Document Type : پژوهشی

Authors

1 Professor of climatology, university of Tabriz, Tabriz,(Corresponding Author)

2 P.H.D in climatology, University of Tabriz, Tabriz.

Abstract

Introduction
In the recent decades, the growth of the industrial activities and the increase in greenhouse gases have imbalanced the Earth's climate which is called the phenomenon of the climate change. This phenomenon directly affects the hydrological parameters. While climate change directly affects surface water resources through changes in the major long-term climate variables such as air temperature, precipitation, and evapotranspiration, the relationship between the changing climate variables and groundwater is more complicated and difficult to quantify. The large amount of water is needed in different parts of arid and semi-arid regions provided through groundwater resources. In recent decades, the quantity and quality of water resources have been reduced by unprotected exploitation. In addition, climate change and global warming increase the severity of the problem. Therefore, the predicted effects of climate change on groundwater recharge play an important role in the management of these resources in the future. In this study, Global circulation models, HadCM3 under A2 and B2 scenarios, were used for investigating the impact of climate change on groundwater recharge rates between 2017 and 2030, in the Tasouj aquifer.




Methodology
In this study, to investigate the climate change in Tasouj basin, the required data were obtained from two sources including Global model output AOGCM which was based on the HadCM3 model and the observed data of the precipitation and temperature of Tabriz synoptic station with the statistical length of 1961 to 2016. To downscale the general circulation modal, the statistical method of SDSM was used. The Hydrologic Evaluation of Landfill Performance model (HELP) simulates all of the important processes in the hydrological cycle including surface runoff, evapotranspiration, vegetative growth, soil moisture storage, and vertical unsaturated drainage for each discrete layered soil column. In general, the modeled hydrologic processes by the program can be divided into two categories of surface and subsurface processes. The modeled surface processes are snowmelt, interception of rainfall by vegetation, surface runoff, and evaporation of water. The modeled subsurface processes are evaporation of water from the soil, plant transpiration, vertical unsaturated drainage. Vegetative growth and frozen soil models were also included in the program to aid modeling of the water routing processes. The required general data included growing season, average annual wind speed, average quarterly relative humidity, monthly normal mean temperatures, maximum leaf area index, evaporative zone depth and latitude.
Result
According to the simulation of Hadcm3 model, during the period of 2017-2030, the average monthly temperature in all months of the year will increase in the studied area. The highest amount of heating in the average temperature will happen in July about 2 degree Celsius. The highest decrease in precipitation will occur in April and May about 9 mm than the base period. The highest percentage of precipitation in Tasouj basin is used for evaporation. During 14 years of the prediction, the year 2020 has the highest and the year 2029 has the lowest amount of evaporation. In terms of runoff caused by precipitation, the year 2023 with 9.69 percent of precipitation will have the highest runoff.



The lowest and highest amount of recharge will respectively happen in 2021 and 2027. The depth of water precipitation is significantly affected by soil moisture and with increasing soil moisture; the depth of water percolation to soil will decrease. The soil moisture content is negative in 2027.  Consequently, the highest amount of recharge due to precipitation will happen in Tasouj basin. In the base period, the year 1990 had lowest precipitation and the year 1963 had the highest precipitation. Due to having a negative soil moisture storage in 1990, of 148 mm of annual precipitation, about 76.28 mm was spent for recharge. The amount of runoff is almost zero in this year and the rest of precipitation is evaporated. Despite the high annual precipitation in 1963, due to the high moisture content of the soil, the amount of recharge is only 4 percent of precipitation and most of the precipitation changes to runoff and evaporation. The status of evaporation, runoff and recharge in 2022, as the forecasted most precipitation year, is similar to 1963.
Discussion and conclusion
In recent years, the climate change has led to significant changes in the weather and the condition of surface and underground water resources in different locations. The response of the groundwater resources to drought and climate change is not as rapid as that of the surface water, but considering that the renewability of these resources takes much longer than that of the surface water, the impact of long-term drought on groundwater resources is much more serious than that of the surface water resources. Therefore, the monitoring of the condition and maintenance of the sustainability of these resources is important.  In this way, by using a step by step approach, the impact of climate change on recharge, evaporate, and runoff for the 2017-2030 period was investigated and the simulation result showed that with increasing temperature and decreasing precipitation, of three parameters of evaporation, recharge, and runoff, the evaporation dominated the other parameters. But the high consumption of basin and the increase of temperature and precipitation decrease prevented Tasouj aquifer from returning to its balance. Therefore, a principle planning to control the harvest and treatment of aquifer by underground dam and artificial nourishment is necessary

Highlights

-

Keywords

 

مقدمه

منابع آب زیرزمینی از یک سو به دلیل شیرین بودن، ترکیبات شیمیایی، دمای ثابت، ضریب آلودگی کمتر و سطح اطمینان بالاتر در تأمین منابع آب به عنوان یک منبع قابل اتکاء به ویژه در مناطق خشک و نیمه­ خشک محسوب می­شود (علایی طالقانی و همکاران، 1396: 22). از مهم­ترین فاکتورهای بارش که در تغذیه مؤثرند می‌توان به مقدار، پراکنش، شدت، مدت و نوع بارش اشاره نمود. در واقع زمانی که مقدار بارش از میزان تبخیر و تعرق (در یک دوره­ی زمانی مشخص) بیشتر می‌شود، امکان تغذیه­ ی سفره ­ی آب زیرزمینی فراهم می‌گردد. تا زمانی که میزان تبخیر و تعرق در ناحیه ­ی غیراشباع بیش از بارش وارد شده به این ناحیه باشد امکان تغذیه­ ی سفره‌های آب زیرزمینی وجود ندارد. بخش قابل ملاحظه‌ای از نزولات جوی بلافاصله بعد از ریزش از طریق تبخیر و تعرق به اتمسفر برمی‌گردد (علیزاده، 1378: 103). مطالعات کمتری روی تأثیر تغییر اقلیم بر تغذیه ­ی آب زیرزمینی انجام پذیرفته و اکثر مطالعات صورت گرفته به بررسی اثرات تغییر اقلیم بر روی عناصر اقلیمی محدود می‌شود. کوهن[1] (1986) اثر سناریوهای تغییر اقلیم بر بارش و دما و در نتیجه تغییرات تراز آب دریاچه‌های بزرگ آمریکای شمالی را بررسی نمود. نتایج مطالعه نشان داد که ذخیره آب خالص دریاچه‌های بزرگ در واکنش به تغییرات اقلیمی کاهش خواهد یافت. هولمن[2] (2006) اثرات تغییر اقلیم و فعالیت‌های اقتصادی، اجتماعی بر تغذیه­ ی منابع آب زیرزمینی را در شرق انگلیس بررسی و راه کارهای مقابله با مشکلات آن را بیان داشت. نتایج نشان داد عوامل زیادی از جمله تغییرات بارش، تغییر رژیم حرارتی سیلاب‌های ساحلی، شهرسازی، ایجاد اراضی جنگلی، تغییرات کشت و شخم، آینده ­ی تغذیه­ ی منابع آب زیرزمینی را تحت تأثیر قرا می‌دهند.  یرکما و همکاران[3] (2007) با استفاده از مدل هیدرولوژیکیHELP3  اثر تغییر اقلیم را بر تغییرات مکانی تغذیه آبخوان در حوضه رودخانه­ ی گراند در انتاریوی کانادا بررسی کردند. نتایج تحقیق نشان داد که در اثر تغییر اقلیم، جریانات و حجم تغذیه­ ی آبخوان افزایش می‌یابد. ان جی و همکاران[4] (2010) به بررسی تأثیر تغییر اقلیم بر تغذیه آب زیرزمینی دشت واقع در شمال تگزاس پرداختند. محققان مذکور جهت ریزمقیاس‌نمایی آماری داده‌های اقلیمی از نرم‌افزار LARS-WG و جهت پیش‌بینی تغذیه از نرم‌افزار SWAP بهره گرفتند. نتایج نشان‌دهنده­ ی این بود که در پاسخ به تغییرات اقلیمی میزان تغذیه­ ی آب زیرزمینی بین 75- تا 35+ درصد تغییر خواهد نمود. لوما و اوکونن[5] (2014) اثرات تغییر اقلیم آینده و افزایش سطح آب دریای بالتیک را بر روی تراز آب زیرزمینی در جنوب فنلاند با استفاده از مدل [6]UZF1 همراه با مدل سه بعدی جریان آب‌های زیرزمینی (MODFLOW) بررسی نمودند. نتایج نشان داد که در دوره 2100-2071، الگوی تغذیه آب های زیرزمینی تغییر یافته و اثرات فصلی تغییر آب و هوا در تغذیه­ ی آب­های زیرزمینی به صورت سرریز سطحی و در نتیجه جاری شدن سیل در زمستان و اوایل بهار و خشکسالی در تابستان بسیار قابل توجه خواهد بود. ایرتوک و همکاران[7] (2016)  اثر تغییر اقلیم کنونی و آینده بر روی منابع آب زیرزمینی را در یک حوضه­ ی کوچک مدیترانه‌ای با مدل SWAT  ارزیابی نمودند. مطابق با نتایج به دست آمده، تقریباً همه­ ی اجزای بیلان آب کاهش یافته و انتظار می‌رود کمبود آب در آینده تبدیل به یک مسئله مهم شود. هوز و همکاران[8] (2017) به تجزیه و تحلیل تأثیر تغییر آب ‌و هوای آینده بر روی سطح آب زیرزمینی در یک حوضه ­ی آبریز در انگلستان پرداختند و نتیجه گرفتند که در اثر تغییر متغیرهای اقلیمی نظیر بارش، دما و تبخیر و تعرق، سطح آب زیرزمینی در منطقه­ ی مورد مطالعه کاهش می‌یابد. در مناطق خشک و نیمه‌خشک دسترسی به منابع آب بیشتر از طریق آب‌های زیر‌زمینی امکان‌پذیر است. اما استفاده بی‌رویه از مخازن آب زیرزمینی باعث شده است که میزان تغذیه­ ی آبخوان‌ها جوابگوی برداشت نباشد. بنابراین بررسی و پیش‌بینی وضعیت میزان تغذیه­ ی منابع آب زیرزمینی تحت تاثیر تغییر اقلیم با توجه به شکننده بودن این اکوسیستم‌ها از اهمیت دوچندانی برخوردار است. در همین راستا هدف از این تحقیق بررسی روند تغییرات بارش، تبخیر، رواناب تحت تاثیر سناریو  A و همچنین بررسی اثر تغییرات این متغیرها در میزان تغذیه آب‌های زیر‌زمینی (ناشی از بارش مستقیم) در آبخوان تسوج می‌باشد. که نتایج آن می‌تواند چراغ راهی برای کلیه ­ی برنامه‌ریزان و سیاست‌گذاران بخش آب، کشاورزی و منابع طبیعی به منظور سازگاری و مقابله با پدیده تغییر اقلیم در آینده باشد.

مواد و روش­ ها

ـ معرفی منطقه­ ی مورد مطالعه

حوضه­ ی آبریز تسوج در استان آذربایجان شرقی و در شمال دریاچه­ ی ارومیه قرار دارد. این محدوده­ ی مطالعاتی از شمال به محدوده­ ی مرند، از غرب به محدوده سلماس و از شرق به محدوده­ ی شبستر – صوفیان محدود می‌گردد. از نظر موقعیت جغرافیایی بین 45 درجه و 2 دقیقه تا 45 درجه و 32 دقیقه طول شرقی و 38 درجه و 11 دقیقه الی 38 درجه و 25 دقیقه­ ی عرض شمالی قرار گرفته است. محدوده ­ی تسوج منطقه‌ای کوهپایه‌ای-ساحلی بوده از طرف شمال در ادامه­ ی کوه‌های میشو به کوه‌های قاطر اوچان متصل بوده و از طرف جنوب هم به دریاچه­ ی ارومیه می‌رسد. مساحت حوضه ­ی آبریز تسوج حدود 559 کیلومتر مربع و وسعت آبخوان آن حدود 262 کیلومتر مربع می‌باشد (ندیری، 1392: 50).

 

 

شکل( 1) موقعیت منطقه ­ی مورد مطالعه

ـ روش کار

در این تحقیق جهت بررسی تغییر اقلیم در حوضه آبریز تسوج داده‌های مورد نیاز از دو منبع اخذ گردید: 1- خروجی مدل جهانی AOGCM که در این پژوهش از مدل HadCM3 استفاده گردید. مطابق با تحقیق صمدی و همکاران (1388) درحوضه­ ی آبریز کرخه، آشفته و مساح بوانی (1388) در حوضه­ ی آیدوغموش، گودرزی (1390) در زیرحوضه­ ی کرخه علیا و جهانبخش و همکاران (1395) در حوضه­ی شهر چای ارومیه مدلHADCM3  عملکرد بهتری نسبت به سایر مدل‌ها داشته است و از حالت افراط و تفریط به دور است. این مدل از سایت IPCC قابل دریافت می‌باشد و شامل 3 سری داده در برگیرنده­ ی سناریوهای A2 و B2 و داده‌های NCEP می‌باشد که در قالب 26 عنصر پیش‌بینی­ کننده‌ی اقلیمی ارائه گردیده است (جدول 1). 2- داده‌های مشاهده‌ای؛ که در این تحقیق داده‌های دما و بارش ایستگاه سینوپتیک تبریز با طول آماری 2016-1961 از سازمان هواشناسی اخذ ‌گردیده است.

جدول (1) متغیرهای پیش­ بینی­ کننده  (Hessami et al., 2007)

ردیف

متغیر

ردیف

متغیر

1

mslp

14

P8_f

2

P__f

15

P8_u

3

P__u

16

P8_v

4

P__v

17

P8_z

5

P__z

18

P8th

6

P_th

19

P8zh

7

P_zh

20

P500

8

P5_f

21

P850

9

P5_u

22

R500

10

P5_v

23

R850

11

P5_z

24

Rhum

12

P5th

25

Shum

13

P5zh

26

Temp

در ادامه جهت ریزمقیاس‌نمایی داده‌های مدل‌های گردش عمومی از روش آماری موسوم به مدل SDSM استفاده شـد. در مدل SDSM سه نوع داده مورد نیاز است که عبارتنـد از 1) داده‌های مشاهداتی روزانه محلی که به این متغیرها، پیش‌بینی­ شونـده‌ها[9] گفته مـی‌شود، 2) داده‌های بزرگ مقیاس NCEP و 3) داده‌های GCM در مقیاس روزانه که به این ها پیش‌بینی‌کننده‌ها[10] گفته می‌شود. در این مدل رابطه‌ی رگرسیونی بین پیش‌بینی‌کننده‌ها و پیش‌بینی‌شونده‌ها برقرار می‌شود ابتدا مدل متغیرهای پیش‌بینی ‌کننده‌ی NCEP را کالیبره کرده و آنالیز نموده و سپس بر اساس مدل ایجاد شده و پیش‌بینی‌کننده‌های GCM، پیش‌بینی‌شونده مورد نظر را شبیه‌سازی می‌نماید (صمدی و همکاران، 1388: 230).

به منظور ارزیابی و مقایسه دقت روش‌ها و سناریوهای مدل استفاده شده و شناسایی بهترین روش جهت پیش‌بینی، از معیارهای میزان واریانس تبیین شده مدل (R2)، میانگین جذر میانگین مربعات خطا  (RSME)و خطای استاندارد SE) )استفاده شد.

رابطه­ ی (1)

 

رابطه ­ی (2)

 

رابطه­ ی (3)

 

 

در روابط فوق، x داده‌ها، µ میانگین داده‌ها، σ انحراف معیار و n تعداد داده‌ها می‌باشد. اندیس p نشان­دهنده­ ی داده‌های بزرگ مقیاس (پیش‌بینی­کننده‌ها) و اندیس o بیانگر داده‌های کوچک مقیاس (پیش‌بینی­ شونده‌ها) می‌باشد. مقدار R2بیانگر ارتباط خطی بین داده‌های بزرگ مقیاس و کوچک مقیاس می‌باشد که مقدار آن بین صفر تا 1 متغیر است و هرچه به 1 نزدیک‌تر باشد، نشان دهنده رابطه قوی‌تر بین دو سری داده می‌باشد. در ارتباط با معیار RMSE آستانه خاصی تعریف نشده و هرچه مقدار آن کمتر و به صفر نزدیک باشد، نشان‌دهنده­ ی قوی بودن ارتباط است (عساکره، 1390: 125).

از جمله روش­ هایی که برای برآورد میزان تغذیه ­ی آب‌های زیرزمینی استفاده می‌شود مدل‌سازی ترکیبی است. این روش برای تحقیق اثر کاربری اراضی و تغییر اقلیم بر تغذیه آب زیرزمینی مناسب است (رضایی بنفشه و همکار، 1396: 146). از جمله مدل‌های ترکیبی، مدلHELP3[11] می­باشد. که یک مدل هیدرولوژیک دو‌‌ بعدی است که بر اساس روش موازنه آبی توسط اسکرودر و همکارانش در سال 1983 ارائه شده است. این مدل تمام فرایندهای هیدرولوژیکی سطحی و زیرسطحی را به منظور تخمین حرکت روزانه آب در زمین شبیه‌سازی می‌کند و قابلیت الحاق به سیستم اطلاعات جغرافیایی را دارد. این مدل توسط محققین مختلف به منظور بررسی تغذیه ­ی آب‌‌های زیرزمینی تحت تأثیر تغییر اقلیم مورد استفاده قرار گرفته است که از آن جمله می‌توان به مطالعات آلن و همکاران (2004)، جیرکاما و سای‌کس (2007) و آلن و تویس (2009) اشاره نمود.

در مدل هیدرولوژیکی HELP3 حرکت آب در درون خاک از یک لایه به لایه دیگر از بالا به سمت پائین ادامه می‌یابد که همراه با میزان تغییر در رطوبت خاک است. بررسی میزان تغییرات رطوبت خاک با استفاده از روش روندیابی در وسط هر بازه­ ی زمانی در هر لایه صورت می‌گیرد. این روش باعث افزایش دقت و کارآمدی بیشتر، شبیه‌سازی آب ورودی و خروجی در هر لایه می‌شود (جیرکاما و سای کس، 2007: 89). میزان آب زهکشی شده از انتهای هر لایه در هر بازه زمانی تابعی از مقدار ذخیره ­ی آب در کل بازه­ ی زمانی مورد نظر است. تغییرات ذخیره و میزان آب زهکشی شده با استفاده از روابط ذیل شبیه سازی می‌شود (آبکار، 1392: 112(.

رابطه­ ی (4)

 

رابطه­ ی (5)

 

رابطه­ ی (6)

 

DSM(j) : میزان تغییرات رطوبت در عمق j به اینچ.

DRi(j) : مقدار آب وارد شده به عمق j ازلایه­ ی بالاتر در زمان i به اینچ.

SMi(j) : میزان آب ذخیره شده در عمق j در وسط بازه زمانی i به اینچ.

ETi(j) : تبخیر و تعرق از عمق j،  در زمان i، به اینچ.

RCi(j) : جریان برگشتی وارد شده به عمق j در زمان i به اینچ.

SIi(j) : جریان زیرسطحی واردشده به عمق j در زمان i به اینچ.

 در مدل HELP پروفیل­ های خاک از بالا به پائین شماره‌گذاری می‌شوند بنابراین میزان آب وارد شده به پروفیل (1+j) برابر است با میزان آب زهکشی شده از کف پروفیل (j). این وضعیت برای کل لایه‌ها ادامه دارد (سبیک و آلن، 2007: 98).

میزان آبی که از میان خلل و فرج ذرات خاک در حالت اشباع عبور می‌کند، براساس قانون دارسی محاسبه می­گردد (اسکرودر و همکاران، 1987: 67).

رابطه ­ی (7)

 

q : دبی در واحد سطح و زمان به اینچ در روز.

K : ضریب هیدرولیکی خاک بر حسب اینچ در روز.

i : شیب هیدرولیکی بدون بعد.

h : اختلاف ارتفاع.

l : طول به اینچ در مسیر حرکت جریان.

در هنگام بارش بخشی از آن توسط شاخ و برگ گیاهان دریافت می‌شود که به گیرش گیاهی[12] معروف است. میزان گیرش گیاهی در مدل HELP از رابطه ­ی ذیل محاسبه می‌شود (بیگی، 1388: 99):

 

رابطه ­ی (8)

 

که:

INTi : مقدار بارش جذب شده توسط گیاه در روز i به اینچ.

INTmaxi : حداکثر مقدار گیرش گیاهی در روز i به اینچ.

Ri : مقدار بارش در روز i به اینچ.

میزان تعرق توسط گیاهان یا EPo زمانی­که درجه حرارت بیش از 32 درجه فارنهایت یا صفر درجه سیلیسوس می‏باشد و خاک هم یخ­زده نباشد. از رابطه­ ی ذیل محاسبه می‌گردد (اسکرودر و همکارن، 1987: 99):

رابطه­ ی (9)

 

خلاصه‌ای از داده‌های مورد نیاز این برنامه در جدول (2) آورده شده است.

جدول (2) خلاصه‌ای از پارامترهای ورودی مدل HELP3(میکو و همکاران،2007)

پارامتر

واحد

قیود

بارش روزانه

میلی­متر در روز

P

میانگین دمای روزانه

درجه سلسیوس

-

تابش خورشیدی روزانه

کیلو ژول برمترمربع

 

متوسط سرعت سالانه باد

کیلومتر بر ساعت

 

رطوبت نسبی سه ماهه اول، دوم، سوم و چهارم

درصد

 

روز شروع و اتمام فصل رشد

تاریخ ژولین

 

عمق منطقه تبخیری

سانتی­متر

 

شاخص سطح برگ

-

 

ادامه ­ی جدول (2) خلاصه‌ای از پارامترهای ورودی مدل HELP3(میکو و همکاران،2007)

پارامتر

واحد

قیود

عدد منحنی رواناب

-

100≥𝐶𝑁≥0

عمق لایه خاک

سانتی­متر

خاک ستون کل عمق≥𝐻≥0

بافت خاک

-

 

تخلخل کل

حجم بر حجم

100≥∅≥𝐹𝐶

ظرفیت زراعی زمین

حجم بر حجم

∅≥𝐹𝐶≥𝑊𝑃

نقطه پژمردگی

حجم بر حجم

𝐹𝐶≥𝑊𝑃≥0

هدایت هیدرولیکی اشباع

سانتی­متر بر ثانیه

𝐾𝑆≥0

رطوبت اولیه خاک

حجم بر حجم

-

عرض جغرافیایی

درجه

90≥𝐶𝑁≥−90

شیب

درصد

𝑆≥0

طول شیب

متر

𝐿≥0

در یک نگاه کلی در مدل HELP3، میزان رواناب با روش سازمان حفاظت خاک آمریکا، تبخیر و تعریق براساس روش اصلاح شده پنمن مونتیث، میزان تبخیر از درون خاک با روش‌ اصلاح شده آرنولد و همکاران، تعرق توسط گیاه با استفاده از روش ریتچی، نیاز آبی رشد گیاه با روش آرنولد، تبخیر ازگیرش گیاهی براساس روش هورتون، میزان تبخیر، ذوب و انباشت برف بر اساس روش SNOW-17 مرکز ملی پیش‌بینی سیستم رودخانه‌ای آمریکا، یخ‌زدگی آب در درون خاک بر اساس مدل کنیسل و همکاران، حرکت عمودی آب در درون خاک براساس قانون دارسی و در نهایت جریان‌های زیرقشری براساس روش دوپویی–فروشهایمر محاسبه می‌شود (به منظور جلوگیری از اطاله­ ی متن مقاله از آوردن فرمول‌ها امتناع گردید). کلیه­ ی این مراحل با محاسبه­ ی بیلان آب در سطح زمین شروع می‌شود و با محاسبه­ ی میزان آب خارج شده از انتهای ستون خاک خاتمه می‌یابد. محاسبات به طور متوالی برای هر روز صورت می‌گیرد. در نهایت برای کل دوره ­ی فرآینده‌های مذکور شبیه‌سازی می‌شود.

 

بحث و نتایج

از آنجایی که 26 متغیر پیش‌بینی‌کننده می‌توانند روابط مختلفی با پیش‌بینی­ شونده داشته باشند، لذا متغیری اهمیت دارد که اولاً بتواند روند قابل قبولی با داده­ های کوچک ‌مقیاس منطقه در دوره­ ی مشاهداتی داشته و ثانیاً مدل گردش عمومی،آن متغیر را به خوبی در دوره مشاهداتی شبیه‌سازی کرده باشد (صمدی و همکاران، 1388: 59). از این رو متغیرهایی برای انجام ریزمقیاس‌ نمایی حائز اهمیت هستند که دارای بالاترین ضریب همبستگی و پایین‌ترین مقدار واریانس خطا باشند. پس از انتخاب این متغیرها می‌توان از آنها برای ریز‌مقیاس کردن داده‌های دما و بارش استفاده کرد. بدین منظور بین متغیر پیش‌بینی­ شونده (دما و بارش) و متغیرهای پیش‌بینی­ کننده ­ی روابط همبستگی برقرار گردید که نتایج آن در جدول (3) نشان داده شده است.

جدول (3) نتایج مدل SDSM برای دما و بارش با استفاده از پیش‌بینی­ کننده‌های NCEP برای دوره ­ی پایه (1990-1961) در ایستگاه تبریز.

ایستگاه تبریز

پیش‌بینی­ کننده‌ها و ضریب همبستگی آنها

دما

1

5

21

26

91/0-

92/0

90/0

96/0

بارش

1

12

23

24

39/0-

35/0

32/0

30/0

مطابق با جدول 3 در مدل HadCM3، برای پارامتر دما از بین 26 متغیر پیش‌بینی کننده، متغیرهای شماره 1، 5، 21 و 26 یعنی میانگین فشار سطح دریا (mslp)، تاوائی در سطح 1000 هکتوپاسکال (P__z)، ارتفاع ژئوپتانسیل در سطح 850 هکتوپاسکال (P850) و متوسط دما در ارتفاع 2 متری (Temp) و برای پارامتر بارش متغیرهای شماره ­ی 1، 12، 23 و 24یعنی میانگین فشار سطح دریا (mslp)، جهت جریان در 500 هکتوپاسکال (P5th)، رطوبت نسبی یا ویژه در 850 هکتوپاسکال (R850)، رطوبت نسبی یا ویژه در 1000 هکتوپاسکال (Rhum) جزو مهم‌ترین پیش‌بینی کننده‌های منتخب می‌باشند.

در جدول (4) نتایج مدل SDSM برای دما و بارش با استفاده از پیش‌بینی­ کننده‌های NCEP در منطقه آورده شده است. با توجه به جدول (4) مقایسه شاخص‌های RMSE و SE برای مدل HadCM3در شبیه‌سازی دما و بارش حاکی از این است که مدل  HadCM3 پارامتر مذکور را در منطقه با عملکرد مناسب‌تری شبیه‌سازی می‌کند.

جدول (4) مقادیر RMSE و SE برای دمای حداقل در ایستگاه تبریز بر اساس پیش‌بینی­ کننده ­های NCEP در دوره­ ی تنظیم (1975-1961) و ارزیابی (1990-1976) در منطقه

ایستگاه

تبریز

RMSE

SE

دوره­ ی تنظیم

دوره­ ی ارزیابی

دوره­ ی تنظیم

دوره­ ی ارزیابی

دما

088/0

248/0

20/2

88/1

بارش

035/0

313/0

5/2

78/1

           

شکل (2) میانگین دمای مشاهداتی و مدل شده را طی دو دوره تنظیم و ارزیابی در ایستگاه­ تبریز نشان می‌دهد. همان­گونه که از نمودارها استنباط می‌شود بیشترین اختلاف بین داده‌های مشاهداتی و مدل شده طی دوره ­ی تنظیم و ارزیابی مربوط به ماه جولای به ترتیب به میزان 4/0 و 6/0درجه سانتی­گراد می‌باشد. در شکل (3) بیشترین اختلاف بین داده‌های مشاهداتی بارش و مدل شده طی دوره­ی تنظیم و ارزیابی به ترتیب مربوط به ماه­ های سپتامبر و جولای به میزان 7/1 و 6/1میلی‌متر می‌باشد.

پس از تنظیم و ارزیابی نحوه­ ی عملکرد مدل، تغییرات دما و بارش برای دوره­ ی (2030-2017) شبیه‌سازی شد. مطابق با شبیه‌سازی مدل HadCM3 طی دوره­ ی شبیه‌سازی شده، میانگین دمای ماهانه در تمام ماه‌های سال در منطقه­ ی مورد مطالعه افزایش خواهد یافت. بیشترین میزان گرمایش در نمایه متوسط دما مربوط به ماه جولای به میزان 2 درجه سانتی‌گراد است. بالاترین میزان کاهش بارش هم در ماه­های آوریل و می به میزان 9 میلی‌متر نسبت به دوره­ ی پایه خواهد بود.

 

شکل (2) مقایسه­ ی متوسط ماهانه دمای مشاهداتی و شبیه‌سازی شده با مدل HadCM3 در دوره ­ی تنظیم (1975-1961) و ارزیابی (1990-1976).

 

شکل (3) مقایسه­ ی متوسط ماهانه ­ی بارش مشاهداتی و شـبیه­ سازی شده با مدل HadCM3 در دوره­ ی تنظیم (1975-1961) و ارزیابی (1990-1976)

 

شکل (4) پیش‌بینی ماهانه ­ی دما و بارش برای دوره ­ی 2030-2017 با استفاده از مدل HadCM3 و سناریوی A2

بر اساس جدول (5) بیشترین درصد بارندگی در حوضه­ ی آبریز تسوج صرف تبخیر و تعرق می‌شود. در طول 14 سال مورد پیش‌بینی سال 2020 بالاترین درصد و سال 2029 کمترین درصد تبخیر از بارش را به خود اختصاص داده­اند. از نظر رواناب ناشی از بارش نیز سال 2023 با اختصاص 69/9 درصد از بارش بیشترین میزان رواناب را خواهد داشت. کمترین میزان تغذیه به سال 2021 و بیشترین آن به سال 2027 اختصاص دارد.

عمق نفوذ آب باران به طور معنی‌داری تحت تأثیر رطوبت اولیه خاک قرار دارد و با افزایش رطوبت اولیه خاک، عمق نفوذ آب به خاک کاهش می‌یابد. مشاهده می‌شود که در سال 2027 میزان رطوبت اولیه خاک منفی می‌باشد، لذا در این سال در دشت تسوج بیشترین میزان تغذیه­ ی ناشی از بارش اتفاق خواهد افتاد.

جدول(5) اجزاء موازنه آبی بر اساس درصد از بارندگی برای سال­ های 2030-2017 تحت سناریوی A2

تغییر در ذخیره رطوبت خاک

تغذیه

تبخیر و تعرق

رواناب

سال

20/11

71/8

54/79

56/0

2017

74/15

54/11

14/72

57/0

2018

66/11

42/13

90/72

01/2

2019

43/2

74/11

01/81

82/4

2020

25/10

7

83/77

93/4

2021

79/15

30/8

50/70

42/5

2022

70/7

37/13

23/69

69/9

2023

89/3

86/17

96/73

29/4

2024

55/13

43/8

05/77

97/0

2025

79/15

30/8

49/70

42/5

2026

12/1-

22/19

64/77

25/4

2027

89/3

86/17

96/73

29/4

2028

95/16

88/13

48/61

70/7

2029

71/1

77/14

02/79

50/4

2030

در دوره­ ی پایه، سال 1990 کم بارش‌ترین و سال 1963 پربارش‌ترین سال می‌باشد.

شکل (5) میزان بارش، تغذیه، رواناب و تبخیر را برای دو سال مذکور نشان می‌دهد. در سال 1990 به دلیل منفی بودن پارامتر ذخیره­ ی رطوبت خاک، از 148 میلی‌متر بارش سالانه حدود 28/76 میلی‌متر آن صرف تغذیه شده است. میزان رواناب ناشی از بارش تقریباً در این سال معادل صفر می‌با‌شد و بقیه بارش صرف تبخیر شده است. در سال 1963 علی‌رغم بارش سالانه بالا، به دلیل بالا بودن ذخیره­ ی رطوبت خاک، میزان تغذیه تنها 4 درصد بارش می‌باشد و بیشتر سهم بارش صرف تبخیر و رواناب شده است. 

 

 

شکل (5) برآورد بارش، تبخیر، رواناب و تـغذیه­ ی ناشی از بارش بـرای کم و پربارش­ترین  سال­ های دوره ­ی پایه

سال 2024 به عنوان کم بارش‌ترین سال در بین سال‌های مورد پیش‌بینی است از 149 میلی‌متر بارش سالانه حدود 74 درصد آن صرف تبخیر خواهد شد. تغییر در ذخیره ­ی رطوبت خاک حدود 89/3 درصد از بارش را شامل می‌شود. در این سال 86/17 درصد از بارش صرف تغذیه خواهد شد. در بین 14 سال مورد پیش‌بینی سال 2022 دارای بارش بیشتری خواهد بود اما مقدار بالایی از این بارش صرف تبخیر و رواناب خواهد شد. همچنین به دلیل رطوبت اولیه بالاتر خاک در سال 2022 سهم تغذیه از بارش نسبت به سال 2024 کمتر خواهد بود. در هر دو سال 2022 و 2024 ماکزیمم تغذیه و رواناب به ترتیب در ماه دسامبر و مارس حادث خواهد شد (شکل6). در شکل (7) نیز تغییرات روزانه بارش، رواناب، تغذیه و تبخیر به صورت تجمعی برای دو سال 2022 و 2024 نشان داده شده است. همانطور که شکل نشان می‌دهد میزان تغذیه­ ی تجعی در سال 2024 برابر با 11/29 میلی‌متر است که حدود 15/10 میلی­متر بیشتر از سال 2022 می­باشد.

 

 

شکل (6) برآورد بارش، تـبخیر، رواناب و تغذیه­ ی ناشی از بارش برای کم و پربارش­ترین سال­ های دوره ­ی 2030-2017 

 

شکل (7) نتایج تجمعی روش موازنه آبی بر اساس داده­ های روزانه

بر اساس تـحقیقات مـختلف بین رواناب و تغذیـه و رطـوبت اولیه خـاک رابطه­ ی معنی‌داری وجود دارد. با افزایش مقدار رطوبت اولیه، تولید رواناب افزایش قابل توجهی پیدا می‌کند و میزان تغذیه کاهش می‌یابد. همانطور که شکل 8 نشان می‌دهد علی‌رغم بارش بالا در سال 1963 میزان تغذیه به جز ماه نوامبر در تمامی ماه‌ها کمتر از سال 1990 می باشد. در واقع می­توان گفت که در سال 1963 بیشتر مقدار بارش صرف تبخیر و رواناب شده است. شکل (9) اجزاء موازنه آبی را برای سال 2022 نسبت به سال 2024 نشان می دهد. همانند پرباران‌ترین و کم‌بارن‌ترین دوره پایه در این دو سال مورد بررسی نیز علی‌رغم مقدار بالای بارش در سال 2022 حدود هفت ماه از سال میزان تغذیه نسبت به سال 2024 کمتر می‌باشد. به جز ماه‌های ژانویه، می و دسامبر بارش در تمامی ماه‌های 2022 بیشتر از سال 2024 می‌باشد. اما مقدار رواناب در سال 2022 بر رواناب سال 2024 فزونی دارد. به دلیل وجود آب بیشتر در سیستم به غیر از ماه می میزان تبخیر در سال 2022 در تمامی ماه‌ها بیشتر از سال 2024 می باشد.

 

شکل (8) مقایسه ­ی مقادیر میانگین ماهانه­ ی بارش، تبخیر و تعرق، رواناب و تغذیه­ ی سال 1963 نسبت به سال 1990

 

شکل (9) مقایسه­ ی ­مقادیر میانگین ماهانه­ ی بارش، تبخیر و تعرق، رواناب و تغذیه ­ی سال 2022 نسبت به سال 2024

نتیجه­ گیری

همانطور که اشاره شد بحث بررسی اثرات تغییر اقلیم بر منابع آب سطحی و زیرزمینی در کشور ایران از اهمیت زیادی برخوردار است. بخصوص با توجه به اینکه تمرکز بسیاری از مصارف کشور بر پایه­ ی استحصال آب زیرزمینی بوده و رشد روزافزون این مصرف، آبخوان‌ها را با مشکل جدی مواجه نموده است. در سال آبی 94-93 میزان تخلیه از چاه ­های عمیق و نیمه عمیق در حوضه­ ی آبریز تسوج جهت استفاده در شرب 36/1023 هزار متر مکعب، صنعت 28/51 هزار متر مکعب و کشاورزی 14940 هزار مترمکعب بوده است که بر اساس این آمار ماکزیمم برداشت از آب­ های زیرزمینی حوضه­ ی آبریز تسوج به کاربری کشاورزی اختصاص دارد. لیکن مصارف بالای حوضه در کنار افزایش دما و کاهش بارش اجازه بازگشت آبخوان تسوج به تراز متعادل خود را نمی‌دهند. تغییر در میزان بارندگی و کاهش یا افزایش دمای یک منطقه در درازمدت باعث می­گردد اقلیم منطقه تغییر نموده و نوع پاسخ هیدرولوژیکی منطقه به این تغییرات نیز، تغییر نماید. افزایش دما و نیاز بیشتر گیاهان به آب و همچنین بالا رفتن مصارف شرب، عمومی و صنعتی انسان باعث گردیده، بهره‌برداری از منابع آب افزایش یابد. در این راستا با استفاده از یک رویکرد گام به گام مدل­سازی و شبیه‌سازی، تاثیر تغییر اقلیم بر روی تغذیه، تبخیر و رواناب در دوره­ ی آینده نزدیک بررسی شده و مشخص گردید که با روند افزایشی دما و کاهش بارش در بین سه پارامتر تبخیر، تغذیه و رواناب مقادیر تبخیر بر مقادیر دو پارمتر دیگر غالبیت خواهد داشت. با توجه به اینکه در این حوضه میزان تغذیه ناشی از بارش به صورت تخمینی محاسبه می‌شد لذا در این مطالعه سعی شد با در نظر گرفتن کلیه فاکتورهای مؤثر بر تغذیه، اعم از اقلیمی، پوشش گیاهی، ویژگی­ های خاک و شرایط منطقه ­ی غیراشباع، میزان تغذیه­ ی ناشی از بارش محاسبه و برای آینده پیش‌بینی شود. نتایج این مطالعه با مطالعات صورت گرفته مختلف همسویی دارد از جمله حاجی مرادی و گندم کار (1390) نیز در بررسی افت سطح ایست ابی آبخوان دشت لنجانات اصفهان نشان دادند که افت سطح ایستابی، در نتیجه کاهش میزان تغذیه­ ی ناشـی از بارش‌های جوی و منابع سطحی و همچنین به طور غیرمستقیم، از طریق افزایش دما و تبخیر وتعرق رخ می‌دهد. عطایی (1390) نوسانات بارش و تبخیر را در نوسانات تراز آبخوان دهگلان مهم معرفی نموده است. خورانی (1393) نقش کاهش بارندگی را در افت سطح ایستابی 40 حلقه چاه دشت داراب موثر دانسته است. با توجه به نتایج مستخرج از این مقاله خلاء این گونه مطالعات جامع از مدل­ سازی در شرایط اقلیمی خشک و نیمه­ خشک که در مناطق مختلفی از ایران حاکم است، دیده می شود.

 



[1]- Cohen

[2]- Holmen

[3]- Jyrkama et al.,

[4]- NG et al.,

[5]- Luoma & Okkonen

[6]- Unsaturated-Zone Flow

[7]- Ertürk et al.,

[8]- House et al.,

[9]- Predictands

[10]- Predictors

1- Hydrologic Evaluation of Landfill Performance Model

[12]- Interception

 

References
-Abkar, A., (2013), The impact of climate change on spatially varying groundwater recharge (Case Study: Plain of Kerman), PhD Thesis on Watershed Management, Faculty of Natural Resources, Mazandaran University.
-Allen, D.M., D.c., Wei, M., (2004), Groundwater and climate change: a sensitivity analysis for the Grand Froks aquifer, southern British Columbia, Canada, Hydrogeology, Vol.12, No. 3, PP.270-290.
-Allen, D.M, Michael W. Toews., (2009), Evaluating different GCMs for Predicting spatial recharge in an irrigated arid region, Hydrology, Vol. 374, No. 3-4, PP.265-281.
-Ashofteh, P, Massah, A.R., (2009), Uncertainty of Climate Change Impact on the Flood Regime Case Study: Aidoghmoush Basin, East Azerbaijan, Iran, Iranian Water Resources Research, Vol. 5, No. 2, PP.27-39.

-Alizadeh, A., (1999), Principles of Applied Hydrology, Forty-second Edition, Astan Ghods Razavi.

-Attai, H., Ghaderi, N., Ghaderzadeh, H., (2011), Investigating the Relationship between Climate Fluctuations and Dehgolan Aquifer, Geographical Research, Vol. 26, No. 103, PP.187-208.

-Alaei Taleghani, M., Shafiei, N., Rajabi,M., (2018), The Effect of Geomorphologic Factors on Feeding Underground Water Resources in Kermanshah Meyandareh Plain, , Hydrogeomorphology, Vol. 4, No. 13, PP.21-41.
-Beigi, E., (2009), Study of Climate Change Impacts on Temporal and Spatially Varying Groundwater Recharge (Case Study: Karkheh River Basin), Master’s thesis in Water Engineering, Faculty of Civil Engineering, Sharif University of Technology.
-Cohen, S.J., (1986), Impacts of CO2-induced Climatic change on water resources in the Great Lakes Basin, Climatic Change, vol. 8, No. 2, PP.135-153.
-Ertürk, A., Ekdal, A., Gürel, M., Karakaya, N., Guzel, C., Gönenç, E., (2016), Evaluating the impact of climate change on groundwater resources in a small Mediterranean watershed, Scince of the Total Environment, vol. 499, No. 15, PP.437-47.
-Goodarzi, M., (2011), Evaluation of the Impacts of Climate Change on Surface Water Resources: A Case Study Sub basin of Upper Karkhe, PhD Thesis in Natural Geography, Climatology, Faculty of Geography, University of Tabriz.
-Hajimoradi, E., Gandomkar, A., (2011), Investigation of climatic fluctuations on water level fluctuations in Lanjanat aquifer of Isfahan. 4th Iranian Water Resources Management Conference, Amir Kabir University of Technology, Tehran.
-House, A., Acreman, M., Sorensen, J., Thompson, J., (2017), Hydroecological impacts of climate change modelled for a lowland UK wetland, Geophysical Research Abstracts, Vol. 17, PP.2015-4671.
-Holman, I.P., (2006), Impacts climate change on groundwater recharge-uncertainty, shortcomings, and the way forward,Hydrogeology,Vol. 14, No. 5, PP. 637–647.
-Jykama, M.I., Sykes, J.F., (2007), The impact of climate change on spatially varying groundwater recharge in the Grand River watershed (Ontario), Hydrology, Vol. 338, No. 3-4, PP. 237-250.
-Jahanbakhsh Asl, S., Khorshiddoost, A.L., Aliinejad, M. H., Pour-Asghar, F., (2016), Impact of Climate Change on Precipitation and Temperature by Taking the Uncertainty of Models and Climate Scenarios (Case Study: Shahrchay Basin in Urmia), Hydrogeomorphology, Vol. 2, No. 7, PP.107-122.
-Khorani, A., Khajeh, M., (2014), Investigation of Concurrency Drought trend and Groundwater Level Decline (Case Study: Darab Plain), Journal of Space Planning and Preparation, Vol. 18, No. 2, PP. 57-79.
-Luoma, S., Okkonen, J., (2014), Impacts of Future Climate Change and Baltic Sea Level Rise on Groundwater Recharge, Groundwater Levels, and Surface Leakage in the Hanko Aquifer in Southern Finland. Water, Vol. 6, No. 12, PP. 3671-3700.
-Mikko, I. , Jyrkam, J. Sykes, F., ( 2007), The impact of climate change on spatiallyvarying groundwater recharge in the grand river watershed Ontario, Hydrology., Vol. 338, No. 12, PP.237– 250.
-NG, G.H.C., McLaughlin, D., Entekhabi, D., Scanlon, B.R., (2010), Probabilistic analysis of climate change on groundwater recharge, Water Resources Research, Vol. 46, No. 7, PP.1-18.

-Naderi, A., (2013), Comparison of Numerical Models and Artificial Intelligence Performance in Water Management (Case Study: Tasouj Plain), PhD Thesis, Faculty of Natural Sciences, Tabriz University.

-Rezaei Banafsheh, M., Jalali Ansaroodi, T., (2017), Evaluationofclimate change impactsonGroundwater levelin Tasuj Basin, , Journal of Geography and Planning, Vol. 21, No. 60, PP.143- 160.
-Samadi, Z., Masah Bouvani, A., Mahdavi, M., (2009), Selection of Predictive Variables to Statistically Scale Temperature and Rainfall Data in Karkheh Watershed, Fifth National Conference on Watershed Management Science and Engineering of Iran (Stable Management of natural disasters). 2 and 3 May 2009, Gorgan University.
-Samadi Nasgab, S., Mohammad KhorshidDost, A., Habibi Nokhandan, M., Zabal Abbasi, F., (2011), Using SDSM Model to Downscaling Precipitation and Temperature GCM Data: Case Study for Station Climate Predictions over Iran, Journal of Climate Research, Vol. 2, No. 5, PP.448-461.
-Scibek, J., Allen, D.M., (2007), Modeled impacts of predicted climate change on recharge and groundwater levels. Water Resources Research., Vol. 42, No.11, PP.1- 18.
-Schroeder, P.R., and Peyton, R.L., (1987), Verification of the hydrologic evaluation of landfill performance (HELP) model using field data, Technical Resource Document, EPA 600/2‑87‑050, US Environmental Protection Agency, Cincinnati, OH.