فاطمه وطن‌پرست قلعه جوق؛ برومند صلاحی
چکیده
مقدمه
حیات انسانی دائماً تحت تأثیر انواع مخاطرات طبیعی قرار دارد که برخی از آن‌ها برآمده از پیشامدهای آب و هوایی و گرمایش جهانی است. ارزشمندی این مسئله به اندازه‌ای است که هیئت بین‌الدول تغییر اقلیم تأسیس‌شده تا دگرگونی‌های اقلیمی را در سطح جهانی مطالعه کند و نقش فعالیت بشر را در این مورد ارزیابی کند. یکی از پیامدهای تغییر اقلیم، ...
بیشتر
مقدمه
حیات انسانی دائماً تحت تأثیر انواع مخاطرات طبیعی قرار دارد که برخی از آن‌ها برآمده از پیشامدهای آب و هوایی و گرمایش جهانی است. ارزشمندی این مسئله به اندازه‌ای است که هیئت بین‌الدول تغییر اقلیم تأسیس‌شده تا دگرگونی‌های اقلیمی را در سطح جهانی مطالعه کند و نقش فعالیت بشر را در این مورد ارزیابی کند. یکی از پیامدهای تغییر اقلیم، وقوع رخدادهای حدی نظیر خشکسالی است. در واقع با رخداد تغییر اقلیم، شدت و فراوانی خشکسالی نیز پیچیده‌تر می‌شود و به‌دلیل نقش حیاتی آب در زندگی انسان، تولیدات کشاورزی و محیط‌زیست، ارزیابی تأثیرات سوء آن بر وقوع و شدت خشکسالی‌ها اهمیت زیادی دارد. دلیل اصلی پدید آمدن خشکسالی‌ها نیز نوسانات در مؤلفه‌های اقلیمی ازجمله کمبود بارش و افزایش دما است.
مواد و روشها
پژوهش حاضر با هدف پیش‌بینی خشکسالی در ایستگاه‌های اردبیل، اهر، پارس‌آباد، جلفا، خوی و ماکو واقع در حوزه آبخیز رودخانه ارس انجام شده است. برای این منظور، دقت مدل گردش عمومی هیئت بین‌الدول تغییر اقلیم (CMIP6) مورد ارزیابی قرار گرفت. مدلهای اقلیمی مورد استفاده در این پژوهش برای پیش‌نگری داده بارش طی دوره آینده (۲۰۴۳-۲۰۲۴) شامل مدلهای CanESM5، NorESM2-MM و MPI-ESM1-2-HR تحت سناریوهای انتشار خوش‌بینانه (SSP1-2.6) و بدبینانه (SSP5-8.5) هستند. آنگاه با استفاده از شاخص بارش استانداردشده (SPI)، ویژگی‌های خشکسالی در مقیاس سالانه طی دوره پایه (۲۰۱۴-۱۹۸۵) با دوره آینده مورد سنجش قرار گرفت. سپس صحت‌‌سنجی مدل‌ها با استفاده از سنجه‌های R2، RMSE و NSE انجام و در نهایت با داده‌های تولید شده بارش، شاخص خشکسالی SPI از لحاظ شدت و فراوانی مورد تجزیه و تحلیل قرار گرفت.
نتایج و بحث
ارزیابی مدل‌ها با سنجه‌های خطاسنجی مختلف نشان داد که در شبیه‌سازی بارش ایستگاه‌های مورد مطالعه، مدل CanESM5 بهترین عملکرد را نسبت به سایر مدل‌ها دارد. مقایسه مدل‌ها و سناریوهای استفاده شده در این پژوهش نشان داد که بر مبنای خروجی مدل MPI-ESM1-2-HR، شدت خشکسالی‌ها و تحت مدل CanESM5، فراوانی خشکسالی‌ها نسبت به سایر مدل‌ها بیشتر شده است. همچنین نتایج نشان داد که در بدبینانه‌ترین حالت ممکن، تعداد و شدت دوره‌های خشک نسبت به سناریوی خوش‌بینانه افزایش خواهد داشت. طبق نتایج حاصل از این پژوهش، دوره‌های دارای وضعیت نرمال کاهش‌یافته و به تعداد و فراوانی دوره‌های دارای وضعیت خشک افزوده شده که ناشی از پیامدهای تغییر اقلیم در محدوده مورد بررسی است. همچنین، فراوانی و شدت ترسالی‌ها هم به مقدار اندکی نسبت به دوره مورد نظارت افزایش داشته است. بنابراین، تغییرات اقلیمی تا اندازه قابل قبولی بر وضعیت خشکسالی حوزه رود ارس در آینده اثر دارد.
نتیجهگیری
در مجموع می‌توان بیان کرد، آگاهی از میزان تغییرات بارش و منابع آب به‌دلیل مصارف گوناگون آن برای کشاورزی، شرب و صنعت از ارزشمندی فراوانی برخوردار است. در حالت کلی می‌توان اظهار داشت که قدرت مدلهای اقلیمی دوره آینده بنا به آب و هوای هر گستره، ماه و متغیر اقلیمی پیش‌نگری شده مختلف است. حوضه رود ارس، به‌علت انجام فعالیت‌های کشاورزی بیش از ظرفیت و مصرف آب در بخش‌های مختلف کشاورزی در معرض کاهش منابع آبی قرارگرفته است. بنابراین، پژوهش حاضر تلاشی به‌منظور بررسی تأثیر تغییر اقلیم بر شدت و فراوانی خشکسالی حوزه رود ارس بود که می‌تواند سیاست‌های هوشمندانه در مورد مدیریت با پابرجا منابع آب و زمین را ساده نماید. نتایج این پژوهش بر مبنای مدلهای اقلیمی مورد استفاده، وقوع تغییر اقلیم و به‌خصوص تکرار خشکسالی‌ها را در ایستگاه‌های مورد بررسی تأیید میکند. استفاده از مدلهای اقلیمی متعدد، به‌عنوان معتبرترین ابزار تولید سناریوهای اقلیمی، پیش‌بینی‌ها و مهم‌تر از آن عدم قطعیت‌ها را در شرایط اقلیمی آینده بهتر ارزیابی میکند و به برنامه‌ریزان و تصمیم‌‌گیران کمک میکند تا برای مقابله با اثرات سوء خشکسالی در بخش‌های مختلف منابع آب و کشاورزی نظارت بهتری داشته باشند و نیز برنامه‌ریزی‌های قبل از وقوع بحران جهت کاهش خسارات در منطقه را آسان‌‌تر میکند.
نگار عین اله زاده؛ اتابک فیضی؛ فرناز دانشور وثوقی
چکیده
مقدمه
در سالهای اخیر، مواردی از قبیل رشد فعالیت‌های صنعتی، از بین رفتن محیط زیست و غیره، منجر به افزایش گازهای گلخانه‌ای و برهم خوردن تعادل اقلیمی شده است که این پدیده با عنوان تغییر اقلیم یاد می‌شود. تاثیر منفی این پدیده در سامانه‌های مختلفی همچون منابع آب، کشاورزی، صنعت و غیره، موجب نگرانی‌هایی برای جوامع ...
بیشتر
مقدمه
در سالهای اخیر، مواردی از قبیل رشد فعالیت‌های صنعتی، از بین رفتن محیط زیست و غیره، منجر به افزایش گازهای گلخانه‌ای و برهم خوردن تعادل اقلیمی شده است که این پدیده با عنوان تغییر اقلیم یاد می‌شود. تاثیر منفی این پدیده در سامانه‌های مختلفی همچون منابع آب، کشاورزی، صنعت و غیره، موجب نگرانی‌هایی برای جوامع بشری شده است. بنابراین، یکی از علت‌های اصلی نگرانی‌های امروزه، بحث تغییر اقلیم در ارتباط با منابع آب است. تغییر اقلیم و آثار آن، یکی از مهمترین چالش‌های مدیریت منابع آب و انرژی است که باید به‌صورت جدی بررسی شود و برنامه‌ریزی‌هایی به‌منظور مقابله با آثار آن بر منابع آب صورت گیرد. هدف از این پژوهش، یافتن مناسبترین مدل تغییر اقلیم برای منطقه و ارزیابی کارایی روش‌های هوش مصنوعی در بررسی پدیده تغییر اقلیم است.
مواد و روشها
یکی از معتبرترین روشها، برای بررسی پارامترهای موثر بر پدیده‌های هیدرولوژیکی تحت تاثیر تغییرات اقلیم، استفاده از مدلهای گردش عمومی جو (GCM) است. برای استفاده از این مدل‌ها در مقیاس منطقه‌ای، نیاز به انجام عملیات ریزمقیاس نمایی است. قبل از انجام فرایند ریزمقیاس‌نمایی، به‌علت تعداد زیاد پارامترهای حاصل از مدلهای گردش عمومی زمین، ابتدا باید موثرترین پارامترها از میان آن‌ها انتخاب شود. در این پژوهش، برای تعیین پارامترهای هواشناسی و هیدرولوژیکی ایستگاه سینوپتیک اردبیل، از 25 مدل سری پنجم گزارش IPCC، استفاده شد. برای تعیین مدل برتر از میان مدلهای بررسی شده، از شاخص ضریب همبستگی خطی بین مقادیر ماهانه بارش و دمای مشاهداتی با خروجی مدلهای GCM استفاده شد. همچنین، برای ریزمقیاس‌نمایی خروجی مدلهای GCM، از شبکه عصبی مصنوعی استفاده شد. قبل از به‌کارگیری شبکه عصبی، برای رسیدن به یک شبکه ایده‌آل و بهینه، مناسبترین پارامترهای ورودی به شبکه از میان پارامترهای مدلهای GCM برتر منطقه، با استفاده از ضریب همبستگی خطی، تابع اطلاعات مشترک و درخت تصمیم M5، بررسی و انتخاب شدند.
نتایج و بحث
در این پژوهش، برای بررسی عدم قطعیت مدلهای GCM، 25 مدل از سری پنجم IPCC، مورد بررسی قرار گرفتند. نتایج بیانگر آن بود که سه مدل MRI-CGCM3 ،CMCC-CMS و MPI-ESMMR، مناسبترین ضرایب همبستگی را در ایستگاه سینوپتیک اردبیل ارائه می‌کنند. نتایج حاصل برای تعیین مناسبترین پارامترهای ورودی، به‌منظور ریزمقیاس‌نمایی با استفاده از سه روش ضریب همبستگی خطی، تابع اطلاعات مشترک و درخت تصمیم M5 نشان داد که الگوریتم درخت تصمیم، مناسبترین پارامترها را برای منطقه مورد نظر ارائه میکند. همچنین، نتایج حاصل از ریزمقیاس‌نمایی با شبکه عصبی با استفاده از متغیرهایی که با روش درخت تصمیم انتخاب شدند، عملکرد مناسب این روش را در انتخاب پارامترهای موثر ورودی شبکه عصبی نشان داد. به‌طوریکه پارامترهای انتخاب شده مدل MRI-CGCM3، به‌عنوان ورودی شبکه عصبی در روش ریزمقیاس‌نمایی پاسخ‌های بهتری را ارائه داده است. نتایج به‌دست آمده با استفاده از پارامترهای انتخاب شده مدل MRI-CGCM3 نشان داد که در پارامتر بارش، مقدار DC، RMSE و CC برای داده‌های آزمون، به‌ترتیب 0.39، 0.40 و 0.63 به‌دست آمده و در پارامتر دما، مقدار DC، RMSE و CC برای داده‌های آزمون مدل برتر، به‌ترتیب 0.9، 0.03 و 0.95 بوده است.
نتیجهگیری
عملکرد شبکه‌های ریزمقیاس‌نمایی، به شرایط اقلیمی منطقه وابسته است. برتری یک مدل در یک پژوهش، نمی‌تواند یک استدلال صحیح برای انتخاب آن مدل در تمامی مناطق باشد. بهتر است برای دستیابی به یک مدل بهینه، از مدلهای متنوع گردش عمومی زمین در منطقه استفاده شود. انجام چنین پژوهش‌هایی، می‌تواند پژوهشگران را برای بررسی پدیده‌های مختلف هیدرولوژیکی که ممکن است در آینده رخ دهد و عواقب جبران‌ناپذیری داشته باشد، کمک شایانی کند.
