مدلسازی و پیش‌بینی روند بارش و خشکسالی شمال غرب ایران برای کاهش مخاطرات

نوع مقاله : پژوهشی کاربردی

نویسندگان

1 استاد گروه آب‌وهواشناسی، دانشگاه تبریز

2 استاد گروه سنجش از دور، دانشگاه تبریز

3 دانشجوی دکتری آب‌وهواشناسی، دانشگاه تبریز

چکیده

پیش‌بینی احتمال وقوع خشکسالی در سال‌‌‌های مختلف و فعالیت‌های پیشگیرانه در رأس تدابیر اتخاذشده در مقابل خشکسالی قرار دارد. هدف پژوهش حاضر، پیش‌بینی خشکسالی با استفاده از روش‌های آماری ریزمقیاس‌نمایی و تکنیک تولید داده‌های مصنوعی است. در این تحقیق به‌منظور دستیابی به این اهداف، مطالعه‌ای ترکیبی با استفاده از داده‌های ایستگاهی، خروجی مدل‌های آماری و تولید داده‌های مصنوعی انجام گرفت. ابتدا با استفاده از مدل‌ آماری CLIMGEN داده‌های مصنوعی تولید شده و با استفاده از شاخص SPI خشکسالی‌های آیندۀ منطقۀ تحقیق استخراج شد. در نهایت با استفاده از MINITAB روند خشکسالی در ایستگاه‌های منتخب شمال غرب ایران ترسیم شد. برای صحت‌سنجی، توسط داده‌های مشاهداتی دورۀ پایه به پیش‌بینی داده‌های دورۀ2010-2001 به‌وسیلۀ مدل پرداخته شد. همبستگی بین داده‌های تولیدشده با داده‌های مشاهداتی توسط SPSS صورت گرفت که در اکثر ایستگاه‌ها دقت به‌نسبت خوبی را نشان می‌دهد. براساس نتایج، ایستگاه‌های اردبیل، جلفا و تکاب روند ملایم کاهش بارش و افزایش خشکسالی را دارند و ایستگاه‌های خوی، میانه و سردشت روند ملایم افزایش بارش و افزایش ترسالی را نشان می‌دهند. در نمودارهای ایستگاه‌های تبریز، ارومیه و پارس‌آباد نیز روند یکنواخت و بدون تغییر البته با دوره‌های خشک و مرطوب مشاهده می‌شود.

کلیدواژه‌ها


 
[1] جهانبخش اصل، سعید؛ قویدل رحیمی، یوسف (1383). «مدلسازی روند بارش و پیش‌بینی خشکسالی‌های حوضۀ آبریز دریاچۀ ارومیه». جغرافیا و برنامه‌ریزی. ش 17: 52-33.
[2] خلیلی، نجمه؛ داوری، کامران؛ علیزاده، امین؛ انصاری، حسین؛ رضایی پژند، حجت؛ کافی، محمد؛ قهرمان، بیژن (1395). «ارزیابی عملکرد دو مدل LARS-WG و CLIMGEN در تولید سری‌های زمانی بارش و درجۀ حرارت در ایستگاه تحقیقات دیم سیساب- خراسان شمالی». آب و خاک. جلد 30(ش1): 333-322.
[3]  رشیدنیقی، علی؛ مجنونی هریس، ابوالفضل؛ ناظمی، امیرحسین؛ دلیر حسن‌نیا، رضا (1389). «ارزیابی مدل CLIMGEN و پیش‌بینی اطلاعات هواشناسی برای منطقۀ تبریز». اولین کنفرانس بین‌المللی مدلسازی گیاه؛ آب؛ خاک و هوا. دانشگاه شهید باهنر کرمان.
[4] ساری‌صراف، بهروز؛ محمودی، سعید؛ زنگنه، سعید؛ پاشایی، زهرا (1394). «پایش و پیش‌بینی ترسالی و خشکسالی تبریز با استفاده از مدل CLIMGEN و شاخص SPI». هیدروژئومورفولوژی. ش2: 78-61.
[5] سلامت، علی‌رضا؛ آل یاسین، محمدرضا (1380). «راه‌های مقابله با خشکسالی. نشریۀ علمی ترویجی حفاظت آب و خاک. ش 45 : 44 – 38.
[6] ظاهری، محمد (1392). جغرافیای مخاطرات. تبریز: انتشارات دانشگاه تبریز.
[7]. فرج‌زاده، منوچهر (1384). خشکسالی از مفهوم تا راهکار. تهران: انتشارات سازمان جغرافیایی نیروهای مسلح.
[8]. معافی مدنی، سیده‌فاطمه؛ موسوی بایگی، محمد؛ انصاری، حسین (1391). «پیش‌بینی وضعیت خشکسالی استان خراسان رضوی طی دورۀ 2030-2011 با استفاده از ریزمقیاس نمایی آماری خروجی مدل LARS-WG5». جغرافیا و مخاطرات محیطی، ش 3:  37-21.
]9[ Danuso, F.; (1997). CLIMAK reference manual. DPVTA, University of Udine, Italy.
]10[ Gabriel, K. R.; Neumann, J. (1962). “A Markov chain model for daily rainfall occurrence at Tel Aviv”. Quarterly Journal of the Royal Meteorological Society. 88(375): 90-95.
]11[ Johnson, G.L.; Hanson, C.L.; Hardegree S.P.; Ballard, E.B. (1996). “Stochastic Weather Simulation: Overview and analysis of two commonly used models”. Journal of Applied Meteorology. 35: 1878-1896.
]12[ Kavalieratou, S.; Karpouzos, D. K.; Babajimopoulos, C. (2012). “Drought analysis and short-term forecast in the Aison River Basin (Greece)”. Natural Hazards and Earth System Sciences. 12(5): 1561-1572.
]13[ Khan, M. S.; Coulibaly, P.; Dibike, Y. (2006). “Uncertainty analysis of statistical downscaling methods”. Journal of Hydrology. 319(1): 357-382.
]14[ McKee, T. B; Doesken, N. J; Kleist, J. (1995, January). “Drought monitoring with multiple time scales. In Proceedings of the 9th Conference on Applied Climatology” (pp. 233-236). Dallas. Boston. MA: American Meteorological Society.
]15[ Mishra, A. K; Desai, V. R; Singh, V. P. (2007). “Drought forecasting using a hybrid stochastic and neural network model”. Journal of Hydrologic Engineering. 12(6): 626-638.
]16[ Moreira, E. E.; Paulo, A. A.; Pereira, L. S.; Mexia, J. T. (2006). “Analysis of SPI drought class transitions using loglinear models”. Journal of Hydrology. 331(1): 349-359.
]17[ Richardson, C.W.; Wright, D.A. (1984). WGEN: A model for generating daily weather variables. USDA, Agricultural Reserch Service ARS-9.
]18[ Santos, C. A. G.; Morais, B. S.; Silva, G. B. (2009). Drought forecast using an artificial neural network for three hydrological zones in San Francisco River basin, Brazil. IAHS publication, 333, 302.
]19[ Selker, J.S. ; D.A. Haith. (1990). “Development and testing of single-parameter precipitation distributions”. Water  Resources Research. 26(11): 2733-2740.
]20[ Semenov, M. A.; Brooks, R. J.; Barrow, E. M.; Richardson, C. W. (1998). “Comparison of the WGEN and LARS-WG stochastic weather generators for diverse climates”. Climate research, 10(2): 95-107.
]21[ Semenov, M.A.; Jamieson, P.D. (1999). Using weather generators in crop modeling. In: CLIMAG Geneva Workshop. Geneva. Switzerland. September 28-29.
]22[ Sharpley, A.N.; Williams, J.R. (1990). EPIC-Erosion/Productivity Impact Calculator: 1. Model Documentation. US Department of Agriculture Technical Bulletin No. 1768. 1835 p
]23[ Stockle, C.O.; Steduto, P.; Allen, R.G. (1998). Estimating daily and daytime mean VPD from daily maximum VPD. 2th Congress of the European Society of Agronomy, Nitra, The Slovak Republic.
]24[  Stockle, C.O.; Nelson, R.; Donatelli, M.; Castellvi, F. (2001). ClimGen: a flexible weather generation program. In: Proceedings of the Second International Symposium on Modelling Cropping Systems, July 12-19, 2001, Florence, Italy: 229-230
]25[ Thompson, S. A. (1999). Hydrology for water management. AA Balkema.
]26[ Torranin, P. (1976). Unpredictability of hydrological drought, In Proceeding of the Second International Symposium in Hydrology. Fort Collins, Colorado: 595–604.
]27[ Yevjevich, V. (1967). an objective approach to definitions and investigations of c0ontinental hydrologic droughts, Hydrol. Papers, Colorado State Univ; Fort Collins, Colo.