اثر تغییر اقلیم بر بارش‌های حدی مناطق خشک ایران

علوم و تکنولوژی محیط زیست، دورهبیست و دوم، شماره نه، آذر  ماه 99

اثر تغییر اقلیم بر بارش­های حدی مناطق خشک ایران

محمد رضا خزائی*^[1]

m_r_khazaee@yahoo.com

حدیث خزائی^[2]

بهرام ثقفیان^[3]

چکیده

زمینه و هدف: یکی از آثار مهم تغییر اقلیم، تغییر رژیم بارش­های حدی در آینده است که پیش­بینی آن برای اتخاذ تدابیر مقابله با آثار زیانبار تغییر اقلیم ضروری است. در این مقاله اثر تغییراقلیم بر بارش­های روزانه حداکثر سالانه در مناطق خشک ایران ارزیابی شده است.

روش بررسی: سناریوهای آینده توسط مدل NSRP ریزمقیاس شد. سری­های طولانی مدت بارش روزانه برای اقلیم فعلی و سناریوهای آینده تولید شد و با مقایسه توزیع فراوانی بارش­های حدی روزانه دوره تاریخی و سناریوهای آینده، اثر تغییر اقلیم بر بارش­های حدی در مناطق خشک ایران ارزیابی شد. روش ریزمقیاس­نمایی به گونه­ای است که دامنه وسیعی از ویژگی­های سناریوهای بزرگ­مقیاس به سناریوهای ریزمقیاس شده منتقل شده است. ایستگاه­های مورد مطالعه، ایستگاه­های سینوپتیک بم، زاهدان، مهرآباد تهران و یزد به عنوان نمایندگان مناطق خشک ایران انتخاب گردید.

یافته ها: نتایج اعتبارسنجی نشان داد عملکرد روش مورد استفاده برای شبیه­سازی سری بارش روزانه و توزیع بارش­های حدی مناسب است. در اغلب ایستگاه­ها و تحت سناریوهای مختلف انتشار، شدت بارش­های حدی روزانه در آینده افزایش خواهد یافت. این در حالی است که بارش سالانه در آینده کاهش می­یابد. به عنوان نمونه در یزد انتظار می­رود بارش­های حدی 50 ساله بین 14 تا 58 درصد افزایش یابد، اما تغییر میانگین بارش سالانه بین 3% افزایش تا 20% کاهش باشد.

 بحث و نتیجه گیری: این نتایج بیانگر افزایش وخامت شرایط بارش در مناطق خشک ایران در آینده است. لذا انجام مطالعات وسیع­تر و در نظر گرفتن اقدامات پیش­گیرانه برای کاهش خسارات تغییر اقلیم آینده دراین مناطق ضروری است.

واژه­های کلیدی: بارش، تغییر اقلیم، بارش حدی، خشک، ریزمقیاس نمایی

Climate Change Impact on Extreme Rainfalls in Arid Region of Iran

Mohammad Reza Khazaei^[4]*

m_r_khazaee@yahoo.com

Hadis Khazaei^[5]

Bahram Saghafian^[6]

Abstract

Background and Objective: One of the major impacts on climate changes is change in extreme precipitation regime in the future, which have to be predicted to counteract the harmful effects of climate change. In this paper, climate change impact is assessed on extreme rainfalls in arid regions of Iran.

Method: Future scenarios are downscaled using the NSRP model. Long-term daily rainfall series are generated for current climate and future scenarios. By comparing the distribution of extreme daily rainfalls for current and future conditions, the impacts of climate change on extreme rainfalls are assessed. In downscaling method, a wide range of statistics of large-scale scenarios has been transferred to downscaled scenarios. The understudying stations are in Bam, Zahedan, Tehran and Yazd synoptic stations as representatives of the arid regions of Iran.

Findings: Validation results indicate that the performance of this method in simulating daily rainfall series and distribution of extreme rainfall is acceptable. Results for most of stations and scenarios show that intensity of extreme daily rainfalls will increase in the future while average rainfall will decrease. As instance, in Yazd, extreme rainfall of 50 years return period would increase between 14 to 58 percent, while the average precipitation will change between +3 to -20 percent.

Discussion and Conclusion: These results indicate that the precipitation situation in arid areas of Iran will worsen in the future. Therefore, more extensive investments and taking preventive activities to adapt to climate change is essential.

Keywords: Extreme Rainfall, Climate Change, Rainfall, Arid, Downscaling

مقدمه

افزایش انتشار گازهای گلخانه­ای در جو کره زمین، موجب روند افزایشی دمای کره زمین و تغییر اقلیم می­شود. بر مبنای سناریوهای منتشر شده توسط هیات بین الدول تغییر اقلیم (IPCC[7])، پیش یابی می­شود در سال­های آینده نیز وضعیت اقلیم کره زمین پیوسته در تغییر باشد (1و2). یکی از آثار مهم تغییر اقلیم، تغییر شدت و فراوانی بارش­های حدی است (2). طبق نتایج به دست آمده از مطالعات متعدد، در مناطق زیادی از دنیا شدت بارش­های حدی مشاهداتی افزایش یافته است (6-3). و پیش­بینی می­شود که در آینده نیز شدت و فراوانی بارش­های حدی در بسیاری از نقاط دنیا افزایش یابد (2). لذا استفاده از روش­های سنتی تحلیل ریسک سیل (از جمله روش تحلیل فراوانی) که از داده­های مشاهداتی گذشته با فرض ثابت بودن اقلیم استفاده می­کند، برای تحلیل ریسک بارش­های آینده معتبر نیست. در نتیجه، برای آن دسته از طرح­های مهندسی که متأثر از بارش­های سیل­زا هستند و در آینده مورد بهره برداری و استفاده قرار می­گیرند، لازم است از روش­هایی استفاده شود که اثر تغییر اقلیم را در نظر بگیرد (9-7). مدل­های عددی گردش عمومی (GCM[8]) به عنوان معتبرترین وسیله برای تولید سناریوهای اقلیمی (از جمله بارش) آینده مطرح هستند (10). اما خروجی این مدل­ها بزرگ مقیاس است و برای ارزیابی اثر تغییر اقلیم بر بارش­های حدی یک منطقه، باید به روشی مناسب، ریز مقیاس شود. اگرچه روش­های بسیاری برای ریزمقیاس نمایی خروجی GCMها توسعه یافته است، اما اغلب این روش­ها در بازتولید صحیح بارش­های حداکثر آینده با کاستی­هایی مواجهند (11 و 12). در اغلب مطالعات گذشته از روش عامل تغییرات (CFs[9]) استفاده شده است. در این روش تنها میانگین متغیرهای اقلیمی بر اساس سناریوی آینده تنظیم می­شود و تغییر در نوسانات نادیده گرفته می­شود. این درحالی است که در مطالعات مقادیر حدی،
تغییر نوسانات می­تواند مهم­تر از تغییر میانگین­ها باشد (13). علاوه بر آن، استفاده از روش CFs، در کاهش مقیاس بارش روزانه عدم قطعیت زیادی دارد (14). در مواردی دیگر نیز دیده شده که از مدل­های استوکستیک مولد آب و هوا (WG[10]) از جمله LARS WG، SDSM[11] و WGEN[12] استفاده شده است. در این مدل­ها از مدل­های صرفاً آماری بارش استفاده شده است (3، 15، 16 و 17). این مدل­ها اگرچه گشتاورهای درجه پایین و رفتار خشک-تر بارش را به خوبی بازتولید می­کنند، اما قادر به بازتولید صحیح بارش­های حداکثر نیستند (12، 19-17).

مدل NSRP[13] که در مطالعات ارزیابی اثر تغییر اقلیم کم­تر مورد توجه بوده است (11 و 19)، یک مدل نیمه فیزیکی استوکستیک تولید بارش است که نشان داده است از قابلیت ویژه­ای برای ارزیابی اثر تغییر اقلیم بر بارش روزانه و به ویژه بر بارش­های حدی برخوردار است (11، 19 و 20). این مدل در مطالعاتی (که اغلب در مناطق مرطوب بوده است) برای ارزیابی آثار تغییر اقلیم بر بارش روزانه و بارش­های حدی با موفقیت مورد استفاده  قرار گرفته است (11، 21 و 23). در این پژوهش عملکرد مدل NSRP برای تولید سری­ بارش­های روزانه و همچنین توزیع بارش­های حدی مناطق خشک بررسی ­شده و با استفاده از آن اثر تغییر اقلیم بر بارش­های حدی در مناطق خشک ایران (یزد، بم، زاهدان و تهران) ارزیابی شده است.

روش تحقیق

منطقه مورد مطالعه

این مطالعه بر روی چهار ایستگاه سینوپتیک بم، یزد، زاهدان و مهرآباد تهران انجام شده است که طبق روش طبقه بندی اقلیمی دومارتون دارای اقلم خشک می­باشند. مشخصات این ایستگاه­ها در جدول 1 ارایه شده است.

Table 1-Characteristics of weather stations used in the study

جدول 1- مشخصات ایستگاه­های هواشناسی مورد مطالعه

 از سری بارش روزانه دوره 30 ساله 2000- 1971 ثبت شده این ایستگاه­ها و خروجی­های روزانه مدل CGCM3 مربوط به دو دوره پایه 2000-1971 و دوره آینده 65-2036 استفاده شده است. خروجی­های مدل CGCM3 برای سناریوهای اقلیمی A1B، A2 و B1 است. این سناریوها به ترتیب حالات غلظت متوسط، غلظت زیاد و غلظت کم گازهای گلخانه­ای هستند و دامنه وسیعی از حالات ممکن انتشار گازهای گلخانه­ای در آینده را در بر می­گیرند.

شبیه سازی بارش و کاهش مقیاس

مدل NSRP یک مدل نیمه فیزیکی است که فرایندهای فیزیکی ساختار بارش را توسط روش­های آماری توصیف می­کند. فرایند مدل­سازی در مدل NSRP طی 4 مرحله (شکل 1) تشریح می‌شود (23):

Fig 1- Schematic of the NSRP model

شکل 1- نمودار مدل NSRP

1- در این مدل در ابتدا زمان شروع وقایع بارش (طوفان‌ها)، به صورت مستقل و تصادفی توسط یک فرایند پواسون تولید می‌‌شود.

(1)                                        

که P[K]، احتمال وقوع تعداد K طوفان تا زمان t، و λ متوسط تعداد طوفان‌ها در واحد زمان است.

2- شروع هر طوفان، مبدا رخداد تعداد تصادفی C رگبار (سلول بارش) می‌شود که C برای هر طوفان از یک توزیع پواسون با میانگین ν به صورت مستقل و تصادفی تولید می‌شود. فاصله زمانی شروع هر یک از رگبارها نسبت به زمان شروع طوفان نیز از یک توزیع نمایی با پارامتر βبه صورت مستقل و تصادفی تعیین می‌شود.

(2)                                                       

که f(t) ، تابع چگالی احتمال فاصله زمانی رخ‌دادن هر رگبار نسبت به زمان شروع طوفان (t)، و   متوسط فاصله زمانی شروع رگبارها نسبت به زمان شروع طوفان است.

3- سپس به هر رگبار به صورت تصادفی، یک مدت و یک شدت اختصاص داده می‌شود. مدت هر رگبار از یک توزیع نمایی با پارامتر ηبه صورت تصادفی و مستقل تعیین می‌شود.

(3)                        

که در آن f(l)، تابع چگالی احتمال مدت هر رگبار (l)، و  ^-1η متوسط مدت رگبارها است.

شدت هر رگبار با یک توزیع نمایی با پارامتر ξ به صورت تصادفی و مستقل تعیین می‌شود.

(4)                                                       

که در آن که f(x)، تابع چگالی احتمال شدت هر رگبار (x)، و  ^-1ξ متوسط شدت رگبارها است.

4- شدت بارش در هر لحظه، از جمع شدت رگبارهای فعال در آن لحظه به دست می‌آید. این فرایند به صورت پیوسته زمانی است، بنابراین سری زمانی از تفکیک فرایند در گام زمانی مورد نظر به دست می‌آید. معمولاً داده‌های بارش مشاهداتی به صورت میزان کل بارش در یک گام زمانی معین ارائه می‌شود. لذا اگر y(t) شدت کل بارش در زمان t باشد، بارش تجمعی گام زمانی i ام با مدت h از رابطه زیر به دست می‌آید.

(5)   

 پنج پارامتر مدل (λ، β ، η، ν ، ξ) توابعی از آماره­های بارش هستند و از طریق واسنجی توسط یک فرایند بهینه­یابی و با استفاده از آماره­های بارش مشاهداتی به دست می­آیند.
اطلاعات بیشتر در مورد مدل NSRP توسط Burton و همکاران (2008) و Khazaei و همکاران (2012) ارائه شده است.

برای ارزیابی عملکرد مدل، لازم است آماره­های سری زمانی تولید شده و مشاهداتی با هم مقایسه شود. برای این منظور در ابتدا 100 سری بارش هم­طول با سری­های مشاهداتی (30 ساله)، توسط مدل واسنجی شده تولید می­شود. این تکرار به دلیل تغییرپذیری نمونه­گیری[14]  است. برای هر یک از سری­های 30 ساله تولید شده، آماره­های بارش محاسبه شده و میانه و حدود اطمینان[15] 90% (حدودی که 90 درصد آماره سری­های تولید شده در آن قرار دارند)، با آماره­های متناظر سری مشاهداتی مقایسه می­شود. قرارگیری آماره­های سری مشاهداتی در حدود تعیین شده، حاکی از نکویی عملکرد مدل در سطح احتمال مورد نظر است (12، 19 و 24).  

روش کاهش مقیاس سناریوهای بارش و تولید سناریوهای طولانی مدت بارش آینده توسط مدل NSRP برای هر یک از سناریوهای انتشار و در هر ایستگاه به شرح زیر است: 1- از سری­های بارش روزانه خروجی GCM برای دوره کنترل و سناریوی آینده، آماره­های روزانه مورد نیاز مدل NSRP محاسبه می­شود. 2- برای هر آماره، نسبت مقدار آینده به مقدار دوره کنترل خروجی­های GCM محاسبه می­شود و این نسبت در مقدار آماره متناظر مشاهداتی ضرب می­شود تا آماره ریز مقیاس شده­ی آینده به دست آید. 3- سپس مدل NSRP با استفاده از آماره­های ریزمقیاس شده، واسنجی شده و سناریوهای ریزمقیاس­ طولانی مدت بارش روزانه­ی اقلیم آینده تولید می­شود (19).

سپس توزیع فراوانی بارش­های حداکثر روزانه برای دوره­ گذشته و هر یک از سناریوهای آینده، از سری­های تولید شده توسط NSRP استخراج می شود. با مقایسه توزیع­های فراوانی بارش­های حدی گذشته و آینده، اثر تغییر اقلیم بر بارش­های حدی ارزیابی می­شود (11).

نتایج و بحث

مدلNSRP برای 4 ایستگاه بم، یزد، زاهدان و تهران واسنجی شد. برای واسنجی مدل از 7 آماره بارش روزانه شامل میانگین بارش روزانه، واریانس بارش روزانه، چولگی بارش روزانه، ضریب خودهمبستگی بارش روزانه، نسبت روزهای تر، احتمال وقوع روز تر پس از روز تر و احتمال وقوع روز خشک پس از روز خشک استفاده شد. در شکل 2 نتایج اعتبارسنجی مدل برای ایستگاه بم، به عنوان نمونه ارائه شده است. همان­طور که مشاهده می­شود در همه ماه­های سال میانگین­ها و واریانس­ها در داخل دامنه 90% مقادیر متناظر از سری­های تولید شده قرار دارد که مبین عملکرد خوب مدل در بازتولید این آماره­ها است. اگرچه بارش­های حدی مستقیماً در واسنجی مدل NSRP شرکت نکرده­اند، اما مشاهده می­شود که توزیع­های مشاهداتی عموماً در حدود اطمینان 90% توزیع­های متناظر تولید شده قرار داردو این نشان دهندهعملکرد بسیار خوب برای شبیه­سازی بارش­های حداکثر روزانه است. این نتایج حاکی از عملکرد موفق مدل در شبیه­سازی بارش روزانه و بازتولید بارش­های حدی این ایستگاه است. عملکرد مدل در سایر ایستگاه­ها نیز بررسی شد که مشابه عملکرد آن در ایستگاه بم، خوب بود. اگرچه مدل NSRP بیشتر در مناطق مرطوب اعتبارسنجی شده و عملکرد موفقیت آمیزی نشان داده است (11، 19 و22)، نتایج این تحقیق نشان داد که عملکرد مدل NSRP در مناطق خشک نیز خوب است. Khazaei و همکاران (2013) عملکرد مدل NSRP را در چند ایستگاه با اقلیم خشک در شمال شرقی ایران با عملکرد مدل LARS-WG مقایسه کردند و نتیجه گرفتند، عملکرد مدل NSRP بسیار خوب و بهتر از عملکرد مدل LARS-WG است. نتایج این پژوهش، علاوه بر همسویی با مطالعات انجام شده در مناطق مرطوب (11، 19، 22-21) با نتایج Khazaei و همکاران (2013) برای مناطق خشک نیز همسو است.

شکل 2- عملکرد مدل NSRP برای ایستگاه بم

                                               Fig 2- NSRP model performance for the Bam station

پس از اعتبارسنجی و اطمینان از نکویی عملکرد مدل، سناریوهای A1B, A2 و B1 برای هر ایستگاه ریز مقیاس شد و 100 سری 30 ساله (3000 سال) بارش برای هر سناریوی آینده (2065-2036) در هر ایستگاه تولید شد. با مقایسه میانگین ماهانه و توزیع بارش­های روزانه حدی بارش دوره تاریخی و سناریوهای آینده، اثر تغییر اقلیم بر بارش ارزیابی شد. در شکل 3 میانگین ماهانه بارش اقلیم تاریخی و سناریوهای آینده برای هر ایستگاه مقایسه شده است. در ایستگاه­های بم و زاهدان طی همه سناریوهای انتشار و در اغلب ماه­های سال کاهش چشم­گیر بارندگی در آینده قابل انتظار است. به گونه­ای که بر اساس سناریوهای انتشار مختلف انتظار می­رود در آینده میانگین بارش سالانه در ایستگاه بم بین 12 تا 29 درصد و در ایستگاه زاهدان بین 13 تا 28 درصد کاهش یابد. البته در بعضی از ماه­ها (از جمله سپتامبر) نیز بارندگی می­تواند در بم و زاهدان افزایش یابد. در ایستگاه یزد نیز کاهش بارندگی در بیشتر ماه­های سال مشهود است، ضمن آن­که در پائیز و ابتدای زمستان احتمال بیشتر بر افزایش میانگین بارش است. میانگین سالانه بارش تحت سناریوهای B1 و A2 به ترتیب 2 و 3 درصد افزایش و بر اساس سناریوی A1B، 20 درصد کاهش می­یابد. در تهران نکته قابل توجه تغییر سیکل فصلی بارش در آینده است. به این معنی که در فصل پاییز افزایش و در فصل­های بهار و تابستان کاهش بارش مشاهده می­شود. اما تغییر بارش سالانه کوچک و بین 5 درصد افزایش تا 10 درصد کاهش بر اساس سناریوهای مختلف است. چنین تغییری در سیکل بارش تهران و کاهش بارش در سایر ایستگاه­های مورد بررسی می­تواند موجب بحرانی­تر شدن وضعیت منابع آبی در آینده شود که این نتایج نیاز به اتخاذ تدابیر آمادگی و سازگاری با شرایط تغییر اقلیم آینده در مناطق خشک ایران را هشدار می­دهد.

Fig 3- Climate change impact on monthly mean rainfall

شکل 3- اثر تغییر اقلیم بر میانگین بارش ماهانه

در شکل 4 توزیع فراوانی بارش­های حداکثر روزانه آینده ایستگاه­های مورد مطالعه تحت سناریوهای انتشار مختلف، با توزیع متناظر بارش­های دوره تاریخی مقایسه شده است. و در جدول 2 درصد تغییر بارش­های با دوره بازگشت­های 2 و 50 سال سناریوهای آینده نسبت به مقادیر متناظر دوره تاریخی ارائه شده است. در ایستگاه بم و زاهدان تغییر بارش­های حدی در اقلیم آینده نسبتاً کوچک است. به عنوان نمونه بر اساس سناریوهای انتشار مختلف، در ایستگاه بم تغییر حداکثر بارش روزانه 2 ساله بین 9% کاهش تا 5% افزایش خواهد بود. این مقدار برای بارش 50 ساله بین 11% تا 18% افزایش پیش­یابی می­شود. در ایستگاه زاهدان، حداکثر بارش روزانه 2 ساله بین 8% تا 17% کاهش، و برای بارش 50 ساله بین 2% تا 10% افزایش پیش­یابی می­شود.

اما در ایستگاه­های یزد و تهران افزایش بزرگی بارش­های سیل­زا تحت همه سناریوهای آینده قابل توجه است. در ایستگاه تهران، پیش­یابی می­شود حداکثر بارش روزانه برای دوره بازگشت 2 ساله بین 10% تا 22%، و برای دوره بازگشت 50 ساله بین 46% تا 89% افزایش یابد. در ایستگاه یزد انتظار می­رود بزرگی بارش 2 ساله تا 28% و 50 ساله بین 14 تا 58 درصد افزایش یابد.

Table 2- Percentage change of future extreme daily precipitation

جدول 2- درصد تغییر بارش­های حدی روزانه آینده

Fig. 4- Climate change impact on maximum daily rainfalls

شکل 4- اثر تغییر اقلیم بر بارش­های حداکثر روزانه

افزایش بزرگی بارش­های حدی در ایستگاه­های تهران و یزد قابل توجه است، ضمن آن­که در دوره بازگشت­های بالا (مثلا 50 سال)، بارش­های حدی در همه ایستگاه­های مورد بررسی و تحت همه سناریوها افزایش خواهد یافت. نتایج این تحقیق، با جمع بندی IPCC (2012) که پیش­یابی نموده است که شدت و فراوانی بارش­های حدی برای بسیاری از نقاط جهان و به ویژه برای عرض­های میانی کره زمین تا پایان قرن 21 افزایش خواهد یافت، همسو است. این در حالی است که میانگین­های بارش در آینده، در اغلب موارد گرایش به کاهش دارد. به ویژه در بم با وجود کاهش میانگین بارش ماهانه در اغلب ماه­های سال و از جمله ماه­های پر باران، بارش­های روزانه­ی حدی به مقدار زیادی افزایش خواهد یافت. این موضوع می­تواند به این علت باشد که با وجود کاهش میانگین ماهانه بارش، تعداد روزهای بارانی نیز کاهش بیشتری یافته و منجر به افزایش شدت بارش­ روزهای بارانی می­شود. این موضوع اهمیت استفاده از مدل­های WG از جمله مدل NSRP که تغییرات ویژگی­های مختلف بارش آینده را به طور همزمان در سری­های کاهش مقیاس یافته در نظر می­گیرند، نشان می­دهد. بر این مبنا، نتایج روش­هایی همچون روش عامل تغییر برای ارزیابی آثار تغییر اقلیم بر بارش­های حدی، با عدم قطعیت زیادی روبرو است و این نتایج تردیدهای مطرح شده توسط Reynard و همکاران (2001) و Prudhomme و همکاران (2002) را در خصوص اعتبار روش عامل تغییر را تائید می­کند (14-13).

این موضوع حاکی از لزوم در نظر گرفتن اثرات تغییر اقلیم در طرح­های آینده و تدارک اقدامات پیشگیری از خسارات تغییر اقلیم برای طرح­های وابسته به بارش و بارش­های سیل­زا در مناطق خشک ایران است.

نتیجه گیری

از آثار مهم تغییر اقلیم، افزایش شدت و فراوانی بارش­های حدی در آینده است. اما مطالعات اندکی به طور مستقیم به این موضوع پرداخته­اند. به ویژه در مناطق خشک، به ندرت اثر تغییر اقلیم بر بارش­های حدی توسط یک روش مناسب مطالعه شده است. اگرچه روش­های کاهش مقیاس زیادی برای اهداف مختلف توسعه یافته است، اما تعداد اندکی از این روش­ها از دقت و کفایت مناسب برای ارزیابی اثر تغییر اقلیم بر بارش­های حدی برخوردارند. در این تحقیق از مدل استوکستیک NSRP برای ارزیابی اثر تغییر اقلیم بر توزیع فراوانی بارش­های حدی چهار ایستگاه سنوپتیک یزد، مهرآباد تهران، بم و زاهدان که در مناطق خشک ایران واقع هستند، استفاده شده است. نتایج اعتبارسنجی مدلNSRP مبین عملکرد خوب مدل در بازتولید آماره­های مختلف بارش روزانه و توزیع بارش­های حدی در همه ایستگاه­های مورد بررسی است. با استفاده از مدل NSRP سناریوهای اقلیمی مدل CGCM3 تحت سه سناریوی A2، A1B و B1 برای ایستگاه­های مورد بررسی ریزمقیاس شد. در فرایند ریزمقیاس نمایی، طیف وسیعی از ویژگی­های سناریوهای بزرگ مقیاس بارش در سناریوهای کاهش مقیاس یافته حفظ شد که این از قابلیت­های مدل NSRP است. برای کاهش عدم قطعیت نوسانات اقلیم، 3000 سال (100 سری 30 ساله) بارش روزانه برای اقلیم تاریخی و هریک از سناریوهای آینده برای هر ایستگاه تولید شد. با مقایسه توزیع بارش­های حدی سناریو­های آینده (65-2036) و دوره تاریخی (2000-1971) اثر تغییر اقلیم بر توزیع بارش­های حدی سیل­زا در مناطق خشک ایران ارزیابی شد.

در ایستگاه­های یزد و تهران شدت بارش­های سیل­زا تحت همه سناریوهای آینده به مقدار قابل توجه افزایش می­یابد. پیش­یابی می­شود شدت بارش­های حدی روزانه با دوره بازگشت 50 سال در ایستگاه تهران بین 46 درصد تا 89 درصد و در ایستگاه یزد بین 14 درصد تا 58 درصد افزایش یابد. در ایستگاه بم و زاهدان تغییرات بارش­های حدی در آینده نسبتاً کوچک است. بر اساس سناریوهای انتشار مختلف انتظار می­رود شدت بارش­های حدی روزانه با دوره بازگشت 50 سال در بم بین 11% تا 18% و در زاهدان بین 2% تا 10% افزایش یابد.

مقایسه میانگین ماهانه بارش اقلیم تاریخی و سناریوهای مورد بررسی آینده نشان می­دهد که در ایستگاه­های بم و زاهدان طی همه سناریوهای انتشار و در اغلب ماه­های سال، بارندگی به مقدار قابل توجه کاهش خواهد یافت. به گونه­ای که انتظار می­رود میانگین بارش سالانه آینده در بم بین 12 تا 29 درصد و در زاهدان بین 13 تا 28 درصد کاهش یابد. در ایستگاه یزد نیز کاهش بارندگی در بیشتر ماه­های سال مشهود است، ضمن آن­که در پائیز و ابتدای زمستان احتمال بیشتر بر افزایش میانگین بارش ماهانه است. میانگین سالانه بارش یزد می­­تواند از 3 درصد افزایش تا 20 درصد کاهش یابد. در تهران تغییر بارش سالانه بین 5 درصد افزایش تا 10 درصد کاهش است، اما تغییر سیکل فصلی بارش قابل توجه است. به گونه­ای که در پاییز افزایش و در فصل­های بهار و تابستان کاهش بارش قابل انتظار است.

به طور کلی در ایستگاه­های مورد مطالعه به عنوان نمایندگاه مناطق خشک ایران، در اثر تغییر اقلیم در آینده، بزرگی بارش­های حدی سیل­زا گرایش به افزایش دارد و میانگین بارش سالانه گرایش به کاهش دارد. این موضوع حاکی از افزایش وخامت وضعیت بارش در اقلیم آینده در هر دو زمینه منابع آب و خسارات سیل در این مناطق است. لذا در نظر گرفتن اثرات تغییر اقلیم در طرح­های آینده و تدارک اقدامات پیشگیری از خسارات تغییر اقلیم در مناطق خشک ایران ضروری است. در این تحقیق برای دستیابی به نتایج مطمئن­تر، عدم قطعیت سناریوهای انتشار و نوسانات اقلیم مورد توجه قرار گرفته است و از یک روش ریزمقیاس نمایی مناسب و متناسب با اهداف تحقیق استفاده شده است. اما نتایج این تحقیق با استفاده از خروجی­های یک مدل GCM بوده است و پیشنهاد می­شود نتایج با استفاده از مدل­های GCM مختلف به همین روش انجام شود تا عدم قطعیت مدل­های GCM نیز در نتایج دیده شود و نتایج مطمئن­تری برای اتخاذ تصمیمات کاربردی حاصل شود.

منابع

1. IPCC 2001. Climate change 2001. Impacts, Adaptation and Vulnerability. Contribution of Working Group II to the third assessment report of the Intergovernmental Panel on Climate Change. UK: Cambridge University Press.
2. IPCC. 2012. Summary for Policymakers. In: Managing the Risks of Extreme Events and Disasters to Advance Climate Change Adaptation. A Special Report of Working Groups I and II of the Intergovernmental Panel on Climate Change. Cambridge University Press, Cambridge, UK, and New York, NY, USA, 1-19
   1. Tryhorn, L., DeGaetano, A., 2011. A comparison of techniques for downscaling extreme precipitation over the Northeastern United States. International Journal of Climatology, vol. 31, pp. 1975-1989.
   2. Asgari, A., Rahimzade, F., Mohammadian, N., Fattah, E., 2008. Terend Analysis of Extreme Precipitation Indices Over Iran. Iran-Water Resources Research, vol. 3(3), pp. 42-55 (In Persian)
   3. Arnbjerg-Nielsen, K., 2006. Significant climate change of extreme rainfall in Denmark. Water Sci. Technol. 54 (6–7), pp. 1–8.
   4. Zhai, P., Zhang, X., Wan, H., Pan, X., 2005. Trends in total precipitation and frequency of daily precipitation extremes over China. J. Climate, 18, pp. 1096–1108.
   5. Agilan, V., Umamahesh, N.V., 2016. Is the covariate based non-stationary rainfall IDF curve capable of encompassing future rainfall changes? Journal of Hydrology, 541, pp. 1441-1455.
   6. Cheng, L., AghaKouchak, A., 2014. Nonstationary Precipitation Intensity-Duration-Frequency Curves for Infrastructure Design in a Changing Climate. Scientific Reports, 4, pp. 7093 (1-6)
   7. Tfwala, C.M., Rensburg, L.D., Schall, R., Mosia, S.M., Dlamini, P., 2017. Precipitation intensity-duration-frequency curves and their uncertainties for Ghaap plateau. Climate Risk Management, 16, pp. 1–9.
   8. Khazaei, M.R., Khazaei, H., 2018. Scenarios In Climate Change Impact Assessment on Monthly Stream-flow of Karun Basin. Journal of Environmental Science and Technology, 20(1), pp. 29-40 (In Persian)
   9. Khazaei, M.R., Zahabiyoun, B., Saghafian, B., 2012. Assessment of climate change impact on floods using weather generator and continuous rainfall-runoff model. International Journal of Climatology, vol. 32(13), pp. 1997- 2006
   10. Khazaei, M.R., Ahmadi, S., Saghafian, B., Zahabiyoun, B., 2013. A new daily weather generator to preserve extremes and low-frequency variability. Climatic Change, 119, pp. 631-645
   11. Prudhomme, C., Reynard, N., Crooks, S., 2002. Downscaling of global climate models for flood frequency analysis: where are we now?. Hydrological Processes, vol. 16, pp. 1137-1150
   12. Reynard, NS., Prudhomme, C., Crooks, SM., 2001. The flood characteristics of large UK Rivers: Potential effects of changing climate and land use. Climatic Change, vol. 48, pp. 343-359
       1. Pourtouiserkani, A., Rakhshandehroo, Gh., 2014. Investigating climate change impact on extreme rainfall events, Case study: Chenar-Rahdar basin, Fars, Iran. Scientia Iranica, A, vol. 21, pp. 525-533
       2. Liu, Z., Xu, Z., Charles, SP., Fu, G., Liu, L., 2011. Evaluation of two statistical downscaling models for daily precipitation over an arid basin in China. International Journal of Climatology, vol. 31, pp. 2006-2020
       3. Yang, T., Li, H., Wang, W., YuXu, H., Yu, Z., 2012. Statistical downscaling of extreme daily precipitation, evaporation, and temperature and construction of future scenarios. Hydrological Processes, vol. 26, pp. 3510–3523
       4. Semenov, MA., 2007. Development of high-resolution UKCIP02-based climate change scenarios in the UK. Agricultural and Forest Meteorology, vol. 144, pp. 127-138
       5. Kilsby, CG., Jones, PD., Burton, A., Ford, AC., Fowler, HJ., Harpham, C., James, P., Smith, A., Wilby, RL., 2007. A daily weather generator for use in climate change studies. Environmental Modelling and Software, vol. 22, pp. 1705–1719
       6. Fowler, HJ., Blenkinsop, S., Tebaldi, C., 2007. Linking climate change modelling to impacts studies: recent advances in downscaling techniques for hydrological modelling. International Journal of Climatology, vol. 27, pp. 1547-1578
       7. Kilsby, CG., Burton, A., Birkinshaw, SJ., Hashemi, AM., O’connell, PE., 2000. Extreme rainfall and flood frequency distribution modelling for present and future climates Proceedings of the British Hydrological Society. 7th National Hydrology Symposium, University of Newcastle upon Tyne, British Hydrological Society
       8. Cowpertwait, P.S.P., Kilsby, C.G., O’Connell, P.E., 2002. A space-time Neyman-Scott model of rainfall: Empirical analysis of extremes. Water Resour Res 38(8), pp. 1131 (1-14).
       9. Burton, A., Kilsby, CG., Fowler, HJ., Cowpertwait, PSP., O'connell, PE., 2008. RainSim: A spatial-temporal stochastic rainfall modelling system. Environmental Modelling & Software, 23, pp. 1356-1369
       10. Holman, I.P., Tascone, D., Hess, T.M., 2009. A comparison of stochastic and deterministic methods for  modelling potential groundwater recharge under climate change in East Anglia, UK: implications for groundwater resource management. Hydrogeology Journal, 17, pp.1629-1641.
       11. Reynard, N.S., Prudhomme, C., Crooks, S.M., 2001. The flood characteristics of large UK Rivers: Potential effects of changing climate and land use. Climatic Change, 48, pp. 343-359.