Document Type : مروری

Abstract

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.

Keywords

 

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.



[1]- Thessaly

-  آذری، محمود؛ مرادی، حمیدرضا؛ ثقفیان، بهرام و منیژه فرامرزی (1392)، ارزیابی اثرات هیدرولوژیکی تغییر اقلیم در حوضه آبخیز گرگانرود، نشریه آب و خاک (علوم و صنایع کشاورزی)، جلد 27، شماره3، صص 547-537 .
- حق­طلب، نفیسه؛ گودرزی، محسن؛ حبیبی نوخندان، مجید؛ یاوری، احمدرضا و حمیدرضا جعفری (1392)، مدل­سازی اقلیم استانهای تهران و مازندران با استفاده از مدل اقلیمی LARS-WGو مقایسه آن در جبهههای شمالی و جنوبی البرز مرکزی، علوم و تکنولوژی محیط زیست، شماره 1، صص 49-37.
- خورشیددوست، علی­ محمد و یوسف قویدل رحیمی (1383)، مقدمهای بر اصول فلسفی، نظریهها و مفاهیم نوین آب و هواشناسی، فضای جغرافیایی، شماره 12،  صص 23-1.
- خوشحال دستجردی، جواد و یوسف قویدل­ رحیمی (1387)، بررسی رابطه تغییرات بارش سالیانه تبریز با ناهنجاری­های دمایی کره زمین و شبیه­سازی عددی آن با استفاده از شبکه عصبی مصنوعی، فصلنامه مدرس علوم انسانی، دوره 12، شماره 2.
- دانشوروثوقی، فرناز؛ دین­پژوه، یعقوب و اعلمی، محمدتقی (1390)، تأثیر خشکسالی بر تراز آب زیرزمینی در دو دهه اخیر (مطالعه موردی: دشت اردبیل)،نشریه دانش آب و خاک، جلد 21، شماره 4.
- رشـیدنیقی، علی؛ مجنونی هـریس، ابولفضل؛ ناظمی، امیرحسین و دلیر حسن­نیا، رضا (1389)، ارزیابـی مدل CLIMGEN و پیش­بینی اطلاعات هواشناسی برای منطقه تبریز، اولین کنفرانس بین­المللی مدل­سازی گیاه؛ آب؛ خاک و هوا، دانشگاه شهید باهنر کرمان.
- رضیئی، طیب؛ شکوهی، علیرضا و عبادی فرشته (1390)، شناسایی برازنده تابع توزیع احتمال بر دادههای بارش مناطق مختلف آب و هوایی در مقیاسهای زمانی مختلف (SPI) ایران به منظور محاسبه نمایه بارش استاندارد، اولین کنفرانس ملی خشکسالی و تغییر اقلیم ایران، کرج، ایران، صص 39-28.
- روشن، غلامرضا و آروق محمدنژاد (1391)، پیش­بینی تغییرات هیدرولوژیکی تراز آب دریاچه ارومیه با رویکرد به طرح­های فرضی متفاوت گرمایش جهانی در دهه­های آینده، پژوهش­های ژئومورفولوژی کمی، شماره 3، صص 88-69.
- سلامت، علیرضا و آل­یاسین، محمدرضا (1380)، راه­های مقابله با خشکسالی، نشریه علمی ترویجی حفاظت آب و خاک، شماره 45، صص 44-38.
- طوفانی، پریوش؛ مساعدی، ابولفضل و فاخری­فرد، احمد (1390)، پیش­بینی بارندگی با استفاده مستقیم از نظریه موجک، نشریه آب و خاک (علوم و صنایع کشاورزی)، شماره 5، صص 1226-1217.
- علیجانی، بهلول و رمضانی، نبی­اللّه (1381)، تحلیلوپیشبینیخشکسالیهاوترسالیهایاستانمازندران با استفاده از مدل باکس جنکینز، پایان­نامه کارشناسی ارشد جغرافیا، دانشگاه تربیت معلم، گروه جغرافیا، صص170-155.
- عزیزی، قاسم و علی­اصغر روشن (1384)، بررسیخشکسالیهاوترسالیهاوامکانپیش­بینیآنهابااستفادهازمدلسریزمانیهالتوینترزدراستانهرمزگان، فصلنامه تحقیقات جغرافیایی، شماره 79 ، صص63-48.
- کرمی، فریبا و هانیه کاظمی (1391)، پایش مکانی شوری آب­های زیرزمینی در سال شاخص خشکسالی و ترسالی، مورد: دشت تبریز، جغرافیا و توسعه، شماره 28، پاییز، صص 94-79.
- کرمی، فریبا (1390)، ارزیابی ارتباط خشکسالی هواشناسی با افت سطح آبهای زیرزمینی دشت تبریز، جغرافیا و برنامه­ریزی، سال 16، شماره 37، پاییز، 131-111.
- معافی مدنی، سیده­فاطمه؛ موسوی بایگی، محمد و حسین انصاری (1391)، پیش­بینی وضعیت خشکسالی استان خراسان رضوی طی دوره 2030-2011 با استفاده از ریزمقیاس­نمایی آماری خروجی مدل LARS-WG5، جغرافیا و مخاطرات محیطی، شماره 3، صص 37-21.
- نصرتی، کاظم؛ اسلامیان، سیدسعید و افسانه شهبازی (1383)، بررسی اثر تغییر اقلیم بر خشکسالی هیدرولوژیک، مجله کشاورزی، جلد 6، شماره 1، صص 56-49.
- یوسفی، نصرت­الله و حجام، سهراب (1391)، بررسی تأثیر پدیده انسو بر پارامترهای اقلیمی دما و بارش، فصلنامه فضای جغرافیایی، شماره 39، صص 201-195.
-Arnold, C.D. and W.J. Elliot, (1996), CLIMGEN Weather Generator Predictions of Seasonal Wetand Dry Spells inUganda. Trans of ASAE 39(3): 969-972 .
-Barry, R.G. et al. (2001), Synoptic and Dynamic Climatology. Routledge .P.620.
-Danuso, F. et al., (1997), CLIMAK reference manual. DPVTA, University of Udine, Italy, 36  p.
-Gangully, A.R. (2002), Farecasting Rainfall and Floods Advances and wayor ward.P.32.Web.mit.edu/auroop/www/interests.html.
-Johnson, G.L., C.L. Hanson, S.P. Hardegree and E.B. Ballard, (1996), Stochastic WeatherSimulation: Overview and analysis of two commonly used models. Journal of Applied Meteorology 35: 1878- 1896.
-Loukas, A., L. Vasiliades., J.Tzabiras., (2008), Climate change effects on drought severity. Department of C engineering, University of Thessaly, 38334 Volos, Greece, Adv. Geosci. 17,PP. 23-29,2008.www. advgeosci. net/17/23/2008.
-Richardson, C.W., Wright, D.A., (1994), WGEN: A model for generating daily weather variables. USDA,     Agricultural Reserch Service ARS-8
-Selker, J.S. and D.A. Haith (1990), Development and testing of single-parameterprecipitation distributions. Water  Resources Research. 26(11): 2733-2740.
-Sharpley, A.N., and J.R. Williams, (1990), EPIC-Erosion/Productivity Impact Calculator: ModelDocumentation. US Department of Agriculture Technical Bulletin No.1768,235 p.
-Stockle, C.O, P. Steduto, and R.G. Allen. (1998), Estimating daily and daytime mean VPD fromdaily maximum,  VPD. 5thCongress of the European Society of Agronomy, Nitra, The SlovakRepublic.
-Stockle, C.O., Nelson, R., Donatelli, M., Castellvi, F., (2001), ClimGen: a flexible weathergeneration program. In: Proceedings of the Second International Symposium on Modelling Cropping Systems, July 16-18, Florence, Italy, pp. 229-230 .
 - Edossa, D; M. Babel; A. Gupta. (2010), Drought analysis in the Avash river basin, Ethiopia. Water resources management, 24: 1441-1460.
- Samiee, M,B. Saghafian, and M. Mahdavi. (2006), Regional Analysis of Drought Intensity (case stady: Tehran Provincel, Iranian j). Natural Res; 59(1) 27-39.
- Wigley, T.M.L., Smith, S.J. and Prather, M.J., (2002), Radiative Forcing Due to Reactive Gas Emissions, Journal of Climate, No. 15, 2690–2696.