-0148-z]
26. Vermeer, M., & Rahmstorf, S. (2009). Global sea level linked to global temperature. Proceedings of the national academy of sciences, 106(51), 21527-21532. [DOI:10.1073/pnas.0907765106]
27. Wilby, R. L., & Harris, I. (2006). A framework for assessing uncertainties in climate change impacts: Low‐flow scenarios for the River Thames, UK. Water Resources Research, 42(2). [DOI:10.1029/2005WR004065]
28. Wilby, R. L., Dawson, C. W., & Barrow, E. M. (2002). SDSM-a decision support tool for the assessment of regional climate change impacts. Environmental Modelling & Software, 17(2), 145-157. [DOI:10.1016/S1364-8152(01)00060-3]
29. Wilby, R.L. and W.C. Dawson. 2007. SDSM 4.2- A decision support tool for the assessment of regional climate change impacts، SDSM manual version 4.2. Environment Agency of England and Wales. 94 pp.
30. Ye, L., & Grimm, N. B. (2013). Modelling potential impacts of climate change on water and nitrate export from a mid-sized, semiarid watershed in the US Southwest. Climatic change, 120, 419-431. [DOI:10.1007/s10584-013-0827-z]
31. Zahabioun, B., Goudarzi, M. R., & Msahbovani, A. (2010). Application of SWAT model for estimating runoff in future periods affected by climate change. Journal of Climatology, 43-58.
32. Zarrin, A., Dadashi-rodbari, A., & Salehabadi, N. (2021). Projected temperature anomalies and trends in different climate zones in Iran based on CMIP6. Iranian Journal of Geophysics, 15(1), 35-54.
33. Zhang, A., Zhang, C., Fu, G., Wang, B., Bao, Z., & Zheng, H. (2012). Assessments of impacts of climate change and human activities on runoff with SWAT for the Huifa River Basin, Northeast China. Water resources management, 26, 2199-2217. [DOI:10.1007/s11269-012-0010-8]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
