• Home
  • Evaluation of climate changes in wetland ecosystems using GCM model, Case Study: Alagol, Ajigol, and Almagol wetlands, Golestan province

Share To

Article Url


Manuscript ID : 1403080648398 Visit : 402 Page: 111 - 128

Article Type: Original Research

Evaluation of climate changes in wetland ecosystems using GCM model, Case Study: Alagol, Ajigol, and Almagol wetlands, Golestan province

Subject Areas : natural geography

saleh arekhi 1 * , Abolghasem Mamashli 2 , Adolhafez Panahi 3 , Somaye Emadoddin 4

1 - Associated Professor, Department of Geography, Faculty of Human Sciences, Golestan University, Gorgan, Iran
2 - Master's degree in Geographical Information System, Department of Civil Engineering, Non-Profit-Non-Governmental Institute, Gorgani Lamai, Gorgan, Iran
3 - PhD in Meteorology - General Department of Meteorology of Golestan Province, Golestan, Iran
4 - Assistant Professor, Department of Geography, Faculty of Human Sciences, Golestan University, Gorgan, Iran

Received: 2024-10-28 Accepted : 2025-02-03 Published : 2025-01-12

Keywords: Climate Change, Modeling, LARS-WG Model, Alagol Wetland, Almagol Wetland, Ajigol Wetland,

Abstract :

 Research over recent years has shown that climate change exerts varying effects on climatic and hydrological components. Scientific findings indicate that the impacts of climate change will become more pronounced in the future; therefore, analyzing and predicting these changes is of significant importance. This study, given its subject and nature, is a descriptive-analytical and applied research with an emphasis on quantitative methods, conducted using the General Circulation Model (GCM). To achieve the study objectives—including modeling climate change in the Alagol, Ajigol, and Almagol wetlands—data from the Incheh-Borun meteorological station were used. This station provides 20 years of monthly and annual average precipitation and temperature data (2001–2020). Forecasting of precipitation and temperature was carried out using outputs from the HadCM3 model in this study. The simulated average precipitation data, obtained from HadCM3 and downscaled in LARS-WG under the SRA1B scenario, were used to generate synthetic data for the future period (2021–2050) based on three IPCC-approved scenarios: B1 (optimistic), A2 (pessimistic), and A1B (moderate). To determine the best interpolation method, statistical indicators such as RMSE, ME, and MSE were applied. One of the most effective strategies in data weighting is the application of quantitative and mathematical techniques. According to the study results, the homogeneity tests demonstrated a high level of consistency. When trend analysis indicated a statistically significant trend in the time series, the homogeneity tests confirmed the non-homogeneity of those series. The precipitation series at Incheh-Borun station showed a generally decreasing trend, while both maximum and minimum temperatures exhibited increasing trends.

References:

1. آرخی، صالح. گرکز، سمیرا. و عمادالدین، سمیه. 1402. پهنه‌بندی خطر سیلاب تحت تاثیر تغییرات اقلیمی با استفاده از مدل هیدرولوژیکی SWAT در محیطGIS (مطالعه موردی: حوضه آبخیز قره‌سو، استان گلستان). پژوهش‌های تغییرات آب و هوایی، 4(14)، 1-26.
2. پناهی، عبدالحافظ. جانباز قبادی، غلامرضا. متولی، صدرالدین. و خالدی، شهریار. 1402. سنجش و پیش‌بینی پتانسیل وقوع سیلاب تحت شرایط تغییر اقلیم (مطالعه موردی: حوضه آبخیز گرگانرود). مطالعات جغرافیایی نواحی ساحلی، 4(2)، 45-61.
3. پناهی، عبدالحافظ. جانباز¬قبادی، غلامرضا. متولی، صدرالدین. و خالدی، شهریار. 1402. پیش‌بینی و پهنه¬بندی پتانسیل وقوع سیلاب برحسب الگوریتم‌های تغییر اقلیم (مطالعه موردی: حوضه آبخیز گرگانرود). جغرافیا ( فصلنامه علمی انجمن جغرافیایی ایران)، 21(78): 109-134.
4. حاجی¬وندپایداری، سمیه. یزدان¬پناه، حجت¬اله، و اندرزیان، سیدبهرام. 1401. بررسی اثرات منطقه‌ای پدیده تغییر اقلیم در شمال استان خوزستان با بهره¬گیری از مدل HadCM3 تحت ریزمقیاس نمایی LARS-WG در دوره آماری 2030-2010 و 2050-2030. جغرافیا و روابط انسانی، 5(1) 299-314.
5. رحیمی¬بلوچی، ل. و ملک¬محمدی، ب. 1390. ارزيابي ريسك¬هاي محيط زيستي تالاب بين¬المللي شادگان بر اساس شاخص¬هاي عملكرد اكولوژيكي. مجله محیط¬شناسی، سال سی¬و¬نهم، شماره 1، 112-101
6. ضیایی، نوید. اونق، مجید. عسگری، حمیدرضا، مساح¬بوانی، علیرضا. سلمان¬ماهینی، عبدالرسول. و حسین‌علیزاده، محسن. 1398. پیش‌بینی متغیرهای اقلیمی دوره‌‌های آتی با کاربرد مدل HadCM3 و سناریوهای اقلیمی، مطالعه موردی: ایستگاه‌های سینوپتیک منتخب حوضه حبله‌رود. مهندسی و مدیریت آبخیز، 11(3)، 771-783.
7. کرمی، رقیه. رضائی، حسن. سلما¬ن¬ماهینی، عبدالرسول. و قربانی¬نصرآبادی، خلیل. 1401. ارزیابی تغییرات اقلیمی در حوضه تالاب بین‌المللی هامون با استفاده از مدل‌ LARS-WG6.، مخاطرات محیط طبیعی، 11(31)، 107-122.
8. کاظمی¬نیا، علیرضا. 1396. کاربرد سنجش‌از دور و GIS در بررسی پوشش گیاهی. نشریه علمی ترویجی مهندسی نقشه¬برداری و اطلاعات مکانی، 9(1): 75-86.
Bussi, G., Whitehead, P., Thomas, A., Masante, D., Jones, L., Cosby, J.R., Bernard, E., Bridget, M.S., Prudhomme, C. and Prosser, H. (2017). Climate and land-use change impact on faecal indicator bacteria in a temperate maritime catchment (the River Conwy, Wales).
Henareh Khalyani, A., Gould, W., Harmsen, E., Terando, A., Quinones, M. and Collazo, J. (2015). Climate change implications for tropical islands: Interpolating and interpreting statistically downscaled GCM projections for management and planning. J. Appl. Meteor. Climatol.
Kim, K.G., Lee, H. and Lee, D.H. (2011). Wetland Restoration to Enhance Biodiversity in Urban Areas-A Comparative Analysis. Landscape Ecol Eng. 7: 27-32
Lemley, A.D. (1997). Risk assessment as an environmental management tool: consideration for freshwater wetlands. Environmental Management. 47:117-134.
McKee, T., Doesken, B., Nolan, J. and Kleist, J.( 1993). The relationship of drought frequency and duration to time scales. Paper presented at the Proceedings of the 8th Conference on Applied Climatology. Decision Making and Geographic Information System.
Mertz, O., Mbow, C., Reenberg, A. and Diouf, A. (2009). Farmers’ perceptions of climate change and agricultural adaptation strategies in Rural Sahel, Environmental Management, 43, 804-816.
Shrestha, S. and Lohpaisankrit, W. (2017). Flood hazard assessment under climate change scenarios in the Yang River Basin, Thailand. International Journal of Sustainable Built Environment. Dec 1;6(2):285-98.
Semenov, M.A.( 2008). Simulation of extreme weather events by a stochastic weather generator. Climate Research, 35, 203-212.14.
Semenov, M.A., Brooks, R.J.,( 1998). Comparison of the WGEN and LARSWG stochastic weather generators for diverse climates. Climate Research, 10: 95-107.
Semenov, M.A., Barrow, E.M. (2002). LARS-WG A stochastic weather generator for use in climate impact studies. User Manual, Version 0/3: 28
National environment council for sustainable development, Sustainable wetland management in the face of climate risks in Niger: the case of la mare de tabalak. (2013).
International institute for sustainable development (IISD), UNDP.Ramsar Convention Secretariat. (2007). Ramsar Handbooks for the Wise Use of Wetlands.3rd edn. Ramsar Convention Secretariat: Gland, Switzerland.
Full-Text:


صالح آرخی1 *، ابوالقاسم ممشلی2‌، عبدالحافظ پناهی3، سمیّه عمادالدین4 

1*، حامد کیومرثی2

 

سید عطااله حسینی11، خلیل محمدی‌فیروز 2

 

1-       دانشیار، گروه جغرافیا، دانشکده علوم انسانی، دانشگاه گلستان، گرگان، ایران

2-       دانش آموخته کارشناسی ارشد، مهندسی نقشه‌برداری، موسسه غیر انتفاعی- غیردولتی لامعی گرگانی، گرگان، ایران

3-       دکتری تخصصی آب وهواشناسی –اداره کل هواشناسی استان گلستان،گلستان،ایران

4-       استادیار، گروه جغرافیا، دانشکده علوم انسانی، دانشگاه گلستان، گرگان، ایران

چکیده

اطلاعات مقاله

  تحقیقات پژوهشگران طی سالهای گذشته نشان می­دهد که تغییرات اقلیمی اثرات متفاوتی بر روی مولفه‌های اقلیم و مولفه­های هیدرولوژیکی دارد. نتایج یافته­های دانشمندان گویای این نظر است که وقوع تغییرات اقلیمی در آینده نمود بیشتری خواهد داشت، لذا تحلیل و پیش­بینی تغییرات اقلیمی از اهمیت ویژه­ای برخوردار است. پژوهش حاضر، با توجه به ماهيت مسئله و موضوع مورد بررسی، از نوع توصيفي­تحليلي است و از نوع مطالعات کاربردی با تأکید بر روش‌های کمی است که با استفاده از مدل GCM انجام گرفت. به‌منظور اجرای اهداف در نظر گرفته شده، شامل: مدل­سازی تغییر اقلیم  تالاب­های آلاگل، آجی­گل و آلماگل از آمار ایستگاه هواشناسی ایستگاه اینچه­برون که دارای آمار 20 ساله میانگین بارش و میانگین دما در فواصل سال‌های (2001-2020) در مقیاس ماهانه و سالانه استفاده ‌شده است. در تحقیق حاضر، پیش‌بینی داده­های بارش و دما با استفاده از خروجی‌های مدل HadCM3  انجام ‌شده است. داده­های شبیه­سازی شده میانگین بارندگی حاصل از مدل‌ Hadcm3 در LARS-WG تحت سناریو SRA1B  برای ریزمقیاس نمایی آماری داده­های مدل گردش عمومی جو و تولید داده مصنوعی برای دوره آتی با استفاده از سه سناریویB1، A2 و  AIB (به ترتیب خوشبینانه، بدبینانه و متوسط) تأیید شده توسط هیئت بين­الدول تغییر اقلیم بین سال­های 2021 تا 2050 برﺁورد شده است. بدین منظور،  برای انتخاب بهترین روش درون­یابی از شاخص­های آماری از قبیلRMSE ، ME و MSE استفاده شد. یکی از مهمترین راهبردهای موجود در زمینه وزن­دهی، تکنیک‌های کمی و ریاضی است. بر اساس نتایج تحقیق، آزمون‌های همگنی روند تطابق بسیار مناسبی با یکدیگر داشته‌اند. در مواقعی که آزمون روند­یابی حاکی از روند معنی‌‌‌دار آماری در سری زمانی بوده، آزمون‌های همگنی نیز عدم همگن بودن آن سری را تأیید می‌کنند. سری‌های بارش در ایستگاه اینچه برون با روند کاهش تقریبی همراه بود. همچنین، دمای حداکثر و حداقل روند افزایشی را نشان داد. مدل­سازی سری‌های بارش در ایستگاه اینچه­برون با روند کاهش تقریبی همراه بوده و همچنین دمای حداکثر و دمای حداقل روند افزایشی را داد.  

نوع مقاله:

پژوهشی

تاریخ دریافت:

 07/08/1403

تاریخ پذیرش:

15/11/1403

دسترسی آنلاین: 15/02/1404

 

کلید واژه‌ها:

تغییر اقلیم،

مدل‌سازی،

مدل LARS-WG،

تالاب‌های آلاگل،

آلماگل و آجی‌گل

 

 

[1] *پست الکترونیکی نویسنده مسئول: S.arekhi@gu.ac.ir

 

Journal of Environmental Research and Technology, 9(16)2024. 111-128

 

 

Description: Description: H:\لوگوی بدون پس زمینه\200px-ACECR_logo.png 

 Environmental Research institute

Online ISSN: 3060-2676

 

 

journal homepage: www.journal.eri.acecr.ir

 Journal of Environmental Research and Technology

 

 

Evaluation of climate changes in wetland ecosystems using GCM model, Case Study: Alagol, Ajigol, and Almagol wetlands, Golestan province

 

Saleh Arekhi1*1, Abolghasem Mamashli 2 Adolhafez Panahi3, Somia Emadaddian4

1.       Associated Professor, Department of Geography, Faculty of Human Sciences, Golestan University, Gorgan, Iran,

2.       Master's degree in Geographical Information System, Department of Civil Engineering, Non-Profit-Non-Governmental Institute, Gorgani Lamai, Gorgan, Iran.

3.       PhD in Meteorology - General Department of Meteorology of Golestan Province, Golestan, Iran

4.       Assistant Professor, Department of Geography, Faculty of Human Sciences, Golestan University, Gorgan, Iran

 

Article Info

Abstract

Article type:

Research Article

 

Article history:

Received: 2024/10/28

Accepted: 2025/02/03

Available online:

2025/05/05

 

Keywords:

Climate Change, Modeling,

LARS-WG Model, Alagol Wetland, Almagol Wetland, Ajigol Wetland

Research over recent years has shown that climate change exerts varying effects on climatic and hydrological components. Scientific findings indicate that the impacts of climate change will become more pronounced in the future; therefore, analyzing and predicting these changes is of significant importance. This study, given its subject and nature, is a descriptive-analytical and applied research with an emphasis on quantitative methods, conducted using the General Circulation Model (GCM). To achieve the study objectives—including modeling climate change in the Alagol, Ajigol, and Almagol wetlands—data from the Incheh-Borun meteorological station were used. This station provides 20 years of monthly and annual average precipitation and temperature data (2001–2020). Forecasting of precipitation and temperature was carried out using outputs from the HadCM3 model in this study. The simulated average precipitation data, obtained from HadCM3 and downscaled in LARS-WG under the SRA1B scenario, were used to generate synthetic data for the future period (2021–2050) based on three IPCC-approved scenarios: B1 (optimistic), A2 (pessimistic), and A1B (moderate). To determine the best interpolation method, statistical indicators such as RMSE, ME, and MSE were applied. One of the most effective strategies in data weighting is the application of quantitative and mathematical techniques. According to the study results, the homogeneity tests demonstrated a high level of consistency. When trend analysis indicated a statistically significant trend in the time series, the homogeneity tests confirmed the non-homogeneity of those series. The precipitation series at Incheh-Borun station showed a generally decreasing trend, while both maximum and minimum temperatures exhibited increasing trends.

 

 

[1] * Corresponding author E-mail address: S.arekhi@gu.ac.ir

مقدمه

یکي از بزرگ‌ترین مسائل جامعه جهاني، موضوع گرمايش جهاني و پیامدهاي آن بر زندگي و فرآيند توسعه در جوامع انساني است. به ‌طور‌ کلی، تغییر اقلیم، نوسان کلی و گستردۀ آب‌وهوای منطقه است و در حال حاضر زیاد‌ شدن دمای کره زمین، کاهش بارندگی‌ها و افزایش وزش بادهای شدید بخشی از تغییر اقلیم قلمداد می‌شوند. ازاین‌رو، تغییرات اقلیمی یکی از مسائل چالش‌‌برانگیز برای آیندۀ توسعه به‌‌ویژه در مناطق خشک است؛ چالشی که کاهش تولید محصولات کشاورزی و تهدید معیشت روستایی از آثار احتمالی آن بر خدمات اکوسیستم است (Mertz et al., 2009). عوامل زيادي اعم از طبیعي يا انسان‌ساخت بر تغییرات آب‌وهوا مؤثرند. در مورد دلايل اين پديده، نظریه‌های متعددي وجود دارد كه برخي گازهاي گلخانه‌ای و برخي ديگر فرآيندهايي نظیر فعالیت‌های آتش‌فشانی و زمین‌گرمایی و همچنین فعالیت‌های خورشیدي را دلیل اين پديده می‌دانند. دلیل وقوع تغییر اقلیم هر چه باشد، امروزه به‌عنوان ابزاري براي تحمیل سیاست‌های كشورهاي شمال به كشورهاي درحال‌توسعه از طريق اعمال سیاست‌های مختلف با نام محیط‌زیست، و ديدگاه نشر آلاینده‌ها به‌صورت محلي و آسیب‌رسانی آلاینده‌ها به‌طور منطقه‌ای و جهاني است  (Kazeminia, 2017) بررسی‌ها نشان داده كه میزان متوسط دما در سطح زمین در قرن بیستم 6/0 درجه سانتی‌گراد افزايش داشته است. بر هم خوردن تعادل سیستماتیک سامانه اقلیم باعث بروز آشفتگی‌ها و ناهنجاری‌های رفتاري شده است كه بیشترين آثار آن بر محیط‌های طبیعي و به‌خصوص گیاهان كه داراي قدرت و سرعت کم سازگاري هستند، می‌باشد. نتايج بررسی‌هايي كه توسط هیئت بین‌الدول تغییر اقلیم IPCC1 گزارش‌شده، حاكي از آن است كه مهم‌ترین عواقب تغییر اقلیم بر كشاورزي، عبارت‌اند از: تشديد بحران‌های اقلیمي، گرم شدن عرض‌های جغرافیايي بالا، كاهش قابلیت دسترسي به آب و پیشرفت باران‌های موسمي به سمت قطب است. تالاب­ها خدمات اکولوژیکی ارزشمندی نظیر حفظ تنوع زیستی، حفظ کیفیت آب، جلوگیری از سیل و خشکسالی، کاهش آلودگی­ها و زیستگاه حیات وحش را فراهم می­کنند (Kim and Lee, 2011). ضرورت بررسی­های جامعی برای شناسائی اثرات تغییرات اقلیمی و مدل­سازی  و پیش­بینی برای آینده اقلیمی بر روی تالاب­ها برای حفظ و حراست از آن نیاز حیاتی است.

Kim and Lee (2011) اثرات تغییر اقلیم روی کارکردهای تالابی را در بزرگترین تالاب کشور کره مورد بررسی قرار داد که پس از ارزیابی اثرات تغییر اقلیم روی عملکردهای تالاب با استفاده از سناریو اقلیم، مدل اقلیم و آنالیز تغییر اقلیم مشخص گردید که حدود 10 درصد عملکردهای تالاب در آینده در اثر تغییر اقلیم، دست خوش تغییر خواهند شد. Henareh Khalyani و همکاران (2015 (در مطالعه­ای با استفاده از روش ریزمقیاس نمایی آماری و تحت سه سناریو اقلیمی A2، A1B1 و B2 به بررسی بارش، تبخیر و تعرق، کمبود بارش و کاهش نسبی عملكرد-محصول پرداختند. نتایج پژوهش آنها نشان داد که در اثر تغییر اقلیم، فصل بارش مرطوب­تر و فصل خشكی خشک­تر خواهد شد. همچنین، نتایج آنها نشان داد که میزان تبخیر و تعرق در ماه­های خشک با کاهش بارندگی و افزایش دما افزوده خواهد شد. Shrestha and Lohpaisankrit (2016) در مقاله خود ارزیابی خطر سیل تحت سناریوهای تغییرآب و هوا درحوضه رودخانه یانگ تایلند، از روش2 LARS-WG و مدل روان آب استفاده کرده و نتایج حاصل نشان می­دهد: از خروجی­های اصلاح شده از سه مدل گردش کلی (GCM) برای سال­های 2020، 2050 و 2080 ساخته شده نتایج نشان می­دهد که حوضه در آینده گرم­تر و مرطوب­تر می­شود. حداقل و حداکثر دمای حوضه درآینده روند افزایشی پیش­بینی شده و نیز میزان بارندگی سالانه در آینده بیشتر می‌گردد. 

 ضیانی و همکاران (1400) در مقاله پیش‌بینی متغیرهای اقلیمی دوره‌‌های آتی با کاربرد مدل HadCM3 و سناریوهای اقلیمی، مطالعه موردی: ایستگاه‌های سینوپتیک منتخب حوضه حبله‌رود اقدام به بررسی اثر پدیده تغییر اقلیم بر تغییرات برخی از متغیرهای اقلیمی (دما و بارش) کردند. نتایج نشان داد که بارش حوضه به طور متوسط در آینده نزدیک بین 23/0 تا 80/4 میلی‌متر افزایش و در آینده میانه 08/0 تا 15/0 میلی‌متر کاهش خواهد یافت. کمینه دما برای آینده نزدیک بین 50/0 تا 67/0 درجه سانتی‌گراد و در آینده میانه بین 54/1 تا 97/1 درجه سانتی‌گراد افزایش خواهد یافت. بیشینه دمای حوضه حبله‌رود برای آینده نزدیک بین 43/0 تا 600. درجه سانتی‌گراد و برای آینده میانه بین 47/1 تا 89/1 درجه سانتی‌گراد افزایش خواهد یافت بنابراین، با توجه به این موضوع و نیز آگاهی از اثرات منفی مستقیم و غیرمستقیم تغییر اقلیم بر بخش­های مختلف حوضه (کشاورزی، منابع آبی، محیط زیست، منابع طبیعی، بهداشت، صنعت و اقتصاد)، برنامه­ریزی­های بلندمدت و استراتژیک برای مدیریت شرایط جدید، امری ضروری است.‌ حاجی وندی و همکاران (1401) در پژوهش خود به بررسی اثرات منطقه‌ای پدیده تغییر اقلیم در شمال استان خوزستان با بهره­گیری از مدل HadCM3 تحت ریزمقایس نمایی LARS-WG در دوره آماری 2030-2010 و 2050-2030 پرداختند. نتایج نشان می‌دهد که بارش سالانه در منطقه روند نزولی را طی کرده است و بیشترین افزایش دما، در دمای کمینه بوده است و این افزایش در فصل زمستان مشهودتر است و بیشترین افزایش دما در سناریو A2برای افق 2050مشاهده شد. کرمی و همکاران (1403) در مقاله ارزیابی تغییرات اقلیمی در حوضه تالاب بین‌المللی هامون با استفاده از مدل‌ LARS-WG6 با استفاده از مدل‌های مختلف گردش عمومی مدل ریزمقیاس گردان LARS-WG6 در دو سناریوی انتشار RCP5.4 و RCP5.8 در دوره‌های 2040-2021، 2060-2041 و 2080-2061 براساس داده‌های مشاهداتی ایستگاه سینوپتیک زابل در دوره‌ پایه‌ 2019-1983 پرداختند. نتایج ریزمقیاس گردانی نشان داد میانگین دمای کمینه و بیشینه در همه‌ ماه‌ها در هر سه دوره، تحت دو سناریو‌ی در همه مدل‌ها افزایش خواهد یافت. بیشترین و کمترین افزایش در میانگین دما‌ی کمینه و بیشینه‌ ماهانه به ترتیب در مدل HadGEM2-EC، سناریوی RCP5.8 و مدل MPI-ESM-MR، سناریوی RCP5.4 پیش‌بینی شده است. طی دوره‌ 2080-2021 دامنه‌ تغییرات دمای بیشینه ماهانه در سناریوهای RCP5.4 و RCP5.8 به ترتیب 85/3-29/0 و 80/5-54/0 درجه‌ سلسیوس و دامنه تغییرات دمای کمینه ماهانه به ترتیب 51/3-18/0 و 38/5-61/0 درجه‌ سلسیوس خواهد بود. بیشترین میزان افزایش میانگین بارش ماهانه در ماه مارس توسط مدل HadGEM2-EC در سناریوی RCP5.4 به میزان ۶/۸ میلی متر در دوره 2060-2041 پیش‌بینی شده است. بیشترین میزان کاهش میانگین بارش ماهانه در ماه ژانویه توسط مدل MIROC5 در سناریوی RCP5.4 به میزان ۶۸/۳ میلی­متر در دوره 2080-2061 پیش‌بینی شده است. نتایج این مطالعه می­تواند در اتخاذ راهکارهای معیشتی و شیوه‌های کشاورزی سازگار با اقلیم برای مدیران عرصه­های منابع طبیعی مفید باشد. آرخی و همکاران (1403) در تحقیق خود پهنه‌بندی خطر سیلاب تحت تاثیر تغییرات اقلیمی با استفاده از مدل هیدرولوژیکی SWAT در محیطGIS (مطالعه موردی: حوضه آبخیز قره‌سو، استان گلستان). نتایج نشان داد که بر اساس برآورد مدل LARS-WG برای سناریوهای مورد بررسی در دوره­های آتی میانگین دمای حوضه آبخیز قره‌سو به میزان 56/0 تا 4 درجه سلسیوس افزایش می­یابد. مقدار بارش نیز در مقایسه با دوره پایه به میزان 10 تا 24 درصد کاهش نشان می­دهد. در پایان نیز سیلاب حوضه مورد مطالعه با تلفیق نقشه متوسط رواناب تحت سناریو A2، فاصله از رودخانه و ضریب شکل حوضه با استفاده از روش Fuzzy-AHPدر محیط GIS پهنه­بندی شده است. با توجه به پهنه­بندی، 44 درصد در خطر زیاد و بسیار زیاد می­باشد. پناهی و همکاران (1403) در مقاله­ای تحت عنوان سنجش و پیش‌بینی پتانسیل وقوع سیلاب تحت شرایط تغییر اقلیم (مطالعه موردی: حوضه آبخیز گرگانرود) با استفاده از مدل LARS-WG  و HadCM3 تحت سناریو SRA1B بین سال­های 2011 تا 2045 برﺁورد شده است. نتایج نشان داده‌اند که تغییر اقلیم و ساختار محیط طبیعی در منطقه پیامدها و اثراتی ازجمله تغيير الگوی بارش، به وجود آمدن ناهمگنی در سری داده‌های تاریخی، تغيير سطح آب رودخانه­ها و کاهش تولیدات کشاورزی، تغییر در ترکیب و تولید گیاهی مراتع، تغيير سطح آب‌های زیرزمینی، بروز مشکلات اجتماعی و اقتصادی و ... بوجود آورده است. بنابراین اطلاع از چگونگی رخداد تغییرات بارندگی و دما و ریسک­های ناشی از تغییر اقلیم در آینده، با توجه به اهمیت اکولوژیکی، زیباشناختی و اقتصادی- اجتماعی تالاب­های آلاگل، آجی­گل و آلماگل( استان گلستان) و نقش مهمی که این تالاب­ها در حیات منطقه و استان گلستان دارد، ضروری است. به‌ ویژه اینکه می‌تواند در مدیریت محیط زیستی به­ خصوص در مدیریت منابع آب و خشکسالی، کشاورزی پایدار در منطقه، جلوگیری از بروز سیلاب‌های فصلی و پیشگیری از فرسایش خاک در حوضه، مؤثر واقع شود. هدف اصلی این تحقیق بررسی تغییرات دما، بارش و شاخص­های اقلیمی در تالاب­های آلاگل، آجی­گل و آلماگل می­باشد.

 

 

مواد و روش­ها 

تالاب­های بین­المللی آلاگل، آجی­گل و آلماگل در استان گلستان و در نزدیکی مرز ایران و ترکمنستان در فاصله نزدیکی نسبت به هم در بخش­داشلی برون واقع شده اند. آلاگل با وسعت 2500 هکتار در 37 درجه و 20 دقیقه عرض شمالی و 54 درجه و 35 دقیقه طول شرقی، آجی­گل با 320 هکتار وسعت در شمال شرقی تالاب آلاگل با مختصات 37 درجه و 24 دقیقه عرض شمالی و 54 درجه و 40 دقیقه طول شرقی و تالاب آلماگل با مساحت 207 هکتار در شمال تالاب آجی­گل با مختصات جغرافیایی 37 درجه و 25 دقیقه عرض شمالی و 54 درجه و 38 دقیقه طول شرقی است. ارتفاع زمین از سطح دریای آزاد در عمیق­ترین نقاط تالاب در آلاگل (6-) و در تالاب­های آجی­گل و آلماگل (4-) گزارش شده است. خاک­های منطقه متعلق به دوران چهارم زمین­شناسی و از اراضی پست محسوب می­شود که مواد اولیه تشکیل دهنده آن را سنگ آهک، ماسه و شیست تشکیل می­دهند. کوه­های اطراف این منطقه اکثرا از سنگ­های آهکی و سنگ­های آتشفشانی مربوط به دوره کرتاسه میانی است. سنگ­های میوسن بالایی و تحتانی به مقدار کم در کوه­های اطراف منطقه وجود دارند. آب و هوای منطقه، مدیترانه­ایی گرم و دارای تابستان­های خشک و گرم و زمستان­های ملایم است. میزان بارندگی سالیانه 300- 250 میلی متر است - تنها در دی و بهمن میزان بارندگی از تبخیر بیشتر است - میزان رطوبت نیز بین 26 تا 100 درصد و تبخیر سالیانه 1800 تا 1900 میلیمتر متغیر است. جهت وزش باد نیز در این منطقه از غرب به شرق است. دما در تابستان 46 درجه و در زمستان 12- درجه سانتی­گراد گزارش شده است، اما به طور متوسط حداقل 5- و حداکثر 42 درجه سانتی­گراد است.

 

img0 

شکل(1) نقشه موقعیت تالاب های آلاگل، آلماگل و آجی گل در استان گلستان و ایران

 (ترسیم: نگارنده­گان، 1403)

 

پژوهش حاضر، با توجه به ماهيت مسئله و موضوع مورد بررسی، از نوع توصيفي-تحليلي است و از نوع مطالعات کاربردی با تأکید بر روش‌های کمی است، در تحقیق حاضر ارزیابی تغییرات اقلیم بر اکوسیستم­های تالابی با استفاده از مدل 3GCM انجام گرفت به منظور اجرا از آمار ایستگاه هواشناسی که دارای آمار 20 ساله میانگین بارش و میانگین دما در فواصل سال‌های (2001-2020) بوده‌اند و در مقیاس ماهانه و سالانه استفاده ‌شده است. این اطلاعات از سازمان هواشناسی کشور و وزارت نیرو اخذ شد.

در تحقیق حاضر پیش‌بینی داده‌­های بارش و دما با استفاده از خروجی‌های مدل HadCM3 انجام ‌شده است. این مدل از نوع مدل‌های گردش عمومی جفت شده جوی – اقیانوسی (4AOGCM) است. از نرم­افزار ArcGIS10.8 مدل­سازی و پیش­بینی تغییرات و اعتبار سنجی مدل، استفاده گرديده است. داده­های شبیه­سازی شده میانگین بارندگی حاصل از مدل 5Hadcm3در LARS-WG تحت سناریو SRA1B بین سال های 2021 تا 2050 برﺁورد شده است بدین منظور جهت انتخاب بهترین روش درون­یابی از شاخصهای آماری خطای میانگین مربعات از قبیل ME،RMSE وMSE استفاده گردید. در جدول 1 مشخصات ایستگاه هواشناسی منطقه مورد مطالعه اورده شده است.

 

جدول(1) مشخصات ایستگاه هواشناسی منطقه مورد مطالعه

ردیف

نام ایستگاه

نوع ایستگاه

ارتفاع

طول جغرافیایی

عرض جغرافیایی

1

اینچه­برون

کلیماتولوژی

10

72/54

45/37

              

در تحقیق حاضر به منظور ارزیابی عملکرد مدل LARS–WG و اطمینان بیشتر از توانایی آن در پیش‌بینی پارامترهای آب و هوایی دما و بارش، علاوه بر آزمون‌های آماری (t-test, F-test و Chi-square) که در خود مدل در مرحله اعتبارسنجی صورت می‌گیرد، شاخص‌های عملکردی، ضریب تبیین (R2)، میانگین خطای مطلق (MAE) و مجذور میانگین مربعات خطا (RMSE) نیز به کار گرفته ‌شده است. ضریب تبیین معیاری بدون بعد است و بهترین مقدار برای آن برابر یک است. میانگین خطای مدل و مجذور میانگین مربعات خطا، نشان‌دهنده میزان خطای مدل هستند و بهترین مقدار برای آن‌ها برابر صفر است.

 

 

 

در روابط فوق Xi و Yi به ترتیب i امین داده مشاهداتی و شبیه­سازی‌ شده توسط مدل هستند. xµ و yµ میانگین کل داده­های Xi و Yi در جامعه آماری و n تعداد کل نمونه­های مورد ارزیابی هستند.

پس از بررسی نتایج مرحله واسنجی و مقادیر بالای ضریب تعیین و مقادیر پایین شاخص­های خطاسنجی محاسبه شده، از قابلیت مدل LARS-WG در شبیه­سازی داد­ه­های هواشناسی اطمینان حاصل شد. سپس این مدل جهت ریزمقیاس نمایی آماری داده­های مدل گردش عمومی جو و تولید داده مصنوعی برای دوره آتی با استفاده از سه سناریویB1 ، A2 و  AIB (به ترتیب خوشبینانه، بدبینانه و متوسط) تأیید شده توسط هیئت بين­الدول تغییر اقلیم و مدل Hadcm3 اجرا شد. بدین ترتیب مقادیر روزانه پارامترهای مذکور برای دوره 2021-2050 تولید گردید. خصوصیات سناریوهای اقلیمی مورد استفاده در این تحقیق به شرح زیر می باشند:

A1B: رشد سریع اقتصادی، بیشینه رشد جمعیت در نیمه قرن و پس از آن روند کاهشی، رشد سریع فناوری­های نوین و مؤثر.

B1: همگرایی جمعیت در سطح جهان، تغییر در ساختار اقتصاد (کاهش مواد آلاينده و معرفی منابع فناوری پاک و مؤثر).

A2: رشد زیاد جمعیت و وابستگی کمتر به پیشرفت سریع اقتصادی.

 

نتایج و بحث 

به‌ منظور آشکارسازی تغییرات بلند مدت اقلیمی به کمک آزمون‌های غیرپارامتری، اقدام به تعیین روند سری‌های زمانی با استفاده از آزمون Mann-Kendall شد و سپس رخداد جهش در سری زمانی از طریق Kruskal-Wallis مشخص می‌شود. از آنجا که تجزیه و تحلیل سری زمانی در اقلیم­شناسی مبتنی بر تجزیه ‌و تحلیل سری‌­های زمانی گسسته در قلمرو زمان است، بنابراین ابتدا غیرتصادفی بودن داده‌ها و وجود همگنی در آنها را بررسی می‌کنیم. بنابراین درصورتی‌که عدم همگنی در سری داده­هایی تأیید شود، احتمال وجود روند یا جهش در این داده­‌ها وجود دارد. بدین ترتیب این آزمون‌­ها برای تمامی سری‌­های زمانی بارش، دمای حداکثر و دمای حداقل ایستگاه‌ مورد مطالعه در منطقه مورد مطالعه در مقیاس فصلی و سالانه صورت گرفت. آماره‌­های به ‌دست ‌آمده از این آزمون‌ها مربوط به پارامترهای بارش متوسط، دمای حداکثر و دمای حداقل به ترتیب در جداول( 2، 3 و 4 )مشاهده می‌شود. شایان ‌ذکر است که مقادیر مثبت و منفی آماره آزمون روند به ترتیب نشان ‌دهنده روند صعودی و نزولی در سری زمانی مورد بررسی است.

 

جدول(2) نتایج آزمون‌های همگنی، روند و جهش بارش متوسط ایستگاه اینچه برون

سری زمانی

آزمون‌های همگنی

آزمون روند

آزمون جهش

انحراف تجمعی

ران- تست

من- کندال

کروسکال- والیس

نقطه جهش

سالانه

04/0

29/0

16/0

025/2-

29 / 26

پاییز

6/0

19/0

51/0

92/1

29/ 14

زمستان

025/0

305/0

185/0-

34/0-

11

بهار

015/0

34/0

16/0-

19/1

18 / 10

تابستان

03/0

215/0

63/0-

325/3-

15 /22

 

جدول (3) نتایج آزمون‌های همگنی، روند و جهش دمای حداکثر ایستگاه اینچه برون

سری زمانی

آزمون‌های همگنی

آزمون روند

آزمون جهش

انحراف تجمعی

ران- تست

من- کندال

کروسکال- والیس

نقطه جهش

سالانه

045/0

002/0

72/1

67/3

28/10

پاییز

05/0

18/0

765/0

89/2-

28/2

زمستان

005/0

18/0

29/1

34/2

28/10

بهار

055/0

05/0

11/1

095/3

18/10

تابستان

065/0

3/0

18/2

27/3-

15/5

 

جدول(4) نتایج آزمون‌های همگنی، روند و جهش دمای حداقل ایستگاه اینچه برون

سری زمانی

آزمون‌های همگنی

آزمون روند

آزمون جهش

انحراف تجمعی

ران- تست

من- کندال

کروسکال- والیس

نقطه جهش

سالانه

135/0

18/0

06/1

25/3

28/10

پاییز

105/0

36/0

23/0

72/2-

16/2

زمستان

03/0

48/0

95/0

39/2

28/10

بهار

25/3

29/0

92/0

51/2

18/10

تابستان

6/0

29/0

33/0

22/2-

13/10

 

در آزمون­های همگنی، فرض صفر آزمون مبنی بر همگن بودن داده‌ها است. چنانچه آماره آزمون در ناحیه بحرانی قبول فرض صفر قرار گیرد، همگن بودن داده‌ها تأیید می‌گردد. در غیر این صورت عدم همگنی سری مورد تأیید است. با توجه به جداول 2، 3 و 4 مشاهده می‌شود که هر سری زمانی که روند معنی‌دار آن به‌وسیله آزمون من- کندال تأیید شده است، عدم همگنی آن نیز به ‌وسیله آزمون‌های انحراف تجمعی و ران- تست تأیید می‌شود. به‌ طور مثال دمای حداقل سالانه در ایستگاه اینچه­برون دارای روند افزایشی بوده و از آنجایی که P-value آن بیشتر از 05/0 بوده فرض صفر مبنی بر همگنی آن رد می‌شود. در بعضی از سری‌های زمانی مورد آزمون، همگنی سری مورد نظر توسط آزمون‌های همگنی تأیید شده است و روند معنی‌دار نیز در این سری‌ها توسط آزمون روند اثبات نشده است.

برای انجام آزمون جهش، ابتدا باید نقاط احتمالی که جهش (تغییر میانگین) در آن‌ها رخ‌ داده است، تعیین شوند. برای تعیین این نقاط نیز از آزمون‌های همگنی استفاده‌ شده است. مقادیر حداکثر و حداقل در هر کدام از آزمون‌های همگنی، یک برآورد مناسب از نقطه تغییر میانگین را ارئه می‌دهند. درنتیجه با استفاده از محل رخداد حداکثر و حداقل مقادیر، محل احتمالی جهش در سری زمانی مورد آزمون مشخص‌شده است. نقاط جهش که در جداول 2، 3 و 4 مشاهده می‌شود، بیان کننده سال وقوع جهش در سری مورد بررسی هستند. به ‌طور کلی می‌توان گفت که در رابطه با آزمون تعیین روند Mann-Kendall اگر آماره آزمون بیشتر از 96/1 و یا کمتر از 96/1 باشد، فرض صفر مبنی بر فاقد روند بودن سری زمانی رد می‌شود. اما اگر آماره مربوطه بین مقادیر بحرانی بیان‌شده قرار گیرد، فرض صفر قبول است و سری فاقد روند تشخیص داده می‌شود.

 

بررسی روند تغییرات دما و بارش در دوره 2001-2020

ایستگاه اینچه برون به عنوان ایستگاه مبناء برای بررسی تغییرات اقلیمی منطقه مورد مطالعه در نظر گرفته شد که در ادامه به بحث و بررسی تغییرات بارش، دمای حداکثر و دمای حداقل در این ایستگاه در دوره پایه و آینده پرداخته می­شود. در ابتدا روند تغییر دمای حداقل، دمای حداکثر و بارش در دوره پایه 2001-2020 مورد بررسی قرار گرفت. مجموع بارش سالانه ایستگاه اینچه­برون در دوره اقلیمی 2001-2020 برابر با 7/259 میلیمتر می­باشد. مقادیر حداقل و حداکثر آن مربوط به سال­های 2015 و 2002 میلادی با مقادیر به ترتیب 85/63 و 888 میلی­متر بوده است.

 

 

شکل (2) خط روند بارندگی سالانه در ایستگاه اینچه برون طی دوره 2001-2020

 

 

شکل (3) خط روند دمای حداکثر سالانه در ایستگاه اینچه برون طی دوره 2001-2020

 

شکل(2) خط روند بارندگی سالانه در ایستگاه اینچه­برون در دوره 2001-2020 را نشان می­دهد. طبق این نمودار، شیب خط روند منفی می­باشد که حاکی از کاهش باران در طول سال­های این دوره است. طبق این نمودار می­توان انتظار داشت که در دوره آینده این روند ادامه پیدا کند و بارش کاهش یابد. در بین سال­های مطالعاتی، کمترین دمای حداکثر در ایستگاه اینچه­برون مربوط به سال 2001 میلادی با دمای حداقل 23/26 درجه سانتی­گراد و بالاترین دمای حداکثر مربوط به سال 2018 میلادی با دمای 25/30 درجه سانتی­گراد می باشد. طبق این اطلاعات، دامنه تغییرات دمای حداکثر حدود 4 درجه سانتی­گراد و نسبتا پایین می­باشد.

شكل (3) خط روند دمای حداكثر سالانه در ایستگاه اینچه­برون در دوره 2001-2020 را نشان می­دهد. طبق این نمودار، شیب خط روند مثبت می­باشد که حاکی از افزایش دما در طول سال­های گذشته است. طبق این نمودار می­توان انتظار داشت که در دوره آینده این روند ادامه پیدا کند و هم­چنان افزایش دما حداکثر ادامه یابد.

 

 

شکل (4) خط روند دمای حداقل سالانه در ایستگاه اینچه برون طی دوره 2001-2020

 

شکل (4) خط روند دمای حداقل سالانه در ایستگاه اینچه­برون در دوره 2001-2020 را نشان می­دهد. طبق این نمودار، شیب خط روند مثبت می­باشد که حاکی از افزایش دمای حداقل در طول سال­های گذشته است. طبق این نمودار می­توان انتظار داشت که در دوره آینده این روند ادامه پیدا کند و هم­چنان افزایش دمای حداقل ادامه یابد. در بین سال­های مطالعاتی کمترین دمای حداقل مربوط به سال 2019 میلادی با دمای 82/6 درجه سانتی­گراد و بالاترین دمای حداقل مربوط به سال­های 2012 میلادی با دمای 98/9 درجه سانتی­گراد می باشد. طبق این اطلاعات، دامنه تغییرات دمای حداقل حدود 3 درجه سانتی­گراد می­باشد که نسبت به دمای حداکثر این دامنه کمتر می­باشد. جدول 5، شیب روند بارش، دمای حداقل و دمای حداکثر را طی دوره پایه نشان می­دهد. طبق این جدول و نمودارهای ارائه شده در بالا، در دوره گذشته دما افزایش و بارش کاهش یافته است. همچنین شیب افزایش دمای حداکثر بیشتر از افزایش دمای حداقل می­باشد.

 

جدول (5) شیب روند دما و بارش سالانه در ایستگاه اینچه برون طی دوره 2001-2020

پارامتر اقلیمی

بارش

دمای حداکثر

دمای حداقل

شیب روند

2/14-

074/0

0098/0

 

نتایج اجرای مدل LARS-WG6

همان‌طور که بیان شد، نرم‌افزار LARS-WG پیش از تولید داده­های آینده بر اساس سناریوهای اقلیمی اقدام به بازتولید داده­های دوره پایه بر اساس پارامترهای اقلیمی این دوره می‌کند. سپس با استفاده از روش‌های آماری به مقایسه داده‌­های مصنوعی و مشاهداتی می کند. جدول 6 نتایج آزمون‌های Chi-square، t و F پارامترهای بارش، دمای حداقل و دمای حداکثر را در ایستگاه اینچه برون نشان می‌دهد. سطح معنی داری برای این آزمون‌ ها 05/0 در نظر گرفته‌ شده است. همچنین، نتایج آزمون t در مورد بارش، دمای حداقل و دمای حداکثر نشان می‌دهد که با اطمینان 95% فرض صفر قابل ‌قبول است. در واقع، میانگین داده‌­های مشاهداتی و باز تولید شده مشابه هستند. آزمون F جهت مقایسه واریانس­های داده‌­های مشاهداتی و مصنوعی به کار می ‌رود. اما مدل LARS-WG این آزمون را تنها برای داده­های بارش انجام می‌دهد. زیرا داده‌­های بارش تغییرپذیری زیادی دارند و از توزیع نرمال پیروی نمی‌کنند. نتیجه آزمون F برای پارامتر بارش نشان می‌دهد که به‌ جز ماه­‌های آگوست و ژولای در بقیه ماه­ها P-Value بزرگ­تر از 05/0 بوده و فرض صفر مبنی بر برابری واریانس‌­ها پذیرفته می‌شود. بنابراین با توجه به مقادیر به‌ دست‌ آمده نتیجه می‌گیریم که عملکرد مدل برای شبیه‌سازی و پیش‌بینی پارامترهای اقلیمی دمای حداقل و حداکثر بسیار خوب است و در مورد بارش، عملکرد آن در حد قابل ‌قبول است. زیرا با بررسی داده‌های مشاهداتی اصلی در منطقه، مشاهده می­شود بارش در این دو ماه پراکندگی و تغییرات زیادی دارد.

 

جدول (6) مقادیر آزمون های t و F محاسباتی توسط مدل LARS-WG در مرحله اعتبار سنجی در ایستگاه اینچه برون

 

پارامتر

بارش

دمای حداقل

دمای حداکثر

آزمون t

آزمون F

آزمون t

آزمون F

آزمون t

آزمون F

ژانویه

323/0

393/1

934/0

317/9

923/0

115/9

فوریه

075/0

267/1

846/0

388/4

024/0

875/2

مارس

747/0

887/1

415/0

366/6

971/0

668/11

آوریل

631/0

080/1

412/0

705/2

592/0

919/5

می

398/0

923/5

430/0

198/3

997/0

708/0

ژوئن

238/0

139/5

769/0

013/6

708/0

308/3

جولای

000/1

000/1

158/0

168/8

405/0

798/2

آگوست

000/1

000/1

911/0

118/12

660/0

639/1

سپتامبر

00/0

445/9

227/0

275/4

162/0

468/2

اکتبر

032/0

664/5

314/0

106/14

220/0

748/14

نوامبر

18/0

276/2

008/0

182/6

558/0

153/4

دسامبر

562/0

951/1

580/0

521/4

254//7

000/0

با استفاده از آماره­های ضریب تعيين (R)، جذر میانگین مربعات خطا (RMSE) و میانگین خطای مطلق‌(MAE)، ارزیابی داده­های تولید شده توسط مدل و داده­های واقعی (مشاهده شده) موجود در دوره پایه، انجام شد. جدول 6، نتایج ارزیابی داده­های شبیه­سازی شده توسط مدل و داده­های واقعی دوره پایه را نشان می­دهد. چنانچه در جدول مشاهده می­شود، مقدار ضریب تعیین در همه موارد از میزان قابل توجهی برخوردار می­باشد. نزدیکی این مقدار به یک، دقت مدل را در شبیه­سازی نشان می­دهد.

 

جدول (7) مقادیر آماره های واسنجی جهت ارزیابی مدل LARS-WG در دوره پایه (2001-2020)

پارامترهای آماری

بارش (mm)

دمای حداقل (C)

دمای حداکثر (C)

MAE

6/1

87/0

93/0

RMSE

6/2

24/0

33/0

R2

8252/0

727/0

8034/0

 

اشکال (5)،(6) و (7) مقایسه داده­های حاصل از شبیه­سازی مدل و داده­های مشاهداتی در ایستگاه اینچه­برون برای پارامترهای بارش، دمای حداقل و دمای حداکثر را نشان می­دهد. همان گونه که این نمودارها نشان می­دهند مقادیر ضریب تعیین برای تمامی متغیرهای اقلیمی بالا است. همچنین مقادیر شاخص­های خطاسنجی در جدول 6، نیز نسبتا" پایین می­باشد که موید انطباق نسبی و قابل قبول مقادیر شبیه­سازی شده توسط مدل و مقادیر مشاهده شده دوره پایه است. لذا با توجه به این موارد، قابلیت و توانایی مدل در داده­سازی مورد تایید قرار گرفت و پس از آن شبیه­سازی داده­ها برای دوره آینده صورت گرفت.

 

C:\Users\Hafez\Desktop\111111.png 

 

 

نتایج ریزمقیاس کردن و تولید داده برای دوره آینده

پس از تعیین سناریوها و مدل­های اقلیمی مورد نظر، تولید داده برای دوره 2021-2050 انجام شد و پس از آن خروجی­های مدل برای هر متغیر اقلیمی (درجه حرارت حداقل، درجه حرارت حداکثر و بارش) به صورت ماهانه میانگین­گیری شد. در ابتدا از داده­های اقلیمی تولید شده توسط مدل اقلیمی Hadcm3 تحت سه سناريو B1،A1B  و A2 میانگین­گیری صورت گرفت و میانگین دو مدل تحت سه سناریو مورد بررسی قرار گرفت. جدولهای 8 و 9، نتایج تولید داده­های دمای حداکثر و دمای حداقل در ایستگاه اینچه­برون توسط سه سناریو در دوره آتی و همچنین مقادیر این پارامترها را برای دوره پایه نشان می­دهد. همانطور که در این جدولها نشان داده شده است، تمامی سناریوها دمای بیشتری را در دوره آتی نسبت به دوره پایه تخمین می­زنند. به طوری که انتظار می­رود دمای منطقه در دوره 2021-2050 بین 5/0 تا 5/1 درجه سانتی­گراد نسبت به دوره پایه افزایش یابد. نتایج حاکی از افزایش دما در همه ماه­ها برای تمامی سناریوهای اقلیمی است. به طور کلی، دمای سالانه نیز افزایش پیدا می­کند و با توجه به اینکه سناریو A2 به عنوان بحرانی­ترین سناریو محسوب می­شود بالاترین مقدار افزایش دما و سناریو B1 که سناریو خوش­بینانه معرفی شده کمترین مقدار افزایش و سناریو A1B به عنوان سناریو میانه، افزایش دما در حد متوسط را نشان می­دهد.

 

جدول (8) مقادیر دمای حداکثر دوره پایه و دوره آینده تحت سه سناریو

ماه

دوره 2001-2020

دوره 2021-2050

A2

A1B

B1

ژانویه

70/9

86/10

42/10

08/11

فوریه

69/10

84/10

78/10

00/11

مارس

05/13

08/12

11/13

75/12

آوریل

89/16

19/17

53/18

32/17

می

52/22

72/21

03/23

15/22

ژوئن

25/25

29/26

28/27

51/26

ژولای

24/29

43/28

09/30

90/28

آگوست

77/29

86/28

99/29

02/29

سپتامبر

37/26

82/25

94/26

36/26

اکتبر

88/22

82/21

63/22

40/22

نوامبر

25/17

88/16

87/16

18/17

دسامبر

74/16

22/15

40/15

70/15

سالانه

03/20

67/19

42/20

03/20

 

جدول(9) مقادیر دمای حداقل دوره پایه و دوره آینده تحت سه سناریو

ماه

دوره 2001-2020

دوره 2021-2050

A2

A1B

B1

ژانویه

66/2

41/4

95/2

64/3

فوریه

81/3

34/3

67/3

58/4

مارس

56/7

57/6

43/6

14/7

آوریل

66/9

96/10

15/11

35/11

می

59/14

49/15

61/15

88/15

ژوئن

76/18

87/19

35/19

84/19

ژولای

36/21

18/22

79/21

90/21

آگوست

83/20

74/22

95/21

08/22

سپتامبر

31/19

80/19

73/18

40/19

اکتبر

51/14

42/15

98/13

94/14

نوامبر

99/8

40/10

80/8

54/9

دسامبر

61/7

86/8

48/7

27/8

سالانه

47/12

42/13

66/12

21/13

 

شکل­های )8 و 9( روند تغییرات دمای حداکثر و حداقل را در دوره پایه و آتی تحت سه سناریو نشان می­دهند. در این اشکال به خوبی نتایج ذکر شده قابل رویت است. طبق نمودارهای بالا، دمای حداقل و حداکثر در تمامی ماه­های سال افزایش می­یابد. افزایش دما با افزایش تبخیر و تعرق و تاثیر­گذاری روی ذوب برف می­تواند پیامدهای متعددی در بیلان آب تالاهای مورد مطالعه داشته باشد. جدول 10، تغییرات دمای حداکثر در دوره آتی نسبت به دوره پایه را نشان می­دهد. طبق این جدول، دما در تمامی ماه­ها افزایش می­یابد که بیشترین افزایش دما در سه سناریوی مورد بررسی در ماه آگوست یا اواسط تابستان می­باشد و کمترین افزایش دما در ماه ژانویه یا اوایل زمستان می­باشد. به طور کلی دمای حداکثر در سناریوی بدبینانه A2 حدود 89/0 درجه سانتی­گراد و در سناریو خوشبینانه B1 حدود 71/0 درجه سانتی­گراد در دوره آتی افزایش می­یابد.

 

C:\Users\Hafez\Desktop\23.png 

 

جدول (10) تغییرات ماهانه و سالانه دمای حداکثر برای دوره 2021-2050 نسبت به دوره مبنا تحت سناریوها مختلف

ماه

دوره 2021-2050

A2

A1B

B1

ژانویه

16/1

72/0

38/1

فوریه

14/1

08/1

30/1

مارس

38/2

41/3

05/3

آوریل

49/7

83/8

62/7

می

02/12

33/13

45/12

ژوئن

59/16

58/17

81/16

ژولای

73/18

39/20

20/19

آگوست

16/19

229/20

32/19

سپتامبر

12/16

24/17

66/16

اکتبر

12/12

93/12

70/12

نوامبر

18/7

17/7

48/7

دسامبر

52/5

70/5

00/6

سالانه

97/9

72/10

33/10

 

جدول (11) تغییرات درجه حرارت حداقل در دوره آتی نسبت به دوره پایه را نشان می­دهد. طبق این جدول، دما در تمامی ماه­ها افزایش می­یابد که بیشترین افزایش دما در سه سناریوی مورد بررسی، در ماه آگوست یا اواسط تابستان می­باشد و کمترین افزایش دما در سه سناریو، در ماه مارس یا اوایل بهار می­باشد. به طور کلی دمای حداقل در سناریو بدبینانه A2 حدود 85/0 درجه سانتی­گراد و در سناریو خوش­بینانه B1 حدود 3/1 درجه سانتی­گراد در دوره آتی افزایش می­یابد. بنابراین طبق نتایج انتظار می­رود بازخورد بارزی در بیلان آبی منطقه به دلیل کاهش پوشش برف در اثر افزایش دما و افزایش تبخیر به وجود آمده و همچنین پتانسیلی برای تغییر در وقایع جوی و هیدرولوژی تالاب آلاگل، آجی گل و آلماگل به وجود آید.

 

جدول (11) تغییرات ماهانه و سالانه دمای حداقل برای دوره 2021-2050 نسبت به دوره مبناتحت سناریوهای مختلف

ژانویه

فوریه

مارس

آوریل

می

ژوئن

ژولای

اگوست

سپتامبر

اکتبر

نوامبر

دسامبر

سال

 

75/1

53/0

99/0

30/1

90/0

11/1

82/0

91/1

49/0

91/0

41/1

25/1

95/0

A2

29/0

14/0

13/1

49/1

02/1

59/0

43/0

12/1

58/0

53/0

19/0

13/0

19/0

A1B

98/0

77/0

42/0

69/1

29/1

08/1

54/0

25/1

09/0

43/0

55/0

66/0

74/0

B1

 

جدول (12) نتایج تولید داده­های بارندگی در ایستگاه اینچه­برون توسط سه سناریو در دوره آتی و نیز مقادیر این پارامتر را در دوره پایه نشان می­دهد. همان طور که در این جدول نشان داده شده است، بیشترین و کمترین بارش منطقه در دوره پایه به ترتیب در ماه مارس و آگوست با مقادیر 05/94 و 12/3 میلی­متر است. طبق نتایج جدول تمامی سناریوها کاهش بارندگی را در دوره آتی نسبت به دوره پایه تخمین می­زنند.

 

جدول (12) مقادیر بارش در دوره پایه و دوره آینده تحت سه سناریو

ماه

دوره 2001-2020

دوره 2021-2050

A2

A1B

B1

ژانویه

54/75

96/73

31/68

57/72

فوریه

99/71

58/70

62/72

74/71

مارس

05/94

12/93

08/95

72/98

آوریل

12/70

46/72

67/69

53/74

می

12/5

13/4

15/6

19/6

ژوئن

16/4

29/3

18/4

04/5

ژولای

29/4

17/3

15/3

19/2

آگوست

12/3

21/3

15/2

11/3

سپتامبر

35/6

18/5

61/5

13/7

اکتبر

93/40

85/41

56/43

78/42

نوامبر

27/50

15/51

83/54

17/55

دسامبر

74/61

91/60

57/63

12/69

سالانه

64/40

25/40

74/40

36/42

 

شكل (10) نمودار بارش در دوره پایه و دوره آتي تحت سه سناریو و در ماه­های مختلف نشان می­دهد. طبق این شکل در رفتار و الگوی بارش تغییراتی مشاهده می­شود. به طوری که ماکزیمم بارش به انتهای فصل سرد جابه­جا می شود همچنین کاهش بارش در انتهای فصل پاییز و ابتدای فصل زمستان خطری جدی در اثر تغییر اقلیم برای منطقه می­باشد.

 

 

شکل(10) بارش شبیه سازی شده تحت سه سناریو و مشاهداتی

 

طبق جدول(13) که درصد تغییرات بارندگی در دوره آتی نسبت به دوره پایه تحت سه سناریو را نشان می­دهد بارش در اکثر ماه ها کاهش پیدا کرده است. میزان بارندگی منطقه در دوره 2021-2050 بین 6 تا 8 درصد نسبت به دوره پایه کاهش می­یابد. به طور کلی بارندگی سالانه نیز کاهش پیدا می­کند و با توجه به اینکه سناریو A2 به عنوان بحرانی­ترین سناریو محسوب می­شود، بیشترین مقدار کاهش بارش و سناریو B1 که سناریو خوش­بینانه معرفی شده کمترین مقدار کاهش و سناریو A1B به عنوان سناریو میانه کاهش بارش در حد متوسط را نشان می­دهد. همچنین میزان کاهش باران در سناریو A2 در ماه مارس بیش از سایر ماه­ها و حدود 75 درصد بوده و در سناریو B1 میزان بارش در ماه فوریه بیشتر از ماه­های دیگر و حدود 55 درصد کاهش یافته است. علاوه بر کاهش بارش که در اکثر ماه ها مشاهده می­شود، در برخی ماه ها نیز شاهد افزایش بارش در دوره آتی هستیم. افزایش بارش در ماه های خشک سال معنی‌دار نیست.

 

جدول(13) تغییرات ماهانه و سالانه بارش برای دوره 2021-2050 نسبت به دوره مبنا تحت سناریوهای مختلف

ژانویه

فوریه

مارس

آوریل

می 

ژوئن

ژولای

اگوست

سپتامبر

اکتبر

نوامبر

دسامبر

سال

 

58/1-

96/4-

17/58-

08/3-

41/71-

25/72-

37/72-

33/73-

36/70-

69/33-

39/24-

63/14-

29/35-

A2

23/7-

92/2-

54/19-

87/5-

39/69-

36/71-

39/72-

39/73-

93/69-

98/31

71/20-

11/97-

80/34-

A1B

97/2-

80/3-

18/23-

01/1-

35/69-

50/70-

35/73

43/72-

41/68-

76/32-

37/20-

42/6-

18/33-

B1

 

 

نتیجه­گیری 

مقایسه داده­های حاصل از شبیه­سازی مدل و داده­های مشاهداتی در ایستگاه اینچه برون برای پارامترهای بارش، دمای حداقل و دمای حداکثر نشان می­دهدکه مقادیر ضریب تعیین برای تمامی متغیرهای اقلیمی بالا است. نتایج تولید داده­های دمای حداکثر و دمای حداقل در ایستگاه اینچه برون توسط سه سناریو در دوره آتی، تمامی سناریوها دمای بیشتری را در دوره آتی نسبت به دوره پایه تخمین می­زنند. به طوری که انتظار می­رود دمای منطقه در دوره 2021-2050 بین 5/0 تا 5/1 درجه سانتی­گراد نسبت به دوره پایه افزایش یابد، دمای حداکثر در سناریوی بدبینانه A2 حدود 89/0 درجه سانتی­گراد و در سناریو خوشبینانه B1 حدود 71/0 درجه سانتی­گراد در دوره آتی افزایش می­یابد ، دمای حداقل در سناریو بدبینانه A2 حدود 85/0 درجه سانتی­گراد و در سناریو خوشبینانه B1 حدود 3/1 درجه سانتی­گراد در دوره آتی افزایش می­یابد. بیشترین و کمترین بارش منطقه در دوره پایه به ترتیب در ماه مارس و آگوست با مقادیر 05/94 و 12/3 میلی­متر می باشد. طبق نتایج تمامی سناریوها کاهش بارندگی را در دوره آتی نسبت به دوره پایه تخمین می­زنند.

نمودار بارش در دوره پایه و دوره آتي تحت سه سناریو و در ماه­های مختلف نشان می­دهد که در رفتار و الگوی بارش تغییراتی مشاهده می­شود به طوری که بیشترین بارش به انتهای فصل سرد جابه­جا می­شود. همچنین کاهش بارش در انتهای فصل پاییز و ابتدای فصل زمستان خطری جدی در اثر تغییر اقلیم برای منطقه می­باشد. میزان بارندگی منطقه در دوره 2021-2050 بین 6 تا 8 درصد نسبت به دوره پایه کاهش می­یابد. به طور کلی بارندگی سالانه نیز کاهش پیدا می­کند و با توجه به اینکه سناریو A2 به عنوان بحرانی­ترین سناریو محسوب می­شود، بالاترین مقدار کاهش بارش و سناریو B1 که سناریو خوش­بینانه معرفی شده کمترین مقدار کاهش و سناریو A1B به عنوان سناریو میانه کاهش بارش در حد متوسط را نشان می­دهد. همچنین میزان کاهش باران در سناریو A2 در ماه مارس بیش از سایر ماه­ها و حدود 75 درصد بوده و در سناریو B1 میزان بارش در ماه فوریه بیشتر از ماه­های دیگر و حدود 55 درصد کاهش یافته است. علاوه بر کاهش بارش که در اکثر ماه­ها مشاهده می­شود، در برخی ماه­ها نیز شاهد افزایش بارش در دوره آتی هستیم. افزایش بارش در ماه­های خشک سال معنادار نمی­باشد. نتایج این تحقیق در قسمت مدل­سازی و سناریو­های اقلیمی (Hadcm3 و سناریوهای A2، A1B1 و (B2 و مدل LARS-WG با تحقیقات آرخی و همکاران (1402)، پناهی و همکاران (1402) و کرمی و همکاران (1401) مطابقت دارد و نیز در قسمت تاثیرات تغییرات اقلیمی بر تالاب­ها و محیط طبیعی با تحقیقات  (Kim et al., 2011) مشابهت دارد.  

 

 پیشنهادها

- ارزیابی ریسک­های ناشی از تغییرات اقلیم بر اکوسیستم­های تالابی آلاگل، آجی­گل و آلماگل

- بررسی میزان تاب­آوری تالاب­های آلاگل، آجی­گل و آلماگل در مقابل تغییرات اقلیمی و ارائه نقشه به منظور مدیریت پهنه­های با حساسیت بالا.

- پهنه­بندی ریسک­های ناشی از تغییر اقلیم در تالاب­های آلاگل، آجی­گل و آلماگل با استفاده از سیستم اطلاعات جغرافیایی و سنجش از دور به منظور شناسایی دقیق مناطق مستعد به خشکسالی و مدیریت آن.

- مدل­سازی خشکسالی تالاب­های آلاگل، آجی­گل و آلماگل با استفاده از سری­های زمانی.

- مدل­سازی و پیش­بینی سطح تراز تالاب و میزان تبخیر-تعرق با استفاده از مدل­های تغییر اقلیم و تصاویر ماهواره­ای.

 

منابع

- آرخی، صالح.، گرکز، سمیرا.، و عمادالدین، سمیه. 1402. پهنه‌بندی خطر سیلاب تحت تاثیر تغییرات اقلیمی با استفاده از مدل هیدرولوژیکی SWAT در محیطGIS (مطالعه موردی: حوضه آبخیز قره‌سو، استان گلستان). پژوهش‌های تغییرات آب و هوایی، 4(14)، 1-26.

- پناهی، عبدالحافظ.، جانباز قبادی، غلامرضا.، متولی، صدرالدین.، و خالدی، شهریار. 1402. سنجش و پیش‌بینی پتانسیل وقوع سیلاب تحت شرایط تغییر اقلیم (مطالعه موردی: حوضه آبخیز گرگانرود). مطالعات جغرافیایی نواحی ساحلی، 4(2)، 45-61.

- پناهی، عبدالحافظ.، جانباز­قبادی، غلامرضا.، متولی، صدرالدین.، و خالدی، شهریار. 1402. پیش‌بینی و پهنه­بندی پتانسیل وقوع سیلاب برحسب الگوریتم‌های تغییر اقلیم (مطالعه موردی: حوضه آبخیز گرگانرود). جغرافیا ( فصلنامه علمی انجمن جغرافیایی ایران)، 21(78): 109-134.

- حاجی­وندپایداری، سمیه.، یزدان­پناه، حجت­اله.، و اندرزیان، سیدبهرام. 1401. بررسی اثرات منطقه‌ای پدیده تغییر اقلیم در شمال استان خوزستان با بهره­گیری از مدل HadCM3 تحت ریزمقیاس نمایی LARS-WG در دوره آماری 2030-2010 و 2050-2030. جغرافیا و روابط انسانی،  5(1) 299-314.

-  رحیمی­بلوچی، لیلا.، و ملک­محمدی، بهرام. 1390. ارزيابي ريسك­هاي محيط زيستي تالاب بين­المللي شادگان بر اساس شاخص­هاي عملكرد اكولوژيكي. مجله محیط­شناسی، سال سی­و­نهم، 1، 112-101

-  ضیایی، نوید.، اونق، مجید.، عسگری، حمیدرضا.، مساح­بوانی، علیرضا.، سلمان­ماهینی، عبدالرسول.، و حسین‌علیزاده، محسن. 1398. پیش‌بینی متغیرهای اقلیمی دوره‌‌های آتی با کاربرد مدل HadCM3 و سناریوهای اقلیمی، مطالعه موردی: ایستگاه‌های سینوپتیک منتخب حوضه حبله‌رود. مهندسی و مدیریت آبخیز، 11(3)، 771-783.

-  کرمی، رقیه.، رضائی، حسن.، سلما­ن­ماهینی، عبدالرسول.، و قربانی­نصرآبادی، خلیل. 1401. ارزیابی تغییرات اقلیمی در حوضه تالاب بین‌المللی هامون با استفاده از مدل‌ LARS-WG6.، مخاطرات محیط طبیعی، 11(31)، 107-122.

- کاظمی­نیا، علیرضا. 1396. کاربرد سنجش‌از دور و GIS در بررسی پوشش گیاهی. نشریه علمی ترویجی مهندسی نقشه­برداری و اطلاعات مکانی، 9(1): 75-86.

- Dekens, Julie., Natalia Zamudio, Alicia., & McCandless, Matthew.  (2013). Sustainable Wetland Management in the Face of Climate Risks in Niger: the Case of La Mare de Tabalak. National environment council for sustainable development, 1-57.

- Henareh Khalyani, A., Gould, W., Harmsen, E., Terando, A., Quinones, M., & Collazo, J. (2015). Climate change implications for tropical islands: Interpolating and interpreting statistically downscaled GCM projections for management and planning. J. Appl. Meteor. Climatol.

- IPCC., 2001. Climate change 2001: The scientific Basis, Contribution of working Group to the Third Assessment Report of the intergovernmental Panell on climate change. Cambridge Univ. Perss, New York, NY, USA, 881 P.

- Kim, K.G., Lee, H., & Lee, D.H. (2011). Wetland Restoration to Enhance Biodiversity in Urban Areas-A Comparative Analysis. Landscape Ecol Eng. 7: 27-32.

- Lemley, A.D. (1997). Risk assessment as an environmental management tool: consideration for freshwater wetlands. Environmental Management. 47:117-134.

- McKee, T., Doesken, B., Nolan, J., & Kleist, J. (1993). The relationship of drought frequency and duration to time scales. Paper presented at the Proceedings of the 8th Conference on Applied Climatology. Decision Making and Geographic Information System.

- Mertz, O., Mbow, C., Reenberg, A., & Diouf, A. (2009). Farmers’ perceptions of climate change and agricultural adaptation strategies in Rural Sahel, Environmental Management, 43, 804-816.

- Rahimi-Balochi, L., & Malek Mohammadi, B. (2011). Assessment of environmental risks of Shadegan International Wetland based on ecological performance indicators. Journal of Environmental Sciences, Year 39. 1, 101-112.

- Ramsar Convention Secretariat. (2007). Ramsar Handbooks for the Wise Use of Wetlands.3rd edn. Ramsar Convention Secretariat: Gland, Switzerland.

- Semenov, M.A, & Brooks, RJ. (1998). Comparison of the WGEN and LARSWG stochastic weather generators for diverse climates. Climate Research, 10: 95-107.

- Semenov, M.A., Barrow, E.M. (2002). LARS-WG A stochastic weather generator for use in climate impact studies. User Manual, Version 0/3: 28

- Semenov, M.A. (2008). Simulation of extreme weather events by a stochastic weather generator. Climate Research, 35, 203-212.

- Shrestha, S., & Lohpaisankrit, W. (2017). Flood hazard assessment under climate change scenarios in the Yang River Basin, Thailand. International Journal of Sustainable Built Environment.

 

 

 

 

[1]  .Intergovernmental Panel on Climate Change

[2]  .Lang Ashton Research Station Weather Generator

[3]  .General Circulation Model

[4]  .Atmosphere-Ocean General Circulation Model

[5]  .Hadley Centre Coupled Model, version 3

[6]  .Lang Ashton Research Station Weather Generator


Related articles

The rights to this website are owned by the Raimag Press Management System.
Copyright © 2017-2025

Home| Login| About Rimag| Contact Us|
[فارسی] [العربية] [fa] [ar]