پیش‌بینی تغییر اقلیم تهران و یزد در آینده تحت سناریوهای RCP و توسط مدل LARS-WG

مقاله پژوهشی

علوم و تکنولوژی محیط زیست، دوره بیست و چهارم، شماره شش، شهریور ماه 1401(31-44)

پیش­بینی تغییر اقلیم تهران و یزد در آینده تحت سناریوهای RCP و توسط مدل LARS-WG

رضا کاظمی^[1]

محمد رضا خزائی^*[2]

khazaei@pnu.ac.ir

چکیده

زمینه و هدف: تغییر اقلیم موجب تغییر متغیرهای اقلیمی در آینده می­شود. برای پیشگیری از اثرات سوء تغییر اقلیم، لازم است متغیرهای اقلیمی برای آینده پیش­بینی شوند. هدف این تحقیق شبیه­سازی صحیح بارش و دمای روزانه تهران و یزد، با اقلیم خشک، در دوره 2065-2036 تحت اثر تغییر اقلیم و با درنظر گرفتن عدم قطعیت­ها است.

روش بررسی: خروجی­های مدل CanESM2 تحت سناریوهای RCPs توسط LARS-WG ریزمقیاس شد. در ریزمقیاس نمائی، ویژگی­های مختلف سناریوهای بزرگ مقیاس به سناریوهای ریزمقیاس شده انتقال یافت. در اغلب مطالعات پیشین تنها تغییرات میانگین­ها در نظر گرفته شده است. عدم قطعیت­های سناریوهای انتشار و نوسانات اقلیمی با به­کارگیری سه سناریوی انتشار و تولید 100 سری 30 ساله­ی متغیرها برای هر سناریو بررسی شد. لذا دامنه وسیعی از حالات محتمل آینده پیش­بینی شد و نتایج مطمئن­تری به دست ­آمد.

یافته­ها: در آینده دمای تهران و یزد در اغلب ماه­های سال افزایش می­یابد، اما در بعضی از ماه­ها نیز کاهش می­یابد. به‌عنوان نمونه میانگین دمای حداکثر ماه آوریل (فروردین) در تهران بین 1/6 تا 9/6  و در یزد بین 1/7 تا 2/8 درجه سانتیگراد افزایش می­یابد، اما در ماه سپتامبر (شهریور) دمای حداکثر در تهران تا 4/2 و در یزد تا 7/0 درجه کاهش می­یابد. بارش سالانه در آینده در تهران بین 20% تا 40% و در یزد بین 43% تا 49% افزایش می­یابد. اما تغییرات در ماه­های مختلف متفاوت است.

بحث و نتیجه­گیری: آب و هوای تهران و یزد در آینده می­تواند به مقدار زیادی تغییر کند. لذا اتخاذ تدابیر سازگاری با تغییر اقلیم ضروری است.

واژه­های کلیدی: تغییر اقلیم، ریزمقیاس نمایی، عدم قطعیت، RCPs، .LARS-WG

Prediction of future climate change in Tehran and Yazd under RCPs scenarios and using LARS-WG model

Reza Kazemi[3]

Mohammad Reza Khazaei [4] ^*

khazaei@pnu.ac.ir

Abstract

Background and Objective: Climate change will change climate variables in the future. In order to reduce the negative effects of climate, it is required to project future climate variables. The purpose of this study is to simulate most realistic daily rainfall and temperature series for Tehran and Yazd, with arid climatic, in period of 2036-2065 with considering uncertainty.

Material and Methodology: the outputs of the CANESM2 under RCP scenarios were downscaled using LARS-WG. In downscaling, various characteristics of the large-scale scenarios were transferred to the downscaled scenarios. In most of the previous studies, only changes in averages have been considered. The uncertainties of emission scenarios and climatic variabilities were investigated using three emission scenarios and generating 100 series of 30-year variables for each scenario. So, a wide range of probable future scenarios is predicted and more reliable results are obtained.

Findings: The results show in the future, for both Tehran and Yazd, temperature will rise in most months of the year, while in some months it will decrease. Average maximum temperature in April will increase between 6.1 to 9.9 ºC in Tehran, and between 7.1 to 8.2 in Yazd, while it will decreases in September by 2.4 degrees in Tehran, and by 0.7 degrees in Yazd. Future annual rainfall will increase between 20% to 40% in Tehran and between 43% to 49% in Yazd. However, changes vary in different months.

Discussion and Conclusion: Climate regime of both Tehran and Yazd can considerably change in the future. Therefore, adaptation strategies with climate change are necessary.

Key words: Climate change, Downscaling, Uncertainty, LARS-WG, RCPs.

مقدمه

با افزایش غلظت گازهای گلخانه­ای (به ویژه دی اکسید کربن) در قرن اخیر، تغییر اقلیم یکی از چالش­هایی است که بشر با آن مواجه است. پیش­بینی می­شود تداوم تغییر اقلیم در آینده اثرات قابل‌توجه­ای بر بارش و دما و سپس بر متغیرهای وابسته به آن­ها از جمله جریان رودخانه­ها و کشاورزی داشته باشد. بر این مبنا، برای طرح برنامه­­های توسعه­ای آینده، لازم است متغیرهای اقلیمی از جمله بارش و دما برای شرایط تغییر یافته آینده پیش­بینی شوند. مدل­های گردش عمومی^[5] (GCMs)، واکنش اقلیم جهانی را به غلظت گازهای گلخانه­ای شبیه­سازی می­کنند و سناریوهای اقلیمی آینده را برای سراسر کره زمین شبیه­سازی می‌نمایند(1). اما وضوح مکانی خروجی­های جهانی کم است، لذا برای مطالعه­ی آثار تغییر اقلیم در هر منطقه­­ی خاص، لازم است سناریوهای خروجی این مدل­ها به وضوح مناسب ریز مقیاس شود (2). مطالعات زیادی به ارزیابی آثار منطقه­ای تغییر اقلیم پرداخته­اند و روش­های ریزمقیاس نمایی متعددی برای کاهش مقیاس خروجی­های جهانی توسعه یافته است. به‌دلیل قابلیت­های ویژه­ی مدل­های مولد داده­های هواشناسی (WGs)[6]، در مطالعات بسیاری برای ریزمقیاس نمایی^[7] خروجی GCMها از این روش استفاده شده­ است. از جمله قابلیت­های این مدل­ها به موارد زیر اشاره می­شود (3). یک WG توسط سری­های مشاهداتی واسنجی می­شود و سپس می­تواند سری­های متعددی از متغیرها با طول آماری دلخواه تولید کنند. در حالی که سری­های مشاهداتی طول کوتاهی دارد و حالات محدودی از اقلیم را ارئه می­کند، سری­های تولید شده طولانی مدت هستند و دامنه وسیعی از حالات محتمل اقلیمی را در بر می­گیرند که برای تحلیل ریسک وقایع حدی و ارزیابی عدم قطعیت نوسانات اقلیمی اهمیت دارد. از دیگر مزایای استفاده از WGها امکان انتقال تغییرات مشخصات مختلف متغیرهای اقلیمی (از جمله تغییرات میانگین، طول دوره­های خشک و تر و واریانس متغیرها) از سناریوهای بزرگ مقیاس به سناریوهای ریزمقیاس یافته است. علاوه بر آن؛ با استفاده از WGها برای کاهش مقیاس، همبستگی طبیعی مقادیر بارش و دما در سری­های ریزمقیاس شده حفظ می­شود، که این برای بعضی کاربردهای بعدی، مثلا برای ارزیابی آثار هیدرولوژیکی تغییر اقلیم، ضروری است.

یکی از خوش­نام ترین و پر ارجاع­ترین WGها، مدل LARS-WG[8] است که در بسیاری از مطالعات ارزیابی آثار تغییر اقلیم مورد استفاده قرار گرفته است. LARS-WG از نوع مدل­های استوکاستیک چند متغیره­ی تولید داده های هواشناسی است. این مدل با بیش از 140 ارجاع در مقالات ISI تا سال 2006، یکی از مولد­های هواشناسی است که بیش‌تر از همه در مورد آن­ها گزارش شده (4) و به‌عنوان یک روش ریزمقیاس نمایی آماری خوب شناخته شده است (5).

از جمله مطالعاتی که در آن­ها از مدل LARS-WG برای پیش­بینی آثار تغییر اقلیم در سال­های آینده استفاده شده، به موارد زیر اشاره می­شود: معافی مدنی و همکاران (1391)، به ارزیابی اثرات تغییر اقلیم بر وضعیت خشکسالی استان خراسان رضوی برای دوره (2011-2030) پرداختند (6). ایشان خروجی­های مدل HadCM3 تحت سناریوی A2 را برای 10 ایستگاه سینوپتیک در استان خراسان رضوی توسط مدل LARS-WG ریز مقیاس نمودند. نتایج نشان داد که تحت سناریوی مورد بررسی، طی دو دهه آینده خشکسالی در اغلب ایستگاه­های خراسان رضوی کاهش می­یابد. آگراوال و همکاران^[9] (2015)، برای ارزیابی اثر تغییر اقلیم بر دما در یک حوضه آبریز در کشور نپال از مدل LARS-WG استفاده کردند (7). ایشان از خروجی­های 10 مدل جهانی تحت سه سناریوی انتشار  A2، A1B و B1 از سری SRES^[10] استفاده نمودند. نتایج نشان داد که مدل LARS-WG در ریز مقیاس­نمایی دمای حداقل و حداکثر عملکرد خوبی دارد. همچنین پیش­بینی شد که میانگین­های فصلی و سالانه دمای حداکثر و حداقل در آینده افزایش می­یابد. حجازی زاده و همکاران (1394)، اثر تغییر اقلیم بر  بارش، دمای حداقل و حداکثر روزانه را در 4 ایستگاه در سمنان پیش­بینی کردند (8). در این مطالعه خروجی­های مدل HadCM3 تحت سه سناریوی A2، B1 و A1B  از سری SRES برای دوره زمانی (2011-2030) توسط مدل LARS-WG ریز مقیاس شد. گودرزی و همکاران (1394)، اثر تغییر اقلیم را بر میانگین ماهانه دما و بارش توسط دو روش کاهش مقیاس LARS-WG  و عامل تغییرات ارزیابی کردند و سپس اثر تغییر اقلیم بر جریان در یک حوضه با اقلیم خشک در یزد را بررسی کردند (9). در نتیجه ملاحظه شد که با استفاده از دو روش، سناریوهای جریان آینده 30 درصد تفاوت دارد. در این بررسی اثر روش کاهش مقیاس بر میانگین­ها بررسی شد و مطالعه برای یک سناریوی A2 از سری SRES در دوره 2010-2039 انجام شد. نتایج نشان داد که لازم است تغییرات آماره­های مختلف در کاهش مقیاس توسط مدل LARS-WG در نظر گرفته شود. ضرغامی و همکاران (2016)، اثرات تغییر اقلیم بر دما و بارش جریان بالادست حوضه یامچی واقع در شمال غرب ایران را برای دوره (2011-2030) مورد ارزیابی قرار دادند (10). در این پژوهش خروجی مدل گردش عمومی HadCM3، تحت سناریوی انتشار A2 (از خانواده سناریوهای انتشار SRES) را توسط LARS-WG، و سناریوهای انتشار RCP4.5، RCP2.6 و RCP8.5 را توسط مدل SDSM ریز مقیاس نمودند (10). نتایج این ارزیابی نشان داد که برای افق 2030-2011، متوسط دما تا 77/0 درجه سانتیگراد و بارش تا 11 میلی متر افزایش خواهد یافت. خورانی و همکاران (1395)، اثرات تغییر اقلیم بر شدت خشکسالی در دو ایستگاه خشک و نیمه‌خشک بندرعباس و شهرکرد را برای دوره (2011-2040) پیش­بینی کردند (11). در این مطالعه خروجی­های مدل HadCM3 تحت سه سناریوی A2، B1 و A1B  سری SRES توسط مدل LARS-WG ریز مقیاس گردید. نتایج نشان داد که بر اساس تمام سناریوهای مورد مطالعه، شدت خشکسالی در هر دو ایستگاه افزایش خواهد یافت، به جز سناریوی B1 که کاهش خشکسالی را برای ایستگاه شهرکرد نشان می­دهد. شابول-علم و همکاران^[11] (2016)، از مدل­ LARS-WG برای پیش­بینی آثار تغییر اقلیم بر منحنی شدت-مدت-فراوانی^[12] بارش روزانه در ایستگاه ساسکاتون[13] کانادا استفاده کردند. ایشان در ادامه با استفاده از داده‌های ساعتی مشاهداتی و مدل K-NN داده­های بارش روزانه اقلیم آینده را به داده­های ساعتی تعمیم دادند و اثر تغییر اقلیم بر منحنی­های شدت-مدت-فراوانی بارش را تحت سناریوهای انتشار RCP2.6، RCP4.5 و RCP8.5  و هشت مدل جهانی اقلیم (شامل مدل­های CanESM2، HadGEM2-ES، IPSL، CNRM، CSIRO، BCC، MRI و MIROC) ارزیابی کردند. نتایج نشان داد که اندازه و بزرگی مقدار بارش­های حدی سیل­آسا در آینده نسبت به انتخاب مدل­های گردش عمومی و سناریوهای RCPs ^[14] حساس است.  اما در مجموع شدت بارش تا پایان قرن 21 در حال افزایش است (12). محمدلو و همکاران (1395)، با استفاده از LARS-WG خروجی­های دو مدل گردش عمومی تحت سناریوهای انتشار A1B، A2 و B1را ریزمقیاس نمودند، و پیامدهای تغییر اقلیم برای دما و بارندگی حوضه باراندوزچای واقع در شمال غرب کشور را در دوره 2011-2040 پیش­بینی کردند (13). نتایج نشان داد که در دوره آتی، میزان دما و بارندگی نسبت به دوره­ی پایه افزایش خواهد یافت، ضمن آنکه الگوی زمانی بارندگی­ نیز تغییر خواهد یافت. سبحانی و گل­دوست (1397) سناریوی دمای حداقل روزانه یک مدل گردش عمومی را توسط مدل LARS-WG ریز مقیاس نمودند و اثر تغییر اقلیم را بر  آغاز و پایان یخبندان ایستگاه‌های پارس‌آباد، اردبیل و خلخال، در دوره­های آینده پیش بینی نمودند (14). نتایج نشان داد که مدل LARS-WG توانایی قابل‌قبولی در این شبیه‌سازی و پیش‌بینی اثر تغییر اقلیم بر دوره‌های یخبندان دارد. همچنین نتیجه شده که در آینده طول دوره های یخبندان کوتاه­تر خواهد شد.

در اغلب مطالعات پیشین از سناریوهای قدیمی SRES استفاده شده است. ضمن آنکه اغلب تنها تغییرات میانگین­های متغیرهای اقلیمی بزرگ مقیاس به سناریوهای ریزمقیاس شده منتقل شده است و از انتقال تغییرات سایر ویژگی­های آماری به سناریوهای ریزمقیاس شده صرف نظر شده است. این موضوع به دلیل آن است که در نسخه اخیر LARS-WG  که توسط سمنو و استراتونوویچ^[15] (2010) (15)، توسعه یافته است، سناریوهای آینده تنها بر اساس تغییرات میانگین­های ماهانه خروجی داده‌های جهانی تنظیم شده­اند و هیچ تنظیمی در سایر آماره­ها شامل توزیع طول دوره­های خشک و توزیع طول دوره­های بارانی و واریانس دما انجام نشده است. زیرا برای تعیین تغییرات این آماره­ها و اعمال آن­ها در سری­های کاهش مقیاس یافته، لازم است که از سناریوهای روزانه مدل­های گردش عمومی استفاده شود؛ و داده­های روزانه برای اغلب داده های جهانی در دسترس نیست. لذا از همه تغییراتی که داده­های جهانی پیش بینی می­کنند در متغیرهای اقلیمی اتفاق بیفتد، تنها تغییرات میانگین­ها به سری­های ریزمقیاس شده منتقل شده و تغییرات سایر ویژگی­های اقلیمی نادیده گرفته می­شود.

در تحقیق حاضر، اثر تغییر اقلیم بر بارش، دمای حداقل و دمای حداکثر تهران و یزد بر مبنای خروجی­های مدل CanESM2  تحت سناریوهای جدید RCPs ارزیابی شده است. به این منظور از مدل LARS-WG برای ریزمقیاس نمودن سناریوهای بزرگ مقیاس اقلیمی به گونه­ی استفاده شده است که ویژگی­های مختلف سناریوهای بزرگ مقیاس به سناریوهای ریزمقیاس شده انتقال یافته است. چنین روشی منجر به نتایج مطمئن­تری برای پیش­بینی اقلیم آینده می­شود. علاوه بر آن نتایج تحت سناریوهای مختلف انتشار RCPs و دامنه  95% نوسانات اقلیمی ارائه شده است که دامنه وسیعی از حالات محتمل آینده را برای اتخاذ تصمیمات مطمئن­تر در بر می­گیرد.

مواد و روش­ها

منطقه مورد تحقیق

این مطالعه برای دو ایستگاه سینوپتیک مهرآباد تهران و سینوپتیک یزد انجام شده است. به این منظور از سری­های 30 ساله (2000-1971) بارش، دمای کمینه و دمای بیشینه روزانه ثبت شده در این ایستگاه­ها استفاده شده است. مشخصات ایستگاه­ها در جدول (1) ارائه شده است. ایستگاه تهران دارای میانگین بارش 241 میلی متر در سال و میانگین دمای 5/17 درجه سانتی‌گراد و ایستگاه یزد دارای میانگین بارش 64 میلی‌متر در سال و میانگین دمای 19 درجه سانتی‌گراد است و بر اساس روش طبقه‌بندی دومارتون، هر دو منطقه دارای اقلیم خشک هستند و به کاهش مقدار آب در دسترس در آینده حساس می­باشند.

جدول 1- مشخصات ایستگاه هواشناسی تهران-مهرآباد و یزد

Table 1. Characteristics of the Tehran-Mehrabad and Yazd weather stations

سناریوهای انتشار گازهای گلخانه­ای و سناریوهای اقلیمی

سری جدید سناریوهای انتشار گازهای گلخانه­ای با عنوان RCPs در سال ۲۰۱۰ توسط هیئت بین الدول تغییر اقلیم تهیه شده است. سناریوی خانواده RCPs شامل ۴ سناریوی مختلف است. این سناریوهای عبارتند از:  RCP8.5، RCP6، RCP4.5 و RCP2.6 که بر اساس اثر انتشار گازهای گلخانه ای بر سطح واداشت­های تابشی به ۴ دسته 5/8، ۶، 5/4 و 6/2 وات بر متر مربع تا پایان قرن ۲۱، نامیده شده­اند. این مطالعه با استفاده از سناریوهای روزانه بارش، دمای حداقل و دمای حداکثر روزانه خروجی مدل CanESM2  تحت سناریوهای RCP8.5، RCP4.5 و RCP2.6 انجام ­شده است. خروجی­های مدل CanESM2 که در این مطالعه مورد استفاده قرار گرفته است مربوط به دوره 30 ساله­ی 2000-1971 به عنوان دوره کنترل و دوره 30 ساله 65-2036 به‌عنوان دوره آینده است.

معرفی مدل LARS-WG

مدل LARS-WG یک مدل مولد­ داده­های استوکستیک روزانه هواشناسی ([16]WG) است (16) و (17). در LARS-WG طول سری­های خشک و تر، مقدار بارش و تابش خورشیدی روزهای تر و روزهای خشک، از توزیع های نیمه تجربی مدل می­شود. این توزیع­ها برای هر ماه از سال از داده­های مشاهداتی به دست می­آیند. برای تولید داده، ابتدا طول سری­های متناوب خشک و تر به صورت تصادفی از توزیع نیمه تجربی انتخاب ­شده و سپس مقدار بارش هر روز­تر، به‌صورت تصادفی، از توزیع تجربی مقادیر بارش همان ماه انتخاب می­شود. برای مدل­سازی سری­های دمای حداقل روزانه و دمای حداکثر روزانه، میانگین­ها و انحراف معیار روزانه، به‌صورت جداگانه برای روزهای خشک و تر محاسبه شده و سیکل فصلی آن­ها توسط سری فوریه درجه 3 مدل و حذف می­شود. سپس، بر باقی‌مانده­های این متغیرها، یک مدل خودهمبسته درجه­ی اول چند متغیره برازش داده می­شود. در این مدل برای تخمین فاز تصادفی دماهای حداقل و حداکثر، از توزیع نیمه تجربی استفاده می­شود که برای هر ماه تقویمی و برای روزهای خشک و تر به‌صورت مجزا تعیین می­گردد و پارامترهای آن با درون­­یابی به همه روزهای سال تعمیم داده می­شود.

روش ریز مقیاس نمایی

برای کاهش مقیاس توسط WGها، آماره­های بدست آمده از سری های مشاهداتی، مطابق با سناریو­های تغییر اقلیم مدل­های گردش عمومی تغییر داده می­شود و سناریوهای اقلیم آینده با استفاده از آماره­های تغییر یافته، تولید می­شود. بر اساس سناریوهای تولید شده توسط GCMها خصوصیات مختلفی از متغیرهای اقلیمی (از جمله میانگین، واریانس، نسبت روزهای بارانی)  در آینده می­تواند تغییر کند. در مدل LARS-WG سناریوهای اقلیمی آینده برای ریزمقیاس نمائی به گونه­ای تعبیه شده است که تنها تغییرات میانگین­های متغیرهای اقلیمی برای شرایط آینده در نظر گرفته شده است و تغییرات سایر ویژگی­های متغیر­ها در سری­های ریزمقیاس شده اعمال نمی­شود. لذا در این تحقیق با استفاده از سناریوهای روزانه­ی بزرگ مقیاس اقلیم آینده، علاوه بر تغییر میانگین­ها، تغییرات سایر ویژگی­های آماری متغیرهای اقلیمی نیز در سناریوهای ریز مقیاس شده اعمال شده است تا وضعیت اقلیمی آینده در حوضه به صورت کامل­تر و صحیح­تر پیش­بینی شود. مراحل ریزمقیاس­نمایی در این تحقیق به شرح زیر است: 1- آماره­های سری­های روزانه بارش، کمینه دما و بیشینه دمای روزانه خروجی مدل گردش عمومی، برای دوره کنترل و همچنین برای سناریوی آینده محاسبه می­شود. 2- نسبت تغییرات برای میانگین ماهانه­ی بارش، طول دوره­های تر، طول دوره­های خشک، انحراف معیار دمای روزانه و مقدار تغییرات (تفاضل) برای میانگین ماهانه­ی دمای حداقل و دمای حداکثر محاسبه می­شود و به ترتیب به صورت ضرب و جمع به مقادیر متناظر مشاهداتی اعمال می­شود تا آماره­های سناریوهای ریزمقیاس شده به دست آید. سپس بر مبنای این آماره­ها، سری­های متغیرهای اقلیمی برای سناریوهای آینده توسط LARS-WG تولید می­شود (15­).

روش اعتبارسنجی مدل

برای اعتبارسنجی مدل، ویژگی­های آماری داده­های تولید شده با ویژگی­های متناظر سری­های مشاهداتی مقایسه می­شود. مقایسه میانگین­ها به‌وسیله آزمون های t-test و مقایسه­ی واریا­نس­های متغیرهای اقلیمی توسط آزمون f-test  صورت می­گیرد. همچنین مقایسه توزیع­های فراوانی متغیرها توسط آزمون کولموگروف-اسمیرنوف^[17] انجام می­شود (18).

هنگامیکه مقدار P-value بزرگتر از 05/0  به دست آید، عملکرد مدل در سطح معنی­داری 5 درصد قابل قبول است (15).

تحلیل عدم قطعیت

با توجه به آنکه وضعیت غلظت گازهای گلخانه­ای­ در آینده به صورت قطعی مشخص نیست، این پژوهش تحت سه سناریوی RCP انجام شده است که دامنه­ای از حالات محتمل انتشار گازهای گلخانه­ای برای آینده را در بر می­گیرد. از دیگر عوامل عدم قطعیت در نتایج مطالعات پیش­بینی تغییر اقلیم، نوسانات اقلیمی است که می­تواند به عنوان مهمترین منبع عدم قطعیت مطرح باشد (3). از آنجا که سری­های مشاهداتی طول کوتاهی (نوعا 30 سال) دارد، نوسانات اقلیمی را به تعداد کافی در خود ندارد (17). در نتیجه کوتاهی طول آماری با وجود نوسانات اقلیمی می تواند موجب عدم قطعیت در نتایج پیش بینی تغییر اقلیم شود. در این پژوهش، عدم قطعیت نوسانات طبیعی اقلیمی، با تولید 100 سری 30 ساله برای هر متغیر در دوره گذشته و برای هر سناریوی آینده منظور شده است.

نتایج و بحث

اعتبارسنجی مدل LARS-WG

آزمون­های اعتبارسنجی مدل، شامل t-test برای مقایسه میانگین­ها و f-test برای مقایسه واریا­نس­های متغیرهای مشاهداتی و شبیه­سازی شده­ی بارش، دمای حداقل و دمای حداکثر روزانه انجام شد. در این آزمون­ها میانگین­های متغیرهای تولید شده در هر ماه از سال، با مقادیر متناظر تولید شده توسط مدل مقایسه شد و مشاهده شد که مقادیر P-value آزمون­ها عموما بالاتر از 05/0 است. این نتایج نشان می­دهد عملکرد مدل در سطح معنی داری 5 درصد قابل قبول است. همچنین مقادیر P-value آزمون کولموگروف-اسمیرنوف عموما بزرگتر از  05/0 است که نشان می­دهد مدل توزیع فراوانی متغیرهای مشاهداتی را در در سطح معنی داری 5 درصد قابل قبول تولید کرده است. با توجه به آنکه عملکرد مدل در بازتولید خصوصیات آماری داده­های مشاهداتی قابل قبول است اعتبار مدل تائید می­شود. علاوه بر آزمون­های آماری، مقایسه­ی میانگین­های بارش و دمای حداکثر تولید شده توسط مدل LARS-WG با مقادیر متناظر مشاهداتی، برای تهران و یزد، به عنوان نمونه، در شکل (1) نشان داده شده است. میانگین­های تولید شده با میانگین­های مشاهداتی در اغلب موارد مطابقت دارد که بیانگر عملکرد قابل قبول مدل است. عملکرد مدل LARS-WG در مطالعات بسیاری در مناطق مختلف دنیا تائید شده است  (17)، (18)، (19) و (20). با توجه به نتایج به دست آمده، مدل LARS-WG متغیرهای بارش و دمای تهران و یزد را به خوبی شبیه­سازی کرده است و در نتیجه می­تواند برای ارزیابی آثار تغییر اقلیم در این مناطق به کار رود.

شکل 1- مقایسه میانگین­های متغیرهای تولید شده و مشاهداتی

Figure 1. Comparison of averages of observed and simulated variables

پیش­بینی تغییر اقلیم

دامنه محتمل برای میانگین­های متغیرها در آینده تحت اثر تغییر اقلیم پیش­بینی شد و در شکل­های (2) تا (5) با دامنه محتمل برای میانگین­های متغیرهای تاریخی مقایسه شده است. در این نتایج، منظور از دامنه محتمل آینده، حدود 95 درصد 300 سری 30 ساله­ی تولید شده (100 سری برای هر یک از سه سناریوی انتشار) است. حدود 95 درصد دوره گذشته نیز، حدود 95 درصد 100 سری 30 ساله­ی تولید شده برای دوره تاریخی است. در شکل (2) مقادیر میانگین دمای حداقل و حداکثر روزانه تهران در دوره­ی آینده (2065-2036) و دوره­ی گذشته (2000-1971) مقایسه شده است. نتایج نشان می­دهد که در آینده مقادیر میانگین­های ماهانه دمای حداقل و حداکثر و همچنین سیکل ماهانه دمای حداقل و حداکثر در تهران تغییر خواهد کرد. به گونه­ای که تحت اثر تغییر اقلیم بیشترین افزایش دما در زمستان و بهار (شش ماه اول سال میلادی) اتفاق خواهد افتاد. بیشترین افزایش میانگین دمای حداکثر و حداقل در ماه آوریل (فروردین) اتفاق می­افتد که پیش­بینی می­شود در این ماه با توجه به عدم قطعیت­ها، نسبت به میانه­ی مقادیر دوره­ی تاریخی، میانگین دمای حداکثر بین 1/6 تا 9/6 درجه سانتیگراد افزایش یابد و میانگین دمای حداقل بین 8/4 تا 1/6 درجه افزایش یابد. در حالی که تحت اثر تغییر اقلیم اغلب ماه­های سال در آینده افزایش دما خواهند داشت، در بعضی از ماه­ها کاهش دما نیز محتمل است. به طور خاص در ماه­های سپتامبر و اکتبر (شهریور و مهر) میانگین دمای حداکثر آینده می­تواند تا 4/2 درجه سانتیگراد نسبت به دوره گذشته کاهش یابد. گذشته از تغییرات ماه به ماه و تغییر سیکل فصلی دما، میانگین سالانه­ی دماهای حداکثر روزانه آینده نسبت به گذشته بین 9/1 تا 4/3 افزایش خواهد یافت و میانگین سالانه­ی دماهای حداقل روزانه آینده نسبت به گذشته بین 9/1 تا 7/3 افزایش خواهد یافت. در شکل (2) مشاهده می­شود دامنه مقادیر محتمل آینده در اغلب ماه­های سال (به وِیژه در زمستان و بهار) خارج از حدود 95% اقلیم گذشته است. این نتیجه نشان می­دهد که با وجود عدم قطعیت­ها، اطمینان زیادی بر تغییر دما در آینده نسبت به دوره گذشته است. از جمله تبعات افزایش دما در زمستان کاهش بارش به صورت برف در آینده است.

دامنه محتمل میانگین­ دمای یزد در دوره آینده (2065-2036) و دوره گذشته (2000-1971) برای دمای حداقل و حداکثر روزانه در شکل (3) مقایسه شده است. نتایج نشان می­دهد که تغییرات سیکل ماهانه دمای آینده­ی دو ایستگاه تقریبا با هم هماهنگ است. به گونه­ای که در یزد نیز بیشترین افزایش دما در زمستان و بهار اتفاق خواهد افتاد و در تابستان کاهش دما تحت اثر تغییر اقلییم محتمل است. بیشترین افزایش میانگین دما در ماه آوریل (فروردین) اتفاق می­افتد که به ترتیب میانگین­های دمای حداکثر و حداقل بین 1/7 تا 2/8  و 9/4 تا 4/6 درجه سانتیگراد افزایش خواهد یافت. ضمن آنکه به دلیل تغییر سیکل ماهانه­ی دما، در ماه­های سپتامبر و اکتبر (شهریور و مهر) میانگین دمای حداکثر تا 3/2 درجه سانتیگراد کاهش خواهد یافت؛ اما دمای حداقل کاهش محسوسی نخواهد داشت و در حدی­ترین حالت می­تواند تا 1/0 درجه در ماه سپتامبر (شهریور) کاهش یابد. در مجموع در یزد میانگین سالانه­ی دماهای حداکثر روزانه آینده نسبت به گذشته بین 3/2 تا 1/4 افزایش خواهد یافت و میانگین دماهای حداقل روزانه آینده نسبت به گذشته بین 4/2 تا 4/4 افزایش خواهد یافت. در یزد نیز دامنه مقادیر محتمل آینده در اغلب ماه­های سال (به وِیژه در زمستان و بهار) خارج از حدود 95% اقلیم گذشته است. این نتیجه نشان می­دهد که با وجود عدم قطعیت­ها، اطمینان زیادی بر تغییر دما در آینده نسبت به دوره گذشته است. اگر چه یزد و تهران از هم فاصله مکانی قابل توجه­ای دارند و در سلول­های متفاوت شبکه بندی مدل گردش عمومی مورد مطالعه قرار دارند، اما نتایج برای یزد و تهران در کلیات هماهنگی دارد و البته مقدار اندکی با هم متفاوت است.

در شکل (4) دامنه محتمل میانگین بارش آینده و گذشته­ی تهران، با در نظر گرفتن عدم قطعیت­های سناریوهای انتشار RCP و نوسانات اقلیمی، مقایسه شده است. نتایج نشان می­دهد که با توجه به دامنه­ عدم قطعیت­ها، مقدار بارش سالانه تهران در دوره  2065-2036 نسبت به میانه­ی دوره 2000-1971 بین 20% تا 40% افزایش خواهد یافت. به استثنای دو ماه آوریل و می (شهریور و اردیبهشت) که بارش در آنها بین 8 تا 63 درصد نسبت به میانه دوره گذشته کاهش خواهد یافت، در اغلب ماه­های سال احتمال افزایش بارش غالب است. به عنوان نمونه، در ماه میانی فصل زمستان (فوریه) انتظار می­رود میانگین بارش بین 3% تا 217% افزایش یابد. در ماه میانی پائیز (نوامبر) نیز پیش­بینی می­شود در آینده نسبت به گذشته، مقدار بارش بین 22% کاهش تا 85% درصد افزایش داشته باشد.

در شکل (5) دامنه محتمل میانگین بارش آینده و گذشته در یزد مقایسه شده است. در اغلب ماه­های سال احتمال غالب بر افزایش بارش است، اما با توجه به عدم قطعیت­های نوسانات اقلیمی و سناریوهای انتشار، احتمال کاهش بارش نیز در تعدادی از ماه­ها منتفی نیست. مثلا در ماه آوریل (فروردین) که بیشترین کاهش را خواهد داشت، انتظار می­رود میانگین بارش بین 25 تا 75 درصد نسبت به میانه دوره گذشته کاهش یابد. اما در مجموع، مقدار بارش سالانه یزد در دوره  2065-2036 نسبت به دوره 2000-1971 بین 43% تا 49% افزایش خواهد یافت.

با توجه شکل­های (4) و (5) روند کلی  تغیرات بارش در هر دو ایستگاه تهران و یزد به صورت کلی با هم همخوانی دارد و ضمن افزایش میانگین بارش سالانه در آینده، سیکل سالانه به گونه­ای تغییر خواهد کرد که بارش در فصول پائیز و زمستان افزایش و در فصل بهار کاهش یابد.

نتیجه­گیری

در این مقاله سناریوهای بارش، دمای حداقل و دمای حداکثر روزانه ایستگاه­های مهرآباد تهران و یزد در دوره 2065-2036 تحت اثر تغییر اقلیم شبیه­سازی و اثر تغییر اقلیم بر آن­ها ارزیابی شده است. به این منظور با استفاده از مدل LARS-WG خروجی­های مدل CanESM2 تحت سناریوهای جدید RCP ریزمقیاس شده است و سری­های طولانی مدت روزانه متغیرهای مذکور تولید شده است. زیرمقیاس نمائی توسط مدل LARS-WG به گونه­ی انجام شده است که علاوه بر تغییر میانگین­ها، تغییرات سایر ویژگی­های سناریوهای متغیرهای اقلیمی بزرگ مقیاس (از جمله طول سری­های روزهای متوالی بارانی (یا خشک) و واریانس دما) به سناریوهای ریزمقیاس شده انتقال یافته است. این در حالی است که در اغلب مطالعات پیشین، به دلیل استفاده از سناریوهای تعبیه شده در LARS-WG، تنها تغییرات میانگین متغیرها در اثر تغییر اقلیم مورد توجه بوده است و تغییرات سایر مشخصات متغیرهای اقلیمی نادیده گرفته شده است. استفاده از روش مورد استفاده در این تحقیق به واقعیت نزدیکتر است و منجر به نتایج مطمئن­تری برای پیش­بینی اقلیم آینده می­شود. برای در نظر گرفتن عدم قطعیت­های سناریوهای انتشار، این مطالعه تحت سناریوهای انتشار مختلف RCP2.6، RCP4.5 و RCP8.5  انجام شده است. برای در نظر گرفتن عدم قطعیت نوسانات اقلیمی، برای شرایط اقلیمی گذشته و هر یک از سناریوهای آینده، 100 سری 30 ساله بارش، دمای حداقل و دمای حداکثر روزانه تولید شده است و حدود 95% مقادیر آینده با مقادیر متناظر دوره تاریخی مقایسه شده است. به این روش دامنه وسیعی از حالات محتمل آینده پیش­بینی شده است و نتایج مطمئن­تر به دست آمده است.

نتایج نشان می­دهد که اگرچه در آینده در اغلب ماه­های سال دمای هوا افزایش خواهد یافت، اما سیکل سالانه دما نیز تغییر خواهد کرد و در بعضی از ماه­های سال دمای هوا کاهش می­یابد. برای هر دو منطقه، بیشترین افزایش دما در آینده در فصل­های زمستان و بهار اتفاق خواهد افتاد. در ماه آوریل (فروردین) که پیش­بینی می­شود بیشترین افزایش دما را داشته باشد، میانگین دمای حداکثر تهران بین 1/6 تا 9/6 درجه سانتیگراد و میانگین دمای حداقل آن بین 8/4 تا 1/6 افزایش خواهد یافت. دامنه تغییرات مذکور به دلیل عدم قطعیت­های سناریوهای انتشار و نوسانات اقلیمی است. برای یزد نیز میانگین دمای حداکثر در آوریل بین 1/7 تا 2/8 درجه سانتیگراد و میانگین دمای حداقل آن بین 9/4 تا 4/6 افزایش خواهد یافت. در مقابل در ماه­ سپتامبر (شهریور) میانگین دمای حداکثر آینده تهران تا 4/2 درجه سانتیگراد و میانگین دمای حداقل آن تا 7/0 درجه سانتیگراد کاهش خواهد یافت. در یزد نیز در این ماه در میانگین دمای حداکثر آینده تا 3/2 درجه سانتیگراد کاهش خواهد یافت.

نتایج نشان می­دهد که با توجه به عدم قطعیت سناریوهای انتشار، مقدار بارش سالانه تهران در دوره  2065-2036 نسبت به دوره 2000-1971 بین 20% تا 40% افزایش خواهد یافت؛ اما تغییرات در ماه های مختلف متفاوت است. در بیشتر ماه­های سال احتمال افزایش بارش بیشتر است، اما در بعضی از ماه­ها نیز بارش کاهش خواهد یافت. در ماه آوریل (فروردین) که بیشترین افزایش دما را داشت، بارش نیز بین 8 تا 63 درصد نسبت به میانه دوره گذشته کاهش خواهد یافت. اما در فوریه میانگین بارش بین 3% تا 217% افزایش می­یابد.

در یزد نیز بارش سالانه بین 43% تا 49% افزایش خواهد یافت، اما در بعضی از ماه­ها نیز احتمال غالب بر کاهش بارش خواهد بود. بیشترین کاهش در یزد نیز در ماه آوریل خواهد بود که در آن بارش بین 25 تا 75 درصد نسبت به میانه دوره گذشته کاهش می­یابد.

نتایج نشان می­دهد که آب و هوای تهران و یزد در آینده به علت تغییر اقلیم تغییر خواهد کرد. چنین نتیجه­ای با نتایج دامنه وسیعی از مطالعات تغییر اقلیم از جمله ( 11، 2 و 6) همسو است. لیکن مقدار و جهت اثرات تغییر اقلیم در مناطق مختلف متفاوت گزارش شده است و لذا برای هر منطقه باید منحصرا تعیین شود. همچنین در مطالعاتی که عدم قطعیت­ها بررسی شده است، نتایج دامنه­ای از مقادیر متفاوت را در بر می­گیرد که در این خصوص نتایج این تحقیق با نتایج سایر مطالعات از جمله (7، 10و 2) همسو است.

از آنجا که در آینده به علت تغییر اقلیم متغیرهای اقلیمی از جمله بارش و دما تغییر خواهد کرد، انتظار می­رود متغیرهای متاثر از اقلیم مانند جریان رودخانه، محصولات کشاورزی و خطرات محیطی نیز دچار تغییر شود. لذا پیشنهاد می­شود با استفاده از نتایج پیش­بینی اثرات تغییر اقلیم، شرایط سازگاری با اقلیم تغییر یافته­ی آینده ایجاد شود. از جمله این تدابیر آن است که برای ایجاد طرح­های جدید از سناریوهای اقلیمی آینده با در نظر گرفتن تغییر اقلیم استفاده شود. همچنین لازم است طرح­های زیربنائی موجود که در آینده نیز مورد استفاده قرار می­گیرند و بر مبنای داده­های اقلیمی گذشته طراحی شده­اند، با در نظر گرفتن تغییرات متغیرهای اقلیمی در آینده مجددا تحلیل ریسک شده و در صورت نیاز بازسازی شوند. ضمن آنکه با توجه به اهمیت عدم قطعیت­ها و وسعت دامنه شرایط محتمل آینده، لازم است در تعریف طرح­های سازگاری آینده، عدم قطعیت­های مختلف مورد بررسی و توجه قرار گیرد.

References

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. Khazaei, M.R., Bayazidi, M., & Sharafati, A.,2017. Climate change impact on annual precipitation and temperature of Zanjan province with uncertainties investigation. Ecohydrology, 4(3) ,pp. 847-860. (In Persian)
3. Khazaei, M.R. Ahmadi, S. Saghafian, B. and Zahabiyoun, B., 2013. A new daily weather generator to preserve extremes and low-frequency variability. Climatic Change, Vol. 119, pp. 631–645.
4. Utset, A., Martinez-cob, A., Farre, I., & Cavero, J.2006. Simulating the effects of extreme dry and wet years on the water use of flooding-irrigated maize in a Mediterranean landplane. Agricultural Water Management, Vol. 85 , pp. 77-84.
5. Dibike, Y.B., & Coulibaly, P.,2005. Hydrologic impact of climate change in the Saguenay watershed: comparison of downscaling methods and hydrologic models. Journal of Hydrology, 307 , pp. 145-163.
6. Moafi Madani, F., Mousavi Bayagi, , & Ansari, H., 2012. Prediction of drought in the Khorasan Razavi  province during 2011-2030 by using statistical downscaling of HADCM3 model output. Geography and environmental hazards, Vol. 1(3) , pp. 21-37. (In Persian)
7. Agarwal, A., Babel, M.S., Masky, S., Shrestha, S., Kawasaki, A., & Tripathi, N.K., 2015. Analysis of temperature projection in the Koshi River Basin, Nepal. International Journal of Climatology, Vol. 36 (1) , pp. 266-279.
8. Hejazizadeh, Z., Hosseini, S.M., & Karbalaee Dorei, A., 2015. The Simulation of Climate change in Semnan province with scenarios of atmospheric general circulation model (HADCM3). Geography and environmental hazards, Vol. 4(15) , pp. 1-24. (In Persian)
9. Goodarzi, E., Massah Bavani, A.R., Dastorani, M.T., & Talebi, A.,2014. Evaluating effect of downscaling methods; change-factor and LARS-WG on surface runoff (A case study of Azam-Harat River basin, Iran). Desert, 19 , pp. 99-109.
10. Zarghami, , Fotookian, M.R., Safari, N., and Aslanzadeh, A.,2016. Reservior operation using system dynamics under climate change impacts: a case study of Yamchi reservoir, Iran. Saudi Society for Geosciences, 9:678.
11. Khoorni, A., & Jamali, Z.,2016. Effects of climate change on drought duration and severity in arid and semi-arid stations (Bandarabbass and Shahrekord), based on HADCM3 model. Geography and Planning, 20(57) , pp. 131-115. (In Persian)
12. Shahabul Alam, M.D., & Elshorbagy, A.,2016. Quantification of  the climate change-induced variation Intensity-Duration-Frequency curves in Canadian Paris. Journal of Hydrology, Vol. 527 , pp. 990-1005.
13. Mohammadlou, M., Haghizadeh, A., Zeinivand, H., & Tahmasebipour, N.,2014. Evaluation of Climate Change Impacts on Runoff Changes Trend in Barandoezchay Watershed in West Azerbaijan Province Using General Circulation Models (GCM). Ecohydrology, Vol. 1(1) , pp. 25-34. (In Persian)
14. Sobhani, B., & Goldust, A.,2018. Prediction of the Starting and Ending of Freezing Periods of Ardabil Province by Using HADCM3 Climatic Model. Geographical Researches, Vol. 33(2) ,pp.191-205. (In Persian)
15. Semenov, M.A., & Stratonovitch, P.,2010. Use of multi-model ensembles from global climate model for assessment of climate change impacts. Climate Research, Vol. 41 , pp. 1-14.
16. Semenov, M.A.,2007. Development of high-resolution UKCIP02-based climate change scenarios in the UK. Agricultural and Forest Meteorology, Vol. 144 , pp. 127-138.
17. Semenov, M.A., Brooks R.J., Barrow E.M., & Richardson, C.W.,1998. Comparision of the WGEN and LARE-WG stochastic weather generators in diverse climate. Climate Research, 10 , pp. 95-107.
18. Semenov, M.A.,2008. Simulation of extreme weather events by a stochastic weather generator. Climate Research. Vol. 3 , pp. 203–212.
19. A Babaei, B., Mirzaei F., Sohrabi T., Assessment of LARS-WG Performance in 12 Coastal Stations of Iran. Iranian Water Researches Journal, Vol. 5 , pp. 217-222. (In Persian)
20. Khosravanian, J., Onagh M., Goudarzi M., Hejazi S.A.,2015. Predicting of climate parameters using LARS-WG model in Ghare-su basin. Journal of Geography and Planning, Vol. 53 , pp. 93-115. (In Persian)

[1]- کارشناس ارشد، گروه مدیریت ساخت و آب، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران.

[2]- استادیار، گروه مهندسی عمران، دانشگاه پیام نور، ایران. *(مسوول مکاتبات)

[3]- Department of Civil Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran.

[4]- Assistant Professor, Department of Civil Engineering, Payame Noor University, I.R of Iran. * (Corresponding Author)

[5]- General Circulation Model (GCM)

[6]- Weather Generators (WGs)

[7]- Downscaling

[8]- Long Ashton Research Station Weather Generator

5- Agarwal et al

6- Special Report on Emission Scenarios

[11]- Shahabul et al

2- Intensity-Duration-Frequency curve

3- Saskatoon

[14]- Representative Concentration Pathways

1- Semenov and Stratonovitch

[16]-Weather Generator

[17]- Kolmogorov Smirnov test