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 -
2 - Non-Profit-Non-Governmental Institute, Gorgani Lamai
3 - General Department of Meteorology of Golestan Province
4 - Golestan University
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.
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.
پژوهش و فناوری محیط‌زیست، 1403،(16)9، 111-128
| |||
ارزیابی تغییرات اقلیمی در اکوسیستمهای تالابی با استفاده از مدل GCM، مطالعه موردی: تالابهای آلاگل، آجیگل و آلماگل، استان گلستان
|
| ||
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
|
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
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.
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.
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.
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
