دوره 15، شماره 2 - ( پاییز و زمستان 1403 )
جلد 15 شماره 2 صفحات 104-89 |
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:
Ruigar H, Emamgholizadeh S, Gharechelou S, Golian S. (2024). The Effect of Climate Change and Future Land Use Using the CA-Markov Model on the Streamflow of the Talar River in Mazandaran Province. J Watershed Manage Res. 15(2), 89-104. doi:10.61186/jwmr.15.2.89
URL: http://jwmr.sanru.ac.ir/article-1-1261-fa.html
URL: http://jwmr.sanru.ac.ir/article-1-1261-fa.html
رویگر حسین، امامقلی زاده صمد، قره چلو سعید، گلیان سعید. تأثیر تغییرات اقلیمی و کاربری اراضی آینده با مدل CA-Markov بر
جریان رودخانه تالار مازندران پژوهشنامه مديريت حوزه آبخيز 1403; 15 (2) :104-89 10.61186/jwmr.15.2.89
حسین رویگر* 
1، صمد امامقلی زاده1، سعید قره چلو1، سعید گلیان1
1، صمد امامقلی زاده1، سعید قره چلو1، سعید گلیان1
1- گروه مهندسی آب و محیط زیست، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، شاهرود، ایران
چکیده: (415 مشاهده)
چکیده مبسوط
مقدمه و هدف: در چند سال اخیر، تغییرات اقلیم و کاربری اراضی منجر به نوسانات منابع آب شده است. این تغییرات بر جریان رودخانه، محیط‌زیست، آب آشامیدنی و کشاورزی تأثیر گذاشته است. .تغییر کاربری اراضی چهار اثر مهم روی هیدرولوژی حوزه‌های آبخیز دارد که عبارت‌اند از: تغییر در خصوصیات دبی اوج، تغییر در حجم کل رواناب، تغییر در کیفیت آب و تغییر در تعادل هیدرولوژیک. به‌منظور پیش‌گیری از بلایای طبیعی، شناسایی شرایط فعلی و پیش‌بینی وضعیت آینده مهم است. فائق آمدن بر این بحران‌ها و کاهش اثرات سوء آن‌ها، تنها در سایه مدیریت و برنامه‌ریزی و با تکیه به دانش روز عملی می‌باشد. مطالعه حاضر با هدف تعیین چگونگی تأثیر تغییر اقلیم و کاربری اراضی بر جریان رودخانه در حوضه تالار بین سال‌های 2020 تا 2050 انجام شد.
مواد و روش‌ها: با توجه به اینکه اثر تغییرات کاربری آینده در حوضه آبریز تالار مازندران با استفاده از گزارش ششم تغییر اقلیم و اثر تلفیقی تغییرات کاربری و تغییر اقلیم در این حوضه مورد بررسی جدی قرار نگرفته است، در این مطالعه اثر تغییر کاربری اراضی (با استفاده از تصاویر ماهواره لندست و مدلCA-Markov) و تغییر اقلیم (خروجی‌های دما و بارش چند مدل گزارش ششم تغییر اقلیم و ریزمقیاس نمایی آن‌ها با روش‌های نوین delta و Qm بر میزان آبدهی رودخانه تالار (با استفاده از مدل SWAT) در سال‌های آینده تا سال 2050 موردمطالعه قرار گرفت.این مطالعه داده‌ها را بر اساس سناریوهای تغییر اقلیم CMIP6 و همچنین پیش‌بینی‌های کاربری زمین برای سال‌های 2035 و 2050 تجزیه‌وتحلیل کرد. ابتدا، مدل (SWAT) برای ارزیابی اثرات اقلیم و کاربری اراضی بر جریان رودخانه در حوضه رودخانه تالار استفاده شد. پس از کالیبراسیون و اعتبارسنجی مدل با استفاده از بهترین پارامترها از سال 2001 تا 2020، داده‌های CMIP6 بر اساس شش مدل کوچک‌سازی شدند و تحت دو سناریو SSP2-4.5 و SSP5-8.5 پیش‌بینی شدند. برای کاهش مقیاس مدل‌های گردش عمومی اتمسفر، از دو روش استفاده شد: روش دلتا (Delta) و نقشه‌برداری کوانتیل (Qm). این روش‌ها بهدلیل مقیاس بزرگ مدل‌ها انتخاب شدند. همچنین در این تحقیق از مدل پیش‌بینی مارکوف (CA-Markov) برای شبیه‌سازی و پیش‌بینی تغییر کاربری زمین برای سال‌های 2035 و 2050 استفاده شد. داده‌های بارش و دما حاصل از سناریوهای تغییر اقلیم و کاربری اراضی برای پیش‌بینی میانگین جریان ماهانه طی سال‌های 2020-2035 و 2020-2050 به مدل SWAT وارد شد.
یافته‌ها: کالیبراسیون و اعتبارسنجی در ایستگاه کیاکلا به‌عنوان خروجی حوضه آبریز تالار نشان داد که شاخص Nash-Sutcliffe (NSE) بهترتیب دارای بازده 0/8 و 0/76 است. بهترین مقادیر شاخص‌های ارزیابی برای ریزمقیاس نمایی مدل INM بهدست آمد. همچنین روش Delta برای ریزمقیاس نمایی بارش و روش Qm برای ریزمقیاس نمایی دمای حداقل و حداکثر مقادیر ارزیابی بهتری را نشان میدهند. بهطور مثال مطابق جداول نشان داده شده مقادیر RMSE، NRMSE و MAE برای بارش ایستگاه کیاکلا بهترتیب 2/185، 0/0402 و 1/716 با استفاده از روش Delta می‌باشد، تمامی این مقادیر نشان دهنده دقت خوب این روش‌های ریزمقیاس نمایی برای ورودی‌های مدل SWAT برای پیش‌بینی جریان در حوضه آبریز تالار می‌باشد. این روش‌ها برای تمامی ایستگاه‌های مورد مطالعه پیاده شده و مقادیر ریزمقیاس نمایی شده پارامترهای فوقالذکر برای پیش‌بینی جریان رودخانه حوضه تالار در ایستگاه کیاکلا استفاده شد.
نتیجه‌گیری: نتایج پیش‌بینی‌شده سال‌های 2035 و 2050 نشان‌دهنده کاهش حجم رواناب، تالاب‌ها و زمین‌های شهری است. بنابراین، فعالیت‌های کاربری اراضی در آینده باید مبتنی بر توسعه کاربری مناسب و تنظیم کاربری باشد تا اثرات نامطلوب پایدار تغییرات کاربری اراضی را کاهش دهد. در حوضه تالار، تغییرات کاربری اراضی عمدتاً توسط عوامل داخلی، مانند گسترش اراضی کشاورزی و شهرنشینی کنترل می‌شود، در حالکه تغییرات اقلیمی به‌عنوان عوامل بیرونی در نظر گرفته می‌شود. هر دو نقش مهمی در تغییر فرآیندهای هیدرولوژیکی حوضه دارند. این مطالعه با استفاده از مدل‌سازی، اثرات ترکیبی کاربری اراضی و تغییرات اقلیمی آینده را بر بیلان آب در حوضه تالار ارزیابی می‌کند. ترکیب تغییر کاربری اراضی و تغییرات اقلیمی تأثیر بارزتری بر جریان و رواناب سطحی دارد. در مقیاس ماهانه، جریان ناشی از رواناب سطحی بهطور قابلتوجهی در طول فصول سال کاهش می‌یابد، که نشان می‌دهد رویدادهای شدیدتر (یعنی خشکسالی) بهطور بالقوه می‌تواند در آینده رخ دهد. با تغییرات کاربری اراضی، این اثرات را میتوان تنها کمتر از 20% کاهش داد. بنابراین، اقدامات بیشتری (به‌عنوان مثال، حفاظت از خاک) علاوه بر برنامه ریزی کاربری اراضی به‌منظور افزایش نفوذ و تغذیه آبخوان و متعاقباً کاهش خطرات ناشی از استفاده از اراضی و اثرات تغییرات اقلیمی مورد نیاز است. این تحقیق چگونگی تأثیر تغییرات کاربری اراضی و آب و هوا را بر آب در دسترس در حوضه تالار در آینده ارائه می‌دهد. همچنین این مقاله مطالعهای را در مورد استفاده از مدل SWAT در هیدرولوژی برای کمک به حوزه علمی ارائه می‌دهد. یافته‌های این مطالعه همچنین می‌تواند برای مسئولان در کاهش تنش آبی از طریق مدیریت صحیح کاربری اراضی در آینده مفید باشد. همچنین نتایج حاکی از آن است که بهدلیل تغییرات کاربری اراضی مانند گسترش مناطق شهری و کاهش زمین کشاورزی، میانگین جریان ماهانه کاهش یافته است. در آینده، تغییرات کاربری زمین و پوشش زمین ممکن است بر جریان رودخانه تأثیر بگذارد. محرک‌های اصلی تغییر کاربری شامل توسعه کشاورزی، جنگل‌زدایی، گسترش شهر‌سازی، سیاست مالکیت زمین و توسعه زیرساخت‌ها است.
مقدمه و هدف: در چند سال اخیر، تغییرات اقلیم و کاربری اراضی منجر به نوسانات منابع آب شده است. این تغییرات بر جریان رودخانه، محیط‌زیست، آب آشامیدنی و کشاورزی تأثیر گذاشته است. .تغییر کاربری اراضی چهار اثر مهم روی هیدرولوژی حوزه‌های آبخیز دارد که عبارت‌اند از: تغییر در خصوصیات دبی اوج، تغییر در حجم کل رواناب، تغییر در کیفیت آب و تغییر در تعادل هیدرولوژیک. به‌منظور پیش‌گیری از بلایای طبیعی، شناسایی شرایط فعلی و پیش‌بینی وضعیت آینده مهم است. فائق آمدن بر این بحران‌ها و کاهش اثرات سوء آن‌ها، تنها در سایه مدیریت و برنامه‌ریزی و با تکیه به دانش روز عملی می‌باشد. مطالعه حاضر با هدف تعیین چگونگی تأثیر تغییر اقلیم و کاربری اراضی بر جریان رودخانه در حوضه تالار بین سال‌های 2020 تا 2050 انجام شد.
مواد و روش‌ها: با توجه به اینکه اثر تغییرات کاربری آینده در حوضه آبریز تالار مازندران با استفاده از گزارش ششم تغییر اقلیم و اثر تلفیقی تغییرات کاربری و تغییر اقلیم در این حوضه مورد بررسی جدی قرار نگرفته است، در این مطالعه اثر تغییر کاربری اراضی (با استفاده از تصاویر ماهواره لندست و مدلCA-Markov) و تغییر اقلیم (خروجی‌های دما و بارش چند مدل گزارش ششم تغییر اقلیم و ریزمقیاس نمایی آن‌ها با روش‌های نوین delta و Qm بر میزان آبدهی رودخانه تالار (با استفاده از مدل SWAT) در سال‌های آینده تا سال 2050 موردمطالعه قرار گرفت.این مطالعه داده‌ها را بر اساس سناریوهای تغییر اقلیم CMIP6 و همچنین پیش‌بینی‌های کاربری زمین برای سال‌های 2035 و 2050 تجزیه‌وتحلیل کرد. ابتدا، مدل (SWAT) برای ارزیابی اثرات اقلیم و کاربری اراضی بر جریان رودخانه در حوضه رودخانه تالار استفاده شد. پس از کالیبراسیون و اعتبارسنجی مدل با استفاده از بهترین پارامترها از سال 2001 تا 2020، داده‌های CMIP6 بر اساس شش مدل کوچک‌سازی شدند و تحت دو سناریو SSP2-4.5 و SSP5-8.5 پیش‌بینی شدند. برای کاهش مقیاس مدل‌های گردش عمومی اتمسفر، از دو روش استفاده شد: روش دلتا (Delta) و نقشه‌برداری کوانتیل (Qm). این روش‌ها بهدلیل مقیاس بزرگ مدل‌ها انتخاب شدند. همچنین در این تحقیق از مدل پیش‌بینی مارکوف (CA-Markov) برای شبیه‌سازی و پیش‌بینی تغییر کاربری زمین برای سال‌های 2035 و 2050 استفاده شد. داده‌های بارش و دما حاصل از سناریوهای تغییر اقلیم و کاربری اراضی برای پیش‌بینی میانگین جریان ماهانه طی سال‌های 2020-2035 و 2020-2050 به مدل SWAT وارد شد.
یافته‌ها: کالیبراسیون و اعتبارسنجی در ایستگاه کیاکلا به‌عنوان خروجی حوضه آبریز تالار نشان داد که شاخص Nash-Sutcliffe (NSE) بهترتیب دارای بازده 0/8 و 0/76 است. بهترین مقادیر شاخص‌های ارزیابی برای ریزمقیاس نمایی مدل INM بهدست آمد. همچنین روش Delta برای ریزمقیاس نمایی بارش و روش Qm برای ریزمقیاس نمایی دمای حداقل و حداکثر مقادیر ارزیابی بهتری را نشان میدهند. بهطور مثال مطابق جداول نشان داده شده مقادیر RMSE، NRMSE و MAE برای بارش ایستگاه کیاکلا بهترتیب 2/185، 0/0402 و 1/716 با استفاده از روش Delta می‌باشد، تمامی این مقادیر نشان دهنده دقت خوب این روش‌های ریزمقیاس نمایی برای ورودی‌های مدل SWAT برای پیش‌بینی جریان در حوضه آبریز تالار می‌باشد. این روش‌ها برای تمامی ایستگاه‌های مورد مطالعه پیاده شده و مقادیر ریزمقیاس نمایی شده پارامترهای فوقالذکر برای پیش‌بینی جریان رودخانه حوضه تالار در ایستگاه کیاکلا استفاده شد.
نتیجه‌گیری: نتایج پیش‌بینی‌شده سال‌های 2035 و 2050 نشان‌دهنده کاهش حجم رواناب، تالاب‌ها و زمین‌های شهری است. بنابراین، فعالیت‌های کاربری اراضی در آینده باید مبتنی بر توسعه کاربری مناسب و تنظیم کاربری باشد تا اثرات نامطلوب پایدار تغییرات کاربری اراضی را کاهش دهد. در حوضه تالار، تغییرات کاربری اراضی عمدتاً توسط عوامل داخلی، مانند گسترش اراضی کشاورزی و شهرنشینی کنترل می‌شود، در حالکه تغییرات اقلیمی به‌عنوان عوامل بیرونی در نظر گرفته می‌شود. هر دو نقش مهمی در تغییر فرآیندهای هیدرولوژیکی حوضه دارند. این مطالعه با استفاده از مدل‌سازی، اثرات ترکیبی کاربری اراضی و تغییرات اقلیمی آینده را بر بیلان آب در حوضه تالار ارزیابی می‌کند. ترکیب تغییر کاربری اراضی و تغییرات اقلیمی تأثیر بارزتری بر جریان و رواناب سطحی دارد. در مقیاس ماهانه، جریان ناشی از رواناب سطحی بهطور قابلتوجهی در طول فصول سال کاهش می‌یابد، که نشان می‌دهد رویدادهای شدیدتر (یعنی خشکسالی) بهطور بالقوه می‌تواند در آینده رخ دهد. با تغییرات کاربری اراضی، این اثرات را میتوان تنها کمتر از 20% کاهش داد. بنابراین، اقدامات بیشتری (به‌عنوان مثال، حفاظت از خاک) علاوه بر برنامه ریزی کاربری اراضی به‌منظور افزایش نفوذ و تغذیه آبخوان و متعاقباً کاهش خطرات ناشی از استفاده از اراضی و اثرات تغییرات اقلیمی مورد نیاز است. این تحقیق چگونگی تأثیر تغییرات کاربری اراضی و آب و هوا را بر آب در دسترس در حوضه تالار در آینده ارائه می‌دهد. همچنین این مقاله مطالعهای را در مورد استفاده از مدل SWAT در هیدرولوژی برای کمک به حوزه علمی ارائه می‌دهد. یافته‌های این مطالعه همچنین می‌تواند برای مسئولان در کاهش تنش آبی از طریق مدیریت صحیح کاربری اراضی در آینده مفید باشد. همچنین نتایج حاکی از آن است که بهدلیل تغییرات کاربری اراضی مانند گسترش مناطق شهری و کاهش زمین کشاورزی، میانگین جریان ماهانه کاهش یافته است. در آینده، تغییرات کاربری زمین و پوشش زمین ممکن است بر جریان رودخانه تأثیر بگذارد. محرک‌های اصلی تغییر کاربری شامل توسعه کشاورزی، جنگل‌زدایی، گسترش شهر‌سازی، سیاست مالکیت زمین و توسعه زیرساخت‌ها است.
فهرست منابع
1. Abbaspour, K. C. (2007). User manual for SWAT-CUP, SWAT calibration and uncertainty analysis programs. Swiss Federal Institute of Aquatic Science and Technology, Eawag, Duebendorf, Switzerland, 93.
2. Aithal, B. H., Raok, V., & Ramachandra, T. V. (2014). Modeling and geo-visuisation of urban growth. In Conference on conservation and sustainable management of wetland ecosystem in Western Ghats.
3. Alexander, L., Allen, S., & Bindoff, N. L. (2013). Working group I contribution to the IPCC fifth assessment report climate change 2013: The physical science basis summary for policymakers.
4. Apurv, T., Mehrotra, R., Sharma, A., Goyal, M. K., & Dutta, S. (2015). Impact of climate change on floods in the Brahmaputra basin using CMIP5 decadal predictions. Journal of Hydrology, 527, 281-291. [DOI:10.1016/j.jhydrol.2015.04.056]
5. Arnold, J. G., Moriasi, D. N., Gassman, P. W., Abbaspour, K. C., White, M. J., Srinivasan, R., ... & Jha, M. K. (2012). SWAT: Model use, calibration, and validation. Transactions of the ASABE, 55(4), 1491-1508. [DOI:10.13031/2013.42256]
6. Asheri, E. (2016). Study on urban land use change impacts on rural settlement strategy using automated cell model (case study city of Urmia). Geographical Planning of Space, 5(18), 151-167.
7. Cao, C., Sun, R., Wu, Z., Chen, B., Yang, C., Li, Q., & Fraedrich, K. (2023). Streamflow Response to Climate and Land-Use Changes in a Tropical Island Basin. Sustainability, 15(18), 13941. [DOI:10.3390/su151813941]
8. Chegnizadeh, A., Rabieifar, H., Ebrahimi, H., & Zakeri Nayeri, M. (2023). The Effect of Mid-term Changes in Climate and Land use on Flow Reduction in Karkheh Catchment. Journal of Water and Soil Resources Conservation, 12(2), 13-29.
9. Dannenberg, M. P., Wise, E. K., & Smith, W. K. (2019). Reduced tree growth in the semiarid United States due to asymmetric responses to intensifying precipitation extremes. Science advances, 5(10), eaaw0667. [DOI:10.1126/sciadv.aaw0667]
10. El-Khoury, A., Seidou, O., Lapen, D., Que, Z., Mohammadian, M., Sunohara, M., & Bahram, D. (2015). Combined impacts of future climate and land use changes on discharge, nitrogen and phosphorus loads for a Canadian river basin. Journal of environmental management, 151, 76-86. [DOI:10.1016/j.jenvman.2014.12.012]
11. 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]
12. Ivancic, T. J., & Shaw, S. B. (2017). Identifying spatial clustering in change points of streamflow across the contiguous US between 1945 and 2009. Geophysical Research Letters, 44(5), 2445-2453. [DOI:10.1002/2016GL072444]
13. Jafari Gorzin, B., Kavian, A., & Solaimani, K. (2023). Investigation of Land use Changes and Its Role in the Hydrology of the Upstream Areas of Siahroud Watershed [Research]. Journal of watershed management research, 14(27), 26-37. [DOI:10.61186/jwmr.14.27.26]
14. Jia, H. J., & Wan, R. R. (2012). Simulating the impacts of land use/cover change on storm-runoff for a mesoscale watershed in east China. Advanced Materials Research, 347, 3856-3862. [DOI:10.4028/www.scientific.net/AMR.347-353.3856]
15. Kavian, A., Gholami, L., Mohammadi, M., Spalevic, V., & Soraki, M. F. (2018). Impact of wheat residue on soil erosion processes. Notulae Botanicae Horti Agrobotanici Cluj-Napoca, 46(2), 553-562. [DOI:10.15835/nbha46211192]
16. Khan, A., Ghoraba, S., Arnold, J. G., & Di Luzio, M. (2014). Hydrological modeling of upper Indus Basin and assessment of deltaic ecology. Int. J. Mod. Eng. Res, 4(1), 73-85.
17. Kiyani Majd, M., Nohtani, M., Dehmardeh Ghaleh No, M. R., & Shikh, Z. (2023). Simulating the Runoff of Watersheds in Dry Areas on A Monthly Scale using the SWAT Model (Case Study: Lar Watershed) [Research]. Journal of watershed management research, 14(27), 135-145. [DOI:10.61186/jwmr.14.27.135]
18. Leng, G., Tang, Q., & Rayburg, S. (2015). Climate change impacts on meteorological, agricultural and hydrological droughts in China. Global and Planetary Change, 126, 23-34. [DOI:10.1016/j.gloplacha.2015.01.003]
19. Lennert, J., Farkas, J. Z., Kovács, A. D., Molnár, A., Módos, R., Baka, D., & Kovács, Z. (2020). Measuring and predicting long-term land cover changes in the functional urban area of Budapest. Sustainability, 12(8), 3331. [DOI:10.3390/su12083331]
20. Liu, Y. B., De Smedt, F., Hoffmann, L., & Pfister, L. (2005). Assessing land use impacts on flood processes in complex terrain by using GIS and modeling approach. Environmental modeling & assessment, 9, 227-235. [DOI:10.1007/s10666-005-0306-7]
21. Masson-Delmotte, V., Zhai, P., Pirani, A., Connors, S. L., Péan, C., Berger, S., ... & Zhou, B. (2021). Climate change 2021: the physical science basis. Contribution of working group I to the sixth assessment report of the intergovernmental panel on climate change, 2(1), 2391.
22. Meaurio, M., Zabaleta, A., Uriarte, J. A., Srinivasan, R., & Antigüedad, I. (2015). Evaluation of SWAT models performance to simulate streamflow spatial origin. The case of a small forested watershed. Journal of hydrology, 525, 326-334. [DOI:10.1016/j.jhydrol.2015.03.050]
23. Meinshausen, M., Nicholls, Z. R., Lewis, J., Gidden, M. J., Vogel, E., Freund, M., ... & Wang, R. H. (2020). The shared socio-economic pathway (SSP) greenhouse gas concentrations and their extensions to 2500. Geoscientific Model Development, 13(8), 3571-3605. [DOI:10.5194/gmd-13-3571-2020]
24. Miller, J. D., & Hess, T. (2017). Urbanisation impacts on storm runoff along a rural-urban gradient. Journal of hydrology, 552, 474-489. [DOI:10.1016/j.jhydrol.2017.06.025]
25. Moriasi, D. N., Gitau, M. W., Pai, N., & Daggupati, P. (2015). Hydrologic and water quality models: Performance measures and evaluation criteria. Transactions of the ASABE, 58(6), 1763-1785. [DOI:10.13031/trans.58.10715]
26. Mujiono, M., Indra, T. L., Harmantyo, D., Rukmana, I. P., & Nadia, Z. (2017, July). Simulation of land use change and effect on potential deforestation using Markov Chain-Cellular Automata. In AIP Conference Proceedings, (Vol. 1862, No. 1). AIP Publishing. [DOI:10.1063/1.4991281]
27. Nash, J. E., & Sutcliffe, J. V. (1970). River flow forecasting through conceptual models part I-A discussion of principles. Journal of hydrology, 10(3), 282-290. [DOI:10.1016/0022-1694(70)90255-6]
28. Neitsch, S. L., Arnold, J. G., Kiniry, J. R., & Williams, J. R. (2011). Soil and water assessment tool theoretical documentation version 2009. Texas Water Resources Institute.
29. Nouri, J., Gharagozlou, A., Arjmandi, R., Faryadi, S., & Adl, M. (2014). Predicting urban land use changes using a CA-Markov model. Arabian Journal for Science and Engineering, 39, 5565-5573. [DOI:10.1007/s13369-014-1119-2]
30. O'Neill, B. C., Kriegler, E., Ebi, K. L., Kemp-Benedict, E., Riahi, K., Rothman, D. S., Van Ruijven, B. J., Van Vuuren, D. P., Birkmann, J., & Kok, K. (2017). The roads ahead: Narratives for shared socioeconomic pathways describing world futures in the 21st century. Global environmental change, 42, 169-180. [DOI:10.1016/j.gloenvcha.2015.01.004]
31. Olivera, F., & Maidment, D. (1999). Geographic Information Systems (GIS)‐based spatially distributed model for runoff routing. Water Resources Research, 35(4), 1155-1164. [DOI:10.1029/1998WR900104]
32. Piani, C., Weedon, G., Best, M., Gomes, S., Viterbo, P., Hagemann, S., & Haerter, J. (2010). Statistical bias correction of global simulated daily precipitation and temperature for the application of hydrological models. Journal of hydrology, 395(3-4), 199-215. [DOI:10.1016/j.jhydrol.2010.10.024]
33. Pignotti, G., Rathjens, H., Cibin, R., Chaubey, I., & Crawford, M. (2017). Comparative analysis of HRU and grid-based SWAT models. Water, 9(4), 272. [DOI:10.3390/w9040272]
34. Reddy, C. S., Singh, S., Dadhwal, V., Jha, C., Rao, N. R., & Diwakar, P. (2017). Predictive modelling of the spatial pattern of past and future forest cover changes in India. Journal of Earth System Science, 126, 1-16. [DOI:10.1007/s12040-016-0786-7]
35. Ringard, J., Seyler, F., & Linguet, L. (2017). A quantile mapping bias correction method based on hydroclimatic classification of the Guiana shield. Sensors, 17(6), 1413. [DOI:10.3390/s17061413]
36. Samie, A., Deng, X., Jia, S., & Chen, D. (2017). Scenario-based simulation on dynamics of land-use-land-cover change in Punjab Province, Pakistan. Sustainability, 9(8), 1285. [DOI:10.3390/su9081285]
37. Schilling, K. E., Gassman, P. W., Kling, C. L., Campbell, T., Jha, M. K., Wolter, C. F., & Arnold, J. G. (2014). The potential for agricultural land use change to reduce flood risk in a large watershed. Hydrological Processes, 28(8), 3314-3325. [DOI:10.1002/hyp.9865]
38. Shang, X., Jiang, X., Jia, R., & Wei, C. (2019). Land use and climate change effects on surface runoff variations in the upper Heihe River basin. Water, 11(2), 344. [DOI:10.3390/w11020344]
39. Solomon, S. (2007). Climate change 2007-the physical science basis: Working group I contribution to the fourth assessment report of the IPCC (Vol. 4). Cambridge university press.
40. Surabuddin Mondal, M., Sharma, N., Kappas, M., & Garg, P. K. (2019). Ca Markov modeling of land use land cover dynamics and sensitivity analysis to identify sensitive parameter (S). The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 42, 723-729. [DOI:10.5194/isprs-archives-XLII-2-W13-723-2019]
41. Tan, M. L., Ibrahim, A. L., Yusop, Z., Duan, Z., & Ling, L. (2015). Impacts of land-use and climate variability on hydrological components in the Johor River basin, Malaysia. Hydrological Sciences Journal, 60(5), 873-889. [DOI:10.1080/02626667.2014.967246]
42. Wu, J., Miao, C., Zhang, X., Yang, T., & Duan, Q. (2017). Detecting the quantitative hydrological response to changes in climate and human activities. Science of the Total Environment, 586, 328-337. [DOI:10.1016/j.scitotenv.2017.02.010]
43. Xu, S., Qin, M., Ding, S., Zhao, Q., Liu, H., Li, C., Yang, X., Li, Y., Yang, J., & Ji, X. (2019). The impacts of climate variation and land use changes on streamflow in the Yihe River, China. Water, 11(5), 887. [DOI:10.3390/w11050887]
44. Zabihi, M., Moradi, H. R., Gholamalifard, M., & Khaledi Darvishan, A. (2019). Effects of Land Use/Land Cover Change Scenarios on Landscape Metrics on the Talar Watershed. Watershed Management Research Journal, 32(1), 84-99. [DOI:10.22092/wmej.2018.123624.1156]
45. Zhang, L., Karthikeyan, R., Bai, Z., & Srinivasan, R. (2017). Analysis of streamflow responses to climate variability and land use change in the Loess Plateau region of China. Catena, 154, 1-11. [DOI:10.1016/j.catena.2017.02.012]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
