مهندسی و مدیریت آبخیز

با همکاری انجمن آبخیزداری ایران

شماره جاری

بر اساس شماره‌های نشریه

بر اساس نویسندگان

بر اساس موضوعات

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

اصول اخلاقی انتشار مقاله

بانک ها و نمایه نامه ها

پرسش‌های متداول

فرایند پذیرش مقالات

راهنمای نویسندگان

راهنمایی دریافت کد ORCID

داوران

راهنمای عضویت در Publons

پیش‌بینی اثر تغییر اقلیم بر دبی ماهانه رودخانه کارون با به‌کارگیری مدل‌های چندگانه خطی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار اقلیم شناسی، دانشکده جغرافیا و علوم محیطی، دانشگاه حکیم سبزواری، سبزوار، ایران

2 دانشجوی دکترای رشته آب و هواشناسی شهری، دانشکده جغرافیا و علوم محیطی، دانشگاه حکیم سبزواری، سبزوار، ایران

3 کارشناس مسئول، اداره هواشناسی سبزوار، سبزوار، ایران

چکیده

ﻫﺪف از پژوهش حاضر، ﺑﺮرﺳﯽ اﺛﺮ ﺗﻐﯿﯿﺮ اﻗﻠﯿﻢ ﺑﺮ دبی ماهانه ﺣﻮزه آﺑخیز کارون به‌عنوان بزرگ‌ترین حوضه‌ کشور است. در این مطالعه، پنج ایستگاه هیدرومتری (بام­دژ، تله­زنگ، حرمله، گتوند و دزفول) و سه ایستگاه سینوپتیکی (اهواز، دزفول و مسجد سلیمان) در نظر گرفته شد. با استفاده از نرم‌افزار SDSM، داده‌های NCEP و داده‌های بزرگ ‌مقیاس مدل گردش عمومی جو (HadCM3 برای دما و CgCM3 برای دبی) تحت دو سناریوی اقلیمی A1B و A2 در حوضه کارون ریزمقیاس‌سازی شد. سپس داده‌های تغییر اقلیم و خروجی مدل ریزمقیاس‌نمایی به نرم‌افزار SPSS 19 و Minitab 17 وارد تا روند معنی‌داری دبی برای دوره‌های اقلیمی آینده (2070-2020) پیش‌بینی شود. نتایج تحلیل تغییر اقلیم نشان داد که در منطقه مورد مطالعه تحت سناریوهای مختلف دمای هوا در ماه‌های مختلف سال در سناریوی A1B به­ میزان 1.60 درجه سانتی‌گراد و در سناریوی A2 ،1.58 درجه سانتی‌گراد افزایش پیدا می‌کند، اما متوسط دبی سالانه ایستگاه‌ها در سناریوی A1B به ­میزان 19.82 مترمکعب و در سناریوی A2 به 16.27 مترمکعب کاهش می‌یابد. نتایج همچنین نشان داد، تحت سناریوهای مختلف اقلیمی دبی در فصل بهار و نیمه اول سال در سطح اطمینان 95 درصد بدون روند معنی‌داری، ولی در دیگر فصل‌های سال و نیمه دوم سال دارای روند کاهشی معنی‌داری می‌باشد.

کلیدواژه‌ها

عنوان مقاله [English]

Prediction of climate change effects on monthly flood runoff of Karun River using multiple linear model

نویسندگان [English]

  • Mokhtar Karami 1
  • Rasol Sarvestan 2
  • Reza Sabouri 3

1 Assistant Professor, Faculty of Geography and Environmental Sciences, Hakim Sabzevari University, Sabzevar, Iran

2 PhD Student, Faculty of Geography and Environmental Sciences, Hakim Sabzevari University, Sabzevar, Iran

3 Researcher, Meteorological Office, of Sabzevar, Sabzevar, Iran

چکیده [English]

The purpose of this study was to investigate the effect of climate change on the monthly discharge of Karoon Catchment as the largest basin in the country. In this study, five hydrometric stations (Bamdgeh, Telezang, Gharmaleh, Gotvand and Dezful) and three synoptic stations (Ahwaz, Dezful and Masjed Soleiman) were considered. Using the SDSM software, NCEP data and large-scale data from the general circulation model (HadCM3 for temperature and CgCM3 for water discharge) were scaled parameters under two climate scenarios A1B and A2 in the Karun Basin. Then, the climate change data and the output of the microscale model were applied to the SPSS 19 and Minitab 17 to predict the significance of water discharge for future climate courses (2020-2070) be simulated. Results of climate change analysis showed that under different scenarios, monthly air temperature in the scenario A1B increases by 1.60°C and in the scenario A2 1.58°C, but the average annual rate of stations in the scenario A1B is 19.82 m S-1 in size and 16.27 m S-1 in the A2 scenario. The modified Kendall and age tests were used to identify seasonal and semi-annual seasonal time series trends. Results also showed that under climate scenarios of discharge in spring and first half of the year, there was no significant trend at 95% of confidence, but in other seasons of the second half of the year, there was a significant decrease.

کلیدواژه‌ها [English]

  • CgCM3
  • Downscaling
  • Mann-Kendall
  • SDSM software
  • Temperature
مراجع
  1. Azizi, G. 2014. Climate change. Gomes Publishing, 256 pages.
  2. Anderson, L., J. Wilk, M. Todd, D. Hughes, A. Earle, D. Kniveton, R. Layberry and H. Savenije. 2006. Impact of climate change and development scenarios on flow patterns in the Okavango River. Journal of Hydrology, 331: 43-57.
  3. Bihamta, M. and M. Chahouki. 2011. Principles of statistics for the natural resources science. Tehran University Publishers, 125 pages.
  4. Dastranj, A., A. Shahbazi, M. Mohseni Saravi, A. Salehnasab and S. Jafari. 2016. Climate modeling and comparison of climate parameters variation in the northern and southern front of Alborz using SDSM model. Journal of Science and Watershed Management Engineering, 32(10): 11-26.
  5. Fallah Qolouri, G. 2014. Small scale of statistical analysis of climatic data. Sokhan Gostar Publishing Company of Mashhad, 165 pages.
  6. Garib Dost, M., M. Victim and A. Forouzandeh Shahraky. 2016. Estimating the impact of climate change on precipitation-soil flow in Soofi Chay Basin. Water Resources Engineering, 9: 17-29.
  7. Giorgi, F. and Mearns. 1991. Approaches to the simulation of regional climate change: a review. Reviews of Gheophysics, (29): 191-219.
  8. Hamed, K. and Rao. 1998. A modified Mann–Kendall trend test for auto correlated data. Journal of Hydrology, 204: 182–196.
  9. 2007. Summary for policymakers climate change: the physical science basis. Contribution of Working Group I to the Forth Assessment Report. Cambridge University Press, 881 pages.
  10. Javad Barati Fatz, M. 2011. Fighting with climate change. Abu Ali Sina University Press, 143 pages.
  11. Kendall, M. 1975. Rank correlation measures. American Journal of Climate Change, 12: 15-36.
  12. Khazaei, M. 2016. Evaluation of the effect of climate change on hydrologic regime of a mountainous watershed in Iran. Journal of Soil and Water Resources Conservation, 3: 43-54.
  13. Komozep, T. and O. Chung. 2014. The effects of climate change on the water resources of the Geumho River Basin, Republic of Korea. Journal of Hydro-Environment Research, 4(2014): 358–366.
  14. Kumar, S., Merwade, J. Kam and K. Thurner. 2009. Streamflow trends in Indiana: effects of long term persistence, precipitation and subsurface drains. Journal of Hydrology, 374: 171-183.
  15. Madari, A., A. Kikavosy, M. Mahmoudi Fard, A. Allah Bakhshi and A. Kohoudi. 2010. Geography of Khuzestan Province. Applied Climatology, 99: 149-161.
  16. Malmir, M., A.M. Zapour, S. Sharif Azari and A. Kandahari. 2016. The study of the effects of climate change on the runoff of Ghareh Souz Basin using the quantitative statistical scale of HadCM3 model and dynamic neural network. Water and Soil Conservation Research Journal, 3: 21-35.
  17. Mann, H. 1945. Nonparametric tests against trend. Econometrica, 13(3): 245-259.
  18. Nikbakht Shahbazi, A.S. 1392. Survey and analysis of standard precipitation in Karun 3 Basin in climate change. Quarterly of Aquatic Sciences, Ahvaz Islamic Azad University, 3(8): 98-83.
  19. Nikbakht Shahbazi, A.S. 1396. Evaluation of the effects of climate change on rainfall and temperature in the Karoun Dam Basin. Journal of Environmental and Water Engineering, 2: 133-143.
  20. Pourtaheri, M. 2014. Use of statistics in geographic sciences in rural, urban, political and tourism studies using SPSS software. Qoof Publishing, 135 pages (in Persian).
  21. Rahimi Bandarabadi, S., S. Jahanbakhsh, B. Sari Sarraf, A. Baha'i and A. Khorshid Dost. 2015. Study of precipitation and temperature variations in Karkheh Basin. Watershed Engineering and Management, 2: 184-194 (in Persian).
  22. Salajegha, A., A. Rafiei Sardouei, A. Moghadamnia, A. Malekian, S. Arakinejad, S. Khalighi Sigarudi, A. Salehpour Jam. 2016. Prediction of climate variables by SDSM multiple linear models in the future based on A2 scenario. Desert Management Journal, 7: 12-25.
  23. Samadi, Z. and M. Mahdavi. 2009. Selection of predictive variable in order to small scale data on temperature and rainfall in Karkheh Watershed. 5th National Conference on Watershed Management Sciences and Engineering (Sustainable Management of Natural Disasters), Gorgan University of Agricultural Sciences and Natural Resources.
  24. Sen, P. 1968. Estimates of the regression coefficients based on Kendall’s tau. Journal of the American Statistical Association, 63: 1379–1389.
  25. Tatsumi, K., Oizumi and Y. Yamashiki. 2013. Introduction of daily minimum and maximum temperature change signals in the Shikoku region using the statistical downscaling method by GCMs. Hydrological Research Letters, 7(3): 48-53.
  26. Wilby, R. and C.W. Dawson. 2014. Using SDSM version 4.2-A decision support tool for the assessment of regional climate change impacts. User Manual, 94 pages.
  27. Zhaofa, L., Xu, P. Stephen, G. Chales and L. Liu. 2011. Evaluation of two statistical downscaling models for daily precipitation over an arid basin in Chine. Royal Meteorological Society, (31): 2006-2020.
مهندسی و مدیریت آبخیز
دوره 12، شماره 1
فروردین 1399
صفحه 44-56
فایل ها
هم رسانی
ارجاع به این مقاله
آمار