بررسی نوسانات روانآب حاصل از ذوب برف تحت تأثیر پدیده تغییر اقلیم در دهه‌های آینده

نوع مقاله: مقاله پژوهشی

نویسندگان

1 کارشناس ارشد اقلیم شناسی، تهران

2 دکتری اقلیم‌شناسی عضو هیات علمی پژوهشکده هواشناسی،‌ تهران

3 دکتری اقلیم‌شناسی، استادیار گروه جغرافیای دانشگاه پیام نور

چکیده

    با توجه به گسترش رشته کوه‌های زاگرس در بخش‌های غرب و جنوب غرب کشور، پوشش برفی این رشته کوه‌ها یکی از منابع بزرگ تامین آب در حوزه‌های آّبریز دز، ‌کرخه و کارون می‌باشد این در حالی است که تغییر در سطح پوشش برف در دهه‌های آینده می‌تواند روانآب حاصل از ذوب برف که نقش عمده‌ای در تأمین پتانسیل آبی در این مناطق را دارا می‌باشد، دستخوش تغییراتی قرار دهد. در پژوهش حاضر نوسان روانآب حاصل از ذوب برف تحت تأثیر تغییرات دما و بارش با استفاده از مدل SRM در دوره‌های 2020 (2010-2039)، 2030 (2020-2049)، 2040 (2030-2059)، 2050 (2040-2069)، 2060 (2050-2079)، 2070 (2060-2089) و 2080 (2070-2099) با بهره‌گیری از برونداد مدل HadCM3 از مرکز تحقیقات و پیش بینی اقلیمHadley تحت سناریوی A1B در حوضه آبریز بختیاری مورد بررسی قرار گرفته است. در این مطالعه دوره آماری 1961-1990دوره اقلیمی پایه در نظر گرفته شده است و سری زمانی داده‌های مشاهداتی دما و بارش برای ایستگاه‌های منطقه مورد مطالعه در دوره مذکور جمع آوری گردیده ‌است. برای پیش بینی متغیرهای اقلیمی از مدل‌های گردش عمومی جو (General Circulation Model) مدل  HadCM3انتخاب و برونداد‌های این مدل برای متغیرهای دما و بارش در مقیاس (5/0 * 5/0 درجه) از پایگاه دادههای CLIMGEN با سناریو انتشارA1B  برای هر دوره سی‌ساله 2020 (2010-2039) تا 2080 (2070-2099) استخراج و تحلیل شده است. سپس با اعمال سناریوهای تغییر اقلیم و تغییرات سطح پوشش برف، شبیه‎سازی روانآب با استفاده از مدلSRMدر دوره‌های یاد شده ارزیابی گردیده است. نتایج بدست آمده از شبیه‌سازی، کاهش حجم روانآب در دوره‎های یاد شده را نشان می‌دهد.

 

 

 

کلیدواژه‌ها


عنوان مقاله [English]

Estimating the Impact of Climate change on Snowmelt Runoff on Feature

نویسندگان [English]

  • Elham Ghasemi 1
  • Ebrahim Fattahi 2
  • O Babaiei 3
چکیده [English]

Introduction

According to the Intergovernmental Panel on Climate Change (IPCC), mean global surface temperature increased 0.6 ± 0.2ºC in the 20th century. Snow cover decreased by 10% since the late 1960’s.

General Circulation Models (GCMs) are an important tool in the assessment of climate change. These numerical coupled models represent various earth systems including the atmosphere, oceans, land surface and sea-ice and offer considerable potential for the study of climate change and variability (H. J. Fowler).

The spatial resolutions of GCMs are about 1.1° or 4° in latitude and from 1.1° to 5° in longitude. Tether for, major problems in using the output of GCM is their low degree of resolution and large scaling. So to make them appropriate for use, downscaling methods have been developed to overcome this problem.

ClimGendownscling method; ClimGen combines GCM-resolution climate change data derived from the pattern scaling method at a 5 degree resolution with observations of climate at half –degree resolution to simulate future climates at half-degree resolution contains a database of outputs from GCMs and currently produces 8 climate variables on a 0.5 x 0.5 degree grid: temperature (max1, mean and min), precipitation, vapor pressure, cloud cover and wet-day frequency. For each month, season, or annually.

Materials and Methods

The climate change scenario data used in this study are based on simulations carried out using General Circulation Models (GCMs) for the Fourth Assessment Report (AR4) of the Intergovernmental Panel on Climate Change (IPCC, 2007). For our assessment we used simulations of monthly temperature and precipitation over the period 2010-2099 carried using the climate model HADCM3 and future projections in the context of the A1B scenario.

The A1B scenario describes a world of very rapid economic growth, global population that peaks in the mid-21st Century and declines thereafter, and the rapid introduction of new and more efficient technologies.

The Snowmelt Runoff Model (SRM (is one of the applied models for simulation and forecasting of Snowmelt runoff in mountainous areas where snowmelt is a major runoff factor. This model based on the Degree-Day factor, which is used to simulate snowmelt runoff during the melt season. The input parameters for the model are derived from satellite data, metrological and hydrological data.

In this study, MODIS-8 daily (MOD10A2) snow cover products are used for snow cover maps (2006). Topographic Mission (SRTM) data is used to obtain the digital elevation model (DEM) of the region and to create different elevation zones.

The Normalized Difference Snow Index (NDSI) algorithm is applied with the reflectance of band 4 and band 6 for snow cover mapping and to differentiate the snow from other land features. Because The NDSI is a useful tool to calculate the snow covered area. The Snow Cover Depletion Curve (SCDC) is made using the DEM and snow cover maps to get daily percent values of snow covered area. The SCDC is an important variable for the SRM simulations. Other variables (temperature and precipitation) and parameters (degree-day factor, recession coefficient, runoff coefficients, time lag, critical temperature and temperature lapse rate) are used as input to the SRM model for snowmelt simulation.

In order to analyze climate change impacts on Snowmelt by HadCM3 model, we compared the simulated values for the baseline period 1961-1990 with the values for 7 periods in the future: (2010-2039….2070-2099) based ClimGen model.

Results

Mean monthly temperature and precipitation for the base period (1961 - 1990) with the observed data at stations in the same period, the study was conducted and the results showed that the model simulated temperature and precipitation ClimGen is acceptable.

Climate change scenarios of temperature and precipitation in the region shows that the temperature rise and changes in precipitation in the basin in the coming years is fluctuating.

Snow melt runoff in the month of January to December 2006 was simulated. The results show value of (R2) is 0.71 and the volume difference DV is 0.45 %.

Then consider scenarios of climate change and changes in the values of snow cover, runoff simulations were performed for the future.

Conclusion

For study the effects of climate change on river flow and snow cover in the study area use SRM model. Result shows Due to the increased temperatures and increased snow melt, because of reduced snow cover, basin runoff does not increase.

 

 

کلیدواژه‌ها [English]

  • general circulation models
  • Climate change
  • runoff
  • SRM

مقدمه

تغییر اقلیم، نوسان کلی و گسترده در آب و هوای یک منطقه است و در حال حاضر روند گرم شدن دمای کره زمین را بخشی از تغییر اقلیم قلمداد می‌کنند. تغییر اقلیم یکی از بزرگترین چالش‌های محیطی است که جهان امروز با آن روبروست (خسروی و همکاران، 1389). بررسی‎ها نشان می‎دهد این پدیده سامانه‌های زیست شناختی و فیزیکی در سراسر جهان را پیش از این تحت تاثیر قرار داده و در آینده نیز آنها را متاثر خواهد ساخت (Moen, 2007). براساس گزارش [1]IPCC تغییر اقلیم با احتمال افزایش روانآب در عرض‌های جغرافیایی بالا، با تغییر بسامد سیل در بعضی مناطق به ویژه در عرض‌های شمالی و همچنین افزایش خطر سیل ناشی از ذوب برف همراه است. افزایش بسامد و شدت خشکسالی‌ها ناشی از تغییر بارش و تبخیر و تعرق نیز می‌تواند از دیگر نتایج تغییر اقلیم باشد. اثر تغییر اقلیم بر رژیم آب‌شناختی می‌تواند در طول سال متفاوت و در نتیجه موجب تغییر در چرخه سالانه آب شناختی شود. به عنوان مثال افزایش دما در زمستان باعث جلو افتادن پدیدة ذوب برف و در نتیجه تغییر در زمان شکل‌گیری روانآب بیشینه از بهار به اواخر زمستان و کاهش روانآب در تابستان گردد (کتیرایی و همکار، 1389).

همچنین با توجه به ارتباط بین سامانه اقلیمی و چرخه آب شناختی در جهان، هر گونه تغییری در اقلیم باعث ایجاد تغییراتی در رژیم آب شناختی (رژیم بارش، میزان روانآب، شدت سیلاب و خشکی و...) در سطح جهان می‎گردد(IPCC, 2007) . از سوی دیگر براساس توصیه IPCC مدلهایAOGCM[2]، معتبرترین وسیله برای شبیه‎سازی فرایند­های موجود در یک سامانه اقلیمی براساس افزایش گازهای گلخانه­ای است (مساح و مرید، 1384). از این رو در سال‌های اخیر تحقیقات بسیاری در ارتباط با بررسی تغییر پارامترهای اقلیمی و تاثیر آن بر چرخه آب شناختی در دهه‎های آینده به کمک برون‌داد مدل‌های گردش عمومی جو 3GCM در کشورهای مختلف صورت گرفته است (Fowler et al., 2007). محققان توانسته‌اند با بهره‎گیری از الگوهای موجود ریز مقیاس نمایی نظیر SDSM، LARS-WG، CLIMEGEN،USCLIMATE ، GEM MET & Roll برون‌داد مدل‌های گردش عمومی جو را برای پیش‌آگاهی متغیرهای اقلیمی نظیر دما و بارش تا سال 2100 میلادی مورد استفاده قرار دهند این الگوها غالباً برای برون‌داد مدل‌های GCM تحت این فرض که GCM ها بهترین انتخاب برای متغیرهای بزرگ مقیاس هستند، بکار می‌روند و با استفاده از روابط حاکم میزان تغییر اقلیم قابل ارزیابی است (Crane, 2005 & Hewitson). با معرفی متغیرهای اقلیمی ریزمقیاس شده به مدل‌های آب‌ شناختی متغیرهایی نظیر شدت، تناوب و... روانآب در سال‌های آینده قابل پیش بینی خواهد بود (Xu, 1999).

از این سری مطالعات می‌توان به بررسی میزان حساسیت نوسانات منابع آب در مناطق مختلف جهان نسبت به پدیده تغییر اقلیم توسط آلکامو و همکاران (Alcamo et al., 2002) اشاره کرد که منطقه خاورمیانه را جز مناطق بحرانی جهان برشمرده‌اند. آلیسن و همکاران (Alison et al., 2005) به بررسی این پدیده بر تناوب سیلاب در انگلستان با استفاده از خروجی مدل منطقه‌ای HadRM3H با سناریوی انتشار A2 پرداختند نتایج این بررسی نشان داد با وجود کاهش متوسط سالانه بارش در اکثر حوضه‌ها، دوره بازگشت‌ها، تناوب سیلاب‌ها افزایش یافته است. بررسی تأثیر تغییر اقلیم بر روانآب و بیلان آبی سالانه در حوضه کوچکی در شمال شرقی اینویک[3] در حوالی قطب شمال در کانادا نشان داده‌ است در دوره آینده (2070-2099) تاریخ وقوع اولین پیک روانآب بطور متوسط 25 روز زودتر از دوره پایه (1961-1990) رخ خواهد داد، هچنین روانآب دوره آینده و حجم تبخیر به میزان 48 درصد در اثر افزایش درجه حرارت و بارش افزایش خواهد یافت. علاوه بر آن عدد بزرگ شبیه‌سازی سالانه نشان می‌دهد دوره ذوب زود هنگام در میانه زمستان، تأثیر قابل توجه‌ای بر میزان حجم ذخایر برفی منطقه خواهد داشت که زندگی انسانها، ‌حیوانات و گیاهان در این منطقه را متأثر خواهد ساخت (Poel et al., 2007).[4] در ایران، علیزاده و همکاران (1389) با استفاده از خروجی مدل‌های گردش عمومی جو HadCM3 به بررسی پتانسیل اثرات تغییر اقلیم بر منابع و مصارف آب کشاورزی پرداختند. نتایج حاصل از این مطالعات نشان داد در صورت افزایش دمای هوا به میزان 1، 2 و 4 درجه سلسیوس، نیاز آبی الگوی کشت گیاهان در دشت کشفرود به ترتیب 6، 10 و 16 برابر افزایش خواهد یافت. خسروی و همکاران (1389) با استفاده از اطلاعات بانک جهانی و هیأت بین الدول تغییر اقلیم به بررسی اثرات تغییر اقلیم بر منابع آب خاورمیانه پرداختند. نتایج این پژوهش حاکی از آن است که براساس سناریوی‌های IPCC تا سال 2020 دما در این منطقه 1 تا 2 درجه افزایش خواهد یافت و از میزان بارش تا 20 درصد کاسته خواهد شد.

در مطالعه حاضر نوسان روانآب حاصل از ذوب برف تحت تأثیر تغییرات اقلیمی دما و بارش با استفاده از مدل SRM[5] در دوره‌های سی‌ساله در آینده با بهره‌گیری از برون‌داد مدل HadCM3 از مرکز تحقیقات و پیش بینی اقلیم Hadley تحت سناریوی A1B، مورد بررسی قرار گرفته است. 

 

روش شناسی

معرفی منطقه

حوضه آبریز بختیاری یکی از زیر حوضه‌های کارون بزرگ در جنوب غرب ایران در طول ´45 °48 تا ´19 °50 شرقی و عرض ´33 °32 تا´19 °33 شمالی واقع شده است. مساحت آن تقریبا 6430 کیلومتر مربع و ارتفاع آن از 549 تا 4045 متر متغیر است. این حوضه دارای زمستان‌های سرد با بارندگی بالا و تابستان نسبتاً خشک و گرم است رژیم بارندگی مانند اکثر نقاط ایران مدیترانه‎ای و از مهرماه تا اواخر اردیبهشت ماه 1[6]می‎باشد و بیشترین میزان بارندگی فصلی در فصل زمستان و حداقل بارش فصلی در تابستان رخ می‌دهد. سرشاخه‌های رودخانه بختیاری در این حوضه از کوه هشتاد با قله‌ای به ارتفاع 3906 متر در 15 کیلومتری غرب فریدونشهر و همچنین بلندی های کوه های لاخشک، حسل و کهنو در 30 کیلومتری جنوب غرب فریدونشهر سرچشمه می‌گیرد و در امتداد شرق به شمال‎غرب جریان ‎یافته و پس از انحراف به غرب به نام وهرگان به رودخانه گلستان می‌پیوندد. رودخانه گلستان نیز از دامنه‌های بلند زاگرس در جنوب چمن سلطان و الیگودرز سرچشمه گرفته و در امتداد شمال به جنوب پس از دریافت نمودن جریان وهرگان به نام آب رودبار در دره‌ای عمیق جریان‎یافته و پس از پیوستن به شاخه‌ای به نام آب کوکان به نام رودخانه آب الکن پس از انحراف در جهات مختلف از دامنه‌های کم ارتفاع شمال زردکوه بختیاری (با قله‌ای به ارتفاع 3694 متر از سطح دریای آزاد) گذشته و با نام آب زالکی در امتداد شرق به غرب جریان یافته و پس از دریافت نمودن جریان چند شاخه دیگر از جمله رودخانه شرکول و رودخانه چنگر در همین امتداد ادامه مسیر داده و با نام رودخانه بختیاری به رودخانه سزار می‌پیوندد. ایستگاه آبسنجی تنگ پنج روی این رودخانه قبل از تلاقی با شاخه سزار دایر است. در شکل (1) موقعیت حوضه ‎آبریز بختیاری ارایه شده است. همانطور که در شکل قابل مشاهده است منطقه مورد مطالعه با توجه به وسعت و اختلاف حداکثر و حداقل ارتفاع به سه منطقه هیپسومتریک 540 تا 1250 متر (A)، 1251 تا 2250 متر (B) و 2251 تا 4045 متر (C) تقسیم بندی شده است. در جدول (1) مشخصات ایستگاه‌های هواشناسی در منطقه مورد مطالعه (بدیجان، سینگرد، فریدون شهر، دره تخت، تنگ پنج، کاظم‌آباد، چرخ و فلک و کوهرنگ) ارائه شده است لازم به ذکر است داده‌های دما و بارش دراز مدت ایستگاه‌های مذکور جمع‌آوری و پس از بررسی، در صورت نیاز با استفاده از اطلاعات ایستگاه‌های همجوار برای دوره پایه مطالعات (1961-1990) تکمیل و تطویل شده است.

جدول 1- نام ایستگاه‌ها در منطقه  مورد مطالعه

ردیف

نام ایستگاه

طول

عرض

نوع ایستگاه

1

بدیجان‌

50-10

32-55

هواشناسی

2

سینگرد

50-26

32-47

هواشناسی

3

فریدون شهر‌

50-10

32-56

هواشناسی

4

دره تخت

49-22

3-22

هواشناسی

5

تنگ‌ پنج‌

48-46

32-56

هواشناسی

6

کاظم‌ آباد

49-41

33-08

هواشناسی

7

چرخ‌ فلک‌

50-03

32-52

هواشناسی

8

کوهرنگ

50-07

32-27

هواشناسی

 

 

شکل 1- موقعیت منطقه و ایستگاههای مورد مطالعه

 

سناریوهای اقلیمی

روش‌های مختلفی برای شبیه­سازی متغیرهای اقلیمی در دوره­های آینده تحت تأثیر تغییر اقلیم وجود دارد از معتبرترین این روش‌ها استفاده از داده­های مدل‌های گردش عمومی جو یا GCM است. طی سال‌های گذشته مدل‌هایGCM  مختلفی در زمینه مطالعات اثرات تغییر اقلیم به جوامع علمی معرفی شده است که کاربرد آن­ها در اقلیم‌های مختلف نتایج متفاوتی به همراه داشته‌است (صمدی و همکاران، 1388). اصل بنیادین در این مدل‌ها فهم و شناسایی فرایندهای فیزیکی و شیمیایی حاکم بر سامانه اقلیمی و تأثیر تغییرات اجتماعی و اقتصادی جوامع بر آنها است. این مدل‌ها شامل تمامی روابط حاکم بر سیستم اقلیم کره زمین بوده و برای حل آنها کره زمین سلول‌بندی شده و مقادیر متغیرهای اقلیمی برای دوره‌های 1860 تا 2100 میلادی در هر سلول مورد شبیه‌سازی قرار گرفته ‌است. به استناد مطالعات انجام گرفته مدل‌های سه بعدی گردش عمومی اتمسفر- اقیانوسAOGCM  که بر پایه قوانین فیزیکی (که بوسیله روابط ریاضی ارایه می‌شوند) استوار می‌باشند در حال حاضر یکی از معتبرترین ابزار برای تولید سناریوی اقلیمی در دوره‎های آتی می‌باشند (; IPCC-TGICA, 1999; IPCC, 2007Wilby and Harris, 2006 Villegas and Jarvis, 2010; ؛ مساح و مرید، 1384؛ آشفته و همکاران، 1389). در این تحقیق از بین مدل‌های مختلف گردش عمومی جو، برونداد مدل HadCM3 از مرکز تحقیقات و پیش‌بینی اقلیم Hadley انگلستان انتخاب شده است.

سناریوهای انتشار

از آنجاییکه مشخص نیست در آینده چه مقدار از گازهای گلخانه‌ای توسط جوامع بشری وارد اتمسفر زمین خواهد شد، از این رو سناریوهای مختلفی که در برگیرنده چگونگی تغییرات این گازها در آینده می‎باشد ارایه شده است که سناریوهای انتشار[7] نامیده می‌شوند و حاوی اطلاعاتی از وضعیت اقتصادی-اجتماعی و میزان انتشار گازهای گلخانه­ای در اتمسفر کره زمین است در این سناریوها مقادیر گازهای گلخانه­ای با نرخی ثابت تا سال ۲۱۰۰ افزایش می­یابد. هر کدام از این سناریوها مربوط به یکی از خانواده­های A1، B1، A2 و B2 می­باشند (IPCC-TGCIA, 2007). در خانواده A1 تاکید بر رشد اقتصادی، افزایش جمعیت جهانی و کاهش آن، در خانواده A2 تاکید بر رشد متوسط اقتصادی و تکنولوژی و رشد زیاد جمعیت، در خانواده B1، تاکید مجدد بر رشد اقتصادی به مانند خانواده A1 و توسعه چشمگیر تکنولوژی، افزایش جمعیت جهانی و سپس کاهش تدریجی آن به مانند سناریوی A1، معمول سازی تکنولوژیهای مفید و پاک و تأکید بر راه حل‌های جهانی پایداری اقتصادی، اجتماعی و محیط زیست، در خانواده B2 تاکید بر راه حل‌های منطقه‌ای برای تقویت مسائل اقتصادی، اجتماعی و محیط زیست، رشد متوسط اقتصادی و رشد کند جمعیت می‌باشد (IPCC, 2007). در این تحقیق از سناریوی انتشار A1B که بر رشد اقتصادی بسیار سریع جهان آینده و توسعه چشمگیر تکنولوژی و همچنین استفاده افراطی از سوخت‌های فسیلی تاکید دارد برای شبیه سازی سیستم اقلیمی منطقه مورد مطالعه استفاده شده است.

 

ریز مقیاس نمایی

باید توجه داشت در مطالعات اقلیم‌شناسی سلول های محاسباتی AOGCM بطور معمول بزرگتر از وسعت منطقه مطالعاتی است بنابراین ریزمقیاس کردن برون‌داد این مدل‌ها امری ضروری است. زیرا بزرگ مقیاس بودن برای انجام مطالعات با دقت زیاد یک نقصان بشمار می‎رود (کمال و همکار، 1389). از این رو لازم است کاربران برون‌داد مدل‌های GCM را ریزمقیاس کنند (Villegas & Jarvis, 2010) . ریزمقیاس کردن به روش‌های متعددی از جمله روش‌های آماری، دینامیکی و تناسبی انجام می‌پذیرد. در سالهای اخیر با گسترش کاربرد برون‌داد مدل‌های GCM به منظور سهولت دستیابی به داده‌های این مدل‌ها در مقیاس مناسب برخی پایگاه داده‌ها، برون‌داد ریز مقیاس شده مدل‌های GCM توسط الگوهای پذیرفته شده نظیر ClimGen را مستقیماً در دسترس کاربران قرار داده‌اند. یکی از الگوها (روش‌هایی) که تولیدکننده سناریوهای اقلیمی در مقیاس منطقه‌ای بشمار می‌رود و از لحاظ مبانی نظری و آماری همانند سایر مدل های مولد داده‌های آب و هواشناسی مصنوعی می‌باشد الگوی ClimGen است این الگو، برای فراهم‌سازی داده‌های با قدرت تفکیک مکانی 5/0* 5/0درجه از مدل­های گردش عمومی جو GCM  بوسیله گروه کاری Osborn وMitchell  در کالج محیط زیست دانشگاه آنجلینای شرقی[8] در انگلستان طراحی شده‌ است (Osborn, 2009). این الگو تاکنون برای هفت مدل GCM با سناریوی انتشارA1B  برای متغیرهایی نظیر حداقل، حداکثر و متوسط درجه حرارت، بارش و ... بسط یافته ‌است. خروجی حاصل از این الگو به صورت ماهانه، فصلی و سالانه برای دوره های 30 ساله 2020 ،2030 ... ، 2080 با فرمت txt (ASCII) در پایگاه داده‎هایی به آدرس:

http://ccafsclimate.org/ download _tyndall_ sres.html

در دسترس است. همچنین پایگاه داده‎هایی از متوسط درجه حرارت و بارش ماهانه برای فاصله زمانی (1961-1990) نیز در آدرس فوق قابل دستیابی است (CIAT,2010).

 

تولید سناریوهای تغییر اقلیم و کوچک مقیاس نمائی زمانی

به منظور حذف اغتشاش در شبیه‎سازی نوسانات اقلیمی معمولاً به جای استفاده مستقیم از داده‌های استخراج شده، در محاسبات تغییر اقلیم از میانگین دوره‌ای درازمدت این نتایج استفاده می‎شود (jones et al., 1996). در این روش برای محاسبه سناریوی تغییر اقلیم مقادیر اختلاف برای دما (رابطه 1) و نسبت برای بارندگی (رابطه 2) بین متوسط دراز مدت هر ماه در دوره‌ آینده و دوره شبیه‌سازی شده پایه توسط همان مدل (1961-1990) محاسبه می‌گردد :( jones et al., 1996)

(1)

(2)

 

در روابط فوق  به‌ترتیب بیانگر سناریوی تغییر اقلیم مربوط به دما برای میانگین دراز مدت30 ساله برای هر ماه (12≤ i ≤1)،  میانگین 30 ساله دمای شبیه‌سازی شده توسط AOGCM در دوره‌ آینده برای هر ماه (در اینجا 2010- 2039 و ...)،  میانگین 30 ساله دمای‌ شبیه‌سازی شده توسط AOGCM در دوره مشابه با دوره مشاهداتی (1961-1990) برای هر ماه می‌باشد. برای بارندگی نیز موارد ذکر شده برقرار می‌باشد. همچنین با توجه به اینکه اطلاعات مورد نظر از سلولی استخراج می‎شود که منطقه مورد مطالعه در آن قرار می‎گیرد به منظور کوچک مقیاس کردن زمانی داده‌ها از روش عامل تغییر[9] استفاده شده است. در این روش برای به‌دست آوردن سری زمانی سناریوی اقلیمی در آینده، سناریوهای تغییر اقلیم به مقادیر مشاهداتی (1961-1990) افزوده می‌شود (Wilby and Harris , 2006 ):

(3)                                     

(4)                                    

در رابطه  (3) Tobs بیانگر سری زمانی دمای مشاهداتی در دوره پایه (1961-1990)، T سری زمانی حاصل از سناریوی اقلیمی دما در دوره‌های آینده و  سناریوی تغییر اقلیم کوچک مقیاس شده زمانی می‎باشد.در رابطه (4) برای بارندگی نیز موارد ذکر شده برقرار می باشد.

 

شبیه‌سازی روانآب

مدل روانآب ذوب برف SRM  برای شبیه‌سازی و پیش‌بینی  روزانه روانآب در حوضه‌های کوهستانی که ذوب برف عامل اصلی روانآب است و همچنین بررسی تاثیر تغییر اقلیم بر توزیع پوشش برف و روانآب حاصل از ذوب برف به کار می‌رود ((Martinec et al., 2007.

مدل SRM از پوشش برف واقعی حاصل از پایش ماهواره‎ای در اقلیم حاضر برای شبیه سازی روانآب استفاده می‎کند. این مدل برای شبیه‌سازی روانآب به تعداد زونهای ارتفاعی و متوسط ارتفاع هیپسومتریک حوضه، مقادیر روزانه سطح پوشش برف، حداکثر، حداقل و متوسط دمای روزانه، بارندگی روزانه، فاکتور درجه- روز، افت محیطی دما و دمای بحرانی نیاز دارد. و برای محاسبه روانآب پارامترهای ضریب روانآب برف، ضریب روانآب باران، سطح مشارکت کننده در بارش ضروری‌اند. 

 

پوشش برف (S) و منحنی عمق پوشش برف (SCDC)

سطح پوشش برف به عنوان نوعی از عارضه در حوضه‎های کوهستانی و یکی از متغیرهای اصلی برای مدل روانآب حاصل از ذوب برف SRM است. استخراج درصد سطح پوشش برف SCA[10] به کمک سنجش از دور و یا مشاهدات مستقیم صورت ‎می‎گیرد. همچنین سطح پوشش برف فصلی در طول فصل ذوب برف و در زون‌های ارتفاعی پایین بتدریج کاهش می‎یابد. مدل SRM به حداقل برآورد هفتگی SCA% نیازمند است (Rango, 1993) زیرا حجم روانآب در طول مدت فصل ذوب مستقیماً به سطح پوشش برف وابسته است منحنی عمق پوشش برف SCDC را نیز می‎توان از روی نقشه پوشش برف دوره‌ای با دقت بالا درون‌یابی کرد و مقادیر روزانه آن یک متغیر اساسی مدل SRM بشمار می‌رود[11].   

در این مطالعه سطح فعلی پوشش برف برای سال مبنا 2006 با استفاده از تصاویر 8 روز با نام MOD10A2 با استفاده ازGIS  و در محیط نرم‎افزار ERDAS برآورد شده است. لازم به توضیح است برای جدا سازی برف از ابر و دیگر پوششهای سطح زمین از دو ویژگی متمایز برف نسبت به سایر پدیده‎ها که بازتاب شدید در بخش مرئی و باند (4) با طول موج (0.545− 0.665 μm) و بازتاب کم در بخش مادون قرمز و باند (6) با طول موج (1.652− 1.628 μm) موسوم به شاخص 2NDSI[12] رابطه (5) به همراه آستانه گذاری‌های لازم و تصحیحات توپوگرافی بدست آمده است (Lee at el., 2003).

(5)                 

با توجه به اینکه متغیر سطح پوشش برف بصورت روزانه مورد نیاز است لذا در روزهای فاقد تصویر لازم است تا به کمک درون‌یابی مقدار آن برآورد گردد به همین دلیل، بمنظور برآورد دقیق‎تر سطح پوشش برف در فاصله هر یک از گذرها، با استفاده از تابعXtrFun Declarations Release درونیابی سطح پوشش ‎برف برای روزهای فاقد تصویر برای سال مورد نظر انجام پذیرفته ‎است. پس از آن نقشه برف تهیه ‎شده برای منطقه مورد مطالعه با مدل رقومی ارتفاعی ترکیب و منحنی تخلیه برف SCDC  برای سال مورد نظر به تفکیک طبقات ارتفاعی A،B  و C از نقشه برفی بدست آمده‎ است و درصد مساحت پوشش برف روزانه از منحنی تخلیه برف SCDC که متغییر اساسی مدل شبیه سازی روانآب حاصل از ذوب برف می باشد بدست آمده است.  

 

برآورد تغییرات سطح پوشش برف

به منظور بررسی آهنگ گسترش محدوده برف و تعیین سطح پوشش آن (پیشروی و پسروی) در دوره‌های آینده در ابتدا با ترسیم گرادیان ماهانه دما با ارتفاع در دوره (2006) در سطح حوضه و با استفاده از آستانه دمایی 4/2 درجه سانتی‌گراد به استناد مطالعات قنبرپور و همکاران (1384) به ترتیب برای هر یک از ماه‎های سال ارتفاع متناظر با سطوح پوشیده شده از برف مشخص شده‌است. همچنین به منظور کنترل و اطمینان از صحت ارتفاعات بدست آمده طبقات ارتفاعی پیکسل‌های برفدار در حوضه با ارتفاعات بدست آمده مقایسه و نتایج صحت‌یابی شده‌است. در ادامه بمنظور دست‎یابی به تغییرات سطح پوشش برف در دوره‌های آتی، میزان افزایش میانگین دمای ماهانه حاصل از خروجی مدل HadCM3 در سال‌های آینده در معادلات گرادیان دما- ارتفاع ماهانه اعمال شده است و در مجموع 84 معادله به منظور تعیین ارتفاع سطوح برفدار در دوره‌های 2020 تا 2080 تهیه شده است و با انتقال نتایج حاصل بروی منحنی هیپسومتریک حوضه و مقایسه آن با نتایج حاصل از تعیین ارتفاع سطوح برفدار در سال 2006، ضریب پیشروی و پسروی سطوح برفدار به صورت ماهانه در سال‌های آینده 2020 (2010-2039)، 2030 (2020-2049)، 2040 (2030-2059)، 2050 (2040-2069)، 2060 (2050-2079)، 2070 (2060-2089) و 2080 (2070-2099) در مجموع معادل 84 ضریب محاسبه شده است. با اعمال ضرائب فوق، سطح پوشش برف در سال‌های آینده محاسبه و برای ورود به مدل آماده شده است.

یافته‌های تحقیق

در این مطالعه دوره آماری (1961-1990) به عنوان دوره اقلیم پایه لحاظ شده است. داده‌های دما و بارش ایستگاه‌های مورد مطالعه پس از بررسی، در صورت نیاز با استفاده از اطلاعات ایستگاه‌های همجوار تکمیل و تطویل شده است و متوسط متغیرهای اقلیمی در دوره پایه محاسبه شده است. برون‌داد‌های دما و بارش منتج از مدل گردش عمومی جو HadCM3 در مقیاس فاصله‎ای (5/0 * 5/0 درجه) از پایگاه داده‎ClimGen  با سناریو انتشارA1B  برای دوره‌های 2020، 2030، 2050، 2040، 2060، 2070 و 2080  استخراج و مورد تجزیه و تحلیل قرار گرفته است.

سطح پوشش برف SCA که عامل اصلی برای توزیع مکانی برف و همچنین ورودی اصلی به مدل روانآب ذوب برف می‌باشد با استفاده از تصاویر سنجنده MODIS و با استفاده از تصاویر 8 روز با نام  MOD10A2در سال 2006 استخراج شده است.

در ادامه به منظور صحت‎سنجی و اطمینان از توانمندی داده‎های منتج از الگویClimGen  برای برون‌داد‎های مدل‎HadCM3 پارامترهای متوسط دما و بارش برای دوره آماری پایه (1961- 1990) با داده‎های مشاهداتی همین دوره در ایستگاه‌های تبخیرسنجی تنگه‌پنج، کاظم‌آباد و چرخه فلک (سیبک) مقایسه و نتایج آن در شکل‌های 1، 2 و 3 ارائه شده است. بر این اساس توانمندی الگوی ClimGen در شبیه سازی دما قبول بوده و در شبیه سازی بارش علی‌رغم وجود ناهماهنگی‌هایی بخصوص در ماه‌های ژانویه تا ژوئن در مجموع از همبستگی بیش از 80 درصدی بین مقادیر مشاهداتی و منتج از مدل در ایستگاه تبخیرسنجی چرخه فلک و همبستگی بیش از 95 درصد در ایستگاه‌های تنگه پنج و کاظم آباد برخودار می‌باشد.

 

 

سناریوهای تغییر اقلیم دما و بارش حوضه در دوره‌های آینده

برای شبیه‎سازی متغیرهای دما و بارش در حوضه آبریز بختیاری پس از استخراج داده‎های میانگین ماهانه دما و بارش مدلHadCM3 از پایگاه دادههای ClimGen با سناریوی انتشارA1B  برای دوره پایه (1990-1961) و دوره‌های آینده (2020، 2030، 2040،2050، 2060 ، 2070 و 2080)  با استفاده از میانگین داده‎های مشاهداتی در دوره پایه و استفاده از روابط 1 و 2 سناریوهای تغییر اقلیم دما و بارش منطقه محاسبه شده‌است. این نتایج برای دوره‌های آینده در شکل‎‎های 5 تا 7 بصورت گرافیکی ارائه شده‌است. این نتایج نشان می‌دهد که روند تغییرات دما در سالهای آینده (دوره های 30 ساله) در حوضه بختیاری افزایشی است و تغییرات بارش در نوسان بوده و به غیر از ماههای ژانویه و اکتبر در اکثر ماههای سال روند کاهشی در میزان بارش مشاهده می‌گردد.

 

 

شکل 2- مقایسه مقادیر مدل شده و مشاهداتی پارامترهای بارش و دمای میانگین در ایستگاه تبخیرسنجی

نگه پنج دوره (1961-1990) (سمت راست: بارش، سمت چپ : دما)

 

 

شکل3-  مقایسه مقادیر مدل شده و مشاهداتی پارامترهای بارش و دمای میانگین در ایستگاه تبخیرسنجی

کاظم‌آباد دوره (1961- 1990) (سمت راست: بارش، سمت چپ : دما)

 

شکل 4- مقایسه مقادیر مدل شده و مشاهداتی پارامترهای بارش و دمای میانگین در ایستگاه تبخیرسنجی

چرخه‌ فلک (سیبک) دوره (1961-1990) (سمت راست: بارش، سمت چپ : دما)

 


 

شکل 5- سناریوهای تغییر دما و بارش حاصل از مدل HadCM3 در دوره های آینده و دوره پایه در ایستگاه تنگه پنج

 

 

شکل 6- سناریوهای تغییر دما و بارش حاصل از مدلHadCM3در دوره های آینده و دوره پایه در ایستگاه کاظم‌آباد

 

 

شکل 7- سناریوهای تغییر دما و بارش حاصل از مدل HadCM3در دوره‌های آینده در مقایسه با دوره پایه در ایستگاه چرخه‌فلک (سیبک)


تغییرات سطح پوشش برف در شرایط تغییر اقلیم

با توجه اهمیت سطح پوشش برف به عنوان یکی از فاکتورهای مهم و اساسی در شبیه سازی روانآب و تعامل عناصر اقلیمی در شرایط سطح زمین، در صورت تغییر در درجه حرارت و افزایش آن، سطح پوشش برف از آن متاثر شده و کاهش می‎یابد. با توجه به نتایج حاصله، این روند در حوضه بختیاری به صورت گرافیکی در شکل شماره 8 نشان داده شده است.

 

 

 

شکل 8- روند تغییرات سطح پوشش برف در حوضه بختیاری با توجه به تغییرات دما در دوره‌های آینده

 


شبیه‌سازی روانآب حاصل از ذوب برف در شرایط تغییر اقلیم

در اولین گام، به منظور صحت سنجی مدل ذوب برف در ماه‎های ژانویه تا دسامبر سال 2006 شبیه‌سازی روانآب در حوضه آبریز مورد مطالعه انجام شد که نتایج حاصل از شبیه‌سازی و واسنجی مدل قابل قبول ارزیابی شده است. برای این منظور از دو شاخص ضریب تبیین و تفاضل حجمی استفاده شده است که این مقادیر به ترتیب 71/0 و 45/0 درصد بدست آمده است. در ادامه با اعمال سناریوهای تغییر اقلیم و تغییرات سطح پوشش برف، شبیه‎سازی روانآب توسط مدل SRM انجام گرفت. برای این منظور با توجه به روند افزایش درجه حرارت برای ایستگاه تنگ‌پنج به عنوان معرف تغییرات اقلیمی زونA ، ایستگاه کاظم‎آباد به عنوان معرف تغییرات اقلیمی زون B و ایستگاه چرخه فلک (سیبک) به عنوان معرف تغییرات اقلیمی زونC ، تغییرات دما، نوسانات بارش و تغییرات سطح پوشش برف محاسبه و در مجموع برای هر دوره، سه سناریو و در مجموع برای دوره‎های آتی 2020 تا 2080 در مجموع 21 سناریو تهیه و به مدل وارد شد. نتایج حاصل از شبیه‌سازی کاهش حجم روانآب در دوره‎های آتی را نشان می‎دهد. این نتایج در جدول 2 ارائه شده است.

 

 

جدول 2- پاسخ روانآب حاصل از ذوب برف نسبت به افزایش درجه حرارت، تغییرات بارش

و کاهش سطح پوشش برف در سالهای آتی

دوره

2020

(2010-2039)

2030

(2020-2049)

2040

(2030-2059)

2050

(2040-2069)

2060

(2050-2079)

2070

(2060-2089)

2080

(2070-2099)

تغییرات حجم روانآب  نسبت به دوره 2006  (%)

%24

%26

%28

%30

%32

%35

%6/37

 


جمع بندی و نتیجه گیری

در این مطالعه تغییر اقلیم و تاثیر آن بر روی روانآب حوضه بختیاری برای دوره‌های 2020 (2010-2039)، 2030 (2020-2049)، 2040 (2030-2059)، 2050 (2040-2069)، 2060 (2050-2079)، 2070 (2060-2089) و 2080 (2070-2099) با استفاده از مدل گردش عمومی HadCM3 و سناریوی انتشار A1B و با استفاده از مدل ذوب برف SRM مورد تجزیه و تحلیل قرار گرفته است.

در این مطالعه تغییرات حجم روانآب به عنوان شاخصی در پاسخ به تغییرات اقلیم در نظر گرفته شده است. بررسی‌ها نشان داده است در محدوده مورد مطالعه علی‌رغم افزایش پتانسیل ذوب برف با افزایش دمای هوا بدلیل کاهش سطح پوشش برف با توجه به افرایش درجه حرارت در سال‌های آینده، روانآب حوضه از روند افزایشی برخودار نخواهد بود و در واقع عکس‎العمل روانآب حاصل از ذوب برف نسبت به تغییرات آب و هوایی منطقه روند کاهش را نشان داده است. این امر حاکی از وجود یک رابطه منفی بین دمای هوای سالانه و نسبت  SCA%  خواهد بود.



2. Atmospheric-Ocean General Circulation Model

4. General Circulation Model

 

1. Intergovernmental Panel on Climate Change

3. Inuvik

 

[5] .Snowmelt Runoff  Model

1. Snowmelt Runoff  Model

[7]. Emission Scenario

2.Snow cover depletion curves

[9]. East Anglia

 

2. Normalized-difference Snow Index

 

1. Snow Cover Area

 

  1. Alcamo, J., and T. Henrichs, 2002, Critical regions: A model-based estimation of world water resources sensitive to global changes. Aquat, Sci, 64, pp.352–362.
  2. Alison L. K., R. G. Jones and N. S. Reynard, 2005, RCM rainfall for UK flood frequency estimation. II. Climate change results. Journal of Hydrology, V. 318, Issues. 1-4, 1 March 2006, PP. 163-172.  
  3. Ashofte, P. and A. R. Massah, 2010, Effects of climate change on peak flow, case study, and Ayduqmush basin. Science and Technology of Agriculture and Natural Resources, No.53, pp.25–39.
  4. Fowler, H. J., S. Blenkinsopa and C. Tebaldib, 2007, Review, Linking climate change modelling to impacts studies: recent advances in downscaling techniques for hydrological modeling. International Journal of Climatology, No.27, pp.1547–1578.
  5. Ghanbarpour, M. R., M. Saravi, B. Saghafyan and K. Abbaspour, 2005, To determine the effect of storage areas and remaining snow cover and snowmelt contribution to runoff , Journal of Natural Resources, No.53, pp.25–39.
  6. Hewitson, B. C., and R. G. Crane, 2006, Consensus between GCM climate change projections with empirical downscaling: precipitation downscling over south Afica. International Journal of Climatology, No.26, pp. 1315–1337.
  7. IPCC, 2007, Summary for Policymakers. In: Climate Change 2007: The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change, Cambridge University Press, Cambridge, United Kingdom and New York, USA, pp 18.
  8. Jones, P. D., and M. Hulme, 1996, Calculating regional climatic times series for temperature and precipitation: methods and illustrations. International journal of climatology, No. 16, pp. 361-377.
  9. Khosravi, M., M. Esmailnejad and H. Nazaripour, 2010, 4th international congress of the Islamic world geographers (ICIWG), 14-16 April 2010, zahdadn, Iran.
  10. Ktyraiy, P. S., S. Hjam and P. Iran-nejad, 2007, the contribution of changes in precipitation frequency and intensity of daily rainfall during the period from 1960 to 2001, Journal of Physics of the Earth and Space, Volume 33, Issue 1, pp. 67-83
  11. Lee, S., A. G. Klein, and T. M. Over, 2003, a comparison of MODIS and NOHRSC snowcover products for simulating streamflow using the Snowmelt Runoff Model. Hydrological Processes, 18, pp 1053-1071.
  12. Martinec, J., A. Rango, R. Roberts and E. G. Landesa (eds.), 2007, SRM Snowmelt Runoff Model, User’s Manual. New Mexico State University Las Cruces, New Mexico, USA, pp.1-172.
  13. Massah, A. R. and S. Morid, 2005, Effects of climate change on Zayandeh Rud river flows, Journal of Science and Technology of Agriculture and Natural Resources, Year IX, No. 4, pp. 17-27.
  14. Moen, J., 2007, Effects of Climate Change on Alpine Skiing in Sweden, Journal of sustainable tourism.  TOURISM, Vol. 15, No. 4, pp. 418-437.
  15. Osborn, T. J., 2009, Auser guide for ClimGen: a flexible tool for generating monthly climate data sets and scenarios. Climatic Research Unit, School of Environmental Sciences, University of East Anglia, Norwich NR4 7TJ, UK. Ver. 1-02, pp.1-17.
  16. Osborn, T. J., 2011, the ClimGen MODEL.  http://www.cru.uea.ac.uk/~timo/climgen.
  17. POHL, S., P. Marsh and B.R. Bonsal, 2007, Modeling the Impact of Climate Change on Runoff and Annual Water Balance of an Arctic Headwater Basin, ARCTIC, VOL. 60, NO. 2 (JUNE 2007) PP. 173– 186
  18. Prudhomme, C., N. Reynard and S. Crook, 2002, downscaling of global climate models for flood frequency analysis: where are we now? Centre for Ecology and Hydrology, Maclean Building, Crowmarsh Gifford, Wallingford, Oxfordshire OX10 8BB, UK.
  19. Rango, A, 1993, Snow Hydrology processes and remote sensing. Hydrological Processes, No.7, pp.121-138.
  20. Smadi, Z., A. R. Massah and M. Mahdavi, 2009, Choose variables to predict the downscale statistics of temperature and precipitation data Karkheh watershed areas, Proceedings of the Fifth National Conference on Science and Watershed Engineering, karaj, Iran.
  21. Villegas, J. R. and A. Jarvis, 2010, Downscaling Global Circulation Model Outputs: The Delta Method Decision and Policy Analysis .Working Paper No, 1. pp.1-18.
  22. Wilby, R. L. and I. Harris, 2006, a frame woke for assessing uncertainties in climate change impact. Low flow scenarios for the River Thames, UK. Water Resource Research (in press).
  23. Wilby, R. L. and I. Harris, 2006, Aframe woke for assessing uncertainties in climate change impact. Low flow scenarios for the River Thames.UK. Water Resource Research (in press).
  24. Xu, C., 1999, From GCMs to river flow: a review of downscaling methods and hydrologic modeling approaches. Progress in Physical Geography. Vol. 23, No. 2, pp. 229–249.