نوع مقاله : مروری
نویسندگان
1 استاد گروه آب و هواشناسی دانشگاه تبریز
2 دانشجوی دکتری آب و هواشناسی دانشگاه تبریز
3 کارشناسی ارشد آب و هواشناسی دانشگاه تبریز
چکیده
امروزه پیشبینی داده های هواشناسی برای برنامه ریزی های آینده در زمینه های طبیعی و انسانی از اهمیت بالایی برخوردار است. از جمله می توان به پیشبینی خشکسالی و سیل و... اشاره کرد که در این صورت میتوان با برنامهریزی مدون از خسارات احتمالی کاست. در این پژوهش، ابتدا با استفاده از مدل CLIMGEN و دادههای هواشناسی (2009-1961)، ایستگاه سینوپتیک تبریز پیشبینی دادههای هواشناسی سالهای 2009-2000 انجام گرفت و با توجه به هدف تحقیق همبستگی بین این داده ها با داده های مشاهداتی در SPSS16 صورت گرفت. با توجه به همبستگی بین دادههای مشاهداتی و شبیهسازی شده، سپس به پیشبینی داده های هواشناسی منطقه تبریز طی دوره 2040-2016 پرداخته شد. در نتیجه با استفاده از شاخص SPI جهت بهدست آوردن ترسالی و خشکسالیها در دوره مورد مطالعه و دوره شبیهسازی شده اقدام گردید. نتایج نشان میدهد که در دو دوره مورد مطالعه (2009-1961 و 2040-2016)، روند بارش رو به کاهش گذارده است و از طرف دیگر در دوره پیشبینی شده نسبت به دوره مشاهداتی ترسالی و خشکسالیها رو به افزایش نهاده و از وضعیت نرمال فاصله گرفته است. برای سال2040 در منطقه مورد مطالعه با مدل گردش عمومی جو HADCM2 طبق سناریوی A1BAIM مدلسازی شد و از مدل MAGICC-SCENGEN برای ریز مقیاس نمایی دادههای با قدرت تفکیک خروجی 5/2 در 5/2 مدلهای گردش عمومی استفاده شد. نتایج حاصل از این مدل نیز حاکی از کاهش بارش و افزایش دما در منطقه مورد مطالعه می باشد.
کلیدواژه‌ها
عنوان مقاله [English]
Monitoring and Predicting the Wet and Drought Periods in Tabriz Using CLIMGEN Models and SPI
چکیده [English]
The weather forecast data plays an important role in future planning in the natural and human fields. This includes the forecast of droughts and floods, etc., which can reduce potential damages that threaten the preplanned programs. Using CLIMGEN and meteorological data (1961-2009) of Tabriz station, this study forecasted the meteorological data for the years 2000- 2009. Next, the correlation between the data and the observed data of SPSS16 was observed. Then, based on the correlation between observed and simulated data, a prediction was made for the meteorological data of Tabriz region during the period between 2016- 2040. Finally, the wet and drought periods during the study were calculated by SPI and were simulated. The results showed the steady diminishing of rainfall trend in the two periods of 1961-2009 and 2016-2040. On the other hand, the predicted period has shown a rise compared to the wet and drought periods being far from normal. For the year 2040 in the region, general circulation models of the atmosphere HADCM2 and A1BAIM scenario were modeled and MAGICC-SCENGEN for Exponential Scale Tiny data output with a resolution 2.5 to 2.5 general circulation models were used. The results obtained by the use of the model indicate a reduction in the rainfall and an increase in temperatures in the area under study.
کلیدواژه‌ها [English]
- Tabriz
- CLIMGEN model
- SPI index
- Wet period
- Drought period
مقدمه
گرمایش جهانی و رابطه تغییر اقلیم بهویژه تغییرات دما و بارش نقاط مختلف کره زمین با آن، بهعنوان مهمترین نمودهای تغییر اقلیم، مورد توجه قرار گرفته اند. توجه افکار عمومی و مجامع علمی به این نکته و تمرکز گازهای گلخانه ای در چند سال گذشته باعث شده است که نوعی همکاری جهانی در بررسی این معضل جهانی بهوجود آید، چون به تحقیق معلوم شده است که بسیاری از معضلات محیطی از جمله سیل، طوفان، خشکسالی و نظایر آنها ریشه در تشدید افزایش دمای کره زمین دارند (خورشید دوست و همکاران، 1383: 23-1). تغییر اقلیم و افزایش گرمایش جهانی، سبب گسترش خشکسالی ها و تداوم آنها شده و همچنین منجر به ناهمگنی توزیع بارش شده و بر منابع آب تأثیر می گذارد. هر گونه تغییر در مؤلفههای بارش و دما، بر میزان تبخیر و تعرق تأثیر خواهد گذاشت. گرمایش جهانی شرایط خشکی را در نواحی خشک جهان با افزایش پتانسیل تبخیر و تعرق و افزایش بیابانزایی تشدید خواهد کرد (روشن و محمدنژاد به نقل از علیزاده و همکاران،1391: 88-69). خشکسالی یک ویژگی اقلیمی است که در تمامی مناطق اقلیمی رخ میدهد، اگرچه ویژگی های آن از یک منطقه به منطقه دیگر متفاوت است. وقوع خشکسالی وخیم ترین حادثه محیطی است که دارای ویژگی های خاص اقلیمی و هیدرولوژیکی در هر ناحیه می باشد (سمیعی و همکاران، 2006: 39-27).
دما و بارش از عناصر اصلی شناخت اقلیم هستند. با توجه به دریافت نامنظم انرژی خورشیدی توسط زمین، بارش و دمای هوا در سطح زمین دارای تغییرات زیادی است که این تغییرات موجب پیدایش پدیدههایی نظیر سیل و خشکسالی می گردد (یوسفی و حجام، 1391). پیشبینی دادههای هواشناسی جهت پیشبینی خشکسالی و سیل و گرمایش جهانی و... برای مدیریت تولید محصول در آینده و مدیریت منابع آب و جلوگیری از ایجاد بحران در آینده مورد نیاز است و پیشبینی اطلاعات هواشناسی به برنامه ریزان و مدیران و مسؤلان در مورد موارد مذکور کمک خواهد کرد. برای پیشبینی اطلاعات هواشناسی مدلهای مختلفی توسط پژوهشگران معرفی شده است. مدل های WGEN (ریچارد سون و رایت، 1984)، WXGEN (شارپلی و ویلیامز، 1990)، USCLIMATE (جانسون و همکاران، 1996)، CLIGEN (آرنولد و الیوت، 1996)، CLIMAX (دانوسو، 1997) و CLIMGEN (استوکل و همکاران، 1998) را می توان نام برد. بیشتر این مدلها برای پیشبینی داده های هواشناسی، از داده های ثبت شده در ایستگاه های هواشناسی استفاده میکنند (سیمونوف و جمیسون، 1999).
پیشبینی خشکسالی و ترسالی استان مازندران با استفاده از مدل بکس- جنکینز توسط علیجانی و رمضانی (1381: 170-155) انجام شـده و نتیجه گرفتهانـد که در سالهای 2001 تا 2003 ایستگاه های قائمشهر و بابلسر دوره ترسالی و رامسر و نوشهر دوره خشکسالی را تجربه می کنند. ایشان همچنین تحلیل و پیشبینی خشکسالی ها و ترسالی های استان مازندران، بر اساس کاهش یا افزایش بارندگی نسبت به میانگین درازمدت را نیز انجام داده و نتیجه گرفتهاند که وقوع خشکسالیها و ترسالی ها، اغلب با شدت های متوسط و یا تقریباً نرمال بوده و بروز این پدیده ها در سطح استان از همزمانی و نظم خاصی برخوردار است. عزیزی و روشن (1384: 63-48)، جهت پیشبینی خشکسالی و ترسالی در استان سیستان و بلوچستان با استفاده از مدل سری زمانی هالت وینترز به این نتیجه رسیدند که سه دوره خشکسالی و دو دوره ترسالی در منطقه رخ داده است، بهطوری که خشکسالی ها ضعیف و متوسط، اما با تداوم زیاد بوده، در حالی که ترسالی ها شدید و بسیار شدید اما با تداوم کم ظاهر شده اند. در مطالعه ای ارزیابی مدل CLIMGENو پیشبینی اطلاعات هواشناسی برای منطقه تبریز مورد بررسی قرار گرفته است و نتایج نشان می دهد که مدل CLIMGENمقادیر دمای هوا، درصد رطوبت نسبی، و بارش را با دقت مناسبی پیشبینی میکند (رشید نیقی و همکاران، 1389). این مدل توسط محققان زیادی در نقاط مختلف دنیا آزمون شده و مورد اعتبار قرار گرفته است (استوکل و همکاران، 2001: 230-229). در تحقیقی دیگر طوفانی و همکاران (1390: 1226-1217)، به پیشبینی بارندگی با استفاده مستقیم از نظریه موجک پرداخته‌اند که نتایج نشاندهنده همبستگی میان داده های مشاهداتی و محاسباتی است و پیشبینی سیگنال بارندگی با دقت بیشتری صورت گرفته است. پیشبینی وضعیت خشکسالی استان خراسان رضوی طی دوره 2011 تا 2030 با استفاده از ریز مقیاس نمایی آماری خروجی مدل LARS-WG5 توسط معافی مدنی و همکاران (1391: 37-21)، مورد بررسی قرار گرفته است، نتایج نشان می دهد که در حالت کلی در بیش از 90/0 ایستگاه های سینوپتیک استان خراسان رضوی طی بیست سال آینده، وضعیت ترسالی افزایش می یابد. مدلسازی اقلیم استان های تهران و مازندران با استفاده از مدل اقلیمی LARS-WG و مقایسه تغییرات آن در جبهه های شمالی و جنوبی البرز مرکزی مورد بررسی قرار گرفته است، نتایج نشان می دهد که با توجه به افزایش دما و کاهش بارندگی در هر دو استان، کویرزایی در آینده سرعت بیشتری خواهد یافت و همچنین احتمال افزایش بارندگی های سیلآسا و رگباری در هر دو دامنه وجود دارد (حق طلب و همکاران، 1392: 49-37).
ناحیه بندی اقلیمی و بررسی خشکسالی ها و ترسالی ها و پیشبینی اقلیمی را باری (2001) با استفاده از روشهای مختلف مانند: شاخص خشکسالی پالمر، زنجیره مارکوف، میانگین متحرک، اتورگرسیون و آریما انجام داده است. در آسیا گانگولی (2002: 796)، بر روی حوضه داخلی گنگ و اوتارپرادش بنگلادش مطالعه نموده و یک سیستم هشداردهنده با استفاده از سیستم های سنجش از دور و روش های آماری مانند آریما جهت پیشبینی و شناخت بلایای طبیعی مثل سیل و خشکسالی طراحی نموده است. در مطالعه ای تغییرات اقلیمی خراسان جنوبی با استفاده از مدل LARS–WGدر دوره زمانی 2010 تا 2039 مورد ارزیابی قرار گرفت (بابائیان و همکاران، 2004). در این مطالعه با استفاده از داده های مدل گردش عمومی جو ECHO-G و نرمافزار LARS-WGاقلیم استان خراسان جنوبی در دوره 2010 تا 2039 بررسی شده و وضعیت خشکسالی آن در دوره مذکور مورد بررسی قرار گرفته است. در تحقیقی (لوکاس و همکاران، 2008: 29-23)، اثرات تغییر اقلیم بر شدت خشکسالی در منطقه تسالی[1] مورد ارزیابی قرار گرفته است، که در این تحقیق خروجی مدل گردش جهانی CGCM2 تحت دو سناریوی A2 و B2 با استفاده از یک روش آماری ریز مقیاس شدند و شاخص SPI برای محاسبه شدت خشکسالی مورد استفاده قرار گرفته و سری های زمانی بارش برای دو دوره 30 ساله برآورد شدهاند. نتایج نشان داده که تغییرات اقلیمی به میزان زیادی بر شدت خشکسالی و در طراحی پروژههای آب در آینده اثر دارد. در مطالعهای اثر تغییر اقلیم بر رژیمهای هیدرولوژیک اروپا با استفاده از چهار سناریوی اقلیمی بررسی شد. نتایج نشان داد که در جنوب اروپا، تحت تأثیر تغییر اقلیم، میزان روان آب سالانه کاهش یافتـه ولی در شـمال افزایش روان آب سالانـه انتظار مـیرود، همچنین نتیجهگیری شد که شدت خشکسالی در نواحی غرب اروپا افزایش و در نواحی شرقی کاهش مییابد (نصرتی و همکاران، 1383، 56-49). خوشحال دستجردی و رحیمی (1387)، در تحقیقی به بررسی رابطه تغییرات بارش سالانه تبریز با ناهنجاری های دمایی کره زمین و شبیهسازی عددی آن با استفاده از شبکه عصبی مصنوعی پرداختند. نتایج حاصل از کاربرد و تحلیل همبستگی پیرسون، نشانگر همبستگی منفی و معکوس معناداری بین بارش سالانه تبریز و ناهنجاری های دمایی کره زمین است. یعنی غالباً با منفی شدن ناهنجاری های دمایی کره زمین، بارش سالانه تبریز افزایش پیدا کرده و ترسالی به وقوع می پیوندد و برعکس با مثبت شدن ناهنجاریهای دمایی کره زمین، متوسط بارش سالانه تبریز کاهش پیدا کرده و خشکسالی اتفاق میافتد. کرمی (1388: 131-111)، به ارزیابی ارتباط خشکسالی هواشناسی با افت سطح آبهای زیرزمینی دشت تبریز پرداخت. در این تحقیق جهت بررسی خشکسالی از شاخص SPI استفاده شده است. نتایج مطالعه نشان داد که در دوره آماری 83-70 سطح آبهای زیرزمینی سیر نزولی داشته و 94/3 متر افت دارند. خشکسالی آبهای زیرزمینی نیز با دو ماه تأخیر نسبت به خشکسالی هواشناسی بروز میکند. با توجه به این که زمانی که خشکسالی هواشناسی در منطقه ای رخ می دهد این پدیده در کلیه بخشهای سیستم هیدرولوژی انتشار مییابد و تمامی چرخه هیدرولوژی را متأثر میسازد، در دشت تبریز هم وقتی که خشکسالی هواشناسی اتفاق می افتد، منابع آب زیرزمینی از آن متأثر می شوند. بر اساس این مطالعه سهم دورههای با بارش کمتر از متوسط (خشکسالی)، در نواسانات آبهای زیرزمینی 8/25 درصد است، بنابراین نقش سایر عوامل انسانی از قبیل برداشت و بهرهبرداری بی رویه از آبهای زیرزمینی در ایجاد نوسانات تراز آب زیرزمینی آشکار می شود. همچنین بر اساس نگرش سیستمی فوق، در دشت تبریز خشکسالی هواشناسی با دو ماه تأخیر به خشکسالی زیرزمینی منجر می شود.
کرمی و کاظمی (1391، 94-79)، در مطالعه ای به پایش مکانی شوری آبهای زیرزمینی دشت تبریز در سال شاخص خشکسالی و ترسالی پرداختند. هدف این مطالعه بررسی تغییرات کیفیت شیمیایی آبهای زیرزمینی در مواقع حداکثرهای اقلیمی (خشکسالی ها و ترسالی ها) بود. در این راستا از متغیرهای اقلیمی نظیر بارش ماهانه 86-1351 استفاده شد. نتایج مطالعه نشان داد که میزان آبهای زیرزمینی شور و خیلی شور در دشت تبریز در سال شاخص خشکسالی، 2/28 درصد و آبهای زیرزمینی با قلیاییت زیاد، 35/25 درصد بوده است در حالی که در سال شاخص ترسالی آبهای زیرزمینی شور و خیلی شور، 15/18 درصد و با قلیاییت زیاد، 92/4 درصد آبهای زیرزمینی را تشکیل میدهند. نتایج حداکثرهای اقلیمی (خشکسالی ها و ترسالی ها) می تواند شامل پر شدن سفره های آب زیرزمینی از بارش های زیاد باشد یا با تغییر در میزان تبخیر و تعرق موجب تغییر در پوشش گیاهی شود، همچنین می تواند به افت سطح ایستایی و تغییر کیفیت آب زیرزمینی منجر شـود (کرمی و کاظمی، به نقل از پاندا و هـمکاران،1391: 94-79). آذری و همکاران (1392: 547-537)، اثرات هیدرولوژیکی تغییر اقلیم در حوضه آبخیز گرگانرود را بررسی کردند. در این تحقیق از مدل SWAT برای شبیهسازی رژیم هیدرولوژیکی حوضه استفاده شد. نتایج مطالعه ضمن تأیید کارایی مدل، نشان داد که در شرایط اقلیمی آینده، برای دوره زمانی 2099-2070 مقدار بارندگی سالانه حوضه به میزان 2/3 تا 7/6 درصد کاهش خواهد یافت. نتیجه تغییرات اقلیمی در بخش آب، کاهش مقدار روانآب سطحی به میزان 4/0 تا 7/7 درصد، کاهش آب خاک به میزان 2/5 تا 13 درصد، افزایش آبدهی حوضه به میزان 3/5 تا 2/10 درصد و افزایش تبخیر و تعرق بین 6/3 تا 6/1 درصد خواهد بود. نتایج تحقیق ضمن بیان اهمیت تأثیرات تغییر اقلیم کاربرد آنها را در اتخاذ تدابیر لازم در جهت سازگاری با تغییر اقلیم، در سیاستهای آتی مدیریت حوضه گرگانرود تأکید می نماید.
در این تحقیق نیز منطقه تبریز انتخاب و ابتدا با استفاده از مدل CLIMGEN به پیشبینی دادههای اقلیمی پرداخته و سپس با استفاده از شاخص SPI خشکسالی در این منطقه مورد بررسی قرار گرفت.
منطقه مورد مطالعه
در این پـژوهش، تبریز مرکز استان آذربایـجان شـرقی بهعـنوان منطقه مطالعاتی انتخاب شـده است. ایستگاه هواشناسی سینوپتیک تبریز دارای طول جغرافیایی، 46 درجه و 17 دقیقه شرقی و عرض جغرافیایی 38 درجه و 5 دقیقه شمالی و 1361 متر ارتفاع می باشد.
مواد و روشها
داده های مورد نیاز در این تحقیق، اطلاعات هواشناسی ایستگاه سینوپتیک تبریز طی دوره آماری 48 ساله (1961-2009) است که از مرکز آمار و اطلاعات سازمان هواشناسی اخذ گردید. جهت پیشبینی داده های هواشناسی مدل CLIMGEN-version 4.05.05 و مدل MAGICC-SCENGEN استفاده شد. زیرا مدل CLIMGEN توسط رشید نیقی و همکاران (1389)، مورد ارزیابی قرار گرفته است و نتایج نشان داده که این مدل مقادیر دمای هوا، درصد رطوبت نسبی و بارش را با دقت مناسبی پیشبینی میکند. برای سنجش کارآیی مدل داده های هواشناسی روزانه از سال 1961 تا 2000 جهت پیش بینی داده های هواشناسی برای سال های 2001 تا 2009 استفاده شد. همبستگی بین داده های تولید شده و داده های مشاهداتی در SPSS16 مورد بررسی قرارگرفت، که در نتیجه همبستگی خوبی بین داده های پیشبینی شده و مشاهداتی بارش بدست آمد. سپس به تولید داده های هواشناسی، با استفاده از این مدل و داده های هواشناسی 48 ساله تبریز (1961-2009) پرداخـته شد، و اطلاعات هواشناسی برای ایستگاه مورد مطالعه از سال 2016 تا 2040، پیشبینی گردید. برای سال 2040 نیز با مدل گردش عمومی جو HADCM2 طبق سناریوی A1BAIM مدلسازی شد و از مدل MAGICC-SCENGEN برای ریز مقیاس‌نمایی دادههای با قدرت تفکیک خروجی 5/2 در 5/2 مدلهای گردش عمومی استفاده شد. در ادامه با استفاده از شاخصSPI ترسالی و خشکسالی ها برای دوره مشاهداتی و دوره پیشبینی شده استخراج گردید. شاخص SPI، اساساً برای بازه‌های زمانی 1، 3، 6، 12، 24 و 48 ماهه محاسبه میشود و برای هرمنطقه بر اساس آمار بارندگی بلندمدت در یک دوره آماری دلخواه تعیین میشود. این شاخص از اختلاف بین مقادیر بارش و میانگین آن برای یک بازه زمانی مشخص و سپس تقسیم این مقدار بر انحراف معیار بارش بهدست میآید (بداق جمالی و همکاران، 1384: 52 و53). SPI به عللی نظیر سادگی، قابلیت توصیف مکانی و انعطاف زمانی و بالاخره امکان استفاده در مدیریت ریسک و تصمیم گیری (به علت دارا بودن قابلیت تحلیل احتمالاتی) برای بسیاری از محققان در سراسر دنیا جایگاهی ویژه را به خود اختصاص داده است (ادوسا و همکاران،2010: 1460-1441). SPI از زمانی که توسط Mckee در سال 1993 معرفی شد، تاکنون به یکی از پرکاربردترین روش ها برای تحلیل خشکسالی در سراسر دنیا تبدیل شده است و هم اکنون نیز توسط مراکز مدیریت خشکسالی در کشور، در وزارتخانه های نیرو و جهاد کشاورزی برای پایش خشکسالی مورد استفاده قرار می گیرد (رضیئی و شکوهی، 1390: 39-28). توانایی اصلی SPI محاسبه برای مقیاس های مختلف زمانی است. از آنجا که کمبود بارش در مقیاس زمانی کوتاهمدت، روی رطوبت خاک و در مقیاس بلندمدت، روی دبی رودخانه ها، مخازن آب و آبهای زیر زمینی اثر میگذارد، این شاخص قادر به محاسبه کمبود بارش در بازه های زمانی متفاوت 48،24،12،9،6،3 ماهه است. از جمله توانایی های SPI قابلیت به تصویر کشیدن منابع آبی کوچک مثل رطوبت خاک، که برای تولیدات کشاورزی مهم است و منابع آبی بزرگ مانند منابع آبی زیرزمینی، جریان های سطحی و دریاچه ها و مخازن آب است. SPI برای مطالعه جنبه های مختلف خشکسالی همچون پیشبینی، تجزیه و تحلیل های مکانی- زمانی و مطالعات تأثیر اقلیمی استفاده شده است (روشن و محمدنژاد،1391: 88-69).
در این تحقیق با توجه به ویژگی و مزایایی که شاخص SPI دارد از SPI استفاده شده که از طریق فرمول زیر قابل محاسبه است:
رابطه (1)
در رابطه1، Xi مقادیر بارش برای i امین ایستگاه، X میانگین بارندگی برای ایستگاه iام میباشد و S انحراف معیار از داده های i امین ایستگاه میباشد. بر اساس این شاخص مناطق خشک و تر معرفی میشود. این دستهبندی در جدول (1) نشان داده شده است. در این تحقیق جهت تجزیه و تحلیل یک سری از داده ها از نرمافزار EXCEL2010 و MINITAB14 نیز استفاده شده است.
جدول (1) مقادیر SPI و طبقه بندی خشکسالیها وترسالی‌ها
|
مقادیر SPI |
|
|
2+ و بیشتر |
فوقالعاده مرطوب |
|
99/1 تا 5/1 |
خیلی مرطوب |
|
49/1 تا 1 |
نسبتاً مرطوب |
|
99/ تا 5/ |
ترسالی خفیف |
|
49/ تا 49/- |
نرمال |
|
5/- تا 99/- |
خشکسالی خفیف |
|
-49/1 تا -1 |
نسبتاً خشک |
|
-تا 99/1 -5/1 |
خیلی خشک |
|
2 - و کمتر |
فوقالعاده خشک |
منبع: (سلامت و آل یاسین، 1380)
معرفی مدل MAGICC SCENGENوCLIMGEN
مدل MAGICC SCENGEN، یک مدل ترکیبی و مدلی برای ارزیابی اثرات تغییر اقلیم ناشی از انتشار گازهای گلخانهای است. در واقع مدل MAGICC یک مدل GCM نیست اما از نتایج این مدلها استفاده میکند تا رفتار آنها را برای تمام جهان یا منطقه مورد نظر مدلسازی نماید (Wigley et al., 2002, 2690-2696). CLIMGEN نسخه ارتقاء یافته مدل WGEN می باشد که در سال 1990، در دانشگاه ایالتی واشنگتن توسط کمپل توسعه یافت. این مدل توانایی تولید متغیرهای دمای بیشینه، دمای کمینه، سرعت باد، ساعات آفتابی و بارش را دارد، برای تولید عوامل هواشناسی نیاز به گرفتن حداقل 25 سال داده بارش، 10 سال دما، 5 سال تابش خورشیدی، 730 روز سرعت باد و درصد رطوبت نسبی دارد (رشید نیقی و همکاران، 1389)، که بارش در مقیاس روزانه و ماهانه به روش زیر تولید می شود:
در فرآیند تولید بارش توسط CLIMGEN هم احتمال وقوع و هم مقدار بارش محاسبه میشود. برای برخی کاربردها ممکن است شدت و مدت بارش نیز مورد نیاز باشد. وقوع بارش روزانه با استفاده از زنجیره مارکوف دو حالته برای تولید تعداد و توزیع بارش انجام می گیرد. احتمال وقوع یک روز تر بعد از یک روز خشک با α و احتمال وقوع یک روز خشک بعد از یک روز تر با β نشان داده می شود. روزی بارش آن 25/0 میلیمتر یا بیشتر باشد، روز تر در نظر گرفته می شود. در این صورت زنجیره مارکوف دو حالته برای ترکیب احتمالات شرطی به اینصورت خواهد بود:
رابطه (2)
که در آن:
: احتمال وقوع یک روز تر بعد از یک روز خشک می باشد.
: احتمال وقوع یک روز خشک بعد از یک روز خشک میباشد.
: احتمال وقوع یک روز خشک بعد از یک روز تر میباشد.
: احتمال وقوع یک روز تر بعد از یک روز تر میباشد.
مقادیر احتمالات بالا برای هر ماه از طریق تجزیه و تحلیل بارش های بلندمدت ایستگاه مورد مطالعه محاسبه میشود. در روزی که مشخص شد بارش رخ می دهد، مقدار بارش بر اساس احتمال تجمعی توزیع ویبول محاسبه میشود. سلکر و هیث (1990)، نشان دادند که ویبول بهترین توزیع برای 33 ایستگاه هواشناسی آمریکا در شرق کوههای راکی می باشد.
نتایج و بحث
همانطور که بیان گردید ارزیابی مدل CLIMGEN با بهدست آوردن همبستگی بین داده های بارش روزانه مشاهداتی و تولید شده صورت گرفت به این ترتیب که همبستگی بین داده های روزانه مشاهداتی و تولید شده دو سال انتخابی مورد بررسی قرار گرفت و همبستگی در سطح 01/0 با بیش از 51/0 بین داده های بارش روزانه این دو سال وجود دارد و در موارد مشابه نیز همبستگی بالایی بین داده های مشاهداتی و تولید شده وجود دارد، که درجدول 2 مشاهده میگردد. در جدول (3)، نیز همبستگی بین میانگین بارش سالانه دوره پایه و دوره شبیهسازی شده برای همان دوره پایه (2009-2000) ملاحظه می گردد. در این جدول نیز مشاهده می شود که همبستگی بین داده های موجود و داده های شبیه سازی شده برای همان دوره (2009-2000) در سطح 01/0 با اطمینان بیش از 93/0 وجود دارد.
جدول (2) ضرایب همبستگی بین دادههای بارش روزانه
|
دادههای حقیقی |
دادههای ساخته شده |
|
|
512/ 000/ 730/ |
1
730 |
همبستگی پیرسون(داده های ساخته شده) سیگنیفیکانت تعداد |
|
1
730 |
512/ 000/ 730 |
همبستگی پیرسون(داده های حقیقی) سیگنیفیکانت تعداد |
جدول (3) ضرایب همبستگی بین دادههای میانگین بارش سالانه ساخته شده و حقیقی( 2009-2000)
|
دادههای حقیقی |
دادههای ساخته شده |
|
|
938/ 000/ 12 |
1
12 |
همبستگی پیرسون(داده های ساخته شده) سیگنیفیکانت تعداد |
|
1
12 |
938/ 000/ 12 |
همبستگی پیرسون(داده های حقیقی) سیگنیفیکانت تعداد |
پایش و پیشبینی خشکسالی
همانطور که ذکر شد داده های هواشناسی ایستگاه تبریز با استفاده از شاخص SPI جهت تعیین خشکسالی، مورد بررسی قرارگرفت. با توجه به طولانی بودن دوره مورد مطالعه، به دو دوره مساوی تقسیم شد و خشکسالی و ترسالی این دوره بهصورت دو نمودار مجزا رسم گردید (شکل 1 و2). همانطور که ملاحظه میشود در دوره اول (شکل1)، چند سال (1963-1964-1969) ترسالی مشاهده می شود ولی در بقیه سال ها تقریباً وضعیت نرمال است. در دوره دوم (شکل2) چند سال (1989-1991-2008) خشکسالی شدید مشاهده میشود و چند سال نیز خشکسالی و ترسالی متوسط و خفیف مشاهده می شود و در بقیه سالها وضعیت نرمال میباشد.
شکل (1) نمودار شاخص SPI 12ماهه دوره آماری 24 ساله (1985-1962)
شکل (2) نمودار شاخص SPI 12ماهه دوره آماری 23 ساله (2009-1986)
بعد از مرحله پیشبینی دادهها توسط مدل و تعیین وضعیت خشکسالی توسط شاخص SPI، نمودار شاخص رسم شد (شکل3). در دوره پیشبینی شده (2040-2017) همانطور که از نمودار پیداست وضعیت از حالت نرمال خارج شده و در دوره پیشبینی خشکسالی و ترسالی های متوسط تا شدید را نشان می دهد و میتوان گفت که تقریباً هیچ سالی در وضعیت نرمال قرار ندارد و این نشاندهنده تغییرات بیشتر اقلیم در آینده‌ای نه چندان دور میدهد که عوامل مختلفی همانند افزایش گازهای گلخانهای در این امر دخیل هستند و باعث افزایش بحران هایی مانند خشکسالی و سیل و... در آینده خواهیم بود. جدول (4)، مقادیر شاخص خشکسالی SPI برای دوره شبیهسازی شده (2040-2017) را نشان می دهد. در این جدول همانطور که ملاحظه میگردد شاخص SPI مقادیر خشکسالی 12 ماهه را بهصورت ماهانه نشان میدهد. شکل (4)، نمودار فراوانی طبقات شاخص SPI را برای دوره پایه و دوره پیشبینی شده برای ایستگاه مورد مطالعه نشان میدهد. در این شکل هر چند دوره پایه 48 ساله و دوره پیشبینی 24 ساله میباشد اما همانطور که ملاحظه میشود ماههای ترسالی شدید در دوره پیشبینی بیشتر از دوره پایه است و همچنین خشکسالی شدید و بسیار شدید دوره پیشبینی برابر با دوره پایه است.
شکل (3) نمودار شاخص SPI 12ماهه دوره آماری 24 ساله (2040-2017)
جدول (4) میزان شاخص SPI ماهانه دوره شبیهسازی شده (2040-2017)
|
Year |
Month |
|||||||||||
|
Jan |
Feb |
Mar |
Apr |
May |
Jun |
Jul |
Aug |
Sep |
Oct |
Nov |
Dec |
|
|
2014 |
81/1 |
66/1 |
5/1 |
49/1 |
47/1 |
29/1 |
21/1 |
72/0 |
56/0 |
55/0 |
12/0- |
27/0- |
|
2018 |
16/2 |
03/2 |
54/1 |
21/1 |
01/1 |
24/0 |
2/0 |
18/0 |
18/0 |
09/0 |
03/0- |
05/0- |
|
2019 |
02/0- |
14/0- |
44/0- |
55/0- |
55/0- |
67/0- |
69/0- |
89/0- |
03/1- |
21/1- |
31/1- |
65/1- |
|
2020 |
13/1 |
95/0 |
76/0 |
73/0 |
7/0 |
61/0 |
6/0 |
59/0 |
52/0 |
52/0 |
45/0 |
26/0 |
|
2021 |
82/0 |
76/0 |
73/0 |
31/0- |
73/0- |
78/0- |
92/0- |
94/0- |
95/0- |
16/1- |
27/1- |
57/1- |
|
2022 |
61/1 |
54/1 |
42/1 |
28/1 |
27/1 |
87/0 |
65/0 |
27/0 |
27/0 |
34/0- |
3/1- |
54/1- |
|
2023 |
46/0 |
29/0 |
35/0- |
7/0- |
99/0- |
1- |
06/1- |
08/1- |
52/1- |
65/1- |
75/1- |
85/1- |
|
2024 |
33/0 |
31/0 |
28/0 |
25/0- |
4/0- |
59/0- |
68/0- |
79/0- |
88/0- |
93/0- |
09/1- |
67/1- |
|
2025 |
7/0 |
58/0 |
13/0- |
31/0- |
65/0- |
69/0- |
72/0- |
75/0- |
78/0- |
83/0- |
86/0- |
25/1- |
|
2026 |
38/1 |
25/1 |
08/1 |
77/0 |
31/0 |
05/0 |
05/0 |
04/0 |
03/0 |
12/0- |
53/0- |
77/0- |
|
2027 |
06/0- |
34/0- |
36/0- |
41/0- |
5/0- |
67/0- |
79/0- |
84/0- |
02/1- |
09/1- |
32/1- |
97/1- |
|
2028 |
58/0 |
55/0 |
53/0- |
03/1- |
07/1- |
07/1- |
17/1- |
19/1- |
24/1- |
36/1- |
6/1- |
84/1- |
|
2029 |
01/2 |
77/1 |
7/1 |
67/1 |
59/1 |
5/1 |
42/1 |
02/1 |
81/1 |
8/0 |
53/0 |
17/0 |
|
2030 |
64/0 |
47/0 |
21/0 |
14/0 |
13/0 |
09/0 |
08/0 |
05/0 |
08/0- |
13/0- |
39/0- |
59/0- |
|
2031 |
93/0 |
75/0 |
64/0 |
44/0 |
19/0 |
11/0- |
13/0- |
13/0- |
14/0- |
15/0- |
19/0- |
5/0- |
|
2032 |
39/1 |
33/1 |
17/1 |
16/1 |
99/0 |
9/0 |
78/0 |
76/0 |
72/0 |
54/0 |
42/0 |
41/0 |
|
2033 |
8/0 |
04/0- |
25/0- |
3/0- |
32/0- |
38/0- |
41/0- |
59/0- |
64/0- |
69/0- |
44/1- |
46/1- |
|
2034 |
93/0 |
84/0 |
83/0 |
83/0 |
67/0 |
67/0 |
52/0 |
52/0 |
41/0 |
34/0- |
92/0- |
26/1- |
|
2035 |
45/0 |
25/0 |
85/0- |
87/0- |
97/0- |
03/1- |
76/1- |
78/1- |
26/2- |
26/2- |
32/2- |
33/2- |
|
2036 |
9/0 |
71/0 |
68/0 |
67/0 |
62/0 |
37/0 |
2/0 |
01/0 |
01/0 |
15/0- |
4/0- |
63/0- |
|
2037 |
79/1 |
77/1 |
73/1 |
52/1 |
3/1 |
12/1 |
11/1 |
02/1 |
94/0 |
66/0 |
41/0 |
35/0 |
|
2038 |
8/1 |
64/1 |
49/1 |
34/1 |
88/0 |
82/0 |
6/0 |
6/0 |
49/0 |
48/0 |
42/0 |
4/0 |
|
2039 |
37/0 |
21/0 |
18/0- |
47/0- |
99/0- |
09/1- |
11/1- |
19/1- |
89/1- |
9/1- |
37/2- |
4/2- |
|
2040 |
91/0 |
82/0 |
64/0 |
29/0 |
24/0 |
09/0 |
07/0 |
35/0- |
88/0- |
48/1- |
89/1- |
02/2- |
شکل (4) نمودار فراوانی طبقات شاخص SPI دوره پایه و دوره شبیهسازی شده ایستگاه سینوپتیک تبریز
شکل (5)، نمودار روند تغییرات بارش سالانه در دوره مشاهداتی و دوره پیشبینی شده را نشان می دهد. همانطور که مشاهده میگردد روند تغییرات بارش هم در دوره مورد مطالعه و هم در دوره پیشبینی شده رو به کاهش گذارده است. علاوهبر این با بررسی بارشهای روزانه مشاهده شد که بارش ها بیشتر به سمت سیلابی شدن پیش میروند که این خود می تواند باعث ایجاد خسارت و از دسترس خارج شدن بارش ها به صورت یکجا و نیز در ادامه باعث خشکسالی شود. شکل (6)، توزیع مکانی مقدار افزایش و کاهش بارش در مدل MAGICC SCENGEN با HADCM2، برای دوره 2040 را نشان میدهد (در پایین تصویر طول و عرض جغرافیایی منطقه مطالعاتی و مقدار کاهش بارش به درصد مشخص شده است) همانطور که ملاحظه میشود در سال 2040 حدود 5/2 درصد از میانگین بارش سالانه منطقه مورد مطالعه کاسته میشود. شکل (7)، توزیع مکانی مقدار افزایش دما در مدل MAGICC SCENGEN با HADCM2، برای دوره 2040 را نشان میدهد (در پایین تصویر طول و عرض جغرافیایی منطقه مطالعاتی و مقدار افزایش دما مشخص شده است)، همانطور که ملاحظه میشود در سال 2040 حدود 87/1 درجه سانتیگراد به میانگین دمای سالانه در منطقه مورد مطالعه افزوده میشود.
شکل (5) نمودار روند تغییرات سالانه بارش در دوره مورد مطالعه (2009-1961) و دوره شبیهسازی شده (2040-2016)
شکل (6) توزیع مکانی مقدار افزایش و کاهش بارش در مدل MAGICC SCENGEN باHADCM2، برای دوره 2040 (در پایین تصویر طول و عرض جغرافیایی منطقه مطالعاتی و مقدار کاهش بارش به درصد مشخص شده است)
شکل (7)توزیع مکانی مقدار افزایش دما در مدل MAGICC SCENGEN با HADCM2، برای دوره 2040 (در پایین تصویر طول و عرض جغرافیایی منطقه مطالعاتی و مقدار افزایش دما مشخص شده است)
نتیجهگیری
دما و بارش از عناصر اصلی شناخت اقلیم میباشند. پیشبینی داده های هواشناسی جهت پیشبینی خشکسالی و سیل و گرمایش جهانی و... برای مدیریت تولید محصول در آینده و مدیریت منابع آب و جلوگیری از ایجاد بحران در آینده مورد نیاز است. در این تحقیق با استفاده از مدل آماری CLIMGEN و داده های هواشناسی (2009-1961) ایستگاه سینوپتیک تبریز، پیشبینی داده های هواشناسی صورت گرفت. سپس با استفاده از شاخص SPI و داده های هواشناسی دوره پایه (2009-1961) و دوره شبیهسازی شده (2040-2016) به تعیین ترسالی و خشکسالی ها در این دو دوره پرداخته شد. با توجه به شکل (5)، بارش در این دو دوره روند رو به کاهشی را نشان می دهد و در دوره پیشبینی شده با توجه به نتایج بهدست آمده بیشتر بارش ها بهصورت تجمعی و یکجا باریده از طرف دیگر خشکسالی و ترسالی ها نیز در دوره پیشبینی شده نسبت به دوره پایه رو به افزایش نهاده و این نشان مـیدهد که بارش از وضعیت نرمال خارج شـده و میتوان گفت که در آینده خشکسالی و سیل در این منطقه افزایش می یابد. برای سال2040 در منطقه مورد مطالعه با مدل گردش عمومی جو HADCM2 طبق سناریوی A1BAIM مدلسازی شد و از مدل MAGICC-SCENGEN برای ریزمقیاس نمایی دادههای با قدرت تفکیک خروجی 5/2 در 5/2 مدلهای گردش عمومی استفاده شد که نتایج حاصل از این مدل نیز حاکی از کاهش بارش و افزایش دما در منطقه مورد مطالعه می باشد. بنابراین، در این زمینه برای جلوگیری از وضعیت بحران با توجه به افزایش خشکسالیها و حتی سیل، توجه مسؤلان و برنامه ریزان امر را در این زمینه ها جهت کاهش خسارات احتمالی می طلبد. این نکته که روند تغییر اقلیم و گرمایش جهانی و به تبعیت از آن، خشکسالی، تا چه حد و با چه شدتی نواحی مختلف کشور ازجمله دشت تبریز را تحت تأثیر قرار داده، نیاز به تحقیقات گسترده و عمیق تری دارد، که پیشنهاد میشود از نتایج دیگر مدلهای دینامیکی و آماری در تحقیقات آتی استفاده شود.
)