بررسي اثر تغيير اقليم بر مديريت بحران سيلاب

Investigating the Effect of Climate Change on Flood Emergency Management

در اين پژوهش اثر تغيير اقليم بر مديريت بحران سيلاب در منطقه ي دشت تجن مورد بررسي قرار گرفته است. ابتدا آشكارسازي رخداد تغيير اقليم با استفاده از آزمون هاي ناپارامتري صورت گرفت و متغيرهاي بزرگ مقياس مدل گردش عمومي جو با مدل اقليمي HadCM3تحت سناريوي A2 در چهار دوره ي زماني 2001-1971، 2040-2011، 2070-2041 و 2100-2071 دريافت شدند. براي كوچك مقياس سازي داده هاي مدل گردش عمومي جو در سطح منطقه از روش هاي كوچك مقياس سازي آماري SDSM5.5.1، شبكه ي عصبي مصنوعي و روش تناسبي استفاده شد. بر اساس نتايج به دست آمده از آزمون هاي آماري روند، مشاهده شد كه روند معني داري در تغييرات داده هاي هواشناسي منطقه وجود دارد و پديده ي تغيير اقليم در منطقه رخ داده است. نتايج كلي مدل SDSM و روش تناسبي، نشاندهنده ي كاهش در مقدار بارندگي و افزايش در مقدار دما در دوره هاي آتي است. نتايج مدل شبكه ي عصبي مصنوعي به علت درصد خطاي بالا براي شبيه سازي دما در دوره ي مشاهده اي رضايتبخش نبود. همچنين داده هاي پيش بيني شده ي دما و بارش با داده هاي تاريخي همبستگي بالا و معني داري در سطح اطمينان 95 درصد داشتند. در آخر مي توان نتيجه گرفت كه به علت افزايش دما و بارش در برخي فصول سال در دوره هاي زماني آتي به دليل ذوب برف در اثر افزايش دما در انتهاي فصل تابستان و ابتداي پاييز و افزايش بارش در زمستان و پاييز ميزان احتمال وقوع سيلاب در اين فصول از سال رو به افزايش است.

In this Paper, the Effect of Climate Change on Flood Emergency management was investigated in Tajan plain area. First the detection of climate change event was evaluated by using Non-parametric tests and The large-scale variations of atmospheric general circulation models with HadCM3 climate model under the A2 scenario were received in the four periods 2001-1971, 2040-2011, 2070-2041 and 2100-2071.For downscaling of the atmospheric general circulation models data at the regional level that it was used of statistical downscaling models SDSM5.5.1, artificial neural network and proportional methods. Based on the results of the statistical trend tests,it had been observed there are significant trend in the meteorological data changes of area and occurred phenomenon of ​​climate change in the area. The overall results of SDSM model and proportional method indicate that the decrease in rainfall and increase in the temperature are in future periods. The results of artificial neural network model were not satisfactory, because of the above error to simulate the temperature at an observation period. Also, the predicted temperature and precipitation data had high and significant correlation respectively with historical data at 95 percent confidence level. Finally, we can conclude that the increase in temperature and precipitation at some Seasons of year in future time periods Due to snow melting due to temperature increase at the end of summer and beginning of autumn and precipitation increase at winter and autumn Seasons The value of probability flooding occur at this seasons of the year is on the rise.