پديد آورندگان :
خضري، فرزاد دانشگاه آزاد اسلامي واحد كرمان - گروه مهندسي آب، كرمان، ايران , ايراندوست، محسن دانشگاه آزاد اسلامي واحد كرمان - گروه مهندسي آب، كرمان، ايران , جلال كمالي، نويد دانشگاه آزاد اسلامي واحد كرمان - گروه مهندسي آب، كرمان، ايران , يزدان پناه، نجمه دانشگاه آزاد اسلامي واحد كرمان - گروه مهندسي آب، كرمان، ايران
كليدواژه :
ﺗﻮاﺑﻊ ﻣﻔﺼﻞ , ﺗﺤﻠﯿﻞ ﭼﻨﺪ ﻣﺘﻐﯿﺮه , ﺗﻐﯿﯿﺮ اﻗﻠﯿﻢ , ﺳﻨﺎرﯾﻮﻫﺎي اﻧﺘﺸﺎر , ﺧﺸﮑﺴﺎﻟﯽ
چكيده فارسي :
تغيير اقليم يكي از عوامل مهمي است كه بخش‌هاي مختلف زندگي انسان روي كرهي زمين را تحت تأثير قرار خواهد داد و تأثيرات زيانباري بر منابع زيست‌محيطي، اقتصادي اجتماعي و به‌ويژه منابع آب خواهد داشت. آگاهي از تغييرات اقليمي در زمينه خشكسالي مي‌تواند برنامه‌اي جامع در حوزه‌هاي مختلف مديريتي در خصوص پايش خشكساليها و خطرات احتمالي ناشي از آنها ارائه دهد. پديده خشكسالي در هر منطقه‌اي حتي مناطق مرطوب ممكن است اتفاق بيافتد. اين پديده به عوامل و پارامترهاي مختلفي وابسته بوده و يكي از مهم‌ترين نمادهاي اين پديده يعني وقوع خشكسالي كاهش ميزان بارندگي است و در نتيجه تجزيه‌وتحليل داده‌هاي بارش براي بررسي خشكسالي از اهميت ويژه‌اي برخوردار است. هدف از مطالعه حاضر تحليل دو متغيره خشكسالي با استفاده از دو شاخص SPI و SPImod و توابع مفصل مي باشد
روش پژوهش: در اين تحقيق به‌منظور مدل‌سازي تحليل چند متغيره خشكسالي در حوضه درياچه اروميه با بكارگيري سناريوهاي انتشار RCP8.5 و RCP4.5 و نيز با بكارگيري مدل‌هاي گردش عمومي جو با استفاده از داده‌هاي تاريخي (2010-1991)، براي سه افق نزديك (2030-2011)، متوسط (2065-2046) و دور (2099-2080) شبيه‌سازي و توليد داده گرديد سپس با استفاده از داده‌هاي توليدي، توسط شاخص SPImod و توابع مفصل، تحليل چند متغيره خشكسالي در محيط نرم‌افزار متلب صورت گرفت. در بيان كلي‌تر، در ابتدا با استفاده از شاخصهاي مذكور (دو شاخص SPI و SPImod) مشخصات شدت و مدت خشكسالي استخراج، سپس با استفاده از كد نويسي در محيط نرم‌افزار متلب از هشت خانواده توابع مفصل ارشميدسي استفاده گرديد
يافته‌ها: نتايج حاصل از تحليل چند متغيره نشان داد كه تابع مفصل جوئي به‌عنوان تابع مفصل برتر جهت تحليل چند متغيره خشكسالي (براي تحليل توأم شدت و مدت خشكسالي براي منطقه مورد مطالعه) ميباشد. همچنين نتايج حاصل از احتمال و دوره بازگشت توأم نشان داد كه در دوره‌هاي آتي حداقل خشكسالي‌هاي هم‌سطح خشكسالي‌هاي تاريخي و حتي شديدتر رخ خواهد داد. بدين صورت كه بامطالعه‌ي دوره بازگشتهاي توأم و شرطي و كندال، نتايج نشان داد كه در يك سطح احتمال بحراني معين، مقدار دوره بازگشت كندال خيلي بيشتر از دوره بازگشت استاندارد ميباشد، بطوريكه اين تفاوت با افزايش آن مقدار معين، افزايش مييابد
نتايج: در نهايت نتايج حاصل از تحقيق با رويكرد تغيير اقليم بر روي خشكسالي هواشناسي درياچه اروميه نشان داد كه در دوره‌هاي آتي شاهد افزايش دما خواهيم بود كه اين موضوع بر ميزان بارندگي‌هاي منطقه و منابع آب تأثير خواهد گذاشت، از طرفي چون‌كه داده‌هاي هواشناسي و هيدرولوژيك جهت محاسبات انواع خشكساليها بكار مي‌روند بنابراين خشكساليها متأثر از تغييرات اقليم بوده بگونه‌اي كه در دوره‌هاي آتي 46 تا 48 درصد ماهها در افق‌هاي مختلف خشك خواهند بود؛ و در آخر، نتايج حاصل از سري زماني شاخصها نشان داد كه در طي دوره آماري حداقل 40 درصد ماهها خشك بوده و اين شدت خشكساليها در ايستگاه اروميه به‌مراتب بيشتر از سايرين ميباشد و در زمينه عملكرد شاخص ها به منظور تحليل خشكسالي نتايج نشان داد كه استفاده از شاخص SPI اصلاح شده تا حدود زيادي معايب SPI متداول را برطرف مي‌كند و تغييرات فصلي بارش را در محاسبه شاخص SPI لحاظ مي‌نمايد.
چكيده لاتين :
Climate Climate change is one of the important factors that will affect different parts of human life on the planet and will have detrimental effects on the environment, socio-economic, and especially water resources. Knowledge of climate change can provide comprehensive plans in various areas of management regarding the monitoring of droughts and their potential risks. Drought can occur in any area, even wetlands. This phenomenon depends on various factors and parameters and one of the most important symbols of this phenomenon is the occurrence of drought is a decrease in rainfall and therefore the analysis of precipitation data is of special importance to study drought. The purpose of this study is to analyze drought variables using SPI and SPImod indices and detailed functions.
Method: In this study, to model the multivariate analysis of drought in Lake Urmia basin using RCP8.5 and RCP4.5 representative concentration pathway scenarios, data and models of atmospheric circulation of historical data (1991-2010) for three near horizons (2030- 2011), medium (2065-2046) and round (2099-2080) were simulated and produced. Then, using SPImod index and copula functions, drought multivariate analysis was performed in MATLAB software environment. In general, first, using the mentioned indicators (two indicators, SPI and SPImod), the characteristics of drought intensity and duration were extracted, then, using coding in MATLAB software environment, eight families of Archimedean detailed functions were used.
Results: The results of multivariate analysis showed that the Joe copula function is the best copula function for drought multivariate analysis (For analysis of both severity and duration of drought for the study area). Also, the results of probability and the joint return period showed that in the coming periods, at least droughts of the same level as historical droughts and even more severe will occur. Thus, by studying the period of combined and conditional returns and Kendall, the results showed that at a certain critical probability level, the amount of Kendall return period is much more than the standard return period, so that this difference increases with increasing that certain amount.
Conclusion: The results obtained with the climate change approach on the meteorological drought of Lake Urmia showed that in the coming periods we will see an increase in temperature, which will affect the rate of trade in the region and water resources, on the other hand, because the data Meteorology and hydrology are used to calculate the types of droughts, so droughts affected by climate change will be so that in future periods 46% to 48% of the months will be dry in different horizons. Finally, the results of the time series of indicators showed that during the statistical period at least 40% of the months were dry and this intensity of droughts in the Urmia station is much higher than others. The modified SPI largely eliminates the disadvantages of conventional SPIs and takes into account seasonal variations in precipitation in the calculation of the SPI index.
