اثرات پیش بینی شده احتمالی تغییر اقلیم بر اکوسیستم های ساحلی مانگرو خلیج فارس با تاکید بر متغییرهای دما و بارش

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار گروه محیط زیست، پژوهشکده خلیج فارس، دانشگاه خلیج فارس، بوشهر، ایران * (مسوول مکاتبات).

2 دانش آموخته دکتری محیط زیست، دانشگاه آزاد اسلامی واحد علوم تحقیقات، تهران، ایران

10.22034/jest.2019.30667.3907

چکیده

زمینه و هدف : تغییر اقلیم و گرمایش جهانی یکی از گسترده­ترین و مهم ترین مخاطرات زیست محیطی است. هدف این مطالعه بررسی روند دمای حداقل، حداکثر و بارندگی در دوره گذشته بوشهر به عنوان استان ساحلی خلیج فارس و پیش­بینی آینده اقلیمی آن تا انتهای سال 2100 میلادی و همچنین اثرات احتمالی پیش­بینی شده بر اکوسیستم های جنگلی مانگرو خلیج فارس می باشد.
روش بررسی: در این مطالعه از روش ریزمقیاس رگرسیونی [1]SDSM و از مدل GCM[2]  کانادایی CanESM2 در سه سناریو RCP2.6، RCP4.5 و RCP8.5 و مدل HadCM3 در سناریو A2 برای شبیه­سازی داده­های اقلیمی ایستگاه سینوپتیک بوشهر در دوره­های پایه، مشاهداتی و آتی (2100-2010) استفاده شد. همچنین اعتبارسنجی مدل با پنج شاخص آماری و عدم قطعیت مدل با روش بوت استرپ محاسبه شد.
یافته ها: میزان افزایش دمای میانگین فصل زمستان و تابستان در طول دوره 47 ساله به ترتیب 8/1 و 7/1 درجه سانتی­گراد بوده است. پیش­بینی آینده اقلیمی دمای بیشینه و کمینه در مدل CanESM2[3] و HadCM3[4] بیش ترین افزایش را در ماه­های سرد سال نشان دادند. همچنین دمای پیش­بینی شده مدل CanESM2 در ماه های گرم از دمای کنونی کم­تر خواهد بود. شبیه­سازی متغییر اقلیمی بارش در مدل HadCM3 افزایش بارش را در فصل تابستان و پاییز و مدل CanESM2 افزایش بارش را برای همه فصول سال نشان دادند.
بحث و نتیجه گیری : هر دو مدل زمستان­های گرم­تری را در دهه­های آتی برای استان بوشهر پیش­بینی کردند. با پیش­بینی طولانی شدن فصل گرم در مدل CanESM2 ممکن است زمان جوانه­زنی و گل­دهی مانگروها طولانی­تر و از سه ماه به شش ماه تغییر یابد. در صورتی که افزایش بارش های پیش­بینی شده به صورت ریزش­های حدی نباشند می­توانند همراه با افزایش دما باعث رشد و توسعه بیش تر مانگروها شوند.



[1] - Statistical Down-Scaling Model


[2] - General Circulation Model


[3] - Canadian Earth System Model


[4] - Hadley Center Climate Model

کلیدواژه‌ها


 

 

 

 

 

علوم و تکنولوژی محیط زیست، دورهبیست و دوم، شماره دو، اردیبهشت ماه 99

                                        

 

اثرات پیش بینی شده احتمالی تغییر اقلیم بر اکوسیستم های ساحلی مانگرو خلیج فارس با تاکید بر متغییرهای دما و بارش

 

هانا اعتمادی[1]*

h.etemadi@pgu.ac.ir

حسین دلشب[2]

تاریخ دریافت:2/7/96

تاریخ پذیرش:29/1/97

 

چکیده

زمینه و هدف : تغییر اقلیم و گرمایش جهانی یکی از گسترده­ترین و مهم ترین مخاطرات زیست محیطی است. هدف این مطالعه بررسی روند دمای حداقل، حداکثر و بارندگی در دوره گذشته بوشهر به عنوان استان ساحلی خلیج فارس و پیش­بینی آینده اقلیمی آن تا انتهای سال 2100 میلادی و همچنین اثرات احتمالی پیش­بینی شده بر اکوسیستم های جنگلی مانگرو خلیج فارس می باشد.

روش بررسی: در این مطالعه از روش ریزمقیاس رگرسیونی [3]SDSM و از مدل GCM[4]  کانادایی CanESM2 در سه سناریو RCP2.6، RCP4.5 و RCP8.5 و مدل HadCM3 در سناریو A2 برای شبیه­سازی داده­های اقلیمی ایستگاه سینوپتیک بوشهر در دوره­های پایه، مشاهداتی و آتی (2100-2010) استفاده شد. همچنین اعتبارسنجی مدل با پنج شاخص آماری و عدم قطعیت مدل با روش بوت استرپ محاسبه شد.

یافته ها: میزان افزایش دمای میانگین فصل زمستان و تابستان در طول دوره 47 ساله به ترتیب 8/1 و 7/1 درجه سانتی­گراد بوده است. پیش­بینی آینده اقلیمی دمای بیشینه و کمینه در مدل CanESM2[5] و HadCM3[6] بیش ترین افزایش را در ماه­های سرد سال نشان دادند. همچنین دمای پیش­بینی شده مدل CanESM2 در ماه های گرم از دمای کنونی کم­تر خواهد بود. شبیه­سازی متغییر اقلیمی بارش در مدل HadCM3 افزایش بارش را در فصل تابستان و پاییز و مدل CanESM2 افزایش بارش را برای همه فصول سال نشان دادند.

بحث و نتیجه گیری : هر دو مدل زمستان­های گرم­تری را در دهه­های آتی برای استان بوشهر پیش­بینی کردند. با پیش­بینی طولانی شدن فصل گرم در مدل CanESM2 ممکن است زمان جوانه­زنی و گل­دهی مانگروها طولانی­تر و از سه ماه به شش ماه تغییر یابد. در صورتی که افزایش بارش های پیش­بینی شده به صورت ریزش­های حدی نباشند می­توانند همراه با افزایش دما باعث رشد و توسعه بیش تر مانگروها شوند.

 

واژه‌های کلیدی: تغییر اقلیم، ریزمقیاس نمایی، مانگروهای خلیج فارس، دما، بارش.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

J. Env. Sci. Tech., Vol 22, No.2,April, 2020

 

 

 

 

 


Potential Expected Climate Change Impact on Persian GulfCoastal Mangrove Ecosystems Based on Temperature and Precipitation Variables

 

Hana Etemadi [7]*

h.etemadi@pgu.ac.ir

Hossein Delshab [8]

 

Admission Date:April 18, 2018

 

Date Received: September 24, 2017

 

Abstract

Background and Objective: Climate change and global warming are one of the most widespread and important environmental hazards. The purpose of this study is to investigate the trend of minimum, maximum and rainfall temperatures in the past period of Bushehr as a coastal province of the Persian Gulf and predict its climatic future by the end of 2100 AD, as well as the possible effects on the mangrove forest ecosystems of the Persian Gulf.

Method: In this research, the statistical down scaling model (SDSM) along with two different GCMs entitle CanESM2 in three RCP2.6, RCP4.5 RCP8.5 scenarios and HadCM3 in A2 scenario, were used to simulate climatic variables during base (1961-2005), current and future (2010–2099) periods in Bushehr synoptic station. Furthermore, model evaluation and uncertainty assessment performed by five different statistical criteria and a non-parametric bootstrapping technique, respectively.

Findings: The linear regression of the observed winter and summer mean temperature showed that mean temperature has increased +1.8 and +1.7°C over the past 47 years, respectively. Both, CanESM2 and HadCM3 model simulation results demonstrated that the most raise of minimum and maximum temperatures will occur in the future cold seasons. But, CanESM2 simulation analysis revealed that a decrease trend will occur in the minimum and maximum temperatures through future warm months. Also, HadCM3 simulation results showed that precipitation will rise in summer and fall seasons, while CanESM2 results presented an increase in rainfall variable throughout the year.

Discussion and Conclusion: Both of models have predicted warmer winter in the next several decades. Based on CanESM2 model results that we will have longer warmer seasons, there is a possibility of prolonging reproduction (germination and flowering) season in Persian Gulf mangroves from 3 to 6 months. Based on our results, future rainfall is more likely to become more frequent and intense. If those precipitations do not occur in extreme events, accompany with high temperature can cause more mangrove expansion and growth in future decades.

 

Keywords: Climate Change, Down-Scaling, Persian Gulf Mangroves, Temperature, Precipitation.

 

مقدمه


تغییرات اقلیمی یکی از ویژگی های طبیعی چرخه اتمسفری می­باشد که بر اثر ناهنجاری ها و یا نوساناتی در روند پارامترهای هواشناسی از جمله بارندگی و دما حاصل می شود (1). گزارش جامع پنجمین ارزیابی گروه کاری موسسه هیات بین دول تغییر اقلیم (IPCC)[9] در سپتامبر 2013 منتشر شد. از یک نسل جدیدی از مدل­های اقلیمی استفاده می­کنند به­طوری­که مدل های جدید جزئیات بیش تری از اقلیم جهانی را ارایه می­دهند. در گزارش پنجم، IPCC از سناریوهای اقلیمی جدیدی با عنوان(RCPs[10])  برای پیش بینی وضعیت اقلیمی آینده، استفاده کرده­اند. بر پایه این گزارش، دامنه پیش­بینی افزایش میانگین جهانی دمای سطی کره زمین تا انتهای قرن 21 در گزارش پنجم بین 8/4-1 درجه سانتی­گراد می باشد. بسیاری از مناطق خشک و نیمه­خشک عرض­های جغرافیایی میانی بارش کم­تری (با قطعیت زیاد) تجربه خواهند کرد (1). بر اساس مطالعات مختلف صورت پذیرفته تغییر اقلیم اثرات باقوه­ای بر نواحی خشک ونیمه خشک بر جای می­گذارد زیرا از یک طرف کاهش بارندگی و افزایش دما باعث تقویت خشک سالی ، بیابان زایی و تبخیر در مناطق خشک و نیمه­خشک شده و از سوی دیگر این مناطق بدون در نظر گرفتن اثرات تغییر اقلیم بدلیل خشک سالی های طولانی مدت نواحی آسیب­پذیر به لحاظ استاندارد­ها و مخاطرات محیطی هستند (3، 2). چهار اثر اصلی و شاخص تغییر اقلیم بر سواحل شامل افزایش درجه حرارت، تغییر در میزان بارش، افزایش سطح آب دریا، افزایش وسعت و شدت وقایع حدی مثل سیل، طوفان­های دریایی، هجوم امواج گرمایی و گرد و غبار می باشد که همگی از مخاطرات جدی تغییر اقلیم می باشند (4).

 

داده ها و روش ها

گونه­ی حرا با نام علمی Avicenniamarina متعلق به خانواده­ی Avicenniaceae تنها گونه­ی عمده­ی جامعه­ی حرای خلیج­فارس محسوب می­گردد و نوع غالب حرای ایران می­باشد. پوشش درختان مانگرو با نام­های مانگروهای بیدخون (96 هکتار) و مانگروهای بساتین (40 هکتار) و جنگل‌های حرای مل‌گنزه (5/10 هکتار) در محدوده بخش بردخون می باشد (5). شکل 1 جانمایی مانگروهای استان بوشهر را نشان می­دهد.

 

 شبیه سازی متغیرهای اقلیمی دما و بارندگی

روش­های مختلفی برای شبیه سازی متغیرهای اقلیمی در دوره های آتی تحت تاثیر تغییر اقلیم وجود دارد که معتبرترین آن­ها استفاده از داده­های مدل گردش عمومی جو یا GCM می­باشد. در این تحقیق از دو مدل CanESM2 و HadCM3 به عنوان مدل­های منتخب GCM برای تولید متغیرهای اقلیمی آینده استفاده شد. مدل CanESM2 با رزولوشن 875/1 درجه در سه سناریو RCP2.6، RCP4.5 و RCP8.5 برای شبیه سازی داده های اقلیمی ایستگاه سینوپتیک بوشهر در دوره های پایه، مشاهداتی و آتی (2100-2010) مورد استفاده قرار گرفت. مدل HadCM3 دارای قدرت تفکیک افقی 5/2 در 75/3 درجه عرض و طول جغرافیایی می باشد. قدرت تفکیک بالای مولفه اقیانوسی، مهمترین مزیت این مدل می باشد که در این مطالعه از سناریو A2 استفاده شد. پس از انتخاب مدل های GCM مورد نظر و تهیه پارامتر های اقلیمی مربوط به هر­مدل اقدام به کوچک مقیاس کردن آن­ها به کمک مدل آماری رگرسیونی SDSM ، می­کنیم.

 

معرفی مدل SDSM[11]

مدل آماری SDSM یکی از پرکاربردترین روش­های ریزمقیاس نمایی است که با استفاده از رگرسیون خطی چند متغیره روابط بین متغیرهای مستقل و متغیرهای وابسته را مشخص می­کند. شرح کامل مدل SDSM در مقاله (6) قابل استناد است. طول دوره پایه این مدل 45 سال از 1961 تا 2005 می­باشد همچنین برخی از پیش­بینی کننده های استفاده شده در مدل CanESM2 متفاوت از مدل های ارایه شده 2007 مانند مدل HadCM3 می­باشد که برای شبیه­سازی متغیرهای اقلیمی از پیش بینی کننده های (NCEP) با دوره زمانی 41 سال از سال 1961 تا 2001 استفاده می­شد. میزان قابلیت اعتماد و اعتبار داده­های اقلیمی کوچک مقیاس توسط پنج شاخص متفاوت آماری سنجیده می­شود. این شاخص­ها شامل MAE[12]، R2[13] ، RMSE[14]، NSE[15] و [16]PBIAS می باشد.

 

تحلیل عدم قطعیت : جهت انجام دو آنالیز، افزایش دقت در ارزیابی داده های مشاهداتی و محاسبه حد بالا و حد پایین در سطح اطمینان 95% داده­ها از نرم افزار SPLUS2000 و آزمون Bootstrap استفاده خواهد شد. در آزمون Bootstrap ابتدا داده­های مشاهداتی و کوچک مقیاس شده در دوره پایه (2005-1961) را بر اساس ماه­های میلادی جدا می­کنیم (7).

 


نتایج و بحث

 اعتبار سنجی مدل SDSM : نتایج اعتبارسنجی مدل ریزمقیاس SDSM برای دو مدل CanESM2 و HadCM3 به طور ماهیانه بر پایه پنج شاخص متفاوت آماری در جدول 2­ آورده شده است. نتایج اعتبارسنجی مدل برای دمای حداقل و حداکثر نشان از همبستگی بالا بین داده­های کوچک مقیاس شده پایه و مشاهداتی دارد. بدلیل عدم قطعیت بیش­تر داده­های بارش نسبت به دما ضرایب پنج شاخص اعتبار سنجی مقادیر کم­تری را نشان دادند.

 

 

 

 

شکل1- جانمایی جنگل های مانگرو نایبند (بیدخون و بساتین) و جنگل های مانگرو منطقه حفاظت شده مند در استان بوشهر

Figure 1.The location of mangroves in Mond protected area and Nayband national park (Bidkhoon and Basatin)

 

جدول 2- نتایج اعتبارسنجی مدل SDSM برای داده های دما و بارش ماهیانه

Table 2. SDSM model validation for monthly temperature and precipitation

شاخص های آماری

دمای حداقل

دمای حداقل

بارش

CanESM2

HadCM3

CanESM2

HadCM3

CanESM2

HadCM3

PBIAS

015/0

013/0

067/0

068/0

112/5-

352/3-

MAE

002/0-

003/0

014/0-

017/0-

763/0

722/0

RMSE

172/0

165/0

178/0

189/0

825/2

227/2

NSE

978/0

956/0

982/0

980/0

965/0

953/0

RSQ

989/0

978/0

969/0

962/0

911/0

789/0

 

 

بررسی دمای حداقل و حداکثر و بارش در دوره های گذشته

نرخ تغییرات دمایی (حداقل و حداکثر درجه حرارت) با استفاده از تطابق مدل رگرسیونی بر روند تغییرات روزانه دمای حداقل و حداکثر روزانه در دوره 47 ساله (2016-1969) داده­های ایستگاه سینوپتیک بوشهر بدست آمد که نتایج به ترتیب در شکل 2 نشان داده شده است. با توجه به شکل میزان افزایش دمای حداقل و حداکثر به درجه سانتی­گراد بر سال به ترتیب 075/0 و 011/0  می باشد همچنین مطابق نتایج در طی 47 سال میزان افزایش دمای کمینه 53/3+ درجه سانتی­گراد که با توجه به مقیاس اقلیمی افزایش این میزان درجه حرارت در طول 47 سال به طور قابل توجهی زیاد می­باشد. از طرفی میزان افزایش دمای بیشینه در طول 42 سال مطالعاتی 51/0+ می­باشد. دمای میانگین فصل های زمستان و تابستان در دوره 47 ساله (2016-1969) داده­های ایستگاه سینوپتیک بوشهر بدست آمد که نتایج در شکل 3 نشان داده شده است. با توجه به شکل میزان افزایش دمای میانگین فصل زمستان و تابستان در طول دوره 47 ساله به ترتیب 8/1 و 7/1 درجه سانتی­گراد بوده است. بدین معنی که در طول چند دهه گذشته دما در فصل زمستان و تابستان استان بوشهر به یک میزان افزایش یافته است. و شاهد تابستان ها و زمستان های گرم­تری بوده ایم. رگرسیون خطی داده­های دمای حداقل مشاهداتی یک افزایش °C 53/3+ در طول 47 سال گذشته را نشان داد. که این میزان بسیار بیش­تر از مقادیر جهانی افزایش دما در طول نیم قرن گذشته بوده است. مطابق IPCC 2007 روند خطی افزایشی دما در­طول 50 سال گذشته (°C 16/0-10/0) °C 13/0+ بوده است که این میزان تقریبا دو برابر میزان 100 سال پیش بوده است. بر اساس پیش­بینی وضعیت­های اقلیمی آینده، اقلیمی گرم­تر را خواهیم داشت و با ادامه روند گرم­تر­شدن اقلیمی منطقه، افزایش خشک­سالی را در این منطقه خواهیم داشت. مجموع  مقادیر بارش سالیانه  به میلی­متر در طول سال­های 1969 تا 2015 در ایستگاه سینوپتیک بوشهر را در شکل 4 (الف) می بینید. مطابق داده­ها و میانگین متحرک رسم شده بر مجموع بارش سالیانه پربارش ترین سال 1997 و کم بارش ترین سال 2010 با میزان 3/20 میلی­متر بودند. میانگین بارش سالیانه طولانی مدت برابر 5/246 میلی­متر در سال بود. با این تفاسیر شاهد یک دوره خشک­سالی بین سال­های 1989 تا 1994 و همچنین 2006 تا 2013 نیز شاهد دوره خشکی مجدد در این ایستگاه می­باشیم. جهت تعیین نقطه تغییر الگوی بارندگی از روش غیرپارامتریک من ویتنی[17] دو نمونه ای توصیف شده توسط Pettitt در سال 1979 استفاده شد (8) که نتایج تست در شکل 4(ب) آورده شده است. طبق این نتایج سال 2003 به عنوان نقطه تغییر شناخته شد. همچنین با آنالیز آماری تی- تست مشخص شد متغیرهای بارندگی شامل نسبت روزهای بارانی بیش­تر مساوی 2، 5، 10 و 25 روز قبل و بعد از سال 2003 و مجموع ماهیانه بارندگی قبل و بعد از سال 2003 به طور معنی­داری در قبل و بعد از 2003 متفاوت می­باشند شکل 5 طول دوره خشک و تر در ماه های مختلف ایستگاه سینوپتیک بوشهر را نشان می­دهد. بیش­ترین دوره خشک مربوط به ماه­های گرم و طولانی­ترین دوره خشک در تابستان اتفاق می­افتد. بیش­ترین دوره تر مربوط به ماه ژانویه به­مدت کم­تر از 2 روز می­باشد. طول دوره مرطوب مدل SDSM مشخص شده در شکل 5 نشان می دهد به­جز ماه­های نوامبر، دسامبر، ژانویه و آوریل به خوبی با داده های مشاهداتی هم­خوانی دارد که نشان دهنده این است در بیش­تر ماه­ها مدل به خوبی توانسته است مقادیر بارش فصلی را پیش­بینی کند.

 
 

شکل 2- رگرسیون خطی دمای حداقل وحداکثرایستگاه  بوشهر

Figure 2. Linear regression on minimum and maximum temperature in Bushehr station

 

 

 
 

شکل 3- رگرسیون خطی دمای میانگین فصل تابستان و زمستان در ایستگاه بوشهر

Figure 3. Linear regression on summer and winter mean temperature in Bushehr station

 

 
 

شکل 4: الف) مجموع بارش سالیانه- ب) نتایج تست پتیت من ویتنی

Figure 4. A) Sum annual precipitation B) Result of Pettit Mann Whitney test

 
 

شکل 5- مقایسه میانگین بوت استرپی ماهیانه دوره خشک و تر برای داده های ریزمقیاس شده با استفاده از SDSM در ایستگاه بوشهر

Figure 5. Monthly Bootstrap Mean of wet and dry spell for out-put data of SDSM in Bushehr station

 

بررسی دمای حداقل و حداکثر در دوره های آینده: 1-  مدل CanESM2

میانگین ماهیانه دمای حداکثر و حداقل مشاهداتی و مدل­شده (پایه مدل، CanESM2 در سه سناریو RCP2.6، RCP4.5 و RCP8.5 برای 2100-2006 در شکل 6 نشان داده شده است. پیش­بینی آینده اقلیمی مدل های CanESM2 نشان می­دهد که دمای بیشینه و کمینه در ماه­های سرد سال در دوره مطالعاتی آتی به صورت فزاینده ای تا حدود 3-7 درجه سانتی­گراد افزایش خواهد داشت. در حالی که در ماه های گرم دمای پیش بینی شده از دمای کنونی کم­تر خواهد شد. سه سناریو بکارگرفته شده در پیش­بینی دمای حداکثر آتی مشابه یکدیگر نتیجه دادند. همچنین میانگین بلندمدت سالیانه دمای بیشینه حدود 3 درجه سانتی­گراد افزایش سه سناریو تحت مطالعه مدل CanESM2 نشان دادند. بر پایه مدل CanESM2 دمای حداقل دوره آتی در ماه­های نوامبر، دسامبر، ژانویه، فوریه، مارس و آپریل افزایش قابل ملاحضه­ای را نشان دادند. در حالی که در ماه های گرم دمای حداقل پیش­بینی شده از دمای کنونی حدود 5 درجه سانتی­گراد کم­تر خواهد شد. مطابق شکل 7 پیش­بینی آینده اقلیمی مدل CanESM2 در پارامتر میانگین بارش نشان از کاهش بارش تنها در دو سناریو 6/2 و 5/4 در زمستان و افزایش میانگین بارش در فصل های بهار، تابستان و پاییز دارد. همچنین در پارامتر مجموع  بارش در همه سناریوها در کل فصل ها شاهد افزایش بارش خواهیم بود. نتایج سه سناریو تست شده مشابه بود و تغییرات زیادی نشان ندادند. در تست مدل SDSM به دلیل پراکنش نامنظم بارندگی در طول سال و این­که اکثریت روزهای سال بارندگی مساوی صفر می باشد

2-مدل HadCM3

میانگین ماهیانه دمای حداکثر و حداقل مشاهداتی (OBS) و مدل­شده HadCM3 در سه دوره زمانی 2039-2010، 2069-2040 و 2099-2070 در شکل 8 نشان داده شده است. طبق نتایج بدست آمده در پیش­بینی دمای بیشینه هر دوره زمانی نسبت به دوره قبل آن حدود یک­درجه در اکثر ماه­ها افزایش دما خواهد داشت ماه های جون، جولای و اگوست گرم­ترین ماه در آینده بر پایه پیش­بینی های مدل اقلیمی HadCM3 در هر سه دوره زمانی می­باشد. مطابق شکل 12 دمای حداقل دوره آتی در همه ماه­های سال افزایش نشان داد به­طوری­که این­میزان افزایش برای ماه های آگوست، سپتامبر، نوامبر، دسامبر، ژانویه، فوریه نسبت به سایر ماه­های سال بیش­تر بود. بیش­ترین میزان افزایش دمای حداقل در ماه سپتامیر به میزان 9 درجه سانتی­گراد و کم­ترین میزان مربوط به ماه جون 2 درجه سانتی­گراد برای دوره زمانی 2099-2070 پیش­بینی شد. در حالی که در ماه های گرم افزایش دمای حداقل پیش بینی شده حدود 3-2 درجه سانتی­گراد تا انتهای قرن 21 بود.

 

 

   

شکل 6-تغییرات میانگین ماهیانه دمای حداکثر و حداقل مشاهداتی (OBS) و پایه NCEP،  مدل شده CanESM2برای 2100-2006 در ایستگاه بوشهر

Figure 6. Mean monthly maximum and minimum temperature changes (Observed(OBS), NCEP, CanESM2) for 2006-2100 period in Bushehr station

 

 

   

شکل 7- میانگین و مجموع بارش ماهیانه (مشاهداتی (OBS) ، NCEP،  مدل شده CanESM2) برای دوره آتی و 2100-2006 در ایستگاه بوشهر

Figure 7. Mean and sum monthly precipitation (Observed(OBS), NCEP, CanESM2) for 2006-2100 period in Bushehr station

 

 

مطابق شکل 9 پیش­بینی آینده اقلیمی مدل HadCM3 در پارامتر بارش نشان از کاهش بارش در زمستان و بهار و افزایش میانگین بارش در فصل های تابستان و پاییز دارد. همچنین بیش­ترین کاهش در پارامتر مجموع بارش طی دوره 2040 تا 2070 در فصل زمستان و تا حدود 2000 میلی متر رخ خواهد داد. پیش­بینی متغییر اقلیمی بارش در مدل HadCM3 افزایش بارش را در فصل تابستان و پاییز و مدل CanESM2 افزایش بارش را در همه فصول سال نشان دادند. ولی داده­های دمایی حداکثر آینده، شبیه­سازی شده توسط مدل­CanESM2 در سناریو 5/8 بیش­ترین دمای حداکثر مربوط به ماه جون و 36 درجه سانتی­گراد بود و سایر ماه های گرم دمای بیش از 38 درجه نداشتند. در مطالعه ای که لیلیولد و همکاران (2012) در منطقه خاورمیانه انجام دادند میزان افزایش دمای ماکزیمم 5/3 درجه سانتی­گراد و دمای شب را 5/3 تا 7 درجه سانتی­گراد برای جنوب ایران تا 2100 پیش بینی کردند (9). طبق نتایج این­تحقیق به احتمال بسیار زیاد دمای شب 5/1 درجه سانتی­گراد بیش­تر از دمای روز در دوره های زمانی آینده خواهد بود و بارش به طور معنی­داری در قسمت جنوب شرقی خاورمیانه افزایش قابل ملاحضه­ای خواهد داشت که این افزایش را مربوط به گسترش توده هوای مرطوب از حاره به سمت شمال عنوان کردند.

 

 

 

 

 

   

شکل 8-تغییرات میانگین ماهیانه دمای حداکثر و حداقل مشاهداتی (OBS) و پایه NCEP ،  مدل شده HadCM3 برای 2100-2006 در ایستگاه بوشهر

Figure 8. Mean monthly maximum and minimum temperature changes (Observed, NCEP, HadCM3) for 2006-2100 period in Bushehr station

 

   

شکل 9- میانگین و مجموع بارش ماهیانه (مشاهداتی (OBS) ، NCEP،  مدل شده HadCM3) برای دوره آتی و 2100-2006 در ایستگاه بوشهر

Figure 9. Mean and sum monthly precipitation (Observed(OBS), NCEP, HadCM3) for 2006-2100 period in Bushehr station

 

آلپرت و همکاران (2008) نیز افزایش بارش را برای دوره های آتی جنوب خاورمیانه پیش­بینی کردند (10). با­این­حال با توجه به تغییرات زمانی و مکانی زیاد پارامتر بارش و محدودیت های ذاتی مدل­های بزرگ مقیاس اقلیمی افزایش بارش برای منطقه مطالعاتی بوشهر باید با احتیاط گزارش شود و مسلما نیاز به تست مدل­های به روز بیش­تری می­باشد. مطالعات پیشین ارزیابی اثرات دما بر اکوسیستم­های ساحلی مانگروها (11) نشان دادند اکوسیستم ها به تغییرات دمایی نسبت به تغییرات بارش بسیار حساس­ترند. چون نرخ افزایش دما در این منطقه نسبت به حالت جهانی بسیار زیاد است بنابراین اکوسیستم مانگروهای ایران به طور بالقوه در معرض یک خطر اصلی به­دلیل افزایش دما آتی قرار خواهند داشت. استرس دمایی یک عملکرد پیچیده از شدت (درجه حرارت) طول و نرخ افزایش دما است. شدت استرس دمایی به­سرعت با افزایش دما بالای سطح آستانه افزایش می یابد و بسته به دمای افزایش یافته و دیگر فاکتورهای محیطی می­تواند اثرات تجمعی داشته باشد. نتایج داده­ها نشان می­دهد که دمای حداکثر در برخی از سناریوهای بدبینانه به بیش از °C38 در طول فصل گرما (ماه های جون، جولای، آگوست) خواهد رسید که می تواند منجر به توقف فتوسنتز در طول روز و افزایش سرتاسری تنفس گیاه در طول شبانه روز می­گردد. این درهم­گسیختگی بین فتوسنتز و تنفس منجر به اثرات نامطلوب بروی تنوع، تولید و پایداری مانگرو­ها خواهد شد. در گونه Avicennia به عنوان مقاوم­ترین گونه مانگرو با افزایش دمای بالای °C 38 فتوسنتز به­شدت کاهش یافته و متوقف خواهد شد. چون آنزیم های فعال در واکنش های شیمیایی فتوسنتز به دما حساس می­باشند زمان جوانه زنی تا گل دهی در جنگل های مانگرو این منطقه از ژوئن تا انتهای اگوست می­باشد اما به دلیل افزایش طولانی شدن فصل گرم بر طبق نتایج مدل CanESM2 ممکن است زمان جوانه زنی و گل­دهی (جون تا سپتامبر) این جنگل ها از سه ماه به شش ماه تغییر یابد. و یا طبق نتایج مدل HadCM3 این زمان به ماه های آوریل و می شیفت یابد. اگر چه مطابق نتایج پیش بینی شده بارش در آینده ما شاهد افزایش بارش بویژه در فصل پاییز (چون هر دو مدل افزایش بارش را در پاییز پیش­بینی کردند) هستیم در صورتی که این­بارش­ها به صورت بارش­­های حدی نباشند می­توانند همراه با افزایش دما باعث رشد و توسعه بیش­تر مانگروها شوند.

Reference

  1. IPCC, 2013. Climate Change 2013. The physical Science Basis. Summary for policymakers. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge University Press, pp. 18-100.
  2. Church, J., White, N., Coleman, R., Lambeck, K., and Mitrovica, J. 2004. Estimates of the regional distribution of sea level rise over the 1950 to 2000 period. Journal of Climate, Vol.17, pp. 2609-2625.
  3. Webb, E.L., Friess, D.A., Krauss, K.W., Cahoon, D.R., Guntenspergen, G.R., phelps, J. 2013. A global standard for monitoring coastal wetland vulnerability to accelerated sea-level rise. Nature Climate Change, Vol .4, pp. 238-252.
  4. IPCC, 2007. In: Solomon, S.D., 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, pp. 1056-1078.
  5. Bushehr Environment Administration, 2017. Statistics and Information annual reports. pp. 100-119. (In Persian)
  6. Etemadi, H. Samadi, S. Sharifikia, M. 2013. Uncertainty analysis of statistical downscaling models using general circulation model over an international wetland. Climate Dynamic, doi:10.1007/s00382-013-1855-0.
  7. Khan, M.S. Coulibaly, P., Dibike, Y. 2006. Uncertainty analysis of statistical downscaling methods. Journal of Hydrology, Vol .319, pp. 357-382.
  8. Pettitt, A.N. 1979. A non-parametric approach to the change-point problem. Applied Statistics, Vol .28, pp. 126–135.
  9. Lelieveld, J., Hadjinicolaou, P., Kostopoulou, E., Chenoweth, J., Maayar, M., iannakopoulos, C., Xoplaki, E. (2012). Climate change and impacts in the Eastern Mediterranean and the Middle East. Climate Change. 114, 667–687. doi:10.1007/s10584-012-0418-4.
  10. Alpert, P., Krichak, S.O., Shafir, H., Haim, D., Osetinsky, I., 2008. Climatic trends to extremes employing regional modeling and statistical interpretation over the Mediterranean. Global Planet Change, Vol .63, pp. 163–170.
  11. Withey, P., vanKooten, G.C. 2011. The effect of climate change on optimal wetlands and waterfowl management in Western Canada. Ecology and Economics, Vol .70, pp. 798–805.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 



[1]- استادیار گروه محیط زیست، پژوهشکده خلیج فارس، دانشگاه خلیج فارس، بوشهر، ایران * (مسوول مکاتبات).

2- دانش آموخته دکتری محیط زیست، دانشگاه آزاد اسلامی واحد علوم تحقیقات، تهران، ایران

 

[3] - Statistical Down-Scaling Model

[4] - General Circulation Model

[5] - Canadian Earth System Model

[6] - Hadley Center Climate Model

1- Assistant Professor of Environmental Sciences, Persian Gulf Research Institute, Persian Gulf University, Bushehr, Iran *(Corresponding Author)

2- PhD in Environmental Science, Science and Technology Unit, Azad University, Tehran, Iran.

 

[9] - Intergovernmental Panel on Climate Change

[10] - Representative Concentration Pathways

3- Statistical Downscaling Model

[12] -Mean Absolutely Error

[13]- R Squared

[14]- Root Mean Square Error

[15]- Nash-Sutcliffe Coefficient

[16]- Percent Bias

[17] - Mann Whitney-Test

  1. IPCC, 2013. Climate Change 2013. The physical Science Basis. Summary for policymakers. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge University Press, pp. 18-100.
  2. Church, J., White, N., Coleman, R., Lambeck, K., and Mitrovica, J. 2004. Estimates of the regional distribution of sea level rise over the 1950 to 2000 period. Journal of Climate, Vol.17, pp. 2609-2625.
  3. Webb, E.L., Friess, D.A., Krauss, K.W., Cahoon, D.R., Guntenspergen, G.R., phelps, J. 2013. A global standard for monitoring coastal wetland vulnerability to accelerated sea-level rise. Nature Climate Change, Vol .4, pp. 238-252.
  4. IPCC, 2007. In: Solomon, S.D., 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, pp. 1056-1078.
  5. Bushehr Environment Administration, 2017. Statistics and Information annual reports. pp. 100-119. (In Persian)
  6. Etemadi, H. Samadi, S. Sharifikia, M. 2013. Uncertainty analysis of statistical downscaling models using general circulation model over an international wetland. Climate Dynamic, doi:10.1007/s00382-013-1855-0.
  7. Khan, M.S. Coulibaly, P., Dibike, Y. 2006. Uncertainty analysis of statistical downscaling methods. Journal of Hydrology, Vol .319, pp. 357-382.
  8. Pettitt, A.N. 1979. A non-parametric approach to the change-point problem. Applied Statistics, Vol .28, pp. 126–135.
  9. Lelieveld, J., Hadjinicolaou, P., Kostopoulou, E., Chenoweth, J., Maayar, M., iannakopoulos, C., Xoplaki, E. (2012). Climate change and impacts in the Eastern Mediterranean and the Middle East. Climate Change. 114, 667–687. doi:10.1007/s10584-012-0418-4.
  10. Alpert, P., Krichak, S.O., Shafir, H., Haim, D., Osetinsky, I., 2008. Climatic trends to extremes employing regional modeling and statistical interpretation over the Mediterranean. Global Planet Change, Vol .63, pp. 163–170.
  11. Withey, P., vanKooten, G.C. 2011. The effect of climate change on optimal wetlands and waterfowl management in Western Canada. Ecology and Economics, Vol .70, pp. 798–805.