palette
شبیه‌سازی پارامترهای اقلیمی بارش و دبی استان تهران تحت مدل CanESM2 (براساس تطبیق دوشاخص خشکسالی SPI و SSI)

چکیده

بررسی خشکسالي به عنوان یکی از  مخاطرات طبیعی، که زندگی اکثر مردم به آن گره خورده است، بسیار حائز اهمیت است. جهت آماده سازي در مقابله با خشكسالي و كاهش خسارات ناشي از آن از روش‌هاي شبيه‌سازي، مدل‌سازي و تهيه مقدمات احتمال وقوع خشكسالي، استفاده می‌شود. در این مطالعه برای فراهم آوردن یک دید کلی از شرایط خشکسالی آینده از دو شاخص خشکسالی SSI و SPI استفاده گردید. در گام اول داده‌های مربوط به دبی و بارش با استفاده از مدل CanESM2 تحت سناریو انتشار RCP4.5 و مدل ریزمقیاس SDSM برای دوره 2050-2020 پیش‌بینی شد سپس با توجه به موقعیت جغرافیایی هر ایستگاه مناسب‌ترین تابع توزیع تجمعی برای هر شاخص در هر ایستگاه انتخاب گردید و امکان محاسبه شاخص‌های خشکسالی SSI و SPI فراهم گردید. نتایج نشان داد در دوره آتی براساس شاخص SSI، ایستگاه شریف‌آباد بیشترین مقدار خشکسالی (74/2-) را داراست و همچنین براساس شاخص  SPIبیشترین مقدار شاخص خشکسالی (17/2-) مربوط به ایستگاه لتیان است. لازم به ذکر است که تطابق دو شاخص در ایستگاه‌های نمرود و لتیان نیز با ترسیم متناظر منحنی تغییرات در طی دوره مطالعاتی نشان داد که اختلاف مقادیر عددی این دو کمیت، تنها برای 5 سال از انطباق مناسبی برخوردار نیست.

واژگان کلیدی
پیش‌بینی خشکسالی، شاخص SPI و SSI، SDSM، استان تهران.

منابع و مآخذ مقاله

-احمدآبادی، ع. و صدیقی فر، ز.، 1397. پیش‌بینی اثرات تغییر اقلیم بر خصوصیات هیدروژئومورفولوژی حوضه آبریز کن براساس مدل ریز مقیاس نمایی آماری، نشریه تحقیقات کاربردی علوم جغرافیایی، دوره 18، شماره 51، ص 103-114. ‎

-پیرنیا، ع.، گلشن، م. بیگنه، س. و سلیمان، ک.، 1397. ارزیابی وضعیت خشکسالی در حوضه آبخیز تمر (بالادست سد گلستان) با استفاده از شاخص‌های SPI و SPEI تحت شرایط اقلیمی حال و آینده، نشریه اکوهیدرولوژی، شماره 5(1)، ص 215 – 228.

-جهانگیر، م.، خوش مشربان، م. و یوسفی، ح.، 1394. پایش و پیش‌‏بینی وضعیت خشکسالی با استفاده از شاخص بارندگی استاندارد (SPI) و شبکه عصبی پرسپترون چندلایه (مطالعه موردی: استان‏-های تهران و البرز)، اکوهیدرولوژی، شماره 2(4)، ص 417- 428.

-دهقان، ز.، فتحیان، ف. و اسلامیان، س.، 1394. ارزیابی مقایسه‌ای مدل‌های SDSM،IDW و LARS- WG برای شبیه‌سازی و ریز مقیاس کردن دما و بارش، آب و خاک، شماره 29(5)، ص 1376- 1390.‎

-رحیمی، ر. و رحیمی، م.، 1397. تحلیل مکانی و زمانی تغییر اقلیم در سال‌های آینده و مقایسه روش‌های ریزمقیاس‌نمایی SDSM،LARS-WG و شبکه عصبی مصنوعی (مطالعه موردی: استان خوزستان)، نشریه اکوهیدرولوژی، شماره 5(4)، ص 1161 - 1174.‎

-رسولی، ع.، جهانبخش، س. و قاسمی، ا.، 1393. بررسی ارتباط بین پارامترهای مهم ابر و بارش روزانه در ایران، فصلنامه تحقیقات جغرافیایی، شماره 29(1)، ص 23-42.

-رضايي، م.، نهتاني، م.، رضايي، م. و ميرکازهي ريگي، م.، 1393. بررسي کارايي مدل ريز مقياس نمايي آماري (SDSM) در پيش‌بيني پارامترهاي دمايي در دو اقليم خشک و فراخشک (مطالعه موردي: کرمان و بم)، نشزیه پژوهشهای مدیریت حوزه آبخیز، دوره 5، شماره 10، ص 117-131.

-زارعي، ع.، مقيمي، م. و محمودي، م.، 1395. مدل‌سازی و پیش‌بینی خشكسالی فصلی با استفاده از شاخص RDI و مدل‌های سری زمانی (مطالعه موردی: ایستگاه سینوپتیك تهران)، مهندسي اكوسيستم بيابان، شماره 11، ص 105-116.

-سلاجقه، ع.، رفیعی ساردویی، ا.، مقدم نیا، ع.، ملکیان، آ.، عراقی نژاد، ش.، خلیقی سیگارودی، ش. و صالح پورجم، ا.، 1396. بررسی کارایی مدل‌های ریزمقیاس‌نمایی آماری LARS-WG و SDSM در شبیه‌سازی دما و بارش، تحقیقات آب و خاک ایران، شماره 48(2)، ص 253 تا 262.

-عليزاده، ا.، 1394. اصول هيدرولوژي كاربردي، انتشارات دانشگاه امام رضا، 942 ص.

-عینی، م.، جوادی، س.، دلاور، م. و دارند، م.، 1397. ارزیابی داده‌های بارش پایگاه ملی اسفزاری در برآورد رواناب و پایش خشکسالی منطقه‌ای، اکوهیدرولوژی، شماره 5(1)، ص 99-110.

-کریمی، م.، ستوده، ف. و رفعتی، س.، 1397. تحلیل روند تغییرات و پیش‌بینی پارامترهای حدی دمای ناحیه جنوبی دریای خزر، نشریه تحقیقات کاربردی علوم جغرافیایی، شماره 18(48)، ص 79-93.

-یوسفی، م.، نوحه گر، ا.، خسروی، ز. و عزیز آبادی فراهانی، م.، 1394. مدیریت و پهنه‏‌بندی خشکسالی با استفاده از شاخص‏‌های SPI و RDI مطالعه موردی: استان مرکزی، نشریه اکوهیدرولوژی، شماره 2)3)، ص 337-344.

-نوروزی، ا.، رستمی، ن. و جهانگیر، م.، 1397. پیش‏بینی وضعیت خشکسالی طی دوره 2018-2037 تحت رویکرد تغییر اقلیم (مطالعه موردی: ایستگاه‌های ایلام و دهلران)، شماره اکوهیدرولوژی، شماره 5(3)، ص 977-991.

-Abramowitz, M. and Stegun, I.A., 1965. Handbook of mathematical functions with formulas, graphs, and mathematical table. In US Department of Commerce, National Bureau of Standards Applied Mathematics series 55.

-Arora, V.K., Scinocca, J.F., Boer, G.J., Christian, J.R., Denman, K.L., Flato, G.M., Kharin, V.V., Lee, W.G. and Merryfield, W.J., 2011. Carbon emission limits required to satisfy future representative concentration pathways of greenhouse gases, Geophysical Research Letters, 38(5), Doi 10.1029/2010 gl046270.

-Bazrafshan, J. and Khalili, A., 2013. Spatial Analysis of Meteorological Drought in Iran from 1965 to2003. Desert, v. 18(1), p. 63-71.

-Fowler, H.J., Blenkinsop, S. and Tebaldi, C., 2007. Linking climate change modelling to impacts studies: recent advances in downscaling techniques for hydrological modelling. International Journal of Climatology: A Journal of the Royal Meteorological Society, v. 27(12), p. 1547-1578.

-Jain, V.K., Pandey, R.P., Jain, M.K. and Byun, H.R., 2015. Comparison of drought indices for appraisal of drought characteristics in the Ken River Basin, Weather and Climate Extremes, v. 8, p. 1-11.

-Kabiri, R., Kanani, V. and Andrew, C., 2012. Climate Change Impacts on River Runoff in Klang Watershed in West Malaysia. J. Clim. Res, v. 48, p. 57-71.

-Lee, K., Ahn, J., Kim, B., Jung, T., Lee, S., Lim, M., Moon, C.R., Jung, S., Lee, J., Kim, H. and Lee, D., 2011. SNR Performance Comparison of 1.4 um Pixel: FSI, Light-guide, and BSI. IISW2011, 3 p.

-Liu, X., Xu, X., Yu, M. and Lu, J., 2016. Hydrological drought forecasting and assessment based on the standardized stream index in the Southwest China, Procedia Engineering, v. 154, p. 733-737.

-Lopes, P.M.D.A.G.G., 2008. Assessment of climate change statistical downscaling methods: Application and comparison of two statistical methods to a single site in Lisbon (Doctoral dissertation, FCT-UNL).

-Lorenzo-Lacruz, J., Morán-Tejeda, E., Vicente-Serrano, S.M. and López-Moreno, J.I., 2013. Streamflow droughts in the Iberian Peninsula between 1945 and 2005: spatial and temporal patterns, Hydrology and Earth System Sciences, v. 17(1), p. 105-119.

-Madadgar, S. and Moradkhani, H., 2013. A Bayesian framework for probabilistic seasonal drought forecasting. Journal of Hydrometeorology, v. 14(6), p. 1685-1705.

-M McKee, T.B., Doesken, N.J. and Kleist, J., 1993. January. The relationship of drought frequency and duration to time scales, In Proceedings of the 8th Conference on Applied Climatology, v. 17( 22), p. 179-183.

-Fenta Mekonnen, D. and Disse, M., 2018. Analyzing the future climate change of Upper Blue Nile River basin using statistical downscaling techniques, Hydrology and Earth System Sciences, v. 22(4), p. 2391-2408.

-Oguntunde, P.G., Abiodun, B.J. and Lischeid, G., 2017. Impacts of climate change on hydro-meteorological drought over the Volta Basin, West Africa, Global and Planetary Change, v. 155, p. 121-132.

-Prediction of Climate Change Induced Hydrogeomorphology by using SDSM in CAN Watershed, 2018. Journal of Applied Researches in Geographical Sciences, v. 18(51), p. 103-114.

-Samadi, S., Ehteramian, K. and Sarraf, B.S., 2011. SDSM ability in simulate predictors for climate detecting over Khorasan province. Procedia-Social and Behavioral Sciences, v. 19, p. 741-749.

-Shi, J., Wang, H., Xu, J., Wu, J., Liu, X., Zhu, H. and Yu, C., 2007. Spatial distribution of heavy metals in soils: a case study of Changxing, China. Environmental Geology, v. 52(1), p. 1-10.

-Uml, M.J., Kim, Y., Park, D. and Kim, J., 2017. Effects of different reference periods on drought index (SPEI) estimations from 1901 to 2014. Hydrology and Earth System Sciences, v. 21(10), p. 4989–5007. https://doi.org/10.5194/hess-21-4989-2017

-Vicente-Serrano, S.M., Beguería, S. and López-Moreno, J.I., 2010. A multiscalar drought index sensitive to global warming: the standardized precipitation evapotranspiration index, Journal of climate, v. 23(7), p. 1696-1718.

-Vicente-Serrano, S.M., López-Moreno, J.I., Beguer’ia, S., Lorenzo-Lacruz, J., Azorin-Molina, C. and Morán-Tejeda, E., 2011. Accurate computation of a streamflow drought index. Journal of Hydrologic Engineering, v. 17(2), p. 318-332.

-Vlček, O. and Huth, R., 2009. Is daily precipitation Gamma-distributed?: Adverse effects of an incorrect use of the Kolmogorov–Smirnov test’, Atmospheric Research, Elsevier, v. 93(4), p. 759-766.

-Wilby, R.L. and Dawson, C.W., 2007. SDSM 4.2-A decision support tool for the assessment of regional climate change impacts. User manual, 94 p.

-Wilby, R.L., Dawson, C.W. and Barrow, E.M., 2002. SDSM—a decision support tool for the assessment of regional climate change impacts. Environmental Modelling & Software, v. 17(2), p. 145-157.

-Zheng, B., Lei, K., Liu, R., Song, S. and An, L., 2014. Integrated biomarkers in wild crucian carp for early warning of water quality in Hun River, North China, Journal of Environmental Sciences, v. 26(4), p. 909-916.


ارجاعات
  • در حال حاضر ارجاعی نیست.