نیوار

نیوار

ویژگی‌های آتی خشکسالی در حوضه کشف رود تحت سناریوهای SSPs

نوع مقاله : مقاله پژوهشی

نویسندگان
محبوبه رشیدی قانع 1
صدرالدین متولی 2
غلامرضا جانباز قبادی 2
منصوره کوهی 3
1 دانشجوی دکتری آب و هواشناسی- دانشگاه آزاد اسلامی-واحد نور
2 دانشیار گروه جغرافیای دانشگاه آزاد اسلامی واحد نور
3 استادیار، پژوهشکده اقلیم شناسی و تغییراقلیم، مشهد ، ایران
10.30467/nivar.2024.471479.1302
چکیده
در سال‌های اخیر، خشکسالی به دلیل صدمات جدی که به بخش‌های مختلف در حوضه کشف رود وارد کرده، توجه فزآینده‎ای را به خود جلب کرده است. لذا ارزیابی تغییرات خشکسالی برای اطمینان از مدیریت آب، سلامت انسان، فعالیت کشاورزی و توسعه اجتماعی-اقتصادی در این حوضه طی دوره آتی حیاتی است. در این پژوهش، از تئوری ران برای استخراج ویژگی‌های خشکسالی در دوره‌های تاریخی (2014-1989) و آینده (2050-2026) تحت دو سناریوی SSP1-2.6 و SSP5-8.5 بر اساس مشاهدات و شبیه‌سازی‌های مدل‌های پروژه ارزیابی متقابل مدل‌های جفت شده جو- اقیانوس (CMIP6) استفاده و تغییرات و تحلیل ریسک ویژگی‌های خشکسالی بر اساس SPEI6 با روش‌های مبتنی بر مفصل ارزیابی شد. بدین منظور، ابتدا داده‌های دما و بارش روزانه ایستگاه مشهد به عنوان نماینده حوضه کشف رود از IRIMO اخذ و آزمون کنترل کیفی و همگنی این داده‌ها انجام شد. مدل MRI-ESM2-0 انتخاب و تصحیح اریبی برونداد آن با استفاده از دو روش ریزمقیاس‌گردانی آماری نسبت‌گیری خطی (LS) و نگاشت توزیع (DM) انجام شد. بر اساس معیارهای آماری استفاده شده، روش LS برای داده‌های بارش و روش DM برای دما از توانمندی بهتری برخوردار بود. پیش‌نگری متغیرهای دما و بارش برای این حوضه برای دوره آینده نزدیک (2050-2026) نشان داد که کمینه و بیشینه دما نسبت به دوره پایه افزایش خواهد یافت. میزان تغییرات میانگین سالانه این دو متغیر تحت سناریوی SSP126 به روش DM و LS به ترتیبᵒC 4/1+ وᵒC 8/1+ و تحت سناریوی SSP585 به میزان ᵒC 7/1+ و ᵒC2+ خواهد بود. افزایش بارش تحت سناریوهای SSP126 و SSP585 بدست آمد. بررسی تغییرات ویژگی‌های خشکسالی با نمایه SPEI6 نشان داد از نظر فراوانی، این مخاطره تحت دو سناریو و با دو روش ریزمقیاس‌گردانی برای آینده نزدیک افزایش نشان می‌دهد. تحلیل فراوانی تک متغیره و دو متغیره با استفاده از توزیع‌ها و مفصل‌های منتخب نشان داد در دوره آتی، این حوضه با خشکسالی‌های خفیف‌تر از نظر شدت و مدت نسبت به دوره پایه روبرو خواهد بود. دوره بازگشت توام شدت-مدت این مخاطره برای هر سناریو نیز با استفاده از توابع مفصل ارزیابی شد. بر اساس تجزیه و تحلیل توام مدت و شدت SPEI6، هر دو دوره بازگشت فصلی "یا" و عطفی "و" در آینده نشان دهنده کاهش ریسک این مخاطره هستند بطوریکه خشکسالی متوسط تا شدید با مدت کوتا‌هتر و شدت کم‌تر اما با فراوانی بیشتری رخ می‌دهد (به‌ویژه تحت سناریوی SSP585). با توجه به شرایط بحرانی کنونی حوضه کشف رود، بکارگیری نتایج چنین تحقیقاتی منجر به بهبود مدیریت ریسک و خطر خشکسالی در بخش‌های آب و کشاورزی، افزایش تاب‌آوری حوضه کشف رود و بهبود برنامه‌ریزی‌های آتی بخش‌های مذکور خواهد شد.
کلیدواژه‌ها
CMIP6
مفصل
تصحیح اریبی
کشف رود
خشکسالی
موضوعات

عنوان مقاله English

Future Drought Characteristic in Kashaf Roud Basin Under SSPs Scenarios

نویسندگان English

Mahbobe Rashidi Ghane, 1
Sadroddin Motevalli, 2
Gholam Reza Janbaz Ghobadi, 2
Mansoureh Kouhi 3
1 PhD. Student, Islamic Azad University , Nour Branch
2 Associate Professor, Department of Geography, Islamic Azad University, Noor branch
3 Assistant Prof. , Climatological Research Institute, Mashhad, Iran
چکیده English

In recent years, destructive droughts in the Khashaf roud basin have received increased attention due to their significant impacts. Therefore, assessing drought variations is critical to ensure water management, human health, agricultural activity, and social development. In this study, the Run Theory was used to investigate the drought characteristics in historical (1989–2014) and future (SSP126 and SSP585, 2026-2050) periods in this basin based on observations and model simulations from Coupled Model Inter-comparison Project Phase 6 (CMIP6). The variations and risk analysis of drought characteristics based on SPEI6 were assessed by copula-based methods. In this thesis, first, the monthly temperature and precipitation data of meteorological station of Mashhad located in the Kashfroud basin for the years 1989 to 2014 were obtained from IRIMO and the quality control and homogeneity test of these data were performed. Screening of the AOGCMs of IPCC Sixth Report (CMIP6) models led to the selection of the MRI-ESM2-0 model. Bias correction was also done using two methods. linear scaling (LS) and distribution mapping (DM) were performed by CMhyd model. Based on the statistical criteria used, the LS method for precipitation data and the DM method for temperature were more accurate. The projcetion of temperature and precipitation variables for this basin for the near future period showed that the minimum and maximum temperatures will increase compared to the base period during 2026-2050. The average annual changes of these two variables under the SSP126 scenario by DM method will be +1.4 and +1.8°C respectively and under the SSP585 scenario it will be +1.7 and +2°C. Results indicated that precipitation was projected to increase under SSP126 and SSP585 scenarios. The drought duration and severity are shown to decrease based on MRI model projections compared with historical periods. Drought return periods of two drought characteristics for each scenario were also assessed by using the copula-based joint distribution. Based on the joint analysis of duration and severity for SPEI, both the “or” and “and” return periods in the future indicated decrease risks. Under global warming, moderate to extreme drought events with short duration, low severity were shown to occur more frequently in the near future, especially under the SSP585 scenario. Considering the current critical situation of the Kashf Rood basin, the application of the results of such research will lead to the improvement of risk management and drought risk in the water and agriculture sectors, increasing the resilience of the Kashf Rood basin and improving future planning for the aforementioned sectors.

کلیدواژه‌ها English

Drought
Bias Correction
Copula
CMIP6
Kashaf Roud
  1. انصاری مهابادی، ث.، دهبان، ح.، زارعیان، م. ج.، و فرخ نیا، ا. (1401). بررسی روند تغییرات دما و بارش حوضه های آبریز ایران در افق 20 سال آینده بر اساس برونداد مدل های CMIP6. مجله پژوهش آب ایران، 16(1 (پیاپی 44) )، 11-24. https://sid.ir/paper/1057766/fa
  2. بابائیان, ایمان, مدیریان, راهله, خزانه‌داری, لیلی, کریمیان, مریم, کوزه‌گران, سعیده, کوهی, منصوره, فلامرزی, یاشار, & ملبوسی, شراره. (1402). چشم‌انداز بارش ایران در قرن 21 با به‌کارگیری مقیاس‌کاهی آماری برونداد مدل‌های منتخبCMIP6 توسط نرم‌افزار فیزیک زمین و فضا, 49(2), 431-449. doi: 10.22059/jesphys.2023.332410.1007436
  3. بهزادی، ف.، جوادی، س.، یوسفی، ح.، مریدی، ع. و هاشمی شاهدانی، م. (1401). تعیین تاثیر تغییر اقلیم بر خشک سالی آب زیرزمینی با استفاده از برونداد مدل های CMIP6 (مطالعه موردی: دشت شهرکرد). اکوهیدرولوژی، 9(2 )، 419-436. https://sid.ir/paper/1060137/fa
  4. پزشکی، آ.، اسماعیلی، ک.، فرید حسینی، ع. (1397). تاثیرخشک سالی بر روند تغییر و پیش بینی خصوصیات هیدرولوژیکی حوضه آبریز موثر بر دبی مطالعه موردی (حوضه کشف رود)، نشریه آبیاری و زهکشی ایران، (2)12،
  5. زرین، آ.، صالح آبادی، ن. (1398). پیش آگاهی مخاطره خشکسالی در تهران بر اساس برونداد مدل‌‌های CMIP6، ششمین کنفرانس منطقه‌‌‌‌ای تغییر اقلیم،تهران. آبان 1398.
  6. عطایی، ه.، کوهی،م.، مدیریان، ر.، بذرافشان،ب.، (1400). تغییرات پیش‌‌نگری شده در دما و بارش حوضه کشف‌‌رود بر مبنای روش‌‌های مقیاس-کاهی دینامیکی و آماری. مخاطرات محیط طبیعی, 10(30), 183-202. doi: 10.22111/jneh.2021.37827.1777
  7. کوهی، م، 1396، تحلیل و بررسی خشکسالیتحت شرایط تغییر اقلیم با استفاده از توابع مفصل ، رساله دکتری، استاد راهنما: حسین ثنایی نژاد، استاد مشاور: محمد امینی، گروه مهندسی آب، دانشگاه فردوسی مشهد.
  8. Akaike, H. (1974) A new look at the statistical model identification, IEEE Transactions on Automatic Control, 19 (6), 716–723.
  9. Arias, P.; Bellouin, N.; Coppola, E.; Jones, R.; Krinner, G.; Marotzke, J.; Naik, V.; Palmer, M.; Plattner, G.-K.; Rogelj, J. Climate Change 2021: The Physical Science Basis. Contribution of Working Group14 I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change; Technical Summary; 2021. Available online: https://www.ipcc.ch/report/sixth-assessment-report-working-group-i/(accessed on 15 August 2022).
  10. Ayantobo, O. O., Li, Y., & Song, S. (2019). Multivariate drought frequency analysis using four-variate symmetric and asymmetric Archimedean copula functions. Water Resources Management, 33, 103-127.
  11. Bonaccorso, B., Cancelliere, A., Rossi, G. (2003) An analytical formulation of return period of drought severity. Stochastic Environmental Research Risk, 17 (3), 157–174.
  12. Chang, J., Li, Y., Wang, Y., Yuan, M.2016. Copula-based drought risk assessment combined with an integrated index in the Wei River Basin, China. Journal of Hydrology, 540:824-834.
  13. Chen,, Singh, V.P., Guo, S., Mishra, A.K., Guo, J. (2013) Drought analysis using copulas. Journal of Hydrologic Engineering, 18 (7), 797–808.
  14. Dai, A., Zhao, T., & Chen, J. (2018). Climate change and drought: a precipitation and evaporation perspective. Current Climate Change Reports, 4, 301-312.
  15. Eyring, V., Bony, S., Meehl, G. A., Senior, C. A., Stevens, B., Stouffer, R. J., & Taylor, K. E. (2016). Overview of the Coupled Model Intercomparison Project Phase 6 (CMIP6) experimental design and organization. Geoscientific Model Development, 9(5), 1937-1958.
  16. Ge, Y., Cai, X., Zhu, T., Ringler, C. (2016) Drought frequency change:An assessment in northern India palins, Agricultural Water Management, 176, 111-121.
  17. Genest,, Rémillard, B., D., Beaudoin (2009) Goodness-of-fit tests for copulas: A review and a power study, Insurance: Mathematics and Economics, 44, 199-213.
  18. Grose, M. R., Narsey, S., Delage, F. P., Dowdy, A. J., Bador, M., Boschat, G., ...& Lyu, K. (2020). Insights from CMIP6 for Australia's future climate. Earth's Future, 8(5), e2019EF001469.
  19. Ha, K. J., Moon, S., Timmermann, A., & Kim, D. (2020). Future changes of summer monsoon characteristics and evaporative demand over Asia in CMIP6 simulations. Geophysical Research Letters, 47(8), e2020GL087492.
  20. Hargreaves,H., and Samani, Z.A. (1985) Reference crop evapotranspiration from temperature, Applied Enginnering in Agriculure, 1(2), 96-99.
  21. IPCC, (2001). Climate Change: The Scientific Basic. Contribution of Working Group 1 to The Third Assessment report to the Intergovernmental Panel on Climate Change. Cambridge University Press, Cambridge, UK, and New York, N.Y., U.S.A., 881pp.
  22. IPCC, (2007). Climate Change: The physical science basis. In: Solomon, S., Qin, D., Manning, M., Chen, Z., Marquis, M., Averyt, K.B., Tignor, M., Miller H.L. )Eds(, Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge University Press,
  23. IPCC, (2013). Climate Change: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovern-mental Panel on Climate Change Intergovernmental Panel on Climate Change, Cambridge, United Kingdom and New York, USA.
  24. Joe, (1997) Multivariate Models and Dependence Concepts, Chapman & Hall, London.399 pp.
  25. Karim, R., Tan, G., Ayugi, B., Babaousmail, H., & Liu, F. (2020). Evaluation of Historical CMIP6 Model Simulations of Seasonal Mean Temperature over Pakistan during 1970–2014. Atmosphere, 11(9), 1005.
  26. Kolmogorov, N. (1933) Sulla Determinazione Empirca di una Legge diDistribuzione, Giornale dell’ Istituto Italiano degli Attuari, 4, pp.83-91.
  27. Li, L., She, D., Zheng, H., Lin, P., & Yang, Z. L. (2020). Elucidating diverse drought characteristics from two meteorological drought indices (SPI and SPEI) in China. Journal of Hydrometeorology, 21(7), 1513-1530.
  28. Masoud, M. B., Khaliq, M.N., Wheater, H. S. (2015) Analysis of meteorological droughts for the Saskatchewan River Basin using univariate and bivariate approach. Journal of Hydrology, 522, 452-466.
  29. McKee, T.B., Doeskin, N.J. and Kleist, J. (1993) The relationship of drought frequency and duration to time scales, In: Proceedings of: the 8th Conference on Applied Climatology, January 17-22, Anaheim, California, pp. 179-184.
  30. Nelsen, R.B. (2007) An introduction to copulas (3th ed.). New York: Springer.
  31. Nie, S., Fu, S., Cao, W., & Jia, X. (2020). Comparison of monthly air and land surface temperature extremes simulated using CMIP5 and CMIP6 versions of the Beijing Climate Center climate model. Theoretical and Applied Climatology, 140, 487-502.
  32. Piani, C., Haerter, J. O., & Coppola, E. (2010). Statistical bias correction for daily precipitation in regional climate models over Europe. Theoretical and applied climatology, 99, 187-192.
  33. Riahi K., Rao Sh., Krey V., Cho Ch., and et al., 2011, RCP 8.5—A scenario of comparatively high greenhouse gas emissions, 109: 33-57.
  34. Scholz, F. W., Stephens, M. A. (1987) K-sample Anderson-Darling tests, Journal of the American Statistical Association, 82(399), 918– 924.
  35. Shiau, J.T. (2006) Fitting drought duration and severity with two-dimensional copulas. Water Resources Management, 20, 795–815.
  36. Shiau, J.T., Shen, H.W. (2001) Recurrence analysis of hydrologic droughts of differing severity. Journal of Water Resources Planning and Management, 127 (1), 30-40.
  37. Shrestha, A., Rahaman, M. M., Kalra, A., Jogineedi, R., & Maheshwari, P. (2020). Climatological drought forecasting using bias corrected CMIP6 climate data: A case study for India. Forecasting, 2(2), 59-84.
  38. Sibuya, M. (1960) Bivariate extreme statistics. Annals of the Institute of Statistical Mathematics (Tokyo) 11, 195–210.
  39. Sklar, A. (1959) Distribution functions of n Dimensions and Margins, Publications of the Institute of Statistics of the University of Paris 8, 229-231. (In French)
  40. Su, B., Huang, J., Mondal, S. K., Zhai, J., Wang, Y., Wen, S., ... & Li, A. (2021). Insight from CMIP6 SSP-RCP scenarios for future drought characteristics in China. Atmospheric Research, 250, 105375.
  41. Supharatid, S., & Nafung, J. (2021). Projected drought conditions by CMIP6 multimodel ensemble over Southeast Asia. Journal of Water and Climate Change, 12(7), 3330-3354.
  42. Tarek, M., Brissette, F., & Arsenault, R. (2021). Uncertainty of gridded precipitation and temperature reference datasets in climate change impact studies. Hydrology and Earth System Sciences, 25(6), 3331-3350.
  43. Ukkola, A. M., De Kauwe, M. G., Roderick, M. L., Abramowitz, G., & Pitman, A. J. (2020). Robust future changes in meteorological drought in CMIP6 projections despite uncertainty in precipitation. Geophysical Research Letters, 47(11), e2020GL087820.
  44. Vicente-Serrano, S. M., Beguería, S., & López-Moreno, J. I. (2010). A multiscalar drought index sensitive to global warming: the standardized precipitation evapotranspiration index. Journal of climate, 23(7), 1696-1718.‏
  45. Wang, X., Yang, J., Xiong, J., Shen, G., Yong, Z., Sun, H., ... & Cui, X. (2022). Investigating the impact of the spatiotemporal bias correction of precipitation in CMIP6 Climate Models on drought assessments. Remote Sensing, 14(23), 6172.
  46. Xu, Y., Zhang, X., Hao, Z., Hao, F., & Li, C. (2021). Projections of future meteorological droughts in China under CMIP6 from a three‐dimensional perspective. Agricultural Water Management, 252, 106849.
  47. Xu, Z., Han, Y., Tam, C. Y., Yang, Z. L., & Fu, C. (2021). Bias-corrected CMIP6 global dataset for dynamical downscaling of the historical and future climate (1979–2100). Scientific Data, 8(1), 293.
  48. Yevjevich, V. (1967) An objective approach to definitions and investigations of continental hydrologic droughts, Hydrology paper, Colorado State University.
  49. Yong, Z., Xiong, J., Wang, Z., Cheng, W., Yang, J., & Pang, Q. (2021). Relationship of extreme precipitation, surface air temperature, and dew point temperature across the Tibetan Plateau. Climatic Change, 165, 1-22.
  50. Yukimoto, S., Koshiro, T., Kawai, H., Oshima, N., Yoshida, K., Urakawa, S., ... & Adachi, Y. (2019). MRI MRI-ESM2. 0 model output prepared for CMIP6 CMIP.
  51. Zamani, Y., Hashemi Monfared, S. A., Azhdari Moghaddam, M., & Hamidianpour, M. (2020). A comparison of CMIP6 and CMIP5 projections for precipitation to observational data: the case of Northeastern Iran. Theoretical and Applied Climatology, 142, 1613-1623.
  52. Zarch, M. A. A., Sivakumar, B., & Sharma, A. (2015). Droughts in a warming climate: A global assessment of Standardized precipitation index (SPI) and Reconnaissance drought index (RDI). Journal of Hydrology, 526, 183-195.
  53. Zarrin, A., & Dadashi-Roudbari, A. (2021). Projection of future extreme precipitation in Iran based on CMIP6 multi-model ensemble. Theoretical and Applied Climatology, 144, 643-660.

Zhang, H., Chapman, S., Trancoso, R., Toombs, N., & Syktus, J. (2024). Assessing the impact of bias correction approaches on climate extremes and the climate change signal. Meteorological Applications, 31(3), e2204.

  • تاریخ دریافت 14 مرداد 1403
  • تاریخ بازنگری 19 آبان 1403
  • تاریخ پذیرش 03 آذر 1403
  • تاریخ انتشار 01 مهر 1403