نویسندگان
1 استاد گروه آب و هواشناسی دانشگاه تبریز
2 استاد آب و هواشناسی دانشگاه تبریز
3 دانشجوی کارشناسی ارشد رشته آب‌وهواشناسی دانشگاه تبریز
4 رئیس کارگروه تحقیقات هواشناسی کاربردی استان آذربایجان شرقی
چکیده
دو پارامتر مهم در هیدرولوژی و منابع آب، دما و بارش هستند. تأثیر تغییر اقلیم بر روی این دو پارامتر موضوع بسیاری از مطالعات بوده است که مدلهای گردش عمومی جو یکی از بهترین روشها برای برآورد این تأثیرات به شمار میروند. در مطالعات تغییر اقلیم لحاظ نکردن عدم قطعیتهای موجود در مراحل مختلف ارزیابی اثرات تغییراقلیم سبب کاهش قطعیت و اطمینان به خروجیهای نهایی سیستم خواهد شد. در این مطالعه به منظور بررسی و تحلیل اثرات تغییر اقلیم بر روی دما و بارش حوضهی شهرچای ارومیه و همچنین لحاظ کردن عدم قطعیت مربوط به مدلهای گردش عمومی جو و سناریوهای موجود ابتدا خروجی شش مدل گردش عمومی جو تحت سه سناریوی A2, A1B و B1 با مدل آماری LARS-WG ریزمقیاس شدند، سپس برای بررسی عدم قطعیت مدلها و سناریوها، از طریق مقایسهی خروجی مدلها در دورهی آتی با دورهی پایه به صورت ماهانه توسط شاخصهای آماری ضریب تعیین (R2) و خطای جذر میانگین مربعات (RMSE)، بهترین مدل و سناریو برای تولید دادههای دما و بارش دوره 2030-2011 انتخاب شد. در نتیجه برای تولید بارش از مدل HADCM3، تحت سناریوی A1B و برای تولید دما نیز از مدل MPEH5، تحت سناریوی A2 استفاده شد. نتایج این مطالعه نشان داد که بارش دورهی آتی 9 میلیمترکاهش خواهد یافت و این در حالی است که دمای حداقل 05/1 و دمای حداکثر 87/0 درجهی سانتیگراد افزایش خواهد یافت. نکتهی قابل توجه بر هم خوردن توزیع زمانی بارش و افزایش دما است که احتمالاً تبعات منفی آن بیش از کاهش بارش خواهد بود.
کلیدواژه‌ها
عنوان مقاله [English]
Impact of Climate Change on Precipitation and Temperature by Taking the Uncertainty of Models and Climate Scenarios (Case Study: Shahrchay Basin in Urmia)
نویسندگان [English]
- Saeed Jahanbakhsh Asl 1
- Alimohammad Khorshiddoust 2
- Mohammad Hossein Alinejad 3
- Farnaz Pourasghr 4
چکیده [English]
Saeed Jahanbakhsh Asl[1]*
Alimohammad Khorshidoust [2]
Mohammad Hossein Aalinejad[3]
Farnaz Pourasghar[4]
Abstract
Temperature and precipitation are two important parameters in hydrology and water resources. The impact of climate change on these two parameters has been the subject of many studies and studying atmospheric general circulation models is one of the best methods to estimate its effects. In the studies of climate change, lack of uncertainty in various stages of evaluation for the effect of climate change reduce certainty and confidence of the final outputs. In this study for analyzing the effects of climate change on precipitation and temperature in Shahrchay basin and the effects of the uncertainty related to general circulation models, six atmospheric general circulation model and 3 scenarios, A1B, A2 and B1 were downscaled by using LARS-WG. For evaluating the uncertainty of the models and scenarios, the output of models in the future and based period were compared by monthly statistical indices, coefficient of determination (R2) and Root Mean Square Error (RMSE) and the best models and scenarios for producing temperature and precipitation data were selected for the period 2011-2030. As the results, the HADCM3 model under scenarios A1B was used for precipitation and the MPEH5 under scenarios A2 for temperature production. The results of this research showed that in the future period rainfall will be reduced about 9 millimeter, while the minimum and maximum temperature will increase 1.05 and 0.87 °C respectively. Disruptions of rainfall distribution and high temperature have significantly negative consequences than rainfall reduction.
[1]- Professor in Department of Meteorological, University of Tabriz, (Corresponding Autor), Email:s_jahan@tabrizu.ac.ir.
[2]- Professor in Department of Meteorological, University of Tabriz.
[3]- Meteorological Graduate Student of Tabriz Universit, Email:aalineghad63@yahoo.com.
[4]- Climatology Ph.D., Meteorology Directorate General of East Azerbaijan Province.
کلیدواژه‌ها [English]
- Climate Change
- Climate scenarios
- Lars-WG
- uncertainty
- Shahrchay
مقدمه
بنا بر گزارش پنجم هیئت بین دول تغییرات آب و هوایی[1] (IPCC, 2013)، این تغییرات که در سراسر جهان مشاهده میشوند، به احتمال خیلی زیاد ناشی از عوامل انسانی است. تغییر اقلیم[2] به سبب افزایش گازهای گلخانهای در چند دههی اخیر باعث بر هم خوردن تعادل آب و هوایی کرهی زمین شده است. تأثیرات منفی این پدیده بر سیستمهای مختلف مانند منابع آب، کشاورزی، صنعت و... موجب نگرانیهایی برای جوامع بشری شده است. دما و بارش دو متغیر مهم در تعیین آب و هوای
مقدمه
بنا بر گزارش پنجم هیئت بین دول تغییرات آب و هوایی[1] (IPCC, 2013)، این تغییرات که در سراسر جهان مشاهده میشوند، به احتمال خیلی زیاد ناشی از عوامل انسانی است. تغییر اقلیم[2] به سبب افزایش گازهای گلخانهای در چند دههی اخیر باعث بر هم خوردن تعادل آب و هوایی کرهی زمین شده است. تأثیرات منفی این پدیده بر سیستمهای مختلف مانند منابع آب، کشاورزی، صنعت و... موجب نگرانیهایی برای جوامع بشری شده است. دما و بارش دو متغیر مهم در تعیین آب و هوای یک منطقه میباشند و تغییرات این دو متغیر نیز در سیستمهای مختلف به طور مستقیم و غیرمستقیم تأثیرگذار هستند. به همین دلیل مطالعات در زمینهی تغییر اقلیم عمدتاً روی این دو متغیر صورت گرفته است. چیو و همکاران[3] (1995) به بررسی تأثیر تغییر اقلیم بر روی رواناب و رطوبت خاک در 28 حوضه از کشور استرالیا پرداختند. سمنوف[4] و همکاران (1998) عملکرد دو مولد[5] معروف LARS-WG وWGEN را در 18 ایستگاه واقع در ایالات متحده آمریکا، اروپا و آسیا مورد مقایسه قرار داده و عنوان کردند که مولد LARS-WG از عملکرد مناسبتری برخوردار است. کریستنسن و همکاران[6] (2004) در مطالعهای بر روی حوضهی رودخانهی کلرادو اثر تغییر اقلیم را بر روی دما، بارش و رواناب رودخانه در دورهی پایه و سه دورهی آتی بررسی نمودند. نتایج برای دورهی پایه و سه دورهی آتی حاکی از کاهش بارش و رواناب و افزایش دما بود. مینویل و همکاران[7] (2008) با هدف بررسی عدم قطعیت در تأثیرات تغییر اقلیم در هیدرولوژی، بر روی حوضهای در کبک کانادا از 5 مدل گردش عمومی جو (GCM)[8] و دو سناریوی تغییر اقلیم استفاده کردند. آنها نشان دادند که همهی مدلها افزایش دما را برای کل حوضه در تمام طول سال پیشبینی میکنند و این در حالی بود که نتایج تغییرات بارش با هم اختلاف داشتند. با این وجود بیشتر نتایج کاهش بارش، کاهش در دبی اوج از یک طرف و ذوب زود هنگام برف از طرف دیگر بود. دارن و همکاران[9] (2013) اثرات تغییر اقلیم را بر حوضهی دریاچهی مونو در کالیفرنیا با استفاده از 16 مدل جهانی گردش عمومی جو (GCMS) و با استفاده از دو سناریوی B1 و A2 بررسی کردند، خروجیGCM ها افزایش قابل توجه دمای سالانه )به طور متوسط 4/1 تا 5/2 درجه سانتیگراد( و کاهش یک تا سه درصدی بارش را تا پایان قرن پیشبینی کردند. در پژوهش دیگری که توسط پاسکال و همکاران[10] (2014) انجام شد، تأثیر تغییرات آب و هوا بر روی منابع آب در شمال شرقی منطقهی مدیترانه برای دوره (2100-2076) در سه حوضه با شرایط آب و هوایی متوسط تحت دو سناریوی A2 و B1 مورد بررسی قرار گرفت. نتایج نشان داد که بیشترین کاهش جریان به مقدار 34 درصد و کمترین آن به میزان 25 درصد پیش بینی شده است. مساح بوانی و مرید (1384) به بررسی اثرات تغییر اقلیم روی دما، بارندگی و رواناب در حوضهی رودخانهی زاینـدهرود اصفهان تـحت دو سناریوی اقلیمی و برای دو دورهی زمانی پرداختند. نتایج پژوهش آنها نشان از کاهش بارندگی به میزان 10 و 16 درصد و افزایش دما به میزان 4/6 و 3/2 درجه سانتیگراد و همچنین کاهش رواناب تا 5/8 درصد برای اواسط و اواخر قرن داشت. آشفته و مساح بوانی (1386) اثرات تغییر اقلیم را با استفاده از مدل HADCM3 و سناریوی A2 بر رژیم سیلاب حوضهی آیدوغموش آذربایجان شرقی بررسی کرده و به این نتیجه رسیدند که تغییر اقلیم با افزایش دما و تغییر در مقدار بارندگی بر رژیم سیلاب این منطقه تأثیرگذار است. نامبردگان در پژوهش دیگری در سال 1388 مبحث عدم قطعیت مدلهای گردش عمومی جو در این حوضه را نیز بررسی کردند و به این نتیجه رسیدند که مدل HADCM3 بهترین برآورد را برای بارش و دما دارد. صمدی و همکاران (1386)، روشهای مختلف ریزمقیاس نمودن خروجی مدلهای گردش عمومی جو را بررسی کرده و نشان دادند که در ریزمقیاس نمایی آماری دمای حوضه بهتر پیشبینی میشود. ایشان همچنین نتیجه گرفتند که مدل HADCM3 نسبت به مدلهای دیگر برآورد بهتری از پارامترهای آب و هوایی منطقه ایران را ارائه میدهد. بابائیان و همکاران (1388)، به ارزیابی تغییر اقلیم کشور با استفاده از ریز مقیاس نمایی دادههای مدل گردش عمومی جوECHO-G در دورهی (2039-2010) پرداختند. نتایج پژوهش آنها که بر روی 43 ایستگاه سینوپتیک کشور انجام شد کاهش 9 درصدی بارش در کل کشور، افزایش آستانهی بارشهای سنگین و خیلی سنگین به ترتیب 13 و 39 درصد و افزایش میانگین سالانه 5/0 درجهای دما را پیشبینی کرد. کمال و مساح بوانی (1390) در مطالعهای عدم قطعیت مدلهای گردش عمومی جو و مدلهای هیدرولوژی را در تخمین دما، بارش و رواناب حوضهی قرهسو بررسی کردند و به این نتیجه رسیدند که در نظر گرفتن عدم قطعیت موجب دقت نتایج مطالعهی آنها شده است. روشن و همکاران (1391) به منظور آزمایش و یافتن بهترین مدل گردش عمومی جو جهت انطباق با تغییرات دما و بارش در ایران از 20 مدلGCM و سناریوی واحدی به نام P50 استفاده کردند. از جمله نتایج مهم پژوهش مذکور این است که، هیچ کدام از مدلهای گردش عمومی جو، به خوبی نمیتوانند تغییرات دما و بارش کشور را شبیهسازی کند. آنها برای شبیهسازی بارش ترکیبی از دو مدل GISS-EH و CNRM-CM3 را برای بارش و مدل INMCM-30را برای شبیهسازی دما پیشنهاد کردند. ثانیخانی و همکاران (1392) در پژوهشی تأثیر تغییراقلیم را بر روی رواناب حوضهی آجیچای در آذربایجان شرقی با استفاده از دادههای مدلهای گردش عمومی جو (GCMS) و ریزمقیاس نمایی آن توسط مدل LARS-WG پرداختند. نتایج پژوهش حاکی از کاهش قابل توجه مقدار رواناب رودخانهی آجیچای در آینده بود.
هدف از این مطالعه تجزیه و تحلیل تأثیر تغییر اقلیم بر روی بارش و دمای حوضهی شهرچای در افق 2020(2030-2011) میباشد، با توجه به اینکه در مطالعات تغییر اقلیم با رویکرد عدم قطعیت عمدتأ عدم قطعیت مدلهای گردش عمومی در نظر گرفته میشود در این مطالعه برآنیم علاوه بر عدم قطعیت مربوط به مدلهای گردش عمومی جو؛ عدم قطعیت مربوط به سناریوهای موجود را نیز برای دورهی 2030-2011 در حوضهی شهرچای بررسی کنیم.
مواد و روش
منطقهی مورد مطالعه
رودخانهی شهرچای در استان آذربایجان غربی قرار دارد. این رود مهمترین منبع تأمین آب شهرستان ارومیه به شمار میرود. سد شهرچای در 12 کیلومتری بالادست این شهر و بر روی این رودخانهی احداث شده و نقش مهمی در تأمین آب مورد نیاز در بخش تأمین آب شهری، کشاورزی و صنعت منطقه ایفا میکند. حوضهی این حوضه از شمال به حوضهی آبریز نازلوچای، از جنوب به حوضهی آبریز باراندوزچای، از غرب به کشور ترکیه و از شرق به دریاچهی ارومیه محصور میگردد. مساحت تقریبی آن 711 کیلومتر مربع است، موقعیت جغرافیایی آن بین ´35 °44 تا ´28 °45 طول شرقی و´32 °37 تا ´62 °37 عرض شمالی واقع شده است. ارتفاع منطقه از 1513 متر از سطح دریا در خروجی حوضه واقع در ایستگاه کشتیبان، تا 3574 متر در مرز ایران و ترکیه، متغیر است و متوسط بارش سالانه حوضه 9/614 میلیمتر میباشد. بخشی از آب رودخانه برای مصرف آب آشامیدنی شهرستان ارومیه توسط سد شهرچای تأمین و مابقی پس از آبیاری باغها و زمینهای کشاورزی از داخل ارومیه میگذرد و سپس در محلی به نام دماغهی حصار وارد دریاچهی ارومیه میگردد. شکل (1) موقعیت حوضهی شهرچای را در میان حوضههای آبریز کشور و حوضهی آبریز دریاچهی ارومیه نشان میدهد.
اطلاعات مورد استفاده در این مطالعه از ادارهی کل هواشناسی استان آذربایجان غربی (برای اخذ دادههای ایستگاه سینوپتیک ارومیه) و سازمان آب منطقهای استان مذکور (برای اخذ اطلاعات ایستگاههای بارانسنجی) دریافت شد. این دادهها شامل اطلاعات دما و بارش روزانه و ماهانه، ساعات آفتابی میباشند. در جدول (1) مشخصات جغرافیایی ایستگاههای مذکور ارائه شده است.
شکل (1) موقعیت جغرافیایی حوضه شهرچای در میان حوضههای آبریز کشور در محل ایستگاه کشتیبا
جدول (1) مشخصات جغرافیایی ایستگاههای مورد مطالعه
|
نام ایستگاه |
نوع ایستگاه |
طول جغرافیایی |
عرض جغرافیایی |
ارتفاع (متر) |
||
|
دقیقه |
درجه |
دقیقه |
درجه |
|||
|
ارومیه |
سینوپتیک |
40 37 |
03 45 |
1328 |
||
|
میرآباد |
بارانسنجی |
40 37 |
59 44 |
1572 |
||
|
بند |
بارانسنجی |
49 37 |
02 45 |
1410 |
||
|
مرکز پژوهشی |
بارانسنجی |
48 37 |
58 44 |
1395 |
||
مدلهای گردش عمومی جو
در نسخه 5.5 مدل LARS-WG تعداد 15 مدل گردش عمومی جو مورد استفاده در گزارش چهارم IPCC(AR4) وجود دارد (سمنوف و همکاران[11]، 2010: 2) و چون در این مطالعه از تأثیر منابع عدم قطعیت شده است لذا ابتدا از میان مدلها تعداد شش مورد انتخاب شد. دلیل این انتخاب، وجود سه سناریو در این مدلها است و این در حالی است که در بعضی از مدلها کمتر از سه سناریو موجود است. جدول (2) مشخصات این مدلها را نشان میدهد.
جدول (2) مشخصات مدلهای به کار رفته در این مطالعه (سمنوف و همکاران، 2010: 3)
|
ردیف |
نام مدل |
کشور سازنده |
تفکیک مکانی (درجه) |
منبع |
|
1 |
GFCM21 |
آمریکا |
5/2*2 |
Wang et al. 2004. |
|
2 |
HADCM3 |
انگلستان |
75/3*5/2 |
Gordon et al. 2000. |
|
3 |
INCM3 |
روسیه |
5*4 |
Galin et al. 2003. |
|
4 |
IPCM4 |
فرانسه |
75/3*5/2 |
Hourdin et al. 2006. |
|
5 |
MPEH5 |
آلمان |
9/1*9/1 |
Roeckner et al.1996 |
|
6 |
NCCCS |
آمریکا |
4/1*4/1 |
Collins et al.2000. |
مدل ریزمقیاسنمایی LARS-WG
مدل ریزمقیاس نمایی LARS-WG توسط راسکو[12] و همکاران (1997) و سمنوف و بارو[13] (1998) ارائه گردید. LARS-WG یکی از مشهورترین مدلهای مولد دادههای تصادفی وضع هواست که برای تولید مقادیر بارش، تابش، دماهای بیشینه و کمینهی روزانه در یک ایستگاه تحت شرایط آب و هوای پایه و آینده بـکار میرود (بابائیان و همکاران، 1388: 138). در این مدل از روش زنجیره مارکف برای مدلسازی رخداد بارش استفاده میشود. LARS-WG بـرای مدلسازی متغیرهای هواشناسی، توزیعهای آماری پیچیدهای را بـکار میبرد. مبنای این مدل برای طول دورههای خشک و تر، بارش روزانه و سریهای تابش توزیع نیمهتجربی میباشد. در توزیع نیمه تجربی فاصلهها به طور مساوی بین مقادیر بیشینه و کمینهی سری زمانی ماهانه تقسیم میشوند:
رابطهی (1)
در رابطهی (1)EMP یک هیستوگرام با ده بازهی متمایز (با شـدتهای مختلف بارش) است. طوری که بازهها
به شرح زیر تعریف شد.
[] <
که در آن hi تعداد رخداد بارش در iامین فاصله را نشان میدهد. فاصلهها برای طول روزهای تر و خشک و بارش افزایشی هستند. در این مدل تابش به طور مستقل از درجه حرارت مدل میشود و به جای آن میتوان از ساعات آفتابی نیز استفاده کرد (همان: 139). تولید دادهها توسط مدل LARS-WG در سه مرحلهی واسنجی کردن، ارزیابی و تولید دادههای هواشناسی انجام شد.
در این مدل ابتدا دادههای مدل گردش عمومی جو شامل بارش، دمای کمینه، دمای بیشینه و تابش به صورت روزانه استخراج گردید و برای هر شبکه مدل گردش عمومی جو یک سناریوی تولید داده تدوین شد. علاوه بر سناریوی تدوین شده برای هر شبکهی محاسباتی، برای اجرای مدل نیاز به فایل مشخصه رفتار آب و هوای گذشته ایستگاههای واقع در داخل آن شبکه نیز وجود دارد. سپس این مدل با دریافت فایل محتوی رفتار آب و هوای گذشته ایستگاه و فایل سناریوی تولید داده، مقادیر روزانهی دمای کمینه، بیشینه، بارش و تابش را در آینده پیشبینی نمود.
مکانیسم تولید داده در مدل LARS-WG به این صورت بود که ابتدا با استفاده از سناریوی تولید دادهی ماهانه که در برگیرندهی رفتار آب و هوای پایه میباشد، تمامی دادههای ماهانه را که در برگیرندهی رفتار آب و هوای پایه هستند مطابق رابطهی (2) پریشیده (مغشوش) میکند:
رابطهی(2) + (-
در رابطه (2) به ترتیب ، ، و نشاندهندهی پارامتر هواشناسی پیشبینی شده بر روی ایستگاه هواشناسی، پارامتر هواشناسی دیدهبانی شده در همان ایستگاه، پارامتر هواشناسی پیشبینی شده بر روی شبکهی مدل در دورهی آینده و پارامتر هواشناسی مدل شده بر روی شبکهی مدل در دورهی گذشته میباشند. سپس با حفظ میانگین، انحراف معیار آنها را مطابق رابطهی (3) تغییر میدهد (بابائیان و کوان، 2004: 98).
رابطهی(3)
در رابطهی (3) انحراف معیار پارامتر هواشناسی تحت بررسی است.
انتخاب بهترین مدل GCM برای منطقهی مورد مطالعه
برای انتخاب بهترین مدل GCM از مدلهای ذکر شده، ابتدا دادههای دمای حداقل، دمای حداکثر، بارش و ساعات آفتابی به صورت روزانه در دوره پایه (2014-1967) به مدل وارد شد و برای 6 مدل مذکور و تحت سه سناریوی A1B، A2 و B1 برای دوره 2030-2011 داده تولید شد. دادههای تولید شده در 50 سری تصادفی بوده و میانگین پارامترهای مورد نیاز (دمای حداقل، دمای حداکثر و بارندگی) به صورت ماهانه در دوره 2030-2011 استخراج شد. به منظور بررسی عملکرد مدلها و مقایسه نتایج، معیارهایی لازم است تا در تحقیق مورد استفاده قرار گیرند که در این مطالعه از خطای جذر میانگین مربعات ([14](RMSE و ضریب تعیین ( (R2استفاده شد. روابط زیر نحوهی محاسبه این معیارها را نشان دهند.
رابطهی (4)
رابطهی (5)
که در رابطهی 4و 5: Pi: دادههای دورهی مشاهداتی، : میانگین دادههای دورهی مشاهداتی، Oi: دادههای تولید شده برای دورهی آتی، : میانگین دادههای تولید شده برای دورهی آتی، :n تعداد دادهها و : انحراف معیار دادهها است.
بحث و نتایج
برای اطمینان از توانایی مدل در تولید داده در دورهی آتی باید دادههای محاسباتی توسط مدل و دادههای مشاهداتی در ایستگاه مورد مطالعه با هم مقایسه شوند. جدول (3) نتایج آزمون کای اسکور بر روی پارامترهای بارش، دمای حداقل و دمای حداکثر را نشان میدهد، همانطور که از جدول مذکور میتوان فهمید، نتایج تمامی پارامترهای ذکر شده در سطح معنیداری 90% قابل اطمینان میباشد و همین معیارها مبنایی برای تولید داده در دورهی آتی هستند. شکل (2) نتایج مقایسهی دادههای محاسباتی و مشاهداتی دمای حداقل، دمای حداکثر، بارش و تابش را در ایستگاه سینوپتیک ارومیه برای دورهی پایه نشان میدهد. بر اساس این شکل توانمندی مدل LARS-WG در مدلسازی دمای حداقل، دمای حداکثر و تابش در این ایستگاه کاملاً با دادههای دیدبانی شده مطابقت دارد. همچنین توانمندی مدل در مدلسازی بارش بسیار خوب و قابل قبول میباشد، با این وجود بیشترین خطای مدلسازی مربوط به بارش ماه مارس است.
جدول(3) نتایج آزمون کای اسکور برای توزیع احتمالاتی بارش، دمای حداقل و دمای حداکثر در مدل LARS-WG.
|
Rain (Daily) |
T Max (Daily) |
T min (Daily) |
|
|||
|
P-value |
Ks |
P-value |
Ks |
P-value |
Ks |
Month |
|
1 |
072/0 |
9989/0 |
106/0 |
9998/0 |
106/0 |
Jan |
|
1 |
025/0 |
9989/0 |
106/0 |
9991/0 |
105/0 |
Feb |
|
1 |
041/0 |
9991/0 |
105/0 |
1 |
053/0 |
Mar |
|
1 |
082/0 |
1 |
053/0 |
9991/0 |
105/0 |
Apr |
|
1 |
039/0 |
1 |
053/0 |
9989/0 |
106/0 |
May |
|
1 |
032/0 |
9989/0 |
106/0 |
9989/0 |
106/0 |
Jun |
|
1 |
126/0 |
9989/0 |
106/0 |
9989/0 |
106/0 |
Jul |
|
9885/0 |
103/0 |
9989/0 |
106/0 |
1 |
053/0 |
Aug |
|
9993/0 |
059/0 |
9989/0 |
106/0 |
1 |
053/0 |
Sep |
|
1 |
077/0 |
1 |
053/0 |
1 |
053/0 |
Oct |
|
1 |
036/0 |
1 |
053/0 |
9989/0 |
106/0 |
Nov |
|
1 |
064/0 |
9989/0 |
106/0 |
9989/0 |
106/0 |
Dec |
ج
شکل(2) مقایسهی دادههای مشاهداتی (O) و محاسباتی (G) در ایستگاه سینوپتیک ارومیه در دورهی پایه
بررسی محدودهی عدم قطعیت مدلهای گردش عمومی جو
استفاده از چندین مدل گردش عمومی جو برای تأکید بر عدم قطعیت در پیشبینی آب و هوا، به علت تفاوتهای ساختاری در مدلهای جهانی آب و هوا و همچنین عدم اطمینان در تغییرات شرایط اولیه مدلها میباشد (سمنوف و همکاران، 2010: 1 ). برای بررسی محدودهی عدم قطعیت مدلها ابتدا خروجی مدلها در پارامترهای بارش، دمای حداقل و حداکثر به صورت میانگین ماهانه تولید شد. سپس اختلاف پارامترهای مذکور برای هر مدل با میانگین دورهی پایه محاسبه و تغییرات آنها به صورت نمودار جعبهای[15] ترسیم گردید. شکلهای 3 تا 5 محدودهی عدم قطعیت مدلهای گردش عمومی جو برای تغییرات پارامترهای بارش، دمای حداقل و دمای حداکثر را نشان میدهد. در این نمودارها کمینه، چارک اول، میانگین، چارک سوم و بیشینهی تغییرات پارامترهای یاد شده ترسیم شدهاند. همانطور که از این نمودارها مشهود است، میزان تغییرات پارامترها به ویژه پارامتر بارش زیاد است. شکل (3) نشان میدهد که تمامی مدلها بارش ماههای ژانویه، مارس و آوریل را با کاهش پیشبینی کردهاند. بیشترین تغییرات مربوط به بارش ماه مه و کمترین آن مربوط به ماه اوت است. شکل 4 و 5 نشان میدهد که تمامی مدلها دمای حداقل و حداکثر را با افزایش پیشبینی کردهاند. میزان این افزایش در فصل تابستان برای هر دو پارامتر بیشتر از سایر زمانهاست.
شکل (3) نمودار جعبهای تغییرات میانگین مجموع بارش ماهانه برای شش مدل مورد مطالعه
شکل (4) نمودار جعبهای تغییرات میانگین دمای حداقل ماهانه برای شش مدل مورد مطالعه
شکل (5) نمودار جعبهای تغییرات میانگین دمای حداکثر ماهانه برای شش مدل مورد مطالعه
انتخاب مناسبترین مدل AOGCM
با مقایسه دادههای مشاهداتی و تولید شده شامل میانگین ماهانهی بارش، دمای حداقل و حداکثر توسط شش مدل مذکور با شاخصهای ذکر شده، بهترین مدل و سناریو برای تولید دادهها در دورهی آتی مشخص شد. نتایج این مقایسه در جدول 4 تا 6 ارائه شده است. از این جداول میتوان نتیجه گرفت که از بین مدلهای موجود، مدلHADCM3 تحت سناریوی A1B، بـهترین نتیجه را برای بارش و تحت سناریوی A2 بـهترین نتیجه را برای دمای حداقل و نیز مدلMPEH5 تحت سناریوی B1، بهترین نتیجه را برای دمای حداکثر پیشبینی کردهاند. با مشخص شدن بهترین مدل، دادههای بارش، دمای حداقل و دمای حداکثر تولید شده در مدلها و سناریوهای منتخب به منظور بررسی وضعیت تغییر اقلیم دما و بارش در دورهی آتی تحلیل شدند.
جدول (4) نتایج مقایسه بارش مدلهای گردش عمومی جو با دورهی پایه
|
R |
مدل |
بارش A1B |
بارش A2 |
بارش B1 |
|||
|
R2 |
RMSE |
R2 |
RMSE |
R2 |
RMSE |
||
|
1 |
GFCM21 |
935/0 |
45/5 |
933/0 |
38/5 |
92/0 |
33/5 |
|
2 |
HADCM3 |
97/0 |
5/3 |
95/0 |
15/4 |
96/0 |
7/3 |
|
3 |
INCM3 |
956/0 |
79/3 |
892/0 |
05/6 |
98/0 |
7/3 |
|
4 |
IPCM4 |
944/0 |
79/4 |
97/0 |
6/3 |
96/0 |
55/3 |
|
5 |
MPEH5 |
876/0 |
2/7 |
946/0 |
36/4 |
954/0 |
4/4 |
|
6 |
NCCCS |
93/0 |
93/4 |
949/0 |
4 |
895/0 |
74/5 |
جدول (5) نتایج مقایسه دمای حداقل مدلهای گردش عمومی جو با دورهی پایه
|
R |
مدل |
دمای حداقل A1B |
دمای حداقل A2 |
دمای حداقل B1 |
|||
|
R2 |
RMSE |
R2 |
RMSE |
R2 |
RMSE |
||
|
1 |
GFCM21 |
9996/0 |
88/0 |
9956/0 |
82/0 |
9995/0 |
9/0 |
|
2 |
HADCM3 |
9986/0 |
91/0 |
9998/0 |
09/1 |
9996/0 |
7/0 |
|
3 |
INCM3 |
998/0 |
883/0 |
9969/0 |
05/1 |
9986/0 |
85/0 |
|
4 |
IPCM4 |
9995/0 |
12/1 |
9995/0 |
87/0 |
9995/0 |
1 |
|
5 |
MPEH5 |
9996/0 |
933/0 |
9998/0 |
815/0 |
9997/0 |
93/0 |
|
6 |
NCCCS |
9994/0 |
26/1 |
9988/0 |
25/1 |
9999/0 |
24/1 |
جدول (6) نتایج مقایسه دمای حداکثر مدلهای گردش عمومی جو با دورهی پایه
|
R |
مدل |
دمای حداکثر A1B |
دمای حداکثر A2 |
دمای حداکثر B1 |
|||
|
R2 |
RMSE |
R2 |
RMSE |
R2 |
RMSE |
||
|
1 |
GFCM21 |
9995/0 |
85/0 |
9994/0 |
82/0 |
9994/0 |
88/0 |
|
2 |
HADCM3 |
9994/0 |
83/0 |
9995/0 |
99/0 |
9995/0 |
99/0 |
|
3 |
INCM3 |
9979/0 |
56/1 |
9997/0 |
03/1 |
9996/0 |
1/1 |
|
4 |
IPCM4 |
9992/0 |
1/1 |
9996/0 |
84/0 |
9996/0 |
1/1 |
|
5 |
MPEH5 |
9995/0 |
85/0 |
9993/0 |
81/0 |
9994/0 |
92/0 |
|
6 |
NCCCS |
9990/0 |
24/1 |
9949/0 |
23/1 |
9995/0 |
22/1 |
بررسی پارامتر بارندگی در دورهی آتی (2030-2011)
بارش دورهی 2030-2011 با مدل HADCM3 و با سناریو A1B تولید شد. شکل (6) مقایسهی میانگین مجموع بارش ماهانه در دورهی پایه و آتی را نشان مـیدهد. همانطور که از شکل میتوان فهمید در اکثر ماهها بارندگی دورهی آتی نسبت به دورهی پایه کاهش خواهد یافت به این صورت که بیشترین کاهش مربوط به ماههای آوریل و مه است که از لحاظ کشاورزی نیز زمان مهمی بهشمار میرود، بارش ماه ژوئیه و سپتامبر و دسامبر با شیب کمی افزایشی است. با این حال بیشترین افزایش بارش مربوط به ماه اکتبر است. در حالت کلی بارش فصول زمستان و بهار با کاهش و بارش فصل پائیز با افزایش پیشبینی شده است.
شکل (6) مقایسه میانگین بارش تجمعی ماهانه مشاهداتی دورهی پایه با محاسباتی در دورهی آتی
بررسی پارامتر دما در دورهی آتی (2030-2011)
دمای حداقل
با توجه به نتایج جدول (5) برای تولید دادههای دمای حداقل از مدل HADCM3 و سناریوی A2 استفاده شد. شکل (7) مقایسهی میانگین دمای حداقل ماهانه دورهی پایه را با دورهی آتی نشان میدهد، همانطور که از شکل میتوان فهمید در تمامی ماهها این پارامتر با افزایش پیشبینی شده است. بیشترین افزایش مربوط به ماههای ژوئیه و اوت و کمترین آن مربوط به ماه دسامبر است. میزان افزایش این پارامتر از 32/0 تا 47/1 درجه سانتیگراد در ماههای مختلف متغیر است.
شکل (7) مقایسه میانگین دمای حداقل ماهانهی مشاهداتی دورهی پایه با محاسباتی در دورهی آتی
دمای حداکثر
طبق نتایج جدول (7) برای تولید پارامتر میانگین دمای حداکثر از مدل MPEH5 تحت سناریوی B1 استفاده شد. شکل (8) مقایسهی میانگین حداکثر دمای ماهانه در طول دورهی پایه و دورهی آتی را نشان میدهد. مطابق با این شکل به جز ماه ژانویه این پارامتر در تمامی ماهها با افزایش پیشبینی شده است، بیشترین افزایش این پارامتر مربوط به ماههای مه، ژوئیه و اوت میباشد. میزان افزایش این پارامتر به جز ماه ژانویه بین 27/0 تا 98/1 درجه سانتیگراد در ماههای مختلف سال متغیر است.
شکل (8) مقایسهی میانگین دمای حداکثر ماهانه مشاهداتی دورهی پایه با محاسباتی در دورهی آتی
جدول (7) نتایج مقایسه سالانه بارش، دمای حداقل و دمای حداکثر در دورهی پایه و دورهی آتی تحت مدلها و سناریوهای منتخب را نشان میدهد. همانطور که از جدول مذکور مشهود است بارش دورهی آتی حدود 4% کاهش خواهد یافت و این در حالی است که دمای حداقل 05/1 و دمای حداکثر 87/0 درجه سانتیگراد افزایش خواهد یافت. نکته قابل توجه بر هم خوردن توزیع زمانی بارش و افزایش دما است که احتمالاً بیشتر از کاهش بارش تبعات منفی خواهد داشت.
جدول (7) مقایسهی پارامترهای بارش، دمای حداقل و حداکثر در دورهی پایه و آتی
|
میانگین سالانه دمای حداکثر (°C) |
میانگین سالانه دمای حداقل (°C) |
میانگین مجموع بارش سالانه (mm) |
|
|
55/17 |
97/4 |
332 |
دوره پایه |
|
43/18 |
02/6 |
321 |
دوره آتی |
نتیجهگیری
نتایج این مطالعه نشان داد که به علت دامنهی زیاد تغییرات خروجی مدلها و سناریوهای مختلف، در نظر نگرفتن عدم قطعیت مدلها و سناریوها میتواند تأثیر زیادی در نتایج مطالعات داشته باشد. همچنین در این مطالعه مشخص شد که مدل ریزمقیاس نمایی LARS-WG توانایی زیادی در مدلسازی دادههای بارش و دمای دورهی پایه در منطقهی مورد مطالعه را داشته است، به طوری که دادههای تابش، دمای حداقل و حداکثر کاملاً با دادههای دیدبانی شده مطابقت دارد و همچنین توانمندی مدل در مدلسازی بارش بسیار خوب و قابل قبول میباشد. در بررسی عدم قطعیت ناشی از مدلهای گردش عمومی جو و سناریوهای موجود، بهترین مدل برای پیشبینی بارش در منطقهی مورد مطالعه مدل HADCM3 تحت سناریوی A1B ، بهترین مدل برای برآورد دما مدل HADCM3 تحت سناریوی A2 و بهترین مدل برای برآورد دمای حداکثر مدل MPEH5 تحت سناریوی B1 میباشد. نتایج این مطالعه با مطالعاتی که در این زمینه انجام شده (صمدی و همکاران، 1386 و آشفته و مساح بوانی، 1388) در مورد پارامترهای بارش و دمای حداقل انطباق داشته و در تحقیق آنها نیز مدل HADCM3 بهترین برآورد را برای پارامترهای مذکور به دست آورد ولی نتایج حاصله در مورد دمای حداکثر با آنها تفاوت دارد به طوری که در تحقیق حاضر مدل MPEH5 بهترین برآورد را برای پارامتر دمای حداقل داشته است. یکی از دلایل این تفاوت را میتوان چنین عنوان کرد که هر مدل گردش عمومی برای یک منطقهی خاص بهترین برآورد را میدهد. نتایج حاصل از این تحقیق نیز استفاده از مدل HADCM3 را به عنوان بهترین مدل برای برآورد بارش و دما در منطقهی مورد مطالعه که در مطالعات قبلی نیز عنوان شده بود مورد تأکید قرار داد. با این وجود و با توجه به عدم قطعیتهای موجود به نظر میرسد برای به دست آوردن بهترین برآورد پارامترهای اقلیمی در دورهی آتی باید تا حد امکان تأثیر عدم قطعیت را بیشتر تأکید کرد و این مهم را میتوان با به آزمون گذاشتن مدلهای بیشتر در مکان و زمانهای دیگر دست یافت.
[1]- Intergovernmental Panel of Climate Change
[2]- Climate Change
3-Chiew et al.,
4- Semenov et al.,
5- Generator
6- Chiristians et al.,
7- Minville et al.,
8- General Circulation Mode
9- Daren et al.,
10- Pascual et al.,
[11]- Semenov et al.,
[12]- Racsko
2- Semenov and Barrow
[14]- Root Mean Square Error
[15]- Boxplot
یک منطقه میباشند و تغییرات این دو متغیر نیز در سیستمهای مختلف به طور مستقیم و غیرمستقیم تأثیرگذار هستند. به همین دلیل مطالعات در زمینهی تغییر اقلیم عمدتاً روی این دو متغیر صورت گرفته است. چیو و همکاران[3] (1995) به بررسی تأثیر تغییر اقلیم بر روی رواناب و رطوبت خاک در 28 حوضه از کشور استرالیا پرداختند. سمنوف[4] و همکاران (1998) عملکرد دو مولد[5] معروف LARS-WG وWGEN را در 18 ایستگاه واقع در ایالات متحده آمریکا، اروپا و آسیا مورد مقایسه قرار داده و عنوان کردند که مولد LARS-WG از عملکرد مناسبتری برخوردار است. کریستنسن و همکاران[6] (2004) در مطالعهای بر روی حوضهی رودخانهی کلرادو اثر تغییر اقلیم را بر روی دما، بارش و رواناب رودخانه در دورهی پایه و سه دورهی آتی بررسی نمودند. نتایج برای دورهی پایه و سه دورهی آتی حاکی از کاهش بارش و رواناب و افزایش دما بود. مینویل و همکاران[7] (2008) با هدف بررسی عدم قطعیت در تأثیرات تغییر اقلیم در هیدرولوژی، بر روی حوضهای در کبک کانادا از 5 مدل گردش عمومی جو (GCM)[8] و دو سناریوی تغییر اقلیم استفاده کردند. آنها نشان دادند که همهی مدلها افزایش دما را برای کل حوضه در تمام طول سال پیشبینی میکنند و این در حالی بود که نتایج تغییرات بارش با هم اختلاف داشتند. با این وجود بیشتر نتایج کاهش بارش، کاهش در دبی اوج از یک طرف و ذوب زود هنگام برف از طرف دیگر بود. دارن و همکاران[9] (2013) اثرات تغییر اقلیم را بر حوضهی دریاچهی مونو در کالیفرنیا با استفاده از 16 مدل جهانی گردش عمومی جو (GCMS) و با استفاده از دو سناریوی B1 و A2 بررسی کردند، خروجیGCM ها افزایش قابل توجه دمای سالانه )به طور متوسط 4/1 تا 5/2 درجه سانتیگراد( و کاهش یک تا سه درصدی بارش را تا پایان قرن پیشبینی کردند. در پژوهش دیگری که توسط پاسکال و همکاران[10] (2014) انجام شد، تأثیر تغییرات آب و هوا بر روی منابع آب در شمال شرقی منطقهی مدیترانه برای دوره (2100-2076) در سه حوضه با شرایط آب و هوایی متوسط تحت دو سناریوی A2 و B1 مورد بررسی قرار گرفت. نتایج نشان داد که بیشترین کاهش جریان به مقدار 34 درصد و کمترین آن به میزان 25 درصد پیش بینی شده است. مساح بوانی و مرید (1384) به بررسی اثرات تغییر اقلیم روی دما، بارندگی و رواناب در حوضهی رودخانهی زاینـدهرود اصفهان تـحت دو سناریوی اقلیمی و برای دو دورهی زمانی پرداختند. نتایج پژوهش آنها نشان از کاهش بارندگی به میزان 10 و 16 درصد و افزایش دما به میزان 4/6 و 3/2 درجه سانتیگراد و همچنین کاهش رواناب تا 5/8 درصد برای اواسط و اواخر قرن داشت. آشفته و مساح بوانی (1386) اثرات تغییر اقلیم را با استفاده از مدل HADCM3 و سناریوی A2 بر رژیم سیلاب حوضهی آیدوغموش آذربایجان شرقی بررسی کرده و به این نتیجه رسیدند که تغییر اقلیم با افزایش دما و تغییر در مقدار بارندگی بر رژیم سیلاب این منطقه تأثیرگذار است. نامبردگان در پژوهش دیگری در سال 1388 مبحث عدم قطعیت مدلهای گردش عمومی جو در این حوضه را نیز بررسی کردند و به این نتیجه رسیدند که مدل HADCM3 بهترین برآورد را برای بارش و دما دارد. صمدی و همکاران (1386)، روشهای مختلف ریزمقیاس نمودن خروجی مدلهای گردش عمومی جو را بررسی کرده و نشان دادند که در ریزمقیاس نمایی آماری دمای حوضه بهتر پیشبینی میشود. ایشان همچنین نتیجه گرفتند که مدل HADCM3 نسبت به مدلهای دیگر برآورد بهتری از پارامترهای آب و هوایی منطقه ایران را ارائه میدهد. بابائیان و همکاران (1388)، به ارزیابی تغییر اقلیم کشور با استفاده از ریز مقیاس نمایی دادههای مدل گردش عمومی جوECHO-G در دورهی (2039-2010) پرداختند. نتایج پژوهش آنها که بر روی 43 ایستگاه سینوپتیک کشور انجام شد کاهش 9 درصدی بارش در کل کشور، افزایش آستانهی بارشهای سنگین و خیلی سنگین به ترتیب 13 و 39 درصد و افزایش میانگین سالانه 5/0 درجهای دما را پیشبینی کرد. کمال و مساح بوانی (1390) در مطالعهای عدم قطعیت مدلهای گردش عمومی جو و مدلهای هیدرولوژی را در تخمین دما، بارش و رواناب حوضهی قرهسو بررسی کردند و به این نتیجه رسیدند که در نظر گرفتن عدم قطعیت موجب دقت نتایج مطالعهی آنها شده است. روشن و همکاران (1391) به منظور آزمایش و یافتن بهترین مدل گردش عمومی جو جهت انطباق با تغییرات دما و بارش در ایران از 20 مدلGCM و سناریوی واحدی به نام P50 استفاده کردند. از جمله نتایج مهم پژوهش مذکور این است که، هیچ کدام از مدلهای گردش عمومی جو، به خوبی نمیتوانند تغییرات دما و بارش کشور را شبیهسازی کند. آنها برای شبیهسازی بارش ترکیبی از دو مدل GISS-EH و CNRM-CM3 را برای بارش و مدل INMCM-30را برای شبیهسازی دما پیشنهاد کردند. ثانیخانی و همکاران (1392) در پژوهشی تأثیر تغییراقلیم را بر روی رواناب حوضهی آجیچای در آذربایجان شرقی با استفاده از دادههای مدلهای گردش عمومی جو (GCMS) و ریزمقیاس نمایی آن توسط مدل LARS-WG پرداختند. نتایج پژوهش حاکی از کاهش قابل توجه مقدار رواناب رودخانهی آجیچای در آینده بود.
هدف از این مطالعه تجزیه و تحلیل تأثیر تغییر اقلیم بر روی بارش و دمای حوضهی شهرچای در افق 2020(2030-2011) میباشد، با توجه به اینکه در مطالعات تغییر اقلیم با رویکرد عدم قطعیت عمدتأ عدم قطعیت مدلهای گردش عمومی در نظر گرفته میشود در این مطالعه برآنیم علاوه بر عدم قطعیت مربوط به مدلهای گردش عمومی جو؛ عدم قطعیت مربوط به سناریوهای موجود را نیز برای دورهی 2030-2011 در حوضهی شهرچای بررسی کنیم.
مواد و روش
منطقهی مورد مطالعه
رودخانهی شهرچای در استان آذربایجان غربی قرار دارد. این رود مهمترین منبع تأمین آب شهرستان ارومیه به شمار میرود. سد شهرچای در 12 کیلومتری بالادست این شهر و بر روی این رودخانهی احداث شده و نقش مهمی در تأمین آب مورد نیاز در بخش تأمین آب شهری، کشاورزی و صنعت منطقه ایفا میکند. حوضهی این حوضه از شمال به حوضهی آبریز نازلوچای، از جنوب به حوضهی آبریز باراندوزچای، از غرب به کشور ترکیه و از شرق به دریاچهی ارومیه محصور میگردد. مساحت تقریبی آن 711 کیلومتر مربع است، موقعیت جغرافیایی آن بین ´35 °44 تا ´28 °45 طول شرقی و´32 °37 تا ´62 °37 عرض شمالی واقع شده است. ارتفاع منطقه از 1513 متر از سطح دریا در خروجی حوضه واقع در ایستگاه کشتیبان، تا 3574 متر در مرز ایران و ترکیه، متغیر است و متوسط بارش سالانه حوضه 9/614 میلیمتر میباشد. بخشی از آب رودخانه برای مصرف آب آشامیدنی شهرستان ارومیه توسط سد شهرچای تأمین و مابقی پس از آبیاری باغها و زمینهای کشاورزی از داخل ارومیه میگذرد و سپس در محلی به نام دماغهی حصار وارد دریاچهی ارومیه میگردد. شکل (1) موقعیت حوضهی شهرچای را در میان حوضههای آبریز کشور و حوضهی آبریز دریاچهی ارومیه نشان میدهد.
اطلاعات مورد استفاده در این مطالعه از ادارهی کل هواشناسی استان آذربایجان غربی (برای اخذ دادههای ایستگاه سینوپتیک ارومیه) و سازمان آب منطقهای استان مذکور (برای اخذ اطلاعات ایستگاههای بارانسنجی) دریافت شد. این دادهها شامل اطلاعات دما و بارش روزانه و ماهانه، ساعات آفتابی میباشند. در جدول (1) مشخصات جغرافیایی ایستگاههای مذکور ارائه شده است.
شکل (1) موقعیت جغرافیایی حوضه شهرچای در میان حوضههای آبریز کشور در محل ایستگاه کشتیبا
جدول (1) مشخصات جغرافیایی ایستگاههای مورد مطالعه
|
نام ایستگاه |
نوع ایستگاه |
طول جغرافیایی |
عرض جغرافیایی |
ارتفاع (متر) |
||
|
دقیقه |
درجه |
دقیقه |
درجه |
|||
|
ارومیه |
سینوپتیک |
40 37 |
03 45 |
1328 |
||
|
میرآباد |
بارانسنجی |
40 37 |
59 44 |
1572 |
||
|
بند |
بارانسنجی |
49 37 |
02 45 |
1410 |
||
|
مرکز پژوهشی |
بارانسنجی |
48 37 |
58 44 |
1395 |
||
مدلهای گردش عمومی جو
در نسخه 5.5 مدل LARS-WG تعداد 15 مدل گردش عمومی جو مورد استفاده در گزارش چهارم IPCC(AR4) وجود دارد (سمنوف و همکاران[11]، 2010: 2) و چون در این مطالعه از تأثیر منابع عدم قطعیت شده است لذا ابتدا از میان مدلها تعداد شش مورد انتخاب شد. دلیل این انتخاب، وجود سه سناریو در این مدلها است و این در حالی است که در بعضی از مدلها کمتر از سه سناریو موجود است. جدول (2) مشخصات این مدلها را نشان میدهد.
جدول (2) مشخصات مدلهای به کار رفته در این مطالعه (سمنوف و همکاران، 2010: 3)
|
ردیف |
نام مدل |
کشور سازنده |
تفکیک مکانی (درجه) |
منبع |
|
1 |
GFCM21 |
آمریکا |
5/2*2 |
Wang et al. 2004. |
|
2 |
HADCM3 |
انگلستان |
75/3*5/2 |
Gordon et al. 2000. |
|
3 |
INCM3 |
روسیه |
5*4 |
Galin et al. 2003. |
|
4 |
IPCM4 |
فرانسه |
75/3*5/2 |
Hourdin et al. 2006. |
|
5 |
MPEH5 |
آلمان |
9/1*9/1 |
Roeckner et al.1996 |
|
6 |
NCCCS |
آمریکا |
4/1*4/1 |
Collins et al.2000. |
مدل ریزمقیاسنمایی LARS-WG
مدل ریزمقیاس نمایی LARS-WG توسط راسکو[12] و همکاران (1997) و سمنوف و بارو[13] (1998) ارائه گردید. LARS-WG یکی از مشهورترین مدلهای مولد دادههای تصادفی وضع هواست که برای تولید مقادیر بارش، تابش، دماهای بیشینه و کمینهی روزانه در یک ایستگاه تحت شرایط آب و هوای پایه و آینده بـکار میرود (بابائیان و همکاران، 1388: 138). در این مدل از روش زنجیره مارکف برای مدلسازی رخداد بارش استفاده میشود. LARS-WG بـرای مدلسازی متغیرهای هواشناسی، توزیعهای آماری پیچیدهای را بـکار میبرد. مبنای این مدل برای طول دورههای خشک و تر، بارش روزانه و سریهای تابش توزیع نیمهتجربی میباشد. در توزیع نیمه تجربی فاصلهها به طور مساوی بین مقادیر بیشینه و کمینهی سری زمانی ماهانه تقسیم میشوند:
رابطهی (1)
در رابطهی (1)EMP یک هیستوگرام با ده بازهی متمایز (با شـدتهای مختلف بارش) است. طوری که بازهها
به شرح زیر تعریف شد.
[] <
که در آن hi تعداد رخداد بارش در iامین فاصله را نشان میدهد. فاصلهها برای طول روزهای تر و خشک و بارش افزایشی هستند. در این مدل تابش به طور مستقل از درجه حرارت مدل میشود و به جای آن میتوان از ساعات آفتابی نیز استفاده کرد (همان: 139). تولید دادهها توسط مدل LARS-WG در سه مرحلهی واسنجی کردن، ارزیابی و تولید دادههای هواشناسی انجام شد.
در این مدل ابتدا دادههای مدل گردش عمومی جو شامل بارش، دمای کمینه، دمای بیشینه و تابش به صورت روزانه استخراج گردید و برای هر شبکه مدل گردش عمومی جو یک سناریوی تولید داده تدوین شد. علاوه بر سناریوی تدوین شده برای هر شبکهی محاسباتی، برای اجرای مدل نیاز به فایل مشخصه رفتار آب و هوای گذشته ایستگاههای واقع در داخل آن شبکه نیز وجود دارد. سپس این مدل با دریافت فایل محتوی رفتار آب و هوای گذشته ایستگاه و فایل سناریوی تولید داده، مقادیر روزانهی دمای کمینه، بیشینه، بارش و تابش را در آینده پیشبینی نمود.
مکانیسم تولید داده در مدل LARS-WG به این صورت بود که ابتدا با استفاده از سناریوی تولید دادهی ماهانه که در برگیرندهی رفتار آب و هوای پایه میباشد، تمامی دادههای ماهانه را که در برگیرندهی رفتار آب و هوای پایه هستند مطابق رابطهی (2) پریشیده (مغشوش) میکند:
رابطهی(2) + (-
در رابطه (2) به ترتیب ، ، و نشاندهندهی پارامتر هواشناسی پیشبینی شده بر روی ایستگاه هواشناسی، پارامتر هواشناسی دیدهبانی شده در همان ایستگاه، پارامتر هواشناسی پیشبینی شده بر روی شبکهی مدل در دورهی آینده و پارامتر هواشناسی مدل شده بر روی شبکهی مدل در دورهی گذشته میباشند. سپس با حفظ میانگین، انحراف معیار آنها را مطابق رابطهی (3) تغییر میدهد (بابائیان و کوان، 2004: 98).
رابطهی(3)
در رابطهی (3) انحراف معیار پارامتر هواشناسی تحت بررسی است.
انتخاب بهترین مدل GCM برای منطقهی مورد مطالعه
برای انتخاب بهترین مدل GCM از مدلهای ذکر شده، ابتدا دادههای دمای حداقل، دمای حداکثر، بارش و ساعات آفتابی به صورت روزانه در دوره پایه (2014-1967) به مدل وارد شد و برای 6 مدل مذکور و تحت سه سناریوی A1B، A2 و B1 برای دوره 2030-2011 داده تولید شد. دادههای تولید شده در 50 سری تصادفی بوده و میانگین پارامترهای مورد نیاز (دمای حداقل، دمای حداکثر و بارندگی) به صورت ماهانه در دوره 2030-2011 استخراج شد. به منظور بررسی عملکرد مدلها و مقایسه نتایج، معیارهایی لازم است تا در تحقیق مورد استفاده قرار گیرند که در این مطالعه از خطای جذر میانگین مربعات ([14](RMSE و ضریب تعیین ( (R2استفاده شد. روابط زیر نحوهی محاسبه این معیارها را نشان دهند.
رابطهی (4)
رابطهی (5)
که در رابطهی 4و 5: Pi: دادههای دورهی مشاهداتی، : میانگین دادههای دورهی مشاهداتی، Oi: دادههای تولید شده برای دورهی آتی، : میانگین دادههای تولید شده برای دورهی آتی، :n تعداد دادهها و : انحراف معیار دادهها است.
بحث و نتایج
برای اطمینان از توانایی مدل در تولید داده در دورهی آتی باید دادههای محاسباتی توسط مدل و دادههای مشاهداتی در ایستگاه مورد مطالعه با هم مقایسه شوند. جدول (3) نتایج آزمون کای اسکور بر روی پارامترهای بارش، دمای حداقل و دمای حداکثر را نشان میدهد، همانطور که از جدول مذکور میتوان فهمید، نتایج تمامی پارامترهای ذکر شده در سطح معنیداری 90% قابل اطمینان میباشد و همین معیارها مبنایی برای تولید داده در دورهی آتی هستند. شکل (2) نتایج مقایسهی دادههای محاسباتی و مشاهداتی دمای حداقل، دمای حداکثر، بارش و تابش را در ایستگاه سینوپتیک ارومیه برای دورهی پایه نشان میدهد. بر اساس این شکل توانمندی مدل LARS-WG در مدلسازی دمای حداقل، دمای حداکثر و تابش در این ایستگاه کاملاً با دادههای دیدبانی شده مطابقت دارد. همچنین توانمندی مدل در مدلسازی بارش بسیار خوب و قابل قبول میباشد، با این وجود بیشترین خطای مدلسازی مربوط به بارش ماه مارس است.
جدول(3) نتایج آزمون کای اسکور برای توزیع احتمالاتی بارش، دمای حداقل و دمای حداکثر در مدل LARS-WG.
|
Rain (Daily) |
T Max (Daily) |
T min (Daily) |
|
|||
|
P-value |
Ks |
P-value |
Ks |
P-value |
Ks |
Month |
|
1 |
072/0 |
9989/0 |
106/0 |
9998/0 |
106/0 |
Jan |
|
1 |
025/0 |
9989/0 |
106/0 |
9991/0 |
105/0 |
Feb |
|
1 |
041/0 |
9991/0 |
105/0 |
1 |
053/0 |
Mar |
|
1 |
082/0 |
1 |
053/0 |
9991/0 |
105/0 |
Apr |
|
1 |
039/0 |
1 |
053/0 |
9989/0 |
106/0 |
May |
|
1 |
032/0 |
9989/0 |
106/0 |
9989/0 |
106/0 |
Jun |
|
1 |
126/0 |
9989/0 |
106/0 |
9989/0 |
106/0 |
Jul |
|
9885/0 |
103/0 |
9989/0 |
106/0 |
1 |
053/0 |
Aug |
|
9993/0 |
059/0 |
9989/0 |
106/0 |
1 |
053/0 |
Sep |
|
1 |
077/0 |
1 |
053/0 |
1 |
053/0 |
Oct |
|
1 |
036/0 |
1 |
053/0 |
9989/0 |
106/0 |
Nov |
|
1 |
064/0 |
9989/0 |
106/0 |
9989/0 |
106/0 |
Dec |
ج
شکل(2) مقایسهی دادههای مشاهداتی (O) و محاسباتی (G) در ایستگاه سینوپتیک ارومیه در دورهی پایه
بررسی محدودهی عدم قطعیت مدلهای گردش عمومی جو
استفاده از چندین مدل گردش عمومی جو برای تأکید بر عدم قطعیت در پیشبینی آب و هوا، به علت تفاوتهای ساختاری در مدلهای جهانی آب و هوا و همچنین عدم اطمینان در تغییرات شرایط اولیه مدلها میباشد (سمنوف و همکاران، 2010: 1 ). برای بررسی محدودهی عدم قطعیت مدلها ابتدا خروجی مدلها در پارامترهای بارش، دمای حداقل و حداکثر به صورت میانگین ماهانه تولید شد. سپس اختلاف پارامترهای مذکور برای هر مدل با میانگین دورهی پایه محاسبه و تغییرات آنها به صورت نمودار جعبهای[15] ترسیم گردید. شکلهای 3 تا 5 محدودهی عدم قطعیت مدلهای گردش عمومی جو برای تغییرات پارامترهای بارش، دمای حداقل و دمای حداکثر را نشان میدهد. در این نمودارها کمینه، چارک اول، میانگین، چارک سوم و بیشینهی تغییرات پارامترهای یاد شده ترسیم شدهاند. همانطور که از این نمودارها مشهود است، میزان تغییرات پارامترها به ویژه پارامتر بارش زیاد است. شکل (3) نشان میدهد که تمامی مدلها بارش ماههای ژانویه، مارس و آوریل را با کاهش پیشبینی کردهاند. بیشترین تغییرات مربوط به بارش ماه مه و کمترین آن مربوط به ماه اوت است. شکل 4 و 5 نشان میدهد که تمامی مدلها دمای حداقل و حداکثر را با افزایش پیشبینی کردهاند. میزان این افزایش در فصل تابستان برای هر دو پارامتر بیشتر از سایر زمانهاست.
شکل (3) نمودار جعبهای تغییرات میانگین مجموع بارش ماهانه برای شش مدل مورد مطالعه
شکل (4) نمودار جعبهای تغییرات میانگین دمای حداقل ماهانه برای شش مدل مورد مطالعه
شکل (5) نمودار جعبهای تغییرات میانگین دمای حداکثر ماهانه برای شش مدل مورد مطالعه
انتخاب مناسبترین مدل AOGCM
با مقایسه دادههای مشاهداتی و تولید شده شامل میانگین ماهانهی بارش، دمای حداقل و حداکثر توسط شش مدل مذکور با شاخصهای ذکر شده، بهترین مدل و سناریو برای تولید دادهها در دورهی آتی مشخص شد. نتایج این مقایسه در جدول 4 تا 6 ارائه شده است. از این جداول میتوان نتیجه گرفت که از بین مدلهای موجود، مدلHADCM3 تحت سناریوی A1B، بـهترین نتیجه را برای بارش و تحت سناریوی A2 بـهترین نتیجه را برای دمای حداقل و نیز مدلMPEH5 تحت سناریوی B1، بهترین نتیجه را برای دمای حداکثر پیشبینی کردهاند. با مشخص شدن بهترین مدل، دادههای بارش، دمای حداقل و دمای حداکثر تولید شده در مدلها و سناریوهای منتخب به منظور بررسی وضعیت تغییر اقلیم دما و بارش در دورهی آتی تحلیل شدند.
جدول (4) نتایج مقایسه بارش مدلهای گردش عمومی جو با دورهی پایه
|
R |
مدل |
بارش A1B |
بارش A2 |
بارش B1 |
|||
|
R2 |
RMSE |
R2 |
RMSE |
R2 |
RMSE |
||
|
1 |
GFCM21 |
935/0 |
45/5 |
933/0 |
38/5 |
92/0 |
33/5 |
|
2 |
HADCM3 |
97/0 |
5/3 |
95/0 |
15/4 |
96/0 |
7/3 |
|
3 |
INCM3 |
956/0 |
79/3 |
892/0 |
05/6 |
98/0 |
7/3 |
|
4 |
IPCM4 |
944/0 |
79/4 |
97/0 |
6/3 |
96/0 |
55/3 |
|
5 |
MPEH5 |
876/0 |
2/7 |
946/0 |
36/4 |
954/0 |
4/4 |
|
6 |
NCCCS |
93/0 |
93/4 |
949/0 |
4 |
895/0 |
74/5 |
جدول (5) نتایج مقایسه دمای حداقل مدلهای گردش عمومی جو با دورهی پایه
|
R |
مدل |
دمای حداقل A1B |
دمای حداقل A2 |
دمای حداقل B1 |
|||
|
R2 |
RMSE |
R2 |
RMSE |
R2 |
RMSE |
||
|
1 |
GFCM21 |
9996/0 |
88/0 |
9956/0 |
82/0 |
9995/0 |
9/0 |
|
2 |
HADCM3 |
9986/0 |
91/0 |
9998/0 |
09/1 |
9996/0 |
7/0 |
|
3 |
INCM3 |
998/0 |
883/0 |
9969/0 |
05/1 |
9986/0 |
85/0 |
|
4 |
IPCM4 |
9995/0 |
12/1 |
9995/0 |
87/0 |
9995/0 |
1 |
|
5 |
MPEH5 |
9996/0 |
933/0 |
9998/0 |
815/0 |
9997/0 |
93/0 |
|
6 |
NCCCS |
9994/0 |
26/1 |
9988/0 |
25/1 |
9999/0 |
24/1 |
جدول (6) نتایج مقایسه دمای حداکثر مدلهای گردش عمومی جو با دورهی پایه
|
R |
مدل |
دمای حداکثر A1B |
دمای حداکثر A2 |
دمای حداکثر B1 |
|||
|
R2 |
RMSE |
R2 |
RMSE |
R2 |
RMSE |
||
|
1 |
GFCM21 |
9995/0 |
85/0 |
9994/0 |
82/0 |
9994/0 |
88/0 |
|
2 |
HADCM3 |
9994/0 |
83/0 |
9995/0 |
99/0 |
9995/0 |
99/0 |
|
3 |
INCM3 |
9979/0 |
56/1 |
9997/0 |
03/1 |
9996/0 |
1/1 |
|
4 |
IPCM4 |
9992/0 |
1/1 |
9996/0 |
84/0 |
9996/0 |
1/1 |
|
5 |
MPEH5 |
9995/0 |
85/0 |
9993/0 |
81/0 |
9994/0 |
92/0 |
|
6 |
NCCCS |
9990/0 |
24/1 |
9949/0 |
23/1 |
9995/0 |
22/1 |
بررسی پارامتر بارندگی در دورهی آتی (2030-2011)
بارش دورهی 2030-2011 با مدل HADCM3 و با سناریو A1B تولید شد. شکل (6) مقایسهی میانگین مجموع بارش ماهانه در دورهی پایه و آتی را نشان مـیدهد. همانطور که از شکل میتوان فهمید در اکثر ماهها بارندگی دورهی آتی نسبت به دورهی پایه کاهش خواهد یافت به این صورت که بیشترین کاهش مربوط به ماههای آوریل و مه است که از لحاظ کشاورزی نیز زمان مهمی بهشمار میرود، بارش ماه ژوئیه و سپتامبر و دسامبر با شیب کمی افزایشی است. با این حال بیشترین افزایش بارش مربوط به ماه اکتبر است. در حالت کلی بارش فصول زمستان و بهار با کاهش و بارش فصل پائیز با افزایش پیشبینی شده است.
شکل (6) مقایسه میانگین بارش تجمعی ماهانه مشاهداتی دورهی پایه با محاسباتی در دورهی آتی
بررسی پارامتر دما در دورهی آتی (2030-2011)
دمای حداقل
با توجه به نتایج جدول (5) برای تولید دادههای دمای حداقل از مدل HADCM3 و سناریوی A2 استفاده شد. شکل (7) مقایسهی میانگین دمای حداقل ماهانه دورهی پایه را با دورهی آتی نشان میدهد، همانطور که از شکل میتوان فهمید در تمامی ماهها این پارامتر با افزایش پیشبینی شده است. بیشترین افزایش مربوط به ماههای ژوئیه و اوت و کمترین آن مربوط به ماه دسامبر است. میزان افزایش این پارامتر از 32/0 تا 47/1 درجه سانتیگراد در ماههای مختلف متغیر است.
شکل (7) مقایسه میانگین دمای حداقل ماهانهی مشاهداتی دورهی پایه با محاسباتی در دورهی آتی
دمای حداکثر
طبق نتایج جدول (7) برای تولید پارامتر میانگین دمای حداکثر از مدل MPEH5 تحت سناریوی B1 استفاده شد. شکل (8) مقایسهی میانگین حداکثر دمای ماهانه در طول دورهی پایه و دورهی آتی را نشان میدهد. مطابق با این شکل به جز ماه ژانویه این پارامتر در تمامی ماهها با افزایش پیشبینی شده است، بیشترین افزایش این پارامتر مربوط به ماههای مه، ژوئیه و اوت میباشد. میزان افزایش این پارامتر به جز ماه ژانویه بین 27/0 تا 98/1 درجه سانتیگراد در ماههای مختلف سال متغیر است.
شکل (8) مقایسهی میانگین دمای حداکثر ماهانه مشاهداتی دورهی پایه با محاسباتی در دورهی آتی
جدول (7) نتایج مقایسه سالانه بارش، دمای حداقل و دمای حداکثر در دورهی پایه و دورهی آتی تحت مدلها و سناریوهای منتخب را نشان میدهد. همانطور که از جدول مذکور مشهود است بارش دورهی آتی حدود 4% کاهش خواهد یافت و این در حالی است که دمای حداقل 05/1 و دمای حداکثر 87/0 درجه سانتیگراد افزایش خواهد یافت. نکته قابل توجه بر هم خوردن توزیع زمانی بارش و افزایش دما است که احتمالاً بیشتر از کاهش بارش تبعات منفی خواهد داشت.
جدول (7) مقایسهی پارامترهای بارش، دمای حداقل و حداکثر در دورهی پایه و آتی
|
میانگین سالانه دمای حداکثر (°C) |
میانگین سالانه دمای حداقل (°C) |
میانگین مجموع بارش سالانه (mm) |
|
|
55/17 |
97/4 |
332 |
دوره پایه |
|
43/18 |
02/6 |
321 |
دوره آتی |
نتیجهگیری
نتایج این مطالعه نشان داد که به علت دامنهی زیاد تغییرات خروجی مدلها و سناریوهای مختلف، در نظر نگرفتن عدم قطعیت مدلها و سناریوها میتواند تأثیر زیادی در نتایج مطالعات داشته باشد. همچنین در این مطالعه مشخص شد که مدل ریزمقیاس نمایی LARS-WG توانایی زیادی در مدلسازی دادههای بارش و دمای دورهی پایه در منطقهی مورد مطالعه را داشته است، به طوری که دادههای تابش، دمای حداقل و حداکثر کاملاً با دادههای دیدبانی شده مطابقت دارد و همچنین توانمندی مدل در مدلسازی بارش بسیار خوب و قابل قبول میباشد. در بررسی عدم قطعیت ناشی از مدلهای گردش عمومی جو و سناریوهای موجود، بهترین مدل برای پیشبینی بارش در منطقهی مورد مطالعه مدل HADCM3 تحت سناریوی A1B ، بهترین مدل برای برآورد دما مدل HADCM3 تحت سناریوی A2 و بهترین مدل برای برآورد دمای حداکثر مدل MPEH5 تحت سناریوی B1 میباشد. نتایج این مطالعه با مطالعاتی که در این زمینه انجام شده (صمدی و همکاران، 1386 و آشفته و مساح بوانی، 1388) در مورد پارامترهای بارش و دمای حداقل انطباق داشته و در تحقیق آنها نیز مدل HADCM3 بهترین برآورد را برای پارامترهای مذکور به دست آورد ولی نتایج حاصله در مورد دمای حداکثر با آنها تفاوت دارد به طوری که در تحقیق حاضر مدل MPEH5 بهترین برآورد را برای پارامتر دمای حداقل داشته است. یکی از دلایل این تفاوت را میتوان چنین عنوان کرد که هر مدل گردش عمومی برای یک منطقهی خاص بهترین برآورد را میدهد. نتایج حاصل از این تحقیق نیز استفاده از مدل HADCM3 را به عنوان بهترین مدل برای برآورد بارش و دما در منطقهی مورد مطالعه که در مطالعات قبلی نیز عنوان شده بود مورد تأکید قرار داد. با این وجود و با توجه به عدم قطعیتهای موجود به نظر میرسد برای به دست آوردن بهترین برآورد پارامترهای اقلیمی در دورهی آتی باید تا حد امکان تأثیر عدم قطعیت را بیشتر تأکید کرد و این مهم را میتوان با به آزمون گذاشتن مدلهای بیشتر در مکان و زمانهای دیگر دست یافت.
[1]- Intergovernmental Panel of Climate Change
[2]- Climate Change
3-Chiew et al.,
4- Semenov et al.,
5- Generator
6- Chiristians et al.,
7- Minville et al.,
8- General Circulation Mode
9- Daren et al.,
10- Pascual et al.,
[11]- Semenov et al.,
[12]- Racsko
2- Semenov and Barrow
[14]- Root Mean Square Error
[15]- Boxplot
)