مدیریت جامع حوزه های آبخیز

مدیریت جامع حوزه های آبخیز

چشم‌انداز اثرات تغییر اقلیم بر متغیرهای بارش و دمای حوزه آبخیز تودشک

نوع مقاله : مقاله پژوهشی

نویسندگان
1 گروه احیا مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران
2 گروه ترویج و آموزش کشاورزی، دانشکده کشاورزی، دانشگاه تهران، کرج، ایران
3 گروه مرکز بین‌المللی مطالعات تاب‌آوری شهری، پژوهشکده سوانح طبیعی، تهران، ایران
چکیده
چکیده مبسوط:
مقدمه: یکی از تهدیدهای مهم و اصلی محیط­زیستی، اقتصادی و اجتماعی برای جهان، تغییرات اقلیمی است. بدون انجام اقدامات لازم در جهت کاهش انتشار گازهای گلخانه­ای، تغییر اقلیم در سرتاسر زمین در حال وقوع بوده و در سالیان اخیر اثرات فاجعه­­ باری را در بسیاری از کشورها از خود به جای گذاشته است. افزایش گازهای گلخانه‌ای در جو در اثر گسترش صنعت و افزایش مصرف سوخت‌های فسیلی و تغییرکاربری اراضی در چند دهه گذشته موجب به­هم خوردن ایستایی روند متغیرهای اقلیمی به خصوص دمای کره زمین شده است. تبعات منفی این پدیده برای بشر تا آنجا می­تواند مخرب باشد که در بین ده عامل تهدید­آمیز برای بشر در قرن بیست و یکم، پدیده تغییر اقلیم مقام اول را به خود اختصاص داده است. هدف این پـژوهش پیش­نگری تغییرات فرین­های حدی دمایی و بارش با استفاده از کاربست مدل Statistical Downscaling Model برای ریزمقیاس­نمایی خروجی­های مدل MPI-ESM1-2-HR از مدل­های GCM از گزارش CMIP6 تحت سه سناریو SSP1-2.6، SSP2-4.5 و SSP5-8.5 جهت سه دوره آینده نزدیک، آینده متوسط و آینده دور نسبت به دوره زمانی پایه در حوزه آبخیز تودشک اصفهان می­باشد.
مواد و روش‌ها: در این پژوهش به منظور ارزیابی عملکرد خروجی­های مدل گردش عمومی MPI-ESM1-2-HR  در ریزمقیاس­نمایی پارامترهای بارش، دمای بیشینه و دمای کمینه با بهره­گیری از مدل آماری SDSM، از داده­های روزانه ایستگاه سینوپتیک نایین استان اصفهان در بازه زمانی سال­های 1989 تا 2014 به عنوان دوره پایه استفاده شد. در این مدل، از داده­های سال 1989 تا 2006 به عنوان بخش واسنجی مدل و از داده­های سال 2007 تا 2014 به عنوان قسمت اعتبارسجی مدل استفاده شد. در ابتدا با استفاده از آزمون رگرسیون خطی در نرم­افزار SPSS از بین 26 متغیر داده­های تاریخی ECMWF، متغیرهایی که بالاترین میزان همبستگی با متغیرهای وابسته را داشتند، به عنوان متغیر مستقل استخراج گردید. همچنین به منظور ارزیابی عملکرد این مدل از شاخص­های برازش نکویی ضریب همبستگی، مجذور میانگین مربعات خطا، نش ساتکلیف، کلینگ گوپتا و دیاگرام تیلور استفاده شد. 
نتایج و بحث: نتایج شاخص­های برازش نکویی R، RMSE، NSE و KGE در بخش واسنجی و اعتبارسنجی خروجی­های مدل MPI-ESM1-2-HR  با مدل ریزمقیاس­نمایی SDSM در برآورد متغیرهای بارش، دمای بیشینه و دمای کمینه ایستگاه همدیدی نایین به ترتیب 97/0، 42/0، 96/0 و 87/0 بوده که حاکی از کارایی و دقت نسبتا ً بالای مدل در شبیه­سازی متغیرهای اقلیمی می­باشد. نتایج تحقیق نشان داد خروجی مدل MPI-ESM1-2-HR و مدل آماری SDSM به ترتیب از کارایی بالا و متوسط جهت ریزمقیاس­سازی پارامتر بیشینه  و کمینه دما و متغیر بارش در ایستگاه سینوپتیک نایین برخوردار بوده و انطباق زیاد و متوسط بین مقادیر سناریوسازی و مشاهداتی پارامتر بیشینه  و کمینه دما و متغیر بارش تحت سناریوهای SSP1-2.6 و SSP2-4.5 و SSP5-8.5 در دوره­های زمانی 2042-2015، 2070-2043 و2100-2071 برخوردار است. همچنین نتایج نشان داد به طور­کلی در مدلMPI-ESM1-2-HR  مقادیر میانگین بارش ماهیانه به ترتیب در دوره­های زمانی2042-2015، 2070-2043 و 2100-2071 به میزان 21/0، 22/0 و 24/0 میلی­متر کاهش و مقادیر میانگین دمای بیشینه به ترتیب 49/1، 5/1 و 52/1 درجه سانتی­گراد و مقادیر میانگین دمای کمینه به ترتیب 51/0، 53/0 و 54/0 درجه سانتی­گراد تحت سناریوهای SSP1-2.6، SSP2-4.5 وSSP5-8.5  نسبت به دوره مشاهداتی افزایش خواهد یافت.
نتیجه‌گیری: از آنجایی که شرایط کنونی جهان حاکی از گسترش تغییرات اقلیمی در همه کشورها و در همه قاره­ها بوده و دستاوردهای توسعه پایدار را به خطر می­اندازد، جامعه بین­المللی نیازمند حرکت به سمت فناوری­های سازگار با محیط زیست، استفاده از انرژی­های پاک و غیرفسیلی و اجرای ضوابط بین­المللی مبنی بر رعایت اصول زیست­محیطی در راستای توسعه پایدار از جمله کاهش گازهای گلخانه­ای می­باشد. لذا معقول به نظر می­رسد که از میان سناریوهای مورد ارزیابی در این پژوهش، سناریوی متوسط SSP2-4.5 به عنوان ملاک تصمیم­گیری برای برنامه­ریزی در جهت پیشنهاد راهکار جهت مقابله و سازگاری با تغییرات اقلیمی در دستور کار سیاست­گذاران و برنامه­ریزان کشور قرار گیرد.
کلیدواژه‌ها

موضوعات


Ansari Mahabadi, S., Dehban, H., Zareian, M.J., & Farokhnia, A. (2022). Investigating the trend of temperature and precipitation changes in Iran's watersheds in the next 20 years based on output CMIP6 models. Iranian Water Research Journal, 16(1), 11-24.
Bessah, E., Raji, A., Taiwo, O., Agodzo, S., & Ololade, O. (2020). The impact of varying spatial resolution of climate models on future rainfall simulations in the Pra River Basin (Ghana). Journal of Water and Climate Change, 11(4), 1263–1283. https://doi.org/10.2166/wcc.2019.258
Bjornaes, C. (2013). A guide to Representative Concentration Pathways. Center for International Climate and Environmental Research.
Cheng, Q., Zhong, F., & Wang, P. (2021). Potential linkages of extreme climate events with vegetation and large-scale circulation indices in an endorheic river basin in northwest China. Journal of Atmospheric Research, 247, 1-22.
Eyring, V., Bony, S., Senior, C., Stevens, B., Stouffer, R. J., Taylor, K. E., & Meehl, G.A. (2016). Overview of the Coupled Model Intercomparison Project Phase 6 (CMIP6) experimental design and organization. Journal of Geoscientific Model Development, 8, 10539-10583.
IPCC, Climate Change. (2021). Future Global Climate: Scenario-based Projections and Near-term Information. Lee, J. Y., Marotzke, G., Bala, L., Cao, S., Corti, J.P., Dunne, F., Engelbrecht, E., Fischer, J.C., Fyfe, C., Jones, A., Maycock, J., Mutemi, O., Ndiaye, S., Panickal, & Zhou., T.      https://doi.org/10.1017/9781009157896.006
Khan, M. S., Coulibaly, P., & Dibike, Y. (2006). Uncertainty analysis of statistical downscaling methods. Journal of Hydrology, 319, 357-382. https://doi.org/10.1016/j.jhydrol.2005.06.035
Koukidis, E. N., & Berg, A. A. (2009). Sensitivity of the Statistical DownScaling Model to reanalysis products. Journal of Atmosphere-Ocean, 47(1), 1-18. https://doi.org/10.3137/AO924.2009
Kult, J., Choi, W., & Choi, J. (2014). Sensitivity of the Snowmelt Runoff Model to snow covered area and temperature inputs. Journal of Applied Geography, 55, 30-38.      http://doi.org/10.1016/j.apgeog.2014.08.011
Marzi, S., Mysiak, J., Essenfelder, A., Amadio, A., Giove, S., & Fekete, A. (2019). Constructing a comprehensive disaster resilience index: The case of Italy. Journal of  Plos one, 14(9), 221-585. https://doi.org/10.1371/journal.pone.0221585
Mirakbari, M., Mesbahzadeh, T., Mohseni Saravi, M., Khosravi, H., & Mortezaei Frizhendi, Q. (2018). Evaluation of efficiency of CMIP5 series model in simulation and prediction of climatic parameters of rainfall, temperature and wind speed (Case study: Yazd province). Journal of Natural GeographyResearch, 50(3), 609-593. https://doi.org/10.22059/jphgr.2018.248177.1007156
Mishra, V., Cherakauer, K., & Shukla, SH. (2010). Assessment of Drought due to Historic Climate Variability and Projected Future Climate Change in the Midwestern United States. Journal of Hydrometoeorology, 11, 46-68. http://doi.org/10.1175/2009JHM1156.1
Nurzaman, A., Shaw, R., & Roychansyah, M.S. (2020). Measuring community resilience against coastal hazards: Case study in Baron Beach, Gunungkidul Regency. Journal of Progress in Disaster Science, 5, 100067. https://doi.org/10.1016/j.pdisas.2020.100067
O’Neill, B. C., Tebaldi, C., van Vuuren, D., Eyring, V., Friedlingstein, P., Hurtt, G., Knutti, R., Kriegler, E., Lamarque, J. F., Lowe, J., Meehl, G. A., Moss, R., Riahi, K., & Sanderson, B. M. (2016).The Scenario Model Intercomparison Project (ScenarioMIP) for CMIP6. Journal of Geoscientific Model Development, 9, 3461-3482.
O’Neill, B. C., Carter , T.R., Ebi, K., Harrison, P. A.,  Kemp-Benedict, E., Kok, K., Kriegler, E., Preston, B., Riahi, K., Sillmann, J., Van Ruijven, B., Van Vuuren, D., Carlisle, D., Conde, C., Fuglestvedt, J., Green, C., Hasegawa, T., Leininger, J., Monteith, S., & Pichs-Madruga, R. (2020). Achievements and needs for the climate change scenario framework. Journal of Nature Climte change, 10, 1074-1084.
Pachauri, R.K., Allen, M.R., Barros, V.R., Broome, J., Cramer, W., Christ, R., Church, J.A., Clarke, L., Dahe, Q., Dasgupta, P., Dubash, N.K., Edenhofer, O., Elgizouli, I., Field, C.B., Forster, P., Friedlingstein, P., Fuglestvedt, J., Gomez-Echeverri, L., Hallegatte, S., Hegerl, G., Howden, M., Jiang, K., Jimenez Cisneroz, B., Kattsov, V., Lee, H., Mach, K. J., Marotzke, J., Mastrandrea, M. D., Meyer, L., Minx, J., Mulugetta, Y., O'Brien, K., Oppenheimer, M., Pereira, J. J., Pichs-Madruga, R., Plattner, G.K., Pörtner, H.O., Power, S.B., Preston, B., Ravindranath, N.H., Reisinger, A., Riahi, K., Rusticucci, M., Scholes, R., Seyboth, K., Sokona, Y., Stavins, R., Stocker, T. F., Tschakert, P., van Vuuren, D., & van Ypserle, J. P. (2014). AR5 Synthesis Report: Climate Change 2014. Contribution of Working Groups I, II and III to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. Intergovernmental Panel on Climate Change. Journal of  Geneva. https://doi.org/10.4236/ajcc.2013.23020
Parakandeh, F., Alavinia, H., & Omidvar, E. (2024). Evaluation of future temperature and precipitation changes by downscaling general circulation models(A case study of selected synoptic stations on the southern coasts of Iran).  Journal of Management of Natural Ecosystems, 3(1), 63-75.     https://doi.org/10.220/emj.2024.2025835.1056 (In Persian)
Pimonsree, S., Kamworapan, S., Gheewala, S.H., Thongbhakdi, A., & Prueksakorn, K. (2023). Evaluation of CMIP6 GCMs performance to simulate precipitation over Southeast Asia. Journal of Atmospheric Research, 282, 33. https://doi.org/10.2139/ssrn.4204582
Rakhimova, M., Liu, T., Bissenbayeva, S., Mukanov, Y., Gafforov, K. S., Bekpergenova, Z., & Gulakhmadov, A. (2020). Assessment of the impacts of climate change and human activities on runoff using climate elasticity method and general circulation model (GCM) in the Buqtyrma river Basin. Journal of Sustainability, 12(12), 4968. https://doi.org/10.3390/su12124968
Roshani, A., & Hmidi, M. (2022). Forecasting the effects of climate change scenarios on temperature &precipitation based on CMIP6 models(Case study: Sari station). Journal of Water and Irrigation Management, 11(4), 781-795.    https://doi.org/10.22059/jwim.2022.330603.920
Schmidhuber, J., & Tubiello, F.N. (2007.) Global food security under climate change. Journal of Proc. Natl. Acad.Sci., 104, 19703-19708. https://doi.org/10.1073/pnas.0701976104
Stouffer, R. J.,  Eyring, V., Meehl, G. A., Bony, S., Senior, C., Stevens, B., & Taylor, K. E. (2017). CMIP5 Scientific Gaps and Recommendations for CMIP6. Journal of American Meteorological Society, 98(1), 95-105.
Su-Yuan, L., Li-Juan, M., Zhi-Hong, J., GuoJie, W., Raj, G. K., Jing, ZH., Hui, ZH., Ke, F., Yu, H., & Chun, L. (2020). Projected drought conditions in Northwest China with CMIP6 models under combined SSPs and RCPs for 2015-2099. Journal of Advances in Climate Change Research, 11(3), 210-217. https://doi.org/10.1016/j.accre.2020.09.003
Tang, Q., Donfg, W., Liu, Z., Liao, H., & Li, X. (2015). New climate and socio-economic scenarios for assessing global human health challenges due to heat risk. Journal of Climatic Change, 130, 505–518.
https://doi.org/10.1007/s10584-015-1372-8
Van der Mensbrugge, D. (2015). Shared Socio-Economic Pathways and Global Income Distribution. 18th Annual Conference on Global Economic Analysis. M elbourne. Australia.
Wilby, R. L., &  Dawson, C. W. (2007). SDSM 4.2-A decision support tool for the assessment of regional climate change impacts. User Manual. London, UK. American Journal of climate change, 6(3).
Woznicki, A., Adhikari, U., & Nejadhashemi, A. (2016). Climate change and eastern Africa: a review ofimpact on major crops. Journal of  Food and Energy Security, 4(2), 110-132. https://doi.org/10.1002/fes3.61  
Zamani, Y., Monfared, S. A. H., & Hamidianpour, M. (2020). A comparison of CMIP6 and CMIP5 projections for precipitation to observational data: the case of Northeastern Iran. Journal of Theoretical and Applied Climatology, 142(3), 1613-1623. https://doi.org/10.1007/s00704-018-2672-5
Zarin, A., Dadashi-Roudbari, A. A.  & Hassani, S. (2022). Near term (2021-2028) climate prediction of monthly temperature in Iran using Decadal Climate Prediction Project (DCPP). Journal of the Earth and Space Physics, 48(1), 189-211.       https://doi.org/10.22059/JESPHYS.2022.327886.1007340 (In Persian)

  • تاریخ دریافت 03 مهر 1403
  • تاریخ بازنگری 09 آبان 1403
  • تاریخ پذیرش 23 آذر 1403