بررسی اثرات پدیده تغییر اقلیم بر دما، بارش با استفاده از مدل¬LARS-WG (مطالعه موردی حوضه آبخیز رودخانه بشار)
الموضوعات :حمیدرضا پناهی 1 , حسین منتصری 2 , علیاکبر حکمت زاده 3 , رضا خلیلی 4
1 - کارشناس ¬ارشد، مهندسی عمران گرایش مهندسی و مدیریت منابع آب، دانشگاه یاسوج
2 - استادیار گروه مهندسی عمران،مهندسی و مدیریت منابع آب، دانشگاه یاسوج
3 - دانشیار گروه مهندسی آب و سازه های هیدرولیکی، دانشکده مهندسی عمران و محیط زیست دانشگاه صنعتی شیراز
4 - کارشناس ¬ارشد، مهندسی عمران گرایش مهندسی و مدیریت منابع آب، دانشگاه یاسوج
الکلمات المفتاحية: تغییرات اقلیمی, بارش, سناریو¬های اقلیمی, رودخانه بشار, مدل گردش عمومی,
ملخص المقالة :
افزایش گاز های گلخانه ای در چند دهه اخیر و افزایش دمای ناشی از آن باعث به هم خوردن تعادل سیستم اقلیمی کره زمین و تغییرات اقلیمی در اغلب نواحی کره زمین شده است. ازاینرو تطبیق و مقابله با تغییرات اقلیمی در بخش منابع آب به همراه کاهش بازتاب آنها می بایستی بهعنوان بخشی از یک پاسخ جامع منطقهای به آسیبپذیری ناشی از تغییر اقلیم مورد رسیدگی جدی قرار گیرد. در این مطالعه با استفاده از نرمافزار ریزمقیاس نمایی LARS-WG و مدل گردش عمومی جوی اقیانوسی HadCM3 در قالب سناریو های مختلف تعریفشده در گزارش چهارم IPCC (سناریوهای پایه) ازجمله سناریو A1، A2، B1، B2 که بیشتر به مسائل منطقه ای و جهانی از منظر اقتصادی و محیطزیستی توجه دارد، میزان تغییرات دمایی و بارش در 100 سال آینده حوضه رودخانه بشار پیش نگری شد. سپس با استفاده از سناریوی گزارش پنجم (RCP) استفاده شد و نتایج با سناریوهای پایه مقایسه گردد. نتایج نشان داد در هر دو سناریو در دوره آتی با افزایش زیاد متوسط دمای هوا مواجه خواهیم بود ولی کاهش میزان بارش چشمگیر نخواهد بود. در بخش سناریوسازی تغییرات اقلیمی RCP ها تا انتهای قرن 21 نشان از افزایش درجه حرارت و کاهش بارش در سال های آتی دارد. میزان تغییرات دمایی در RCP2.6 بین 3 تا 13 درصد و در RCP8.5 بین 4 تا 14 درصد تخمین زده شد؛ این افزایش دما در مقیاس های بزرگ باعث افزایش تبخیر و طولانیتر شدن دوره های خشکسالی می شود.
Chang, J., Wang, Y., Istanbulluoglu, E., Bai, T., Huang, Q., Yang, D., & Huang, S. (2015). Impact of climate change and human activities on runoff in the Weihe River Basin, China. Quaternary International, 380, 169–179.
Chun, K. P., Wheater, H. S., Nazemi, A., & Khaliq, M. N. (2013). Precipitation downscaling in Canadian Prairie Provinces using the LARS-WG and GLM approaches. Canadian Water Resources Journal, 38(4), 311–332.
Fenta Mekonnen, D., & Disse, M. (2018). Analyzing the future climate change of Upper Blue Nile River basin using statistical downscaling techniques. Hydrology and Earth System Sciences, 22(4), 2391–2408.
Fiseha, B. M., Melesse, A. M., Romano, E., Volpi, E., & Fiori, A. (2012). Statistical downscaling of precipitation and temperature for the Upper Tiber Basin in Central Italy. International Journal of Water Sciences, 1.
Hassan, Z., Shamsudin, S., & Harun, S. (2014). Application of SDSM and LARS-WG for simulating and downscaling of rainfall and temperature. Theoretical and Applied Climatology, 116(1–2), 243–257.
Heydari Tasheh Kaboud, S. (2019). Projection and prediction of the annual and seasonal future reference evapotranspiration time scales in the West of Iran under RCP emission scenarios TT. Jgs, 19(53), 157–176. https://doi.org/10.29252/jgs.19.53.157
Khalili, R., Montaseri, H., & Motaghi, H. (2021). Evaluation of water quality in the Chalus River using the statistical analysis and water quality index (WQI). Water and Soil Management and Modelling. https://doi.org/10.22098/mmws.2021.9300.1031
Khalili, R., Zali, A., & Motaghi, H. (2021). Evaluating the Heavy Metals in the Water and Sediments of Haraz River, Using Pollution Load Index (PLI) and Geo accumulation Index (Igeo). Iranian Journal of Soil and Water Research. https://doi.org/10.22059/ijswr.2021.316080.668850
Kisi, O., Shiri, J., & Tombul, M. (2013). Modeling rainfall-runoff process using soft computing techniques. Computers & Geosciences, 51, 108–117.
Lenderink, G., Buishand, A., & Van Deursen, W. (2007). Estimates of future discharges of the river Rhine using two scenario methodologies: direct versus delta approach. Hydrology and Earth System Sciences, 11(3), 1145–1159.
Mohammadi, H., khalili, R., & Mohammadi, S. (2021). Forecasting future temperature and precipitation under the effects of climate change using the LARS-WG climate generator (Case Study: South Zagros Region of Iran(. Nivar, 45(114–115), 137–153. https://doi.org/10.30467/nivar.2022.319565.1209
Panahi, A., & Khorramabadi, F. (2020). Evaluation of CSIRO and LARS WG data accuracy in simulation of climatic variables of East Azerbaijan province. Climate Change and Climate Change, 1(2), 139–163.
Sarkar, J., & Chicholikar, J. R. (2017). Future climate change scenario in hot semi-arid climate of Saurashtra, Gujarat by using statistical downscaling by LARS-WG model. MAUSAM, 68(4), 589–596.
Sarkar, J., Chicholikar, J. R., & Rathore, L. S. (2015). Predicting future changes in temperature and precipitation in arid climate of Kutch, Gujarat: analyses based on LARS-WG model. Current Science, 2084–2093.
Sha, J., Li, X., & Wang, Z.-L. (2019). Estimation of future climate change in cold weather areas with the LARS-WG model under CMIP5 scenarios. Theoretical and Applied Climatology, 137(3), 3027–3039.
Thamo, T., Addai, D., Pannell, D. J., Robertson, M. J., Thomas, D. T., & Young, J. M. (2017). Climate change impacts and farm-level adaptation: Economic analysis of a mixed cropping–livestock system. Agricultural Systems, 150, 99–108.
Veijalainen, N., Lotsari, E., Alho, P., Vehviläinen, B., & Käyhkö, J. (2010). National scale assessment of climate change impacts on flooding in Finland. Journal of Hydrology, 391(3–4), 333–350.
Zubaidi, S. L., Kot, P., Hashim, K., Alkhaddar, R., Abdellatif, M., & Muhsin, Y. R. (2019). Using LARS–WG model for prediction of temperature in Columbia City, USA. IOP Conference Series: Materials Science and Engineering, 584(1), 12026.
پژوهش و فناوری محیط زیست، 1401 7(12)، 129-142
| |||
بررسی اثرات پدیده تغییر اقلیم بر دما، بارش با استفاده از مدل LARS-WG، مطالعه موردی حوضه آبخیز رودخانه بشار |
| ||
1- کارشناس ارشد، مهندسی عمران گرایش مهندسی و مدیریت منابع آب، دانشگاه یاسوج، کهکیلویه و بویراحمد 2- استادیار، گروه مهندسی عمران، مهندسی و مدیریت منابع آب، دانشگاه یاسوج، کهکیلویه و بویراحمد 3- دانشیار، گروه مهندسی آب و سازه های هیدرولیکی، دانشکده مهندسی عمران و محیط زیست، دانشگاه صنعتی شیراز، شیراز 4- دانشجوی دکتری، مهندسی محیط زیست -آب و فاضلاب، دانشگاه شهید بهشتی، تهران | ||
چکیده | اطلاعات مقاله | |
افزایش گازهای گلخانهای در چند دهه اخیر و افزایش دمای ناشی از آن باعث به هم خوردن تعادل سیستم اقلیمی کره زمین و تغییرات اقلیمی در اغلب نواحی کره زمین شده است. ازاینرو، تطبیق و مقابله با تغییرات اقلیمی در بخش منابع آب به همراه کاهش بازتاب آنها باید بهعنوان بخشی از یک پاسخ جامع منطقهای به آسیبپذیری ناشی از تغییر اقلیم مورد رسیدگی جدی قرار گیرد. در این مطالعه با استفاده از نرمافزار ریزمقیاس نمایی LARS-WG و مدل گردش عمومی جوی اقیانوسی HadCM3 در قالب سناریوهای مختلف تعریف شده در گزارش چهارم IPCC (سناریوهای پایه) ازجمله سناریو A1، A2، B1، B2 که بیشتر به مسائل منطقهای و جهانی از منظر اقتصادی و محیطزیستی توجه دارد، میزان تغییرات دمایی و بارش در 100 سال آینده حوضه آبخیز رودخانه بشار پیشنگری شد. سپس با استفاده از سناریوی گزارش پنجم (RCP) استفاده شد و نتایج با سناریوهای پایه مقایسه گردید. نتایج نشان داد در هر دو سناریو در دوره آتی با افزایش زیاد متوسط دمای هوا مواجه خواهیم بود، ولی کاهش میزان بارش چشمگیر نخواهد بود. در بخش سناریوسازی تغییرات اقلیمی RCP ها تا انتهای قرن 21 نشان از افزایش درجه حرارت و کاهش بارش در سالهای آتی دارد. میزان تغییرات دمایی در RCP2/6 بین 3 تا 13 درصد و در RCP8/5 بین 4 تا 14 درصد تخمین زده شد؛ این افزایش دما در مقیاسهای بزرگ باعث افزایش تبخیر و طولانیتر شدن دورههای خشکسالی میشود. |
نوع مقاله: پژوهشی تاریخ دریافت: 31/04/1401 تاریخ پذیرش: 12/09/1401 دسترسی آنلاین: 15/10/1401
كليد واژهها: تغییرات اقلیمی، بارش، سناریوهای اقلیمی، رودخانه بشار، مدل گردش عمومی | |
|
[1] *پست الکترونیکی نویسنده مسئول: hmontaseri@yu.ac.ir
Journal of Environmental Research and Technology, 7(12)2022. 129-142
|
Hamidreza Panahi1, Hossein Montaseri12*, Ali Akbar Hekmatzadeh3, Reza Khalili4
1- MSc in Civil Engineering- Water Resources Engineering and Management, Faculty of Civil Engineering - Water and Environment, University of Yasouj, yasouj, Iran 2- Assistant Professor, Department of Civil Engineering, Water Resources Engineering and Management, University of Yasouj, yasouj, Iran 3- Associate Professor, Department of Water Engineering and Hydraulic Structures, Faculty of Civil and Environmental Engineering, Shiraz University of Technology, shiraz, Iran 4- PhD Student, Department of Environmental Engineering- Water and Wastewater, University of Shahid Beheshti, Tehran,Iran | |||
Article Info | Abstract | ||
Article type: Research Article
Keywords: Climate changes, Precipitation, Climate scenarios, Bashar River, General circulation model | The increase of greenhouse gases and as the result, the increase in temperature have caused the balance of the earth's climate system and climate changes in most areas of the earth. Therefore, adapting and dealing with climate changes in the water resources sector along with reducing their reflection should be seriously addressed as part of a comprehensive regional response to the vulnerability caused by climate change. In this study, using LARS-WG exponential microscale software and the HadCM3 oceanic atmospheric general circulation model in the form of different scenarios defined in the fourth IPCC report (basic scenarios), including scenario A1, A2, B1, B2, which are more attended to regional and the world issues from an economic and environmental point of view, the amount of temperature changes and precipitation in the next 100 years of Bashar River basin was predicted. Then the fifth report scenario (RCP) was used and the results were compared with the basic scenarios. The results showed that in both scenarios in the coming period, we will face a large increase in average air temperature, but the decrease in precipitation will not be significant. In the scenario section, climate changes of RCPs until the end of the 21st century indicate an increase in temperature and a decrease in precipitation in the coming years. The amount of temperature changes in RCP2/6 was estimated between 3 and 13% and in RCP8/5 between 4 to 14%. This increase in temperature on a large scale increases evaporation and prolongs drought periods. | ||
|
[1] * Corresponding author E-mail address: hmontaseri@yu.ac.ir
مقدمه
مسئلهی تغییر اقلیم بهعنوان یک بحران و نگرانی اصلی محیط زیستی توسط سازمان هواشناسی جهانی شناخته شده است(Mardani et al., 2022). به دلیل اینکه عواقب آن میتواند اجزای مختلف اجتماعی-اقتصادی و اکوسیستم یک منطقه را بهطور عمده تحت تأثیر قرار دهد. امروزه، یکی از نگرانیهای مهندسان در مورد سناریوهای آب و هوایی بر کفایت و توانایی زیرساخت موجود برای مقابله با حوادث شدید آبوهوا است (Sarkar et al., 2015). در هسته این نگرانیها درک علمی از فرآیندهای آبوهوایی است که عملکرد فیزیکی و محیط زیستی در محیط را تحت تأثیر قرار میدهند (Zubaidi et al., 2019). برای درک بهتر فرآیندهای آبوهوایی و تأثیرات ناشی از آن بر منابع آب، باید بامطالعه و مدلسازی حوضهی آبی، شرایط پیشنگری اثرات تغییر آبوهوا را فراهم آورد(Panahi et al., 2020). در ایران بارش یکی از متغیرهای اساسی برای ارزیابی منابع آب بالقوهی موجود است، اما توزیع زمانی و مکانی آن بسیار ناهمگن است و به همین دلیل توزیع منابع آب کشور یکنواخت نیست (Hassan et al., 2014). نگهداری و مدیریت منابع آب، تابعی از بارش دریافتی و تغییرپذیری بارش است. تغییر اقلیم منجر به تغییر در مقادیر و الگوی بارش و دما در سطح حوضه میشود که هرگونه تغییر در مقادیر و الگوی هر یک از این دو عامل و نیز تغییر در ارتباط زمانی بین عوامل مذکور، در کمیت تولید رواناب و نیز الگوی زمانی آن بسیار مؤثر است (Sarkar et al., 2017). به همین دلیل تغییرپذیری زمانی بارش در ارزیابی منابع آب موجود آبخیزها و مطالعه نسبی منابع آب موجود در مقیاس محلی و منطقهای اهمیت زیادی دارد (Sha et al., 2019) .تأثیر تغییر اقلیم بر روی منابع آب یک موضوع حیاتی برای زندگی بشر است (Mohammadi et al., 2021). در دهههای اخیر شدیدترین پدیدههای بارندگی رخداده است و بخشهایی از جهان بدترین پدیدههای هواشناسی مانند سیلابهای شدید، خشکسالیها و امواج گرما را تجربه کردهاند (Chun et al., 2013). این تغییرات اثر شکنندهای بر چرخه هیدرولوژیکی و منابع آب خواهد گذاشت.
فنتا و دیسه1 (2018) بهمنظور درک تغییر اقلیم آینده در بالادست حوضه رودخانه نیل آبی از دو روش ریزمقیاس نمایی آماری LARS-WG و SDSM استفاده کردند. آنها در این مطالعه نتیجه گرفتند هر دو روش ریزمقیاس نمایی توانایی زیادی برای شبیهسازی مقادیر تغییر اقلیم منطقهای کنونی با اطمینان زیاد دارند. هر دو روش روند افزایش بارش، کمترین و بیشترین دما را نشان دادند. همچنین تحلیل دادههای اقلیم ریزمقیاس شده در دو روش نشان داد LARS-WG افزایش نسبتاً بیشتری از SDSM دارد.
چانگ2 و همکاران(2015) به بررسی تأثیر تغییرات اقلیمی و فعالیتهای انسانی در رواناب حوضهی رودخانه وایه در چین پرداختند. آنها دریافتند رواناب تنها تحت تأثیر شرایط جغرافیایی قرار میگیرد و تغییر اقلیمی تأثیر کمی بر آن خواهد داشت. همچنین آنها دریافتند زمانی که پارامتر بارش و تبخیر در تعادل نیستند امکان افزایش آب رودخانه (تزریق از سد)وجود ندارد ، که در صورت انجام منجر به مشکلات اکوسیستم شده و در خطرات جدی است، بر این اساس، رواناب را میتوان بهعنوان شاخص ارزیابی پاسخهای هیدرولوژیکی به تغییرات آب و هوایی مورداستفاده قرارداد.
توما3 و همکاران(2017) به بررسی تأثیر تغییرات اقلیمی و سازگاری در سطح مزرعه و همچنین سازگاری سیستمهای کشاورزی با شرایط آب و هوایی جدید پرداختند. آنها به این نتیجه رسیدند که اثرات تغییرات آب و هوایی بر سودآوری کشاورزی بستگی دارد و فقط در مورد تغییر در تولید نیست.
حیدری (2019) به بررسی اثر تغییر اقلیم بر تبخیر و تعرق گیاه مرجع در مقیاسهای زمانی فصلی و سالانه در چند ایستگاه منتخب در غرب ایران پرداختند. از چهار ایستگاه سینوپتیک سنندج، سقز، خرمآباد و کرمانشاه که واجد آمار کافی در یک دوره طولانیمدت بودند انتخاب شدند. اثر تغییر اقلیم بر تبخیر و تعرق مرجع این ایستگاهها تحت دو سناریو انتشار RCP2/6، RCP8/5 و در سه دوره زمانی 2040-2011، 2070-2041 و 2100-2071 در مقایسه با دوره پایه 1999-1970 مورد بررسی قرار گرفت. نتایج نشان داد که در تمامی دورههای آتی و تحت تمامی سناریوها و برای کل ایستگاهها، میانگین تبخیر و تعرق مرجع در مقیاسهای سالانه و برای فصول پاییز و زمستان در مقایسه با دوره پایه افزایش معنیداری در سطح 01/0 خواهد داشت.
فیسها4 و همکاران (2012) بخش فوقانی حوضه آبریز رودخانه تایبر در ناحیه مرکزی ایتالیا را موردمطالعه قراردادند. این محققان با استفاده از دو روش ریزمقیاس نمایی رگرسیونی SDSM و مدل تصادفی مولد هواشناسی LARS-WG پارامترهای بارش و دما را بر اساس خروجی مدل جوی HadCM3 برای دورههای 2020 و 2050 و 2080 تحت سناریوهای B2, A2 پیشنگری کردند. یافتههای مدل رگرسیونی SDSM نشانگر روند افزایشی در مقادیر کمینه و بیشینه دما و بارش در دوره آتی است. نتایج مدل LARS-WG در پیشنگری مقادیر دما منطبق با مدل رگرسیونی بوده حالآنکه برای متغیر بارش روند کاهشی خصوصاً در فصل تابستان به میزان 60 درصد در بازه زمانی 2080 نسبت به دوره پایه 1961-1990 پیشنگری میشود. گرچه نتایج دو مدل یکسان نیست، اما هر دو مدل اثرات تغییر اقلیم در حوضه آبریز موردمطالعه را بر اساس سری زمانی بارش و دما را نشان میدهند. نتیجه کلی نشانگر عملکرد مدل LARS-WG مشابه نتایج مطالعات گذشته و پیشنگری بر پایه گزارش چهارم هیئت تغییر اقلیم IPCC است.
کیسی5 و همکاران (2013) فرآیند بارش-رواناب حوضه کوروکاواک واقع در شمال غرب ترکیه را به کمک سه روش شبکه عصبی مصنوعی، عصبی فازی و برنامهریزی ژنتیک مدلسازی و با روش رگرسیون خطی مورد مقایسه قراردادند؛ که نتایج آنها حاکی از برتری مدلهای هوشمند نسبت به رگرسیون خطی بود. در این تحقیق خروجی مدل گردش عمومی HadCM3 با استفاده از مدل LARS-WG تحت سناریوهای A2 و A1B ریزمقیاس شده و به کمک مدلهای هوشمند به ارزیابی تأثیر تغییر اقلیم بر بارش-رواناب حوضه صوفی چای پرداخته شده است. با توجه به مطالعات انجام شده توسط محققان، تأثیر پدیده تغییر اقلیم بر بارش و رواناب در ایران در برخی از استانها مورد بررسی قرار گرفته است، ولی به دلیل مطالعات بسیار اندک در استان کهگیلویه و بویراحمد و شهرستان بویراحمد، در این تحقیق تلاش بر این است که اثرات این پدیده بر بارش و رواناب در این شهرستان مورد بررسی قرار گیرد. در این پژوهش ابتدا با استفاده از سناریوهای انتشار، میزان تغییرات بارش و دما در آینده مورد بررسی قرار میگیرد. سپس با استفاده از سناریوهای واداشت تابشی (گزارش پنجم) میزان تغییرات گازهای گلخانهای، میزان تغییرات بارش و دما مورد بررسی قرار میگیرد.
مواد و روشها
حوضه مورد مطالعه، حوضه آبخیز رودخانه بشار واقع در محدوده جغرافیایی ˚51 تا ˚52 طول شرقی و ˚30 تا ˚31 عرض شمالی در جنوب غربی ایران در استان کهگیلویه و بویر احمد شهر یاسوج است. مساحت حوضه 2800 کیلومتر مربع و ارتفاع متوسط آن 2277 متر از سطح دریاست، در این مطالعه از دادههای ایستگاههای هیدرومتری پاتاوه مورد استفاده قرار گرفته است.
- شکل (1) حوضه آبخیز رودخانه بشار
معرفی مدل LARS-WG
نرمافزار LARS-WG6 یک تولیدکننده تصادفی اطلاعات هواشناسی7 است که قادر به مدل کردن اطلاعات هواشناسی در یک محل بر اساس اطلاعات فعلی است. این اطلاعات بهصورت سری زمانه روزانه متغیرهای اقلیمی کمینه و بیشینه دما، بارندگی و تشعشعات خورشید است (Mardani et al., 2022). خواص آماری دادههای تولید شده مشابه دوره آماری بوده اما انحراف معیار آنها به نسبت اختلاف دادههای مدل GCM در دوره آینده و گذشته مقایسه میشود. دادهها در سریهای زمانی روزانه برای یک سری متغیرهای اقلیمی مناسب برای مثال بارش، دمای کمینه و بیشینه و تابش ایجاد میشوند. نکته قابلتوجه این است که مولدهای مصنوعی دادههای آب و هوایی ابزاری برای پیشنگری نیستند که بتوان در پیشنگریهای آب و هوایی استفاده کرد. اما توانایی تولید سریهای زمانی دادههای آب و هوایی یکسان با دوره دیدهبانی رادارند. در این روش با شبیهسازی و تولید دادههای آب و هوایی مصنوعی در مقیاس محلی میتوان مطالعات تغییر اقلیم را در یک ایستگاه انجام داد. مولد مصنوعی، دادههای آب و هوایی است که میتواند برای شبیهسازی دادههای هواشناسی در یک مکان واحد تحت شرایط اقلیم حال و آینده بکار رود (Munawar et al., 2022). درواقع تولید نرمافزار دارای دو هدف اصلی میباشد، عبارتاند از:
الف) ایجاد ابزاری برای شبیهسازی و تولید دادههای آماری هواشناسی مرتبط با دادههای مشاهداتی منطقه موردمطالعه
ب) ابزاری برای شبیهسازی و تولید دادههای آماری هواشناسی با استفاده از درونیابی پارامترهای تولید شده نقاط مجاور برای نقاطی که فاقد اطلاعات مشاهدهای هستند (Kavwenje et al., 2022).
نسخه اولیه مدل LARS-WG در سال 1990 در بوداپست بهعنوان بخشی از پروژهای ارزیابی ریسک کشاورزی ارائه شد و کار آیی این مدل توسط سمنوف8 در 18 ایستگاه هواشناسی واقع در آمریکا، اروپا و آسیا ارزیابی گردید. هسته اصلی این مدل استفاده از زنجیره مارکف است که یک روش مرسوم برای مدلسازی پدیده بارش است و درواقع هدف اصلی از کاربرد مدل LARS-WG برطرف نمودن محدودیتهای زنجیره مارکف است. زنجیره مارکف همیشه قادر نیست بهطور صحیح طول دوره خشکی را شبیهسازی نماید. طول دورهی خشکی برای ارزیابی عملکرد محصولات کشاورزی در مناطق مختلف جهان بسیار مهم است (Mohammed & Hassan, 2022).
در این مدل وقوع بارش بهصورت سریهای تر و خشک مدل میشود، بهطوریکه سریتر بهروزهایی با بارش بیش از صفر میلیمتر تعریف میشود و طول هر سری بهصورت تصادفی از طریق توزیع نیمه تجربیتر و خشک اختصاصیافته به آغاز هرماه تعیین میشود. برای روزهای تر، مقادیر بارش از طریق توزیع نیمه تجربیای تعیین میشود که مربوط به بارش میباشد که از طول سریهای تر با بارش روزهای قبلی مستقل است. درجه حرارتهای کمینه و بیشینه روزانه بهصورت فرآیندهای تصادفی با میانگین و انحراف معیارهای روزانه که وابسته به وضعیتتر یا خشک بودن روز موردنظر هستند، مدلسازی میشوند.
در توزیع نیمه تجربی فاصلهها بهطور مساوی بین مقادیر بیشینه و کمینه سری زمانه ماهانه بهصورت رابطه زیر تقسیم میشوند:
(1) EMP={,, ,i=1, 2, 3, …,10}
که در اینجا EMP یک هیستوگرام با 10 بازه با شدتهای مختلف بارش است.
[ai-1, ai] ai-1<ai
hi تعداد رخداد بارش در i مین فاصله را نشان میدهد. فاصلهها برای طول روزهای تر و خشک و بارش افزایشی هستند.
در این مدل بهجای تابش میتوان از ساعت آفتابی نیز استفاده کرد. مقدار بارش یک روز تر از توزیع نیمه تجربی بارش ماه موردنظر و مستقل ازسریهای تر یا مقدار بارش در روز قبل بهدست میآید. در این مدل سریهای فوریه، درجه حرارت را تخمین میزنند. درجه حرارتهای کمینه و بیشینه روزانه بهصورت فرآیندهای تصادفی با میانگین و انحراف معیارهای روزانه که وابسته به وضعیتتر یا خشک بودن روز موردنظر هستند، مدلسازی میشوند(Majumder et al., 2019).
سری فوریه مرتبهی سوم برای شبیهسازی میانگین و انحراف معیار درجهی حرارت فصلی استفاده میشود.
فرآیند تولید دادهها توسط مدل LARS-WG در سه مرحله انجام میگیرد که عبارتاند از: واسنجی، ارزیابی و تولید یا شبیهسازی دادههای هواشناسی دهههای آینده.
الف) واسنجی مدل: در این مرحله مدل با دریافت دادههای هواشناسی مشاهداتی منطقه در مقیاس روزانه و همچنین اطلاعات جغرافیایی منطقه تنظیمشده و دادههای آب و هوایی مشاهداتی برای تعیین مشخصات آماری آن آنالیز میشود.
ب) ارزیابی مدل: در این مرحله با تولید دادههای آب و هوایی مصنوعی برای دوره مشاهداتی در منطقه مطالعاتی (بدون اعمال تغییر اقلیم) و مقایسه مشخصات دادههای شبیهسازیشده توسط مدل با دادههای مشاهداتی، توانایی مدل در شبیهسازی دادههای هواشناسی روزانه مورد ارزیابی و تصدیق قرار میگیرد.
ج) تولید دادههای آب و هوایی آینده: در این مرحله پارامترهای اقلیمی دورههای آتی با توجه به مدل GCM و سناریوهای تعیینشده مدلسازی میشود.
دوره بازگشت عکس احتمال است و آن تعداد مهرومومهایی است که بهطور میانگین بین وقوع دو حادثه مشابه وجود دارد. اگر دوره بازگشت T (سال) و احتمال وقوع P باشد خواهیم داشت (Punyawansiri & Kwanyuen, 2020).
بدون اتخاذ هیچگونه سیاستهای کاهش آثار و مقابله با پیامدهای اقلیم، آبوهوای کره زمین در خط سیر سناریوی انتشار RCP8/5 پیش خواهد رفت. بهطوریکه ادامه این روند منجر به واداشت تابشی به میزان5/8 وات بر مترمربع در سال 2100 میگردد. در این هنگام غلظت دیاکسید کربن به 1000 ppm رسیده و همچنان روند افزایش خواهد داشت. میزان جمعیت تا سال 2100 در این سناریو حدود 12 میلیارد نفر خواهد بود. این سناریو وجه مشخصه آن روند افزایش گازهای گلخانهای است(Osman et al., 2014).
در این سناریو با کاهش واداشت تابشی، میزان افزایش دیاکسید کربن نیز کاهش مییابد. این سناریو انتشار توسط گروه مدلسازی AIM در موسسه ملی مطالعات محیطی ژاپن طراحی شد. میزان جمعیت حدود 9 میلیارد نفر تخمین زده شده است که مقداری کمتر از میزان جمعیت پیشنگریشده در سناریو A2 است. در این سناریو واداشت تابشی بعد از سال 2100 به دلیل استفاده از فناوریهای جدید و سیاستهای کاهش گازهای گلخانهای ثابت میماند(Chuwah et al., 2016).
این سناریو توسط گروه مدلسازی Mini CAM طراحی شده است و در آن واداشت تابشی ناشی از گازهای گلخانهای قبل از سال 2100 در مقدار 5/4 وات بر مترمربع ثابت میماند.
این سناریو توسط گروه مدلسازی IMAGE از موسسه ارزیابیهای محیطی هلند طراحی شده است. این سناریو دربرگیرنده کمترین نرخ افزایش گازهای گلخانهای و واداشت تابشی ناشی از آن است. مطابق این سناریو واداشت تابشی در اواسط این قرن به حدود 1/3 رسیده و سپس کاهشیافته و به 6/2 وات بر مترمربع در سال 2100 میرسد. برای رسیدن به این سطح واداشت تابشی بایستی گازهای گلخانهای به میزان قابلتوجهی کاهش یابند. مدلهای جفت شده CMIP5 نسل جدیدی از مدلهای گردش عمومی است که در تهیه گزارش پنجم هیئت بینالدول تغییر اقلیم استفاده میگردد(Masui et al., 2011).
نتایج نرمافزار LARS-WG
نتایج حاصل از بخش تحلیل منطقهای در جداول 1 و 2 نشان داده شده است. جدول 1 نشاندهنده فصلهای ترسالی و خشکسالی و آزمونهای آماری k-s جهت مقایسه توزیعهای فراوانی است که یک مقدار احتمالاتی p-value برای دوره پایه ارائه میدهند. مقدار p-value بین 5/0تا 1 قابلقبول است.
جدول (1) فصلهای ترسالی و خشکسالی و آزمونهای آماری k-s و مقدار احتمالاتی P-value برای دوره پایه
P-value | k-s | تر یا خشک | فصلها |
9885/0 | 126/0 | تر | زمستان |
1 | 054/0 | خشک | زمستان |
1 | 055/0 | تر | بهار |
1 | 036/0 | خشک | بهار |
6967/0 | 200/0 | تر | تابستان |
7998/0 | 182/0 | خشک | تابستان |
1 | 030/0 | تر | پاییز |
9705/0 | 138/0 | خشک | پاییز |
جدول (2) بارش مشاهداتی و تولیدشده و اختلاف بین آنها در دوره پایه بدون اعمال سناریو
دی | بهمن | اسفند | فروردین | اردیبهشت | خرداد | تیر | مرداد | شهریور | مهر | آبان | آذر | ماه |
87/162 | 68/136 | 41/14 | 11/71 | 18/74 | 85/0 | 1/17 | 84/2 | 75/0 | 69/8 | 06/88 | 6/156 | مشاهداتی |
834/10 | 478/91 | 185/9 | 095/53 | 397/20 | 194/2 | 535/2 | 269/6 | 48/2 | 589/11 | 764/93 | 8/138 | SD |
02/163 | 72/126 | 89/14 | 63.93 | 39.27 | 03/3 | 81/0 | 03/3 | 55/0 | 74/16 | 29/70 | 9/162 | تولیدشده |
274/80 | 673/57 | 513/7 | 791/55 | 759/30 | 336/7 | 83/1 | 66/7 | 207/2 | 527/26 | 169/58 | 8/105 | SD |
931/0 | 563/0 | 666/0 | 094/0 | 2/0 | 144/0 | 479/0 | 912/0 | 718/0 | 145/0 | 316/0 | 827/0 | T-t |
171/0 | 006/0 | 041/0 | 807/0 | 029/0 | 0 | 051/0 | 278/0 | 477/0 | 0 | 005/0 | 107/0 | f-t |
135/1 | 28/7 | 702/5 | -67/31 | -16/46 | -5/256 | 77/30 | -69/6 | 67/26 | -64/92 | 179/20 | 037/4- | اختلاف مشاهداتی و تولیدشده |
در شکل 2 سری زمانی بارش سالانه حوضه مورد مطالعه از سال 71-72 تا سال 95-96 ایستگاه پا تاوه ارائه شده است که مقدار متوسط سالانه حدود 800 میلیمتر است.
شکل (2) سری زمانی بارش سالانه حوضه مورد مطالعه
واسنجی و صحتسنجی مدل LARS-WG
واسنجی و صحتسنجی مدل LARS-WG برای دوره پایه ریزمقیاس نمایی انجام شده است. با توجه به نزدیک بودن دادههای تولیدشده و مشاهداتی، نتایج حاصل حاکی از صحت مدل برای تولید دقیق دادهها در آینده است. نتایج ریز گردانی بارش، دمای کمینه و بیشینه حاصل از روش مولد هواشناسی LARS-WG که بهمنظور ریزمقیاس نمایی با این روش انجام شده است، پس از واسنجی بر پایه آزمونهای نکویی برازش (آزمون K-S، F، t و مقدار p) بهمنظور صحتسنجی، سری زمانی در دوره پایه بر اساس فایل ایجادشده در مرحله واسنجی تولید شد و با اطلاعات مشاهداتی مقایسه شد که نتیجه آن در شکلهای 3 تا 5 مشاهده میشود. خطای بین مقادیر تولیدشده و مشاهداتی (اطلاعات ماهانه) برای شاخصهای جذر متوسط مجموع مربعات خطاها RMSE و خطای متوسط مطلق MAE به ترتیب برابر 5/9 و 6/5 میلیمتر و ضریب تعیین برابر 97/0 است که نشان میدهد این مدل از کار آیی مناسبی جهت ریزمقیاس نمایی اطلاعات برخوردار است.
شکل (3) اختلاف بارش مشاهداتی با بارش تولیدشده بدون اعمال سناریو در دوره پایه (تاریخی)
شکل (4) اختلاف دمای بیشینه مشاهداتی با دمای بیشینه تولیدشده بدون اعمال سناریو در دوره پایه (تاریخی)
شکل (5) اختلاف دمای کمینه مشاهداتی با دمای کمینه تولیدشده بدون اعمال سناریو دوره پایه (تاریخی)
پیشنگری کوتاهمدت برای دوره هفتساله موجود
در این بخش بهمنظور بررسی دقیقتر صحت مدل LARS-WG، دوره 20 ساله از سال 71 تا 90 بهعنوان ورودی مدل در نظر گرفته شد و برای دوره 7 ساله 91 تا 98 مقادیر بارندگی پیشنگری شد. نتایج حاصل در شکل 6 نشان داده شده است. همانطور که مشاهده میشود مدل بهخوبی توانسته است واقعه مربوط به سیل سال 97-98 که بعد از یک دوره کم بارش اتفاق افتاده است را پیشنگری کند.
شکل (6) پیشنگری کوتاهمدت هفتساله برای صحتسنجی دقیق مدل Lars
همچنین در جدول 3 مقادیر بارش سالانه پیشنگری شده و مشاهداتی و میزان درصد خطای نسبی شبیهسازی ارائه شده است. همانگونه که مشاهده میشود درصد خطای نسبی مقدار قابل قبولی است.
جدول (3) میزان خطای نسبی بارش مشاهداتی و پیشنگریشده
بارش پیشنگری(mm) | بارش مشاهداتی(mm) | خطای نسبی (%) | سال |
920 | 947 | 9136/2 | 91 |
6/275 | 93/583 | 9468/1 | 92 |
719 | 76/726 | 0677/1 | 93 |
608 | 86/615 | 2762/1 | 94 |
484 | 34/487 | 6853/0 | 95 |
3/673 | 645 | 1937/1 | 96 |
1172 | 1220 | 8959/3 | 97 |
بهمنظور بررسی اثر دوره بازگشتهای مختلف بر عملکرد مدل، مقادیر بیشینه بارش با دوره بازگشتهای 2، 5، 10، 20، 25، 50 و 100 و 200 ساله بر اساس دادههای تولیدشده توسط مدل LARS-WG و دادههای مشاهداتی محاسبه شد. بدین منظور هر دو سری داده با توزیعهای آماری مختلف برازش داده شد و از این میان توزیع احتمالاتی نرمال بهعنوان توزیع مناسب انتخاب شد (شکل 7).
مقادیر بیشینه بارش با دوره بازگشتهای مختلف که بر اساس برازش دادههای تولید شده توسط مدل LARS-WGبا توزیع نرمال بهدستآمده است و مقادیر مشاهداتی در شکل 8 مقایسه شده است. نتایج نشاندهنده این است که میزان بارش پیشنگریشده در دورههای بازگشت مختلف توسط مدل نسبت به بارش مشاهداتی کمتر است.
شکل (7) برازش دادهها با توزیع نرمال
شکل (8) مقایسه مقادیر بیشینه بارش با دوره بازگشت مختلف تولیدشده توسط مدل LARS-WG و اطلاعات مشاهداتی در دوره پایه (تاریخی)
پیشنگری بلندمدت بارش و دما در دورههای 50 ساله
پس از واسنجی و صحتسنجی مدل، فایل تغییر اقلیم که نشانگر تغییرات ماهانه نسبت به دوره پایه است، در هر اجرا به مدل معرفیشده و سری زمانی بارش، دمای کمینه و بیشینه در دورههای آتی تولید میشود.
میزان بارندگی پیشنگریشده 50 سال آینده توسط نرمافزار LARS-WG در شکل 9 آمده است که بیشترین مقدار بارش پیشنگریشده 1233 میلیمتر در سال و کمترین مقدار 438 میلیمتر در سال است.
شکل (9) میزان بارندگی 50 سال اول پیشنگریشده توسط نرمافزار LARS-WG
میزان بارندگی پیشنگریشده 50 سال دوم توسط نرمافزار LARS-WG در شکل 10 آورده شده است که بیشترین مقدار متوسط بارندگی 1168 میلیمتر در سال و کمترین مقدار 368 میلیمتر در سال است.
شکل (10) میزان بارندگی 50 سال دوم پیشنگریشده توسط نرمافزار LARS-WG
مقایسه بارش تولیدشده توسط نرمافزار LARS-WG در 100 سال آینده که میزان تغییرات بارش در 50 سال اول و 50 سال دوم را در آینده نشان میدهد در شکل 11 آورده شده است. بر اساس این شکل، میزان بارش در 50 سال اول بهمراتب بیشتر از 50 سال دوم است.
شکل (11) مقایسه بارش تولیدشده در 50 سال اول و 50 سال دوم
میزان تغییرات دمای کمینه تولیدشده 100 سال آینده توسط نرمافزار LARS-WG در شکل 12 آورده شده است.
شکل (12) میانگین سالانه دمای کمینه پیشنگریشده 100 سال آینده
در شکل 13 میانگین دمای 25 سال پایه و پیشنگریشده مشاهده میشود. با توجه به این شکل، در آینده با افزایش دما روبهرو هستیم.
شکل (13) اختلاف بین میانگین دمای سالانه پایه و 25 سال اول پیشنگریشده
بحث و نتیجهگیری
در این مطالعه، نتایج حاصل از پیشنگری دما و بارش در آینده با استفاده از نرمافزار ریزمقیاس نمایی LARS-WG نشان داد که این نرمافزار در بخش صحت سنجی بهخوبی عمل کرده و پیشنگریها حاکی از دقت بالایی نرمافزار بوده است و همچنین پیشنگری بارش در 50 سال اول بیشتر از 50 سال دوم بوده است و بررسی دادههای پیشنگری شده تغییرات دمایی در 100 سال آینده حاکی از افزایش شدت درجه حرارت در است که نتایج تطابق خوبی با (Ramak et al., 2015) دارد. در بخش سناریوسازی تحت سناریوهای مختلف مشاهده شد که تغییرات درجه حرارت رو به افزایش و میزان بارش رو به کاهش است. نکته مهم این است که افزایش گازهای گلخانهای در دورههای آتی باعث افزایش متوسط دما و کاهش متوسط بارش در آینده میشود. میزان تغییرات بارش در RCP2/6 نشان میدهد میزان بارش ماکزیمم دارای 9 درصد کاهش و در RCP8/5 دارای 6 درصد کاهش نسبت به دوره مشاهداتی است، اما میزان بارش حداقل در RCP2/6 دارای حدود 47 درصد افزایش و میزان بارش حداقل در RCP8/5 دارای حدود 51 درصد افزایش نسبت به دوره مشاهداتی است. مقدار متوسط بارش در RCP2/6 حدود 4 درصد کاهش و در RCP8/5 حدود 1 درصد کاهش را نشان میدهد. تغییرات دمایی در RCP2/6 بین 3 تا 13 درصد و در RCP8/5 بین 4 تا 14 درصد افزایش را نسبت به دوره مشاهداتی نشان میدهد. که این افزایش دما در مقیاسهای بزرگ باعث افزایش تبخیر و طولانیتر شدن دورههای خشکسالی میشود. که عامل اصلی کاهش منابع آب در آینده همین افزایش دما و در پی آن افزایش میزان تبخیر و تعرق است. نتیجه حاصل از این پژوهش در بخش ریزمقیاس نمایی توانایی مناسب مدل LARS-WG برای برآورد تغییرات دمایی و بارش در سالهای آتی را نشان داد. در بخش سناریوسازی تغییرات اقلیمی RCP ها تا انتهای قرن 21 نشان از افزایش درجه حرارت و کاهش بارش در سالهای آتی است.
منابع
اسلامی، ع و ر. ثقفیان. 1385. نقش عوامل مورفومتری و اقلیمی حوزه در تولید جریانهای سیلابی (مطالعه موردی حوزههای آبخیز غربی خزر). نشریه پژوهش و سازندگی در منابع طبیعی، 1 (21): 175-139.
امیراحمدی,ا.، ابراهیمی,م & بیرامعلیکیوی، ف1400. مکانیابی پتانسیل جمعآوری آب باران با استفاده از مدلسازی عامل مبنای مکانی (مطالعه موردی: پردیس دانشگاه حکیم سبزواری). فضای جغرافیایی, 21(76), 19-33.
قضاوی، ر.، ساداتی نژاد، س.، یزدانی،ی و ع. ولی.1394. شناسایی و طبقه بندی سازههای مناسب شارژ و برداشت آب با استفاده از روش GIS جغرافیای طبیعی، (26): 96-85.
دخانی، س.، 1392. مکانیابی جمعآوری آب باران بر پایه سامانه اطلاعات جغرافیایی (GIS) در مناطق غیرخشک و نیمه مرطوب ایران مرکزی (مطالعه موردی حوزه آبخیز استان اصفهان)، پایاننامه دکتری، دانشکده کشاورزی و منابعطبیعی، دانشگاه علوم کشاورزی و منابعطبیعی ساری.ص 159.
رضایی، ع و م. سلطانی. 1382. تحلیل رگرسیون کاربردی. انتشارات دانشگاه صنعتی اصفهان.
صادقی، ح.، مرادی، ح.، مزین، م و م. وفاخواه. 1384. کارایی روشهای مختلف تجزیه و تحلیل آماری در مدلسازی بارش رواناب (مطالعه موردی حوزه کسیلیان). نشریه علوم کشاورزی و منابعطبیعی، 12 (3:( 89-81.
طهماسبی، رمضان، رجبی ثانی، رضا. (1385). جمعآوری آب باران در عرصه¬های طبیعی راهحلی برای رفع کم¬آبی در مناطق خشک و نیمه¬خشک. نشریه جغرافیا و توسعه،4 (7): 42-23.
مفیدی چلان، مرتضی، نظرنژاد، حبیب,و محرم پور،الهام (1400). مکانیابی عملیات اصلاحی ذخیره نزولات آسمانی در عرصههای طبیعی (مطالعه موردی: حوزه آبخیز نازلو چای، ارومیه). مدیریت اراضی, 9(2), 247-261.
محمودی، ن.، (1391)، "مکان یابی مناطق مناسب برای ذخیره آب باران (مطالعه موردی: حوضه آبخیز درخت سنجد)"، اولین همایش ملی سامانه تراز آب باران بارندگی، 22 تا 23 آذر 1391، تحقیقات کشاورزی و منابع طبیعی خراسان رضوی.
Ammar, A., Riksen, M., Ouessar, M., Ritsema, C., 2016. Identification of suitable sites for rainwater harvesting structures in arid and semi-arid regions: a review. Int. Soil Water Conserv. Res. 4 (2), 108–120.
Adham, A., Riksen, M., Ouessar, M., Ritsema, C., Ammar, A., Riksen, M., Ouessar, M., Ritsema, C., 2016. Identification of suitable sites for rainwater harvesting structures in arid and semi-arid regions&58; A review. Int. Soil Water Conserv. Res. 4:108–120.
Adamowski, J. (2015). Rainwater harvesting for the management of agricultural droughts in arid and semiarid regions. Paddy and Water Environment, 14(1), 231–246.
Al-Daghastani, H.S., 2010. Water harvesting search in Nineah Governorate using remote sensing data. Iraqi J. Desert Stud. 2: 1–15.
Baguma, D., Loiskandl, W., Jung, H., 2010. Water management, rainwater harvesting and predictive variables in rural households. Water Resour. Manag. 24: 3333–3348.
Basinger, M., Montalto, F., Lall, U., 2010. A rainwater harvesting system reliability model based on nonparametric stochastic rainfall generator. J. Hydrol. 392: 105–118.
Dabiri, D., Alipor, A., Azad, B., Fatahi, A., 2016. Site Selection of In-situ and Ex-situ Methods of Rain Water Harvesting In the Arid Regions of Iran. Volume: 03 Issue: 04:270–276.
De Winnaar, G., Jewitt, G.P.W., Horan, M., Winnaar, G. De, Jewitt, G.P.W., Horan, M., 2007. A GIS-based approach for identifying potential runoff harvesting sites in the Thukela River basin, South Africa. Phys. Chem. Earth, Parts A/B/C 32: 1058–1067.
Durbude, D.G., Venkatesh, B., 2004. Site suitability analysis for soil and water conservation structures. J. Indian Soc. Remote Sens. 32: 399–405.
Durga Rao, K.H. V, Bhaumik, M.K., 2003. Spatial expert support system in selecting suitable sites for water harvesting structures—a case study of song watershed, Uttaranchal, India. Geocarto Int. 18, 43–50.
El-Awar, F. A., Makke, M. K., Zurayk, R. A., & Mohtar, R. H. (2000). A spatial hierarchical methodology for water harvesting in dry lands. Applied Engineering in Agriculture, 16(4), 395–404.
Ejegu, M. A., & Yegizaw, E. S. (2020). Potential rainwater harvesting suitable land selection and management by using GIS with MCDA in Ebenat District, Northwestern Ethiopia. Journal of Degraded and Mining Lands Management, 8(1), 2537–2549.
Fewkes, A., 2000. Modelling the performance of rainwater collection systems: towards a generalised approach. Urban water 1, 323–333.
Guo, Y., Baetz, B.W., Engineering, H., 2007. Sizing of rainwater storage units for green building applications. J. Hydrol. Eng. 12, 197–205.
Helmreich, B.Ã., Horn, H., Coulombwall, A., 2009. Opportunities in rainwater harvesting. Desalination 248, 118–124.
Jha, M.K., Chowdary, V.M., Kulkarni, Y., Mal, B.C., 2014. Rainwater harvesting planning using geospatial techniques and multicriteria decision analysis. Resour. Conserv. Recycl. 83, 96–111.
Jasrotia, A. S., Majhi, A., & Singh, S. (2009). Water balance approach for rainwater harvesting using remote sensing and GIS techniques, Jammu Himalaya, India. Water Resources Management, 23(14), 3035–3055
Kahinda, J.M., Lillie, E.S.B., Taigbenu, A.E., Taute, M., Boroto, R.J., 2008. Developing suitability maps for rainwater harvesting in South Africa. Phys. Chem. Earth, Parts A/B/C 33, 788–799.
Kadam, A. K., Kale, S. S., Pande, N. N., et al. (2012). Identifying potential rainwater harvesting sites of a semi-arid, basaltic region of Western India, using SCS-CN method. Water Resources Management, 26(9), 2537–2554.
Mahmoud, S.H., Alazba, A.A., 2015. The potential of in situ rainwater harvesting in arid regions: developing a methodology to identify suitable areas using GIS-based decision support system. Arab. J. Geosci. 8, 5167–5179.
Makhamreh, Z., 2011. Using remote sensing approach and surface landscape conditions for optimization of watershed management in Mediterranean regions. Phys. Chem. Earth, Parts A/B/C 36, 213–220.
Mitchell, V.G., 2007. How important is the selection of computational analysis method to the accuracy of rainwater tank behaviour modelling? Hydrol. Process. 21, 2850–2861.
Mahmoud, S. H., & Alazba, A. A. (2016). Delineation of potential sites for rainwater harvesting structures using a GIS-based decision support system. Hydrology Research, 46(4), 591–606.
Napoli, M., Cecchi, S., Orlandini, S., & Zanchi, C. A. (2014). Determining potential rainwater harvesting sites using a continuous runoff potential accounting procedure and GIS techniques in central Italy. Agricultural Water Management, 141, 55–65.
Palla, A., Gnecco, I., Lanza, L.G., Barbera, P. La, La Barbera, P., 2012. Performance analysis of domestic rainwater harvesting systems under various European climate zones. Resour. Conserv. Recycl. 62, 71–80.
Ward, S., Memon, F.A., Butler, D., 2010. Rainwater harvesting: model-based design evaluation. Water Sci. Technol. 61, 85–96.
Waterfall, P.H., 2006. Harvesting rainwater for landscape use, 2nd ed. College of Agriculture and Life Sciences, University of Arizona (Tucson, AZ).1-60
Weerasinghe, H., Schneider, U.A., Loew, A., 2011. Water harvest-and storage-location assessment model using GIS and remote sensing. Hydrol. Earth Syst. Sci. Discuss. 3353–3381.
Wei, H., Li, J.-L., Liang, T.-G., 2005. Study on the estimation of precipitation resources for rainwater harvesting agriculture in semi-arid land of China. Agric. Water Manag. 71, 33–45.
Winnaar, G., Jewitt, G. P. W., & Horan, M. (2007). A GIS-based approach for identifying potential runoff
harvesting sites in the Thukela River basin, South Africa. Physics and Chemistry of the Earth, 34(15–18), 767–775.
[1] . Fenta Mekonnen and Disse
[2] . change
[3] . Thamo
[4] . Fiseha
[5] . Kisi
1. [6] Long Ashton Research Station
2. [7] Stochastic Weather Generator
3. [8] Semenov