تاثیر عدم قطعیت خروجی مدل های اقلیمی در پیش بینی تغییرات تراز سطح آب زیرزمینی

نوع مقاله : علمی -پژوهشی

نویسندگان

1 دانشگاه بهشتی

2 پردیس ابوریحان، دانشگاه تهران

چکیده

با توجه به عدم قطعیت­های موجود در خروجی مدل­های اقلیمی در این تحقیق از خروجی 16 مدل اقلیمی برای پیش­بینی تغییرات تراز سطح آب زیرزمینی در آبخوان دشت همدان-بهار در دوره آتی استفاده شده است. برای این منظور مدل­های مختلف اقلیمی بر مبنای توانایی آنها در شبیه­سازی متغیرهای اقلیمی در دوره پایه (2000-1970) وزن­دهی شده­ و سپس بر مبنای وزن مدل­های اقلیمی و مقادیر پیش­بینی شده توسط آنها در دوره آتی (2045-2015) تغییرات بارندگی و دما در سطوح احتمال مختلف 10، 50 و 90 درصد محاسبه شده است. با استفاده از داده­های اقلیمی ایستگاه سینوپتیک همدان و مقدار تغییرات پیش­بینی شده بارش و دما در سطوح احتمال مختلف، برای سناریو انتشار A2، مقادیر بارش و دما توسط مدل LARS-WG به شکل روزانه تولید شده است. با توجه به مقادیر پیش­بینی شده بارش و رواناب تخمین زده شده توسط شبکه عصبی مصنوعی، تغییرات تراز سطح آب زیرزمینی در سطوح ریسک مختلف شبیه­سازی شده است. میزان افت متوسط سالانه تراز آب زیرزمینی در دوره 20 ساله مشاهداتی 72/0 متر می­باشد و این میزان برای سطوح احتمال 10، 50 و 90 درصد به ترتیب 53/0، 1/1 و 3/1 متر می­باشد. با توجه به اینکه ضخامت متوسط زون اشباع در شرایط کنونی آبخوان حدود 50 متر می­باشد لذا با حفظ شرایط کنونی برداشت از منابع آب زیرزمینی و وقوع مقادیر پیش­بینی شده تغییرات تراز سطح آب زیرزمینی به خصوص در سطح ریسک 50 و 10 درصد، عملاً در 30 سال آینده آبخوان دشت همدان-بهار از بین خواهد رفت. 

عنوان مقاله [English]

Effect of climate models uncertainty on groundwater water table changes prediction

چکیده [English]

With respect to climate models uncertainty, the output of 16 climate models have been used to predict groundwater table in future (2015-2045) in this research. Different climate models are weighted in the basis of their ability in predicting monthly observed climate data in the base study period (1970-2000). With respect to climate models weights and their predictions, precipitation and temperature changes in 10, 50 and 90 probability percentile are estimated. Daily observation data of Hamadan synoptic station and Δp, Δt under A2 emission scenario at different probability percentile have been imported to an stochastic weather generator, named LARS-WG, and future precipitation and temperature data are produced for the study period (2015 – 2045). Using precipitation data and runoff which estimated by artificial neural network, groundwater fluctuations have been predicted for different level of risk in future. Based on observed data, annual depletion of groundwater table in Hamadan-Bahar aquifer is about 0.72 m and this amount will be change to 0.53 m, 1.1 m and 1.3 m in 10, 50 and 90 probability percentile respectively. The aquifer saturated thickness is 50 m and it will be dried in near future

کلیدواژه‌ها [English]

  • Climate change- Climate models- Hamadan Bahar aquifer- Probability percentile- Uncertainty
  1. -امیدوار، ک. و اژدرپور، م.، 1391. استفاده از مدل شبکه عصبی مصنوعی در برآورد بارش – رواناب در حوضه آبریز رودخانه اعظم هرات، فصلنامه تحقیقات جغرافیایی، شماره 27 (4)، ص620-640.
  2. -مساح بوانی، ع.ر.، 1385. ارزیابی ریسک تغییر اقلیم و تأثیر آن بر منابع آب، مطالعه موردی حوضه زاینده-رود اصفهان، پژوهشکده مهندسی آب دانشگاه تربیت مدرس، تهران، پایان‌نامه دکتری.
  3. -دفتر مطالعات پایه منابع آب، 1389. گزارش تمدید ممنوعیت دشت همدان-بهار، شرکت آب منطقه‌ای استان همدان، 40 ص.
  4. -Allen, D.M., Cannon, A.J., Toews, M.W. and Scibek, J., 2010. Variability in simulated recharge using different GCMs: Water Resource Research, v. 46 (10), p. 1-18.
  5. -Cannon, A.J., 2008. Probabilistic multisite precipitation downscaling by an expanded Bernoulli-gamma density network: Journal of Hydrometeorology, v. 9 (6), p. 1284–1300.
  6. -Changnon, S.A., Huff, F.A. and Hsu, C.F., 1988. Relations between precipitation and shallow groundwater in Illinois: Journal of Climate, v. 1, p. 1239– 1250.
  7. -Gohari, A.R., Eslamian, S., Abedi-Kopaei, J., Massah Bavani, A.R., Dingbao, W. and Madani, K., 2013. Climate change impacts on crop production in Iran's Zayandeh-Rud River Basin: Science of the Total Environment Journal, v. 442, p. 405–419.
  8. -Holman, I.P., Allen, D.M., Cuthbert, M.O. and Goderniaux, P., 2012. Towards best practice for assessing the impacts of climate change on groundwater: Hydrogeology Journal, v. 20, p. 1-4.
  9. -Holman, I.P., 2006. Climate change impacts on groundwater recharge: uncertainty, shortcomings and the way forward: Hydrogeology Journal, v. 14, p. 637–647.
  10. -Jyrkama, M.I. and Sykes, J.F., 2007. The impact of climate change on spatially varying groundwater recharge in the Grand River Watershed (Ontario): Journal of Hydrology, v. 338, p. 237–250.
  11. -Kundzewicz, Z.W., Mata, L.J., Arnell, N.W., Döll, P., Kabat, P., Jimenez, B., Miller, K.A., Oki, T., Sen, Z. and Shiklomanov, I.A., 2007. Freshwater resources and their management, Climate Change 2007: Impacts, Adaptation and Vulnerability, Contribution of Working Group II to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change, Parry ML, Canziani OF, Palutikof JP, van der Linden PJ and Hanson CE (Eds.), Cambridge University Press, Cambridge, UK, p. 173-210.
  12. -Luoma, S. and Okkonen, J., 2014. Impact of future climate change and Baltic sea level rise on groundwater recharge, groundwater levels, and surface leakage in the Hanko aquifer in southern Finland: Journal of Water, v. 6 (12), p. 3671– 3700.
  13. -Massah Bavani, A.R. and Morid, S., 2005. The impacts of climate change on water resources and agricultural production: Journal of Water Resource Research, v. 1, p. 17–40.
  14. -Meshkin Nejhad, S., Mashal, M. and Hedayat, N., 2013. Simulation of the climate change impact on runoff in the Dez dam area: International Journal of Agriculture and Crop Sciences, v. 6(3), p. 121-126.
  15. -Razmara, P., Massah Bavani, A.R., Motiee, S. and Lotfi, S., 2013. Investigating uncertainty of climate change effect on entering runoff to Urmia Lake Iran: Hydrology and Earth System Sciences, v. 10, p. 2183-2214.
  16. -Russell, S., Crosbie, B.R., Scanlon, F.S., Mpelasoka, R.C., Reedy, J., Gates, J. B. and Zhang, L., 2013. Potential climate change effects on groundwater recharge in the high plains aquifers, USA: Water Resources Research Journal, v. 49, p. 1–16.
  17. -Schnur, R. and Lettenmaier, D.P., 1998. A case study of statistical downscaling in Australia using weather classification by recursive partitioning: Journal of Hydrology, v. 212–213, p. 362–379.
  18. -Scibek, J. and Allen, D.M., 2006. Modeled impacts of predicted climate change on recharge and groundwater levels: Water Resource Research Journal, v. 42, W11405. doi: 10.1029/2005WR004742.
  19. -Scibek, J., Allen, D.M. and Cannon, A., 2007. Groundwater–surface water interaction under scenarios of climate change using a high-resolution transient groundwater model: Journal of Hydrology, v. 333, p.165–181.
  20. -Semenov, M.A. and Barrow, E.M., 2002. LARS-WG: A Stochastic Weather Generator for Use in Climate Impact Studies, Version 3.0 user manual, 28 p.
  21. -Toews, M.W. and Allen, D.M., 2009. Simulated response of groundwater to predicted recharge in a semi-arid region using a scenario of modeled climate change: Environmental Research Letters Journal, v. 4, p. 190-211.
  22. -van Roosmalen, L., Christensen, B.S.B. and Sonnenborg, T.O., 2007. Regional differences in climate change impacts on groundwater and stream discharge in Denmark: Vadose Zone Journal, v. 6(3), p. 554–571.
  23. -Yates, D., Gangopadhyay, S., Rajagopalan, B. and Strzepek, K., 2003. A technique for generating regional climate scenarios using a nearest-neighbor algorithm: Water Resource Research Journal, v. 39 (7), p. 351-376.
  24. -Zektser, I.S. and Loaiciga, H.A., 1993. Groundwater fluxes in the global hydrologic cycle: Past, present, and future: Journal of Hydrology, v. 144, p. 405– 427. -Zorita, E. and Von Storch, H., 1999. Thee analog metod- a simple statistical downscaling technique: comparison with more complicated methods: Journal of Climate, v. 12, p. 2474-2489.