
تعداد نشریات | 13 |
تعداد شمارهها | 622 |
تعداد مقالات | 6,489 |
تعداد مشاهده مقاله | 8,604,892 |
تعداد دریافت فایل اصل مقاله | 8,198,427 |
بررسی تاثیر تغییر اقلیم بر روند و توزیع دمایی فاز بارش در حوضه برفی-بارانی بهشت آباد و کوهرنگ | ||
مجله پژوهشهای حفاظت آب و خاک | ||
دوره 28، شماره 4، دی 1400، صفحه 77-100 اصل مقاله (2.02 M) | ||
نوع مقاله: مقاله کامل علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/jwsc.2022.19626.3509 | ||
نویسندگان | ||
میثم صدریان زاده1؛ حسین قربانی زاده خرازی* 2؛ حسین اسلامی3؛ حسین فتحیان4؛ عبدالرسول تلوری5 | ||
1گروه مهندسی عمران- مدیریت منابع آب، واحد شوشتر، دانشگاه آزاد اسلامی، شوشتر، ایران. | ||
2نویسنده مسئول، گروه مهندسی عمران- مدیریت منابع آب، واحد شوشتر، دانشگاه آزاد اسلامی، شوشتر، ایران. | ||
3گروه مهندسی عمران-مدیریت منابع آب، واحد شوشتر، دانشگاه آزاد اسلامی، شوشتر، ایران. | ||
4گروه مهندسی منابع آب، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران. | ||
5گروه مهندسی عمران، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران. | ||
چکیده | ||
چکیده سابقه و هدف: شناخت تاثیرات تغییر اقلیم در مناطق مرتفع کوهستانی به دلیل تاثیر مستقیم بر منابع آب در سرشاخهها از اولویت بالاتری برخوردار است. منطقه بهشتآباد و کوهرنگ، که از جمله مرتفعترین مناطق کوهستانی ایران میباشند به عنوان یکی از مهمترین سرشاخه-های رودخانه کارون بوده و تاثیر بسزایی در آورد این رودخانه دارند. با توجه به بهرهبرداریهای چند جانبه از رودخانه کارون شناخت تغییرات آن در آینده و تحت تاثیر پدیده تغییر اقلیم اهمیت ویژهای دارد. هدف این تحقیق شناخت تاثیرات تغییر اقلیم بر وضعیت بارشها در منطقه مورد نظر خصوصاً از نظر تغییر در فاز برف و باران در دوره آینده میباشد. مواد و روشها: بدین منظور از دادههای بارش، دما و نوع بارش به شکل روزانه و برای حوضه مورد مطالعه در دوره تاریخی 2018-1985 استفاده گردید. برای پیش بینی تغییرات آب و هوایی در آینده از مدل CanESM2 و تحت سه سناریو RCP2.6، RCP4.5 و RCP8.5 و داده های بازتحلیل شده جویNCEP بهره برداری و همچنین به منظور ریزمقیاس نمایی از مدل SDSM 5.3 استفاده گردیده است. جهت بررسی روند دادهها از آزمون من-کندال و من-کندال اصلاحی پیشنهاد شدهی یو و ونگ استفاده گردیده است. جهت تفکیک فاز بارش از روشهای دمای ثابت، مدل آبخیزداری UBS کانادا، مدل USCE و روش پیشنهادی کینزل استفاده گردیده است. یافته ها: جهت تفکیک فاز بارش ضمن بررسی روشهای مختلف و مقایسه با گزارشات مشاهداتی در دوره پایه، نتیجه گردید دو روش کینزل و USCE نتایج رضایت بخشی ارائه میدهند. همچنین در این تحقیق مشخص گردید در حوضه کوهستانی مورد مطالعه، در دوره آینده تغییر اقلیم باعث اعمال تغییرات قابل توجهی در توزیع دمایی بارشها گردیده و موجب کاهش تنوع در مقدار بارشها نسبت به دوره تاریخی میشود. همچنین بخش عمده ای از تاثیر تغییر اقلیم بر فاز بارش برف و باران میباشد. تغییرات ایجاد شده به شکلی است که در دوره آینده (2060-2026) نسبت به دوره مشاهداتی (2018-1985)، بارش باران در دماهای بالاتر افزایش و در دماهای پایینتر کاهش می-یابد. در ایستگاه شهرکرد، در دوره مشاهداتی حداکثر بارش کل در دمای 5.7 درجه سانتیگراد ثبت گردیده که در دوره آینده به صفر درجه سانتیگراد کاهش یافته است. گستره دمایی بارش نیز در این ایستگاه در دوره مشاهداتی در بازه دمایی منفی 10 تا مثبت 18 درجه سانتیگراد ثبت گردیده که در دوره آینده به طور متوسط برای هر سه سناریو به بازه منفی 10 تا مثبت 24 درجه افزایش مییابد. در ایستگاه کوهرنگ، گستره بارشها در دوره آینده و مشاهداتی نسبتاً یکسان است اما تاثیرات تغییرات اقلیمی باعث تغییر شدید در مقدار بارشها در این گستره دمایی گردیده است. به شکلی که به عنوان مثال در دوره 34 ساله مشاهداتی حداکثر بارشها که در دمای 1.6 درجه سانتیگراد اتفاق افتاده است به مقدار مجموعاً 5700 میلیمتر بوده، که تحت تاثیر تغییرات اقلیمی برای دوره 34 سالهی آینده به دمای منفی 1.6 درجه سانتیگراد و مقدار 3700 میلیمتر تغییر یافته است. در ایستگاه بروجن نیز تغییرات باعث افزایش حد بالایی دامنه دمایی بارشها از مثبت 18 درجه سانتیگراد در دوره تاریخی به مثبت 24 درجه سانتیگراد در دوره پیش بینی گردیده است. نتیجهگیری: بررسی آزمون روند بر روی دادههای پیش بینی شده نشان دهنده وجود معنی داری آن در بارشهای ماهانه در ایستگاههای مطالعاتی دارد. این تغییرات که ناشی از تاثیرات تغییر اقلیم بر منطقه مورد مطالعه میباشد، باعث تغییر توزیع دمایی بارشها شده و به دنبال آن فاز بارش تغییر مینماید. | ||
کلیدواژهها | ||
تغییر اقلیم؛ برف؛ بارش زمستانه؛ فاز بارش؛ RCPs | ||
مراجع | ||
1.Ahmadi, F., Nazeri Tahroudi, M., Mirabbasi, R., Khalili, K., and Jhajharia, D. 2018. Spatiotemporal trend and abrupt change analysis of temperature in Iran. Meteorological Applications. 25: 2 . 314-323.
2.Baghanam, A.H., Nourani, V., Sheikhbabaei, A., and Jedari Seifi, A., 2019. Statistical downscaling and projection of future temperature change for Tabriz city, Iran. EasyChair Preprint 1813.
3.Bonsal, B., Peters, D., Seglenieks, F., Rivera, A., and Berg, A. 2019. Changes in freshwater availability across Canada. In Canada’s Changing, Government of Canada, Ottawa, Ontario, pp. 261-342.
4.Bonsal, B., Shrestha, R., Dibike, Y.L., Peters, D., Spence, C., Mudryk, L., and Yang, D. 2020. Western Canadian freshwater availability: current and future vulnerabilities. Environmental Reviews 28.
5.De Vries, H., Lenderink, G., and Meijgaard, E. 2014. Future snowfall in western and central Europe projected with a high-resolution regional climate model ensemble. Geophysical Research Letters. 41: 12. 4294-4299.
6.Derksen, C., Burgess, D., Duguay, C., Howell, S., Mudryk, L., Smith, S., Thackeray, C., and Kirchmeier-Young, M. 2019. Changes in snow,ice, and permafrost across Canada. In Canada’s Changing Climate Report, Government of Canada, Ottawa, Ontario, pp. 194-260.
7.Dini G., Zieaean Firouzabadi, R., Alimohammadi Sarab, P., Dadashi, A., and Khanghah, S. 2008. GIS-based snow mapping in Central Alborz Mountain chain using MODIS and AVHRRdata. Iran-Water Resources Research.3: 3. 87-94. (In Persian)
8.Dinpashoh, Y., Mirabbasi, R., Jhajharia, D., Abianeh, H.Z., and Mostafaeipour, A. 2014. Effect of short-term and long- term persistence on identification of temporal trends. Journal of Hydrologic Engineering. 19: 3. 617-25. (In Persian) 9.Coppola, E., Raffaele, F., and Giorgi, F. 2018. Impact of climate change on snow melt driven runoff timing. Climate Dynamics. 51. 1259-1273.
10.Goodarzi, M., Jahanbakhsh, S., Razaee, M., Ghfrouri, A., and Mahdian, M.H. 2011. Assessment of Climate Change Statistical Downscaling Methods in a Single Site in Kermanshah, Iran. American-Eurasian Journal of Agricultural and Environmental Sciences. 6: 564-572.
11.Hamed, K.H., and Rao, A.R. 1998. A modified Mann-Kendall trend test for autocorrelated data. Journal of Hydrology. 204: 182-196.
12.Hirsch, R.M., Slack, J.R., and Smith, R.A. 1982. Techniques of trend analysis for monthly water quality data. Water Resources Research. 18: 1. 107-121.
13.Khalili, K., Nazeri Tahoudi, M,. Mirabbasi, R., and Ahmadi, F. 2016. Investigation of spatial and temporal variability of precipitation in Iran over the last half century. Stochastic environmental research and risk assessment. 30: 4. 1205-1221.
14.Khan, M.S., Coulibaly, P., and Dibike, Y. 2006. Uncertainty analysis of statistical downscaling methods. Journal of Hydrology. 319: 357-382.
15.Khazaei, M., Sharafati, A., and Khazaei, H. 2018. Climate change impact assessment on maxima daily snowfalls, case study: Tehran. Watershed Engineering and Management. 10: 2. 204-213.(In Persian)
16.Kienzle, S.W. 2008. A new temperature based method to separate rain and snow. Hydrological Processes. 22: 5067-5085.
17.Kotlarski, S., Luthi, D., and Schar, C. 2015. The elevation dependency of21st century European climate change: an RCM ensemble perspective. International Journal of Climatology.35: 3902-3920.
18.Lotfi, M., Kamali, Gh.A., Meshkati, A., Varshavyan, V. 2020. Predicting maximum temperatures using global climate models under RCP scenariosand microscaling LARS-WG andSDSM models in the west of the country. Physical Geography Quarterly 14: 51. 115-130. (In Persian)
19.Lute, A.C., Abatzoglou, J.T., and Hegewisch, K.C. 2015. Projected changes in snowfall extremes and internal variability of snowfall in the western United States. Water Resources Research. 51: 2. 960-972.
20.Malcolm, R., Cawely, G.C., Harpham, C., Wilby, R.L., and Goodees, C.M. 2006. Downscaling heavy precipitaion over the United Kingdom: A comparison of dynamical and statistical methods and their future scenarious. International journal of climatology. 26: 10. 1397-1415.
21.Newton, B.W., Farjad, B., and Orwin, J.F. 2021. Spatial and temporal shifts in historic and future temperature and precipitation patterns related to snow accumulation and melt regimes in Alberta, Canada. Water. 13: 8. 1013.
22.Partal, T., and Kahya, E. 2005. Trend analysis in Turkish precipitation data. Hydrological Processes. 20: 2011-2026.
23.Pipes, A., and Quick, M. 1977. UBS Watershed Model User. University of British Columbia, Vancouver, British Columbia, Canada.
24.Raziei, T., Jahanbakhsh Asl, S., Parandeh Khouzani, A., and Sari Saraf, B. 2018. Assesing the Accuracy of the Snow-Rain Phase Separation Models for Meteorological Weather Stations of the Mountainous Region of Zagros, Iran. Iran-Water Resources. 14: 3. 85-102.(In Persian)
25.Saghafian, B., and Davtalab, R.2007. Short Communication Mapping snow characteristics based on snow observation probability. International Journal Of Climatology. 27: 1277-1286.
26.Saghafian, B., Davtalab, R., and Kefayati, M. 2016. Comparison of threshold temperature determination methods and snowfall potential areas in Karkheh, Dez, Karun and Maroon catchments. Iranian Water Rrsource Journal. 9: 4. 31-9. (In Persian)
27.Shukla, S., Jain, S.K., and Kansal, M.L. 2021. Hydrological modelling of a snow/glacier-fed western Himalayan basin to simulate the current and future streamflows under changing climate scenarios. Science of the Total Environment. 795: 15. 148871.
28.USCE. 1956. Snow hydrology, Summary report of the snow investigation. US Army Corps of Engineers, North Pacific Division, Portland, Oregon.
29.Wilby, R.L., and Harris, I. 2006. A framework for assessing uncertainties in climate change impacts: Low-flow scenarios for the River Thames, UK. Water Resources Research. 42: 2.
30.Willby, R.L., Dawson, C.W., and Barrow, E.M. 2002. SDSM- A decision support tool for the assessment of regional climate change impacts. Journal of Environmental Modeling and Software. 17: 147-159.
31.Yue, S., and Wang, C. 2004. TheMann-Kendall Test Modified by Effective Sample Size to Detect Trend in Serially Correlated Hydrological Series. Water Resources Management. 18: 201-218.
32.Zamani, R., Mirabbasi, R., Nazeri, M., Meshram, S.G., and Ahmadi, F. 2018. Spatio-temporal analysis of daily, seasonal and annual precipitation concentration in Jharkhand state, India. Stochastic environmental research and risk assessment. 32: 4. 1085-1097.
33.Zhang, X., Flato, G., Kirchmeier-Young, M., Vincent, L., Wan, H., Wang, X., Rong, R., Fyfe, J., Li, G., and Kharin V. 2019. Changes in Temperature and Precipitation Across Canada. In Canada’s Changing Climate Report, Government of Canada, Ottawa, Ontario, pp. 112-193.
34.Zhang, X., Srinivasan, R., Debele, B., and Hao, F. 2008. runoff simulation of the headwaters of the Yellow river using the swat model with tree snowmelt alguritme. American Water Resources Assocition. 44: 48-61.
35.Zoheyri, Z., Ghazavi, R., Omidvar, E., and Davudi-rad, A. 2020. Comparison of LARS-WG and SDSM Downscaling Models for Prediction Temperature and Precipitation Changes under RCP Scenarios. Arid Regions Geographic Studies. 10: 40. 39-52. (In Persian) | ||
آمار تعداد مشاهده مقاله: 545 تعداد دریافت فایل اصل مقاله: 317 |