بررسی اثرات تغییر اقلیم بر نوسانات تراز آب دریاچه ارومیه

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار گروه مهندسی منابع آب دانشگاه تربیت مدرس

2 استادیار ، گروه جغرافیا ، دانشگاه پیام نور

3 دانشیار پژوهشکده هواشناسی

چکیده

دریاچه ارومیه به‌عنوان یکی از بزرگ‌ترین دریاچه‌های کشور در شمال غرب ایران واقع شده است. با توجه به تغییرات بارش و دما و رخداد خشک‌سالی‌ها و ترسالی‌های شدید در این حوضه و ویژگی‌های مرفولوژیک آن (شیب کم سواحل) سطح تراز آن دچار نوسانات و تغییرات زیادی می‌شود. بطوریکه در سال‌های اخیر توسعه طرح‌های منابع آبی و به‌ویژه احداث سدهای مخزنی بر روی رودخانه‌های منتهی به دریاچه، تأثیر زیادی بر ورودی آب و درنهایت تراز آب آن داشته است. در این مطالعه با استفاده از روش شبکه عصبی مصنوعی، شبیه‌سازی نوسانات دریاچه مورد بررسی قرارگرفته است. نقش تغییر اقلیم بر تراز آینده دریاچه تحت سناریوهای A2 و B2 با استفاده از ریزمقیاس نمایی خروجی مدل‌های اقلیمی به کمک الگوی ریزمقیاس نمائی LARS-WG تحلیل شده است. نتایج تحقیق حاضر نشان می‌دهد که تراز دریاچه طی سال‌های آینده روند کاهشی را طی خواهد کرد.

کلیدواژه‌ها


عنوان مقاله [English]

Evaluation of climate change impacts on Urmia lake water level fluctuations

نویسندگان [English]

  • Majid Delavar 1
  • Omesalame Babaee 2
  • Ibrahim Fattahi 3
چکیده [English]

Introduction:

Lake Urmia, the largest territorial lake, has a great role on climate balance in the region. In recent decades, agricultural and industrial activities, infrastructural and water resources development projects has been extremely propagated. Thereby, such activities have a remarkable impact on ecological condition and water level of Lake Urmia. Although climate change also plays a great role on water level. Due to the importance of the issue, various studies have been carried out in recent years about the effect of climate change on water level changes.so in this paper attempt to simulate the fluctuations of the lake  using artificial neural network approach and finally evaluate the effects of future climate change on lake levels.

 Methods:

 

Analyses in this research are done in 3 steps. In the first step, the climate change scenarios of temperature and rainfall resulted from a AOGCM model are generated under two scenarios A2 and B2 for the future period 201–2060. In the second, the outputs of this model are downscaled by the method of change-factor LARS downscaling. Thirdly, the  Urmia lake level   changes is modeled by the artificial neural network, and then the values are downscaled and introduced to the network to, finally, the lake  water level values be computed at two emission scenarios.

 

2.1.Generation of climate change scenarios

To study climate change for the future periods, generation of climate scenarios is necessary, the most convincing way to generate which is utilizing the output of AOGCM models that are based on physics laws and mathematical formulae to be solved in a 3D network on the surface of the earth. To simulate the climate of the globe, the main climate processes- atmosphere, ocean, the earth’s surface, scale ice, and biosphere are simulated in tributary models separately, and then those of atmosphere and ocean are matched together to form AOGCM models (IPCC-TGCIA, 1999). In the present work, effects of climate change on lake levels have analyzed by outputs of HadCM3 model  using A2 and B2 scenarios.

 

2.2.Downscaling outputs of  HadCM3 Model

 

Local Down scaling:

In this study, the method of “change factor downscaling” is used for local downscaling

of AOGCM model. In this method the usual monthly ratios are obtained from

historical series, and the climate variables simulated by AOGCM are derived from the cell in which the region under study is placed. First of all, the climate change scenarios for temperature and rainfall are generated. To compute the scenarios for each model, the “difference” values for temperature, and “ratio” for rainfall for long-term average per month in the period 2011–2030 and 2011-2060 as well as the simulated base period (1961-1990) is computed for each cell by the computational network.

 

Statistical downscaling:

For comparison between the observed data and those from probability distribution and

mean, the model LARS-WG uses Chi-square (χ2) test and t test, respectively. The tests

are based on the assumption that the observed and simulated meteorological are the same. The test survey the null hypothesis to the effect that the two distributions or the two means are similar, so that the difference is not significant. In this research, the LARS model was calibrated by the observed data of minimum and maximum temperature as well as precipitation in the period 1961–1990. Afterwards, the LARS model was performed for climate change scenarios of temperature and precipitation in the region, and then the time series of temperature and precipitation for the period 2011–2060 was figured out. The results of downscaled temperature and precipitation for Urmia station is shown in Fig 1 and 2 respectively.

 

 

 

Fig1.: Downscaled temperature for Urmia station during 2011-2030

 

 

Fig 2.: Downscaled precipitation for Urmia station during 2011-2030

 

Simulation of climate change impacts on Urmia lake water level changes

An  feed forward artificial neural network was used for simulation of lake level changes. To get the best result, various input models were defined and assessed some of which. Since the most important factors affecting water level of the lake are precipitation, entering discharges to the lake, temperature, and surface evaporation they are applied as inputs and biases in the network design. The final selected model to determine future lake level constitutes of inputs such as precipitation in month, total inflow in month  and evaporation in month. Also the  future total inflow to the lake was estimated by a feed forward network using monthly precipitation, monthly temperature and also number of Julian month.

In this research, 70 % of data of last period 1961–1980 was dedicated to the validation

stage, and the remaining 30 % for the validation stage 1980–1990. The Fig 3 shows the simulated monthly inflow  to lake and observed flow during validation period.

 

 

Fig3. Simulated and observed inflow during validation period.

 

Simulation of monthly inflow to the Urmia lake for the future period and comparison with the

observed period indicates the decline of average runoff into the lake Moreover, the results say that the changes of the modeled runoff in the humid period (May to April) are more than the dry

period (November to May). Also, the results certify a decrease in the average future

runoff in scenario A2 is more than scenario B1 relative to the base period. Also the simulated water level of Urmia lake shows that the lake level will decrease over the coming years and this decreasing  are more than double in A2 scenario as compared to B2 scenario as shown in Fig 4.

 

 

Fig4. Simulation of Urmia lake level change during 2011-2100

 

 

کلیدواژه‌ها [English]

  • Urmia Lake
  • Simulation
  • Artificial Neural Network
  • Climate change

مقدمه

از جمله منابع آبی در معرض خطر در کشور دریاچه ارومیه است. اهمیت دریاچه ارومیه و فرآیند رو به خشک شدن آن در سال‌های اخیر، بررسی علل و راه‌کارهای حفظ آن را بیش از پیش حائز اهمیت ساخته است. در مورد علل این پدیده دلایل متفاوت و بعضاً غیر مستدل ارائه‌شده است. اثبات و یا رد هر یک از آن‌ها، نیاز به پژوهش‌های زیادی دارد. اما دو دلیل اصلی برای آن، بیشتر از بقیه قابل‌بررسی است. یکی تغییر در اقلیم و نوسانات آب و هوایی و دیگری مدیریت نادرست استحصال آب در حوضه‌های آبریز این دریاچه است. بررسی فرض اول، مستلزم تحلیل ارتباط سری‌های زمانی طولانی‌مدت عوامل اقلیمی و تراز آب دریاچه دارد و فرض دوم، بررسی روند جریان‌های ورودی به دریاچه را طلب می­کند.

بررسی­های اولیه IPCC بر روی‌داده‌های مشاهداتی دما، بارندگی، پوشش برف و سطح آب دریاها نشان از تغییرات در این متغیرها دارد. اما تأثیر این تغییرات تنها بر ارقام متوسط نبوده، رخدادهای فرین اقلیمی مانند طوفان­ها، سیلاب‌ها و خشک‌سالی‌ها را نیز تحت شعاع قرار می­دهد. (IPCC, 1996a).

این تغییرات می­تواند ناشی از دو عامل تغییرات درونی و عوامل خارجی باشد. تغییرات درونی در سیستم اقلیم ناشی از تغییرات ذاتی موجود در سیکل پدیده بوده که به‌صورت تغییرات دهه­ای یا چند دهه­ای ظاهر می­شوند. عوامل خارجی نیز شامل دو عامل، عوامل طبیعی مؤثر، مانند میزان فعالیت خورشید و یا فعالیت­های آتشفشانی و عوامل انسانی شامل افزایش گازهای گلخانه­ای و مواد معلق ناشی از فعالیت­های انسانی است. اما بررسی­های IPCC نشان می‌دهد که نقش عوامل انسانی (انتشار گازهای گلخانه­ای) و بخصوص گاز دی اکسید کربن در گرم­تر شدن اقلیم کره زمین نسبت به عوامل دیگر بسیار بیشتر است. از این‌رو به‌منظور تولید داده­های اقلیمی در دوره­های آتی تنها اثر گازهای گلخانه­ای لحاظ می­گردد (IPCC, 1996).

در ارزیابی اثرات منطقه­ای تغییر اقلیم پیش از هر چیز نیاز به سری زمانی متغیرهای اقلیمی (سناریوی اقلیمی) دوره­های آتی می­باشد. در ساخت این داده­ها دو رویکرد: 1) استفاده از روش­های آماری که در آن با بررسی روند در گذشته و تعمیم آن در آینده داده­ها تولید می­گردد. تحقیق یو و همکاران (2002) از این نمونه است که برای بررسی اثرات تغییر اقلیم بر منابع آب حوضه­ای در تایلند به انجام رسیده است و 2) استفاده از خروجی مدل‌های جفت شده اتمسفر– اقیانوس گردش عمومی جو (AOGCM) می­باشد که از اعتبار بیشتری برخوردار است.

مندوز و همکاران (2006) در تلاشی علل تغییرات دریاچه Cuitzeo در مکزیک را بررسی نمودند،آن‌ها از مدل‌های آماری برای ارتباط دادن نوسانات تراز آب به بارندگی و دما استفاده نمودند. تراز آب دریاچه به این منظور به‌صورت سری زمانی مورداستفاده قرار گرفت.

بررسی امکان استفاده از داده‌های سنجش‌ازدور برای تخمین فراوانی و مدت سیلاب‌های دریاچه بسته Rosamond (اسپانیا) موضوع تحقیقاتی فرنچ و همکاران (2006) بوده که در آن ارتباط سطح دریاچه مزبور با بارندگی‌هایی که منجر به ایجاد رواناب می‌شوند، به دست آمد . برای این کار آستانه موردنظر برای بارندگی‌ها از رویکرد شماره منحنی با تعیین نوع خاک حوضه ، پوشش گیاهی و کاربری اراضی به‌دست‌آمده است. سپس ارتباط داده‌های بارندگی بالاتر از آستانه ، با سطح دریاچه بررسی‌شده است. نتایج مطالعه آن‌ها نشان داده است که تغییر تراز آب دریاچه با بارندگی متوسط در هر بازه زمانی ارتباط دارد و پیشنهادشده است، با مدنظر قرار دادن اثر تبخیر و باد، این روش برای پیش‌بینی سیلاب‌های دریاچه در آینده بکار رود.

برای ارائه مدلی رگرسیون برای پایش تراز آب دریاچه Balkhash (قزاقستان)،پروپاستین(2008) از پایش پوشش گیاهی(شاخص NDVI) در دلتای رودخانه Ili منتهی به دریاچه مزبور همراه با داده‌های بارندگی و رواناب استفاده کرد. نتایج تحقیق نشان می‌دهد که مدلی بر اساسNDVI ، با دقت بالا(76%) قادر به پیش‌بینی تراز آب دریاچه مزبور می‌باشد.

 در تحقیق دیگری پایش زمانی تغییرات 26 ساله سطح دریاچه Seyfe (ترکیه)، توسط رایس و ایلمایز (2008) انجام شده است. سطح دریاچه 33% کاهش را در طول این سال‌ها نشان می‌دهد. درصورتی‌که رابطه تراز آب دریاچه با پارامترهای جوی مانند بارش، دما و تبخیر در همان مدت 21% کاهش را نشان می‌دهد. نتیجه‌گیری شده است که 12% باقیمانده، کاهش تراز آب دریاچه به سبب فعالیت‌های انسانی بر روی دریاچه در همان مدت بوده است.

بررسی رابطه تغییرات جریان رودخانه با تغییر اقلیمی و با استفاده از تکنیک‌های طیفی نیز توجه پژوهشگران را جلب نموده است. در این رابطه روش‌شناسی هانسن و همکاران(2004) برای ارزیابی تأثیر تغییرات اقلیمی در سری‌های زمانی هیدرولوژیکی برای جنوب غرب ایالات‌متحده با این رویکرد ارائه گردیده است. هدف طرح، بررسی تأثیر این تغییرات بر روی تراز آب زیرزمینی بوده است. برای کمی نمودن آن، بارندگی و رواناب به عنوان معرف ورودی به جریان زیرزمینی و جریان پایه رودخانه‌ها به عنوان معرف جریان خروجی زیرزمینی تعیین شده‌اند.

در تحقیقی دیگر نمدار و براوو (2008 ) ارتباط بین تراز دریاچه‌های Superior, Michigan, Erie و Ontario را با شاخص‌های اتمسفریTNI, PDO, NAM/AO,PNA و اقلیم منطقه­ای (شامل بارش روی سطح دریاچه، تبخیر، دمای هوا و جریان‌های ورودی به دریاچه از حوضه‌های دیگر) بررسی نمودند.

 

 

مدل‌های گردش عمومی جو

برای شبیه­سازی فرایندهای موجود در یک سیستم اقلیمی مدل‌های متعددی ارائه گردیده است. از جمله آن‌ها می­توان به مدل‌های گردش عمومی جو یا GCM اشاره کرد. اصلی بنیادین در این‌گونه مدل‌ها فهم و شناسایی فرایندهای فیزیکی و شیمیائی حاکم بر سیستم اقلیمی و تأثیر تغییرات اجتماعی و اقتصادی جوامع بر آن‌ها است. بر اساس توصیه IPCC معتبرترین مدل­ها برای شبیه‌سازی فرایند­های موجود در یک سیستم اقلیمی بر اساس افزایش گازهای گلخانه­ای قرار دارد. تاکنون مدل­های گردش عمومی جو توسط مراکز مختلف تحقیقاتی ارائه‌شده است که از آن جمله می‌توان به مدل‌های UKMO, GISS, GFDLT, GFDL, ECHAM4, CCC, PIHadCM2 و HadCM3 اشاره کرد)مرید و مساح 2004).

خروجی‌های مدل‌های مختلف GCM جو توسط سایتIPCC به آدرسhttp://ipcc-ddc.cru.uea.ac.uk قابل دسترسی است. مقیاس داده­های تولید شده ­توسط مدل‌های مختلف گردش عمومی جو متفاوت است. برای مثال مدلHadCM3 قادر است داده‌های اقلیمی را در مقیاس 5/2 درجه (عرض جغرافیایی)  75/3درجه(طول جغرافیایی) را برای سال‌های 1950 تا 2099 شبیه­سازی کند و مدل ECHAM4 نیز داده‌های اقلیمی را در مقیاس 8125/2 درجه  8125/2 درجه برای سال‌های 1990 تا 2100شبیه‌سازی می­نماید. همچنین باید توجه داشت که به دلیل این­که مدل‌های GCM دارای نوسانات درونی غیر صحیح می­باشند بنابراین نمی­توان دقیقاً از داده­های این مدل­ها استفاده کرد و این داده­ها احتیاج به تعدیل‌هایی دارند. بنابراین برای کاربرد داده‌های مربوط به مدل‌ها لازم است که آن‌ها کوچک‌مقیاس شوند و از نظر آماری هم تعدیل‌هایی بر روی آن‌ها انجام شوند.

 با توجه به اهمیت تغییر اقلیم در بحران آبی دریاچه ارومیه در تحقیق حاضر تلاشی شده است تا با بکارگیری خروجی های مدل های گردش عمومی جو و مدل های داده محور به بررسی و شبیه­سازی تراز دریاچه تحت شرایط تغییر اقلیم  پرداخته شود.

 

 

موادوروش‌ها

الف- معرفی منطقه

دریاچه ارومیه در شمال غربی کشور واقع شده است. این دریاچه سیستم بسته‌ای است که آب ورودی آن از طریق رودخانه‌هایی که به آن می‌ریزند، چشمه­های درون دریاچه و باران ریزش یافته برسطح و مناطق اطراف آن تأمین می­گردد. ولی طی فرایند تبخیر ، مقدار قابل‌توجهی آب از این سیستم خارج می‌گردد.

حوضه آبریز این دریاچه با مختصات جغرافیایی  7/44 تا 53/47 درجه طول شرقی و 40/35 تا 30/38 درجه عرض شمالی از مناطق کوهستانی وسیعی تشکیل‌شده که دریاچه ارومیه و دشت‌های مجاور آن را احاطه کرده است.

در این حوضه رودخانه های بزرگ و کوچک، شبکه زهکشی به سمت دریاچه را تشکیل می‌دهند که بزرگترین آنها زرینه رود و بعد از آن سیمینه رود و گادار‌چای در جنوب، نازلوچای و باراندوز‌چای در غرب،مردوق‌چای در شرق و آجی چای در شمال شرقی دریاچه می‌باشند.

دریاچه ارومیه وسعتی در حدود 5750 کیلومترمربع دارد. تراز کف دریاچه 1268 متر و تراز متوسط سطح آب دریاچه 2/1276 متر است که دامنه نوساناتی از 13/1274 تا 4/1278 متر از سطح دریا در 30 سال اخیر داشته است. اراضی اطراف دریاچه بسیار کم شیب بوده و بخش‌هایی از آن در فصل بهار زیر آب می­روند.

 

 

 

شکل 1- موقعیت دریاچه ارومیه به همراه رودخانه‌های ورودی به آن

 


شبیه‌سازی تغییرات تراز آب دریاچه ارومیه با استفاده از شبکه‌های عصبی مصنوعی

هدف اصلی در این مطالعه شبیه‌سازی تغییرات تراز آب دریاچه ارومیه با استفاده از شبکه‌های عصبی مصنوعی و بر اساس مهم­ترین عوامل مؤثر بر نوسانات تراز آب دریاچه که شامل دبی ورودی ،بارش و تبخیر از سطح دریاچه است. بدین منظور از جعبه نرم­افزاری شبکه‌ عصبی مصنوعیMATLAB استفاده شد. این نرم‌افزار امکان طراحی، یادگیری و ارزیابی شبکه­های عصبی مصنوعی را داشته و می‌تواند قوانین یادگیری مختلفی را در برداشته باشد.

 

معرفی مدل Lars-WG

مدل Lars-WG از جمله مدل‎های مولد داده‌های تصادفی وضع هوا است که برای تولید مقادیر بارش، دمای بیشینه و کمینه، تابش و تبخیر روزانه در یک ایستگاه تحت شرایط اقلیم پایه و آینده به کار می‌رود. مدل‌های مولد داده‌های آب و هوایی عمدتاً برای دو هدف توسعه‌یافته‌اند که شامل الف- تهیه میانگین سری‌های زمانی داده‌های مصنوعی شبیه‌سازی شده با مشخصات آماری مطابق با داده‌های دیدبانی‌شده در یک ایستگاه ب- فراهم کردن میانگین‌های طولانی‌مدت سری‌های زمانی پارامترهای هواشناسی برای ایستگاه‌هایی که دارای داده‌های گمشده بوده و یا اینکه امکان دیدبانی در آنجا وجود نداشته.

مبانی نظری مدل‌های مولد داده‌های هواشناسی بر اساس روش‌های آماری نظیر زنجیره مارکوف و توزیع نیمه تجربی است. مبانی نظری مدل Lars-WG بر مبنای توزیع نیمه تجربی قرار دارد. در این مدل برای محاسبه طول دوره تر و خشک بارش روزانه تابش و تبخیر از توزیع نیمه تجربی استفاده می‌شود.

EMP=   (1)             

که در اینجا EMP یک تاریخ نگاشت(هیستوگرام) با ده بازه شدت‌های مختلف بارش است.

                          (2)                      

hi تعداد رخداد بارش در i امین فاصله را نشان می‌دهد(IPCC, 1996a).

با توجه به اهداف تحقیق، داده‌های مورد نیاز شامل دبی رودخانه­­های ورودی، بارش و تبخیر در دوره آماری 1388-1350 از ایستگاه‌های منطقه جمع‌آوری گردیده است. در انتخاب ایستگاه‌ها سعی شده است تا جایی که ممکن است از تمامی ایستگاه‌های آب‌سنجی منطقه که ورودی­های دریاچه را تشکیل می‌دهند، استفاده شود.

مقادیر تصادفی از توزیع‌های نیمه تجربی با انتخاب یکی از فاصله‌ها و سپس انتخاب یک مقدار در آن محدوده از توزیع یکنواخت مشخص می‌شوند. این نوع توزیع قابل‌انعطاف است و می‌تواند تا حدودی تبدیل به تنوع وسیعی از شکل‌های مختلف با بازه‌های مختلف  شوند. فاصله  بر اساس توزیع قابل‌انتظار از رفتار متغیرهای هواشناسی است. برای تابش خورشیدی فاصله‌ها بین مقادیر بیشینه و کمینه داده‌های دیدبانی‌شده ماهانه برابر هستند، درصورتی‌که برای طول سری خشک و تر و بارش، اندازه فاصله‌ها به‌تدریج با افزایش i ، افزایش می‌یابد. در این دو مورد به‌نوعی مقادیر کوچک به تعداد زیاد و مقادیر بزرگ به مقدار کمی وجود دارد که این نحوه انتخاب فاصله از یک دقت پائین برای فواصل کوچک جلوگیری می‌کند. در اینجا رخداد بارش با استفاده از سری‌های تر و خشک مدل‌سازی شده است. طول هر سری به‌طور تصادفی از توزیع نیمه تجربی ماهانه خشک و تر (از جائیکه سری شروع می‌شود)، انتخاب شده است. برای یک روز تر، یعنی روزی با بارش بیش از صفر میلی‌متر، مقدار بارش با به کار بردن توزیع نیمه تجربی به دست می‌آید. دمای بیشینه و کمینه روزانه با بکار بردن تری یا خشکی روز موردنظر تولید می‌شود. مدل‌سازی دماهای بیشینه و کمینه روزانه به‌صورت فرآیندی آماری با لحاظ میانگین و انحراف معیار روزانه آن‌ها صورت می‌گیرد. مؤلفه‌های فصلی میانگین و انحراف معیار دما با استفاده از یک سری فوریه مرتبه سوم مدل‌سازی می‌شوند. مقادیر باقیمانده دما نیز با استفاده از توزیع نرمال مدل می‌شوند.

چنانچه تابش از توزیع نرمال تبعیت نکند آنگاه آن را با استفاده از یک توزیع نیمه تجربی مستقل از دما مدل‌سازی می‌شود.

 

نتایج

الف- شبیه‌سازی دبی ورودی به دریاچه

برای تخمین دبی ماهانه ورودی به دریاچه، بر اساس متغیرهای اقلیمی دما و بارندگی، از شبکه‌های عصبی مصنوعی استفاده شد. در این خصوص، مدل‌های ورودی­های متنوعی از دما و بارش با تأخیرهای زمانی متفاوت استفاده گردید. برای آموزش و صحت یابی از داده‌های ماهانه دوره 1350 لغایت 1388 استفاده شده است که 70 درصد داده­ها برای مرحله آموزش و 30 درصد نیز برای مرحله صحت یابی به کاربرده شد. درنهایت در شرایط به‌کارگیری همزمان بارندگی و دمای متوسط ماهانه به همراه شماره ماه موردنظر بهترین نتایج به‌دست‌آمده است( دلاور، 1384):

 (3)                           

که در آن  : دبی ماهانه ورودی به دریاچه ( ) در ماه t، : بارندگی ماهانه تحت سناریوهای اقلیمی ( ) در ماه t، :متوسط دمای ماهانه تحت سناریوهای اقلیمی( ) در ماه t و : شماره ماه موردنظر که از 1 تا 12 به ترتیب برای ماه‌های ژانویه تا دسامبر تغییر می­کند.

 

 

 

شکل 2- مقایسه دبی‌های محاسباتی و مشاهداتی مدل شبکه عصبی در مرحله آموزش

 

شکل 3- مقایسه دبی‌های محاسباتی و مشاهداتی مدل شبکه عصبی در مرحله صحت یابی


ب- تغییرات ماهانه دما و بارش بر اساس داده‌های مشاهداتی و سناریوهای تغییر اقلیم

 در جدول(1) نحوه تغییرات مشخصات بارندگی و دما نسبت به سناریوهای مختلف تغییر اقلیم در دوره‌های (2030-2011 ) و ( 2060-2011 ) بر اساس خروجی مدل  Lars-WG نشان داده شده است. شکل‌های (4)  تا (11) نیز رژیم تغییرات بارش و دمای متوسط ماهیانه ایستگاه‌های منتخب ارائه‌شده است.

 

 

جدول 1- مقایسه مشخصات آماری دما و بارندگی تحت سناریوهای مختلف تغییر اقلیم

دوره

ایستگاه

مشخصه آماری

متوسط بارندگی ماهانه (میلیمتر)

دما (سانتیگراد)

متوسط بارندگی ماهانه (میلیمتر)

دما (سانتیگراد)

متوسط  بارندگی ماهانه (میلیمتر)

دما (سانتیگراد)

مشاهداتی

بازتولید شده

 

1961-1990

خوی

میانگین

26.37

11.67

31.46

11.73

حداکثر

61.11

24.47

64.16

24.58

حداقل

5.66

-2.62

10.35

-2.30

انحراف معیار

15.22

9.03

15.57

8.95

ارومیه

میانگین

28.84

11.11

30.90

11.20

حداکثر

58.73

23.67

53.58

23.78

حداقل

2.62

-2.70

5.08

-2.40

انحراف معیار

17.88

8.94

18.08

8.82

تبریز

میانگین

25.68

12.25

28.36

12.39

حداکثر

52.71

26.21

51.44

26.40

حداقل

3.17

-2.66

5.03

-2.20

انحراف معیار

14.85

9.82

14.26

9.64

سناریوی تغییر اقلیم

A2

A2

B1

B1

A1B

A1B

2011-2030

خوی

میانگین

30.06

13.28

29.81

13.27

30.32

12.97

حداکثر

58.38

27.11

55.22

27.16

64.14

26.78

حداقل

3.01

-1.83

2.53

-1.76

2.46

-2.41

انحراف معیار

17.81

9.69

16.70

10.03

19.07

9.89

ارومیه

میانگین

31.41

12.76

32.58

12.97

30.98

12.46

حداکثر

58.29

26.25

61.37

26.78

61.99

26.02

حداقل

2.16

-1.70

1.88

-2.41

1.77

-2.30

انحراف معیار

20.86

9.53

21.46

9.89

20.64

9.77

تبریز

میانگین

29.11

12.97

30.07

12.97

28.52

12.97

حداکثر

51.33

26.78

61.17

26.78

53.52

26.78

حداقل

2.98

-2.41

2.41

-2.41

4.51

-2.41

انحراف معیار

16.51

9.89

17.56

9.89

16.27

9.89

2011-2060

خوی

میانگین

30.06

13.28

29.81

13.27

30.32

12.97

حداکثر

58.38

27.11

55.22

27.16

64.14

26.78

حداقل

3.01

-1.83

2.53

-1.76

2.46

-2.41

انحراف معیار

17.81

9.69

16.70

10.03

19.07

9.89

ارومیه

میانگین

31.41

12.76

32.58

12.97

30.98

12.46

حداکثر

58.29

26.25

61.37

26.78

61.99

26.02

حداقل

2.16

-1.70

1.88

-2.41

1.77

-2.30

انحراف معیار

20.86

9.53

21.46

9.89

20.64

9.77

تبریز

میانگین

29.11

12.97

30.07

12.97

28.52

12.97

حداکثر

51.33

26.78

61.17

26.78

53.52

26.78

حداقل

2.98

-2.41

2.41

-2.41

4.51

-2.41

انحراف معیار

16.51

9.89

17.56

9.89

16.27

9.89

 

 

همان‌گونه که در جدول شماره (1) مشاهده می‌گردد میانگین بارندگی ماهانه در سه ایستگاه خوی، ارومیه و ‌تبریز در دوره 2030-2011 تحت سناریوی A2،B1 و A1B نسبت به دوره مشاهداتی قبل از یک روند افزایشی برخوردار هستند، بطوریکه متوسط میانگین بارندگی ماهانه در ایستگاه خوی با توجه به نتایج حاصل از سناریوهای ذکر شده به میزان 11/2 میلیمتر افزایش را نشان      می‌دهد. در ایستگاه ارومیه نیز تغییرات بارش نسبت به دوره پایه، تحت سناریوهای A2،B1 و A1B به طور متوسط 2/4 میلی‌متر افزایش در میانگین بارش ماهانه پیش‌بینی‌شده است. و در ایستگاه تبریز این رقم برابر 5/4میلیمتر است. همچنین میانگین ماهانه دما تحت سناریوهای مذکور به طور متوسط 49/1 ، 48/1 و 51/1 درجه سلسیوس به ترتیب در ایستگاه‌های خوی، ارومیه و ‌تبریز در طی دوره 2030-2011 افزایش خواهد داشت که حاکی از وجود یک روند گرمایشی در سطح حوضه مورد مطالعه است.

همچنین مقایسه نتایج شبیه‌سازی سناریوهای اقلیمی A2،B1 و A1B در دوره 2060-2011 نسبت به دوره 2030-2011 نیز نتایج مذکور را تائید می‌نماید.

 

 

 

شکل 4- تغییرات ماهانه دما بر اساس داده­های دوره مشاهداتی و سناریوهای تغییر اقلیم در ایستگاه ارومیه 2030-2011

 

 

شکل 5- تغییرات ماهانه بارندگی بر اساس داده­های دوره مشاهداتی و سناریوهای تغییر اقلیم در ایستگاه ارومیه 2030-2011

 

 

شکل 6- تغییرات ماهانه دما بر اساس داده­های دوره مشاهداتی و سناریوهای تغییر اقلیم در ایستگاه تبریز 2030-2011

 

 

شکل 7- تغییرات ماهانه بارندگی بر اساس داده­های دوره مشاهداتی و سناریوهای تغییر اقلیم در ایستگاه تبریز 2030-2011

 

 

شکل 8- تغییرات ماهانه دما بر اساس داده­های دوره مشاهداتی و سناریوهای تغییر اقلیم در ایستگاه ارومیه 2060-2011

 

 

شکل 9- تغییرات ماهانه بارندگی بر اساس داده­های دوره مشاهداتی و سناریوهای تغییر اقلیم در ایستگاه ارومیه 2060-2011

 

 

شکل 10- تغییرات ماهانه دما بر اساس داده­های دوره مشاهداتی و سناریوهای تغییر اقلیم در ایستگاه تبریز 2060-2011

 

 

شکل 11- تغییرات ماهانه بارندگی بر اساس داده­های دوره مشاهداتی و سناریوهای تغییر اقلیم در ایستگاه تبریز 2060-2011

 

 

همان‌طور که در شکل‌های (4) ، (6) ، (8) ، (10) مشاهده می­گردد میانگین ماهانه دما تحت سناریوهای A2،B1 و A1Bدر دوره‌های 2030-2011 و 2060-2011 در تمامی ماه‌های سال نسبت به داده­های مشاهداتی افزایش را نشان می­دهند. مقایسه متوسط بارندگی داده­های مشاهداتی و تغییر اقلیم در شکل‌های (5) ، (7) ، (9) ، (11) نشان داده شده است. در ایستگاه ارومیه هر سه سناریوی مورد بررسی در ماه‌های ژانویه ، مارس، اکتبر ، نوامبر و دسامبر نسبت به دوره پایه از روند افزایشی قابل‌ملاحظه‌ای برخوردارند و در ماه آوریل هر سه سناریو بارش کمتری را نسبت به دوره مشاهداتی نشان داده‌اند شکل (5).

در شکل (7) مقایسه متوسط بارندگی داده­های مشاهداتی و تغییر اقلیم در دوره 2030-2011 در ایستگاه تبریز حاکی از افرایش میانگین بارش ماهانه در تمامی ماه‌های سال به جز ماه مارس تحت سناریوی B1است. سناریوی A2 در تمامی ماه‌های سال افزایش در متوسط بارش ماهانه را نشان داده و سناریوی A1B از ماه می تا سپتامبر بارش کمتری را پیش‌بینی کرده است.

در ایستگاه ارومیه شکل شماره (9) برای دوره 2060-2011 سناریوهای A2،B1 و A1B در ماه‌های ژانویه ،‌فوریه ،‌مارس ،‌ نوامبر و دسامبر افزایش و در ماه آوریل کاهش در میانگین بارندگی ماهانه قابل‌مشاهده است. همچنین بیشترین روند افرایش در میانگین بارش ماهانه با توجه به شکل شماره (11) در ایستگاه تبریز تحت سناریوی B1قابل پیش‌بینی است بطوریکه در تمامی ماه‌های سال به جز ماه مارس این افزایش قابل مشاهده است.

مقایسه متوسط بارندگی داده­های مشاهداتی و تغییر اقلیم نیز حاکی از وجود روند کاهشی شدید در ماه‌های آگوست تا دسامبر می­باشد. این روند در مورد ماه‌های ژانویه تا آوریل با شدت کمتری قابل ملاحظه است که در مجموع باعث کاهش بارندگی تحت تأثیر تغییر اقلیم در آینده منطقه مطالعاتی شده است.

ج- شبیه‌سازی تراز آب دریاچه ارومیه در شرایط تغییرات اقلیم

شبیه‌سازی تراز آب دریاچه ارومیه بر اساس مدل شبکه عصبی که ورودی­های این مدل شامل دبی، بارندگی و تبخیر است. بدین جهت ابتدا ضرورت داشت تا ورودی­ها بر اساس اطلاعات تغییرات اقلیم شبیه­سازی گردند و به عبارت دیگر ورودی‌های مدل 10 شبکه عصبی، تحت سناریوهای اقلیمی، برآورد شوند.

در مرحله بعد، دبی ورودی به دریاچه طی 100 سال آینده بر اساس داده­های دما و بارندگی مربوط به سناریوهای اقلیمی و مدل شبکه عصبی محاسبه شد. شکل دبی ورودی به دریاچه تحت سناریوهای و  نشان داده شده است. با بررسی بر دبی­های شبیه‌سازی شده مشاهده می­گردد که دبی تحت تأثیر سناریوهای تغییر اقلیم روندی کاهشی دارد. در این مورد نتایج تحت سناریوی  روند کاهشی شدیدتری نسبت به سناریوی دارد.

 

 

شکل12- رژیم ماهانه دبی ورودی به دریاچه ارومیه طی دوره مشاهداتی وبر اساس سناریوهای اقلیمی


 

64

با توجه به دبی محاسبه شده و همچنین استفاده از داده‌های بارندگی و دمای برآورد شده تحت سناریوهای تغییر اقلیمی و کاربرد مدل شبکه عصبی تراز آب دریاچه را تا سال 2099 شبیه‌سازی و نتایج در شکل (13) ارائه‌شده است.

 

 

 

شکل 13- شبیه‌سازی تراز دریاچه ارومیه تا سال 2099 تحت سناریوهای و  از مدل

 

 

 با توجه به شکل مزبور تحت سناریوی حداکثر و حداقل تراز دریاچه تا سال 2099 به ترتیب برابر با 8/1275 و 6/1272 متر از سطح دریا خواهد بود. این مقادیر برای سناریوی  به 9/1277 و 5/1273 می­رسد. همچنین مشاهده می­گردد که تراز دریاچه روندی کاهشی داشته که این روند در اثر سناریوی بیشتر است. در این حالت میانگین ماهانه تراز آب دریاچه از 2/1276 متر در دوره 2001-1971 به 6/1274 متر تحت سناریوی  و 5/1275 متر تحت سناریوی  در دوره 2099-2006 می­رسد که حاکی از کاهشی چشم‌گیر در تراز آب دریاچه است.

 

جمع‌بندی و نتیجه‌گیری

دریاچه ارومیه از زیستگاه‌های با اهمیت کشور است. با توجه به تغییرات زیاد بارش در حوضه مربوط به این دریاچه و نیز شیب کم سواحل، تراز، عمق و سطح این دریاچه دچار نوسانات و تغییرات زیادی است. علاوه بر این توسعه طرح­های منابع آبی طی سال‌های اخیر و بخصوص احداث سد­های مخزنی بر روی رودخانه­ها، تأثیراتی بر ورودی­ها و در نتیجه تراز آب این دریاچه داشته ­است. بنابراین بررسی تأثیرات این عوامل که داخلی محسوب می­گردند و عوامل خارج از سیستم که مهم‌ترین آن تغییر اقلیم است، بر تراز آب دریاچه امری ضروری به نظر می­رسد. تحقیق حاضر تلاشی برای بررسی و شبیه­سازی تراز دریاچه تحت  شرایط اقلیمی شرح داده شده در بالا بوده است. در جهت نیل به این هدف تحلیل­های متفاوتی به انجام رسیده که مهم‌ترین آن‌ها عبارت‌اند از: شبیه­سازی تراز آب دریاچه بر اساس روش شبکه­های عصبی مصنوعی و بررسی نقش تغییرات اقلیم در نوسانات تراز آب دریاچه و در یک افق 100 ساله با استفاده از مدل‌های GCM

نتایج زیر از این تحقیق قابل‌ارائه می‌باشد:

-شبکه عصبی مصنوعی با ورودی­های همزمان ماهیانه دبی، متوسط بارندگی و تبخیر با دقت بالایی تراز و نوسانات آب دریاچه ارومیه را شبیه­سازی نمود.

-استفاده از شبکه عصبی مصنوعی دارای کمترین حساسیت نسبت به عدم قطعیت پارامترهای ورودی به آن می­باشد.

- تغییر اقلیم نقش مؤثری در کاهش تراز دریاچه در سال‌های آینده خواهد داشت. بر این اساس روند کاهش تراز دریاچه در اثر اعمال سناریوی اقلیمی متکی بر گسترش مؤلفه‌های اقتصادی تقریباً دو برابر بیشتر از اعمال سناریوهای متکی بر حفظ محیط زیست، نقش دارد.

  1. Alborzi, M , 2001, Introduction to neural networks ,First Edition, sharif University of Technology, Tehran.
  2. Delavar, M, 2005, Analytical model level fluctuations Urmia lake water and Risk analysis of coastal, Thesis submitted for Degree of Master , Tarbiat Modares University, Tehran.
  3. Hanson, R.T., M.W. Newhouse and  M.D., Dettinger, (2004).A methodology to assess relations between climatic variability and variations in hydrologic time series in the southwestern United States. Journal of Hydrology.
  4. IPCC, (1996a). Climate Change 1995. The Science of Climate Change. Contribution of Working GroupI to the Second Assessment Report of the Intergovernmental Panel on Climate Change, Cambridge University Press, Cambridge, 572 pp.
  5. Jones, R.N. (2000) Managing uncertainty in climate change projections–issues for impact assessment.Climatic Change, 45, 403–419.
  6. Massah Bavani , A, R &  S. Morid , 2006,  Impact of Climate Change on the Water Resources of Zayandeh Rud Basin Journal of Science and Technology of Agriculture and Natural Resources,Vol. 9, No. 4, pp. 17-27.
  7. Mendoza M.E., Bocco G., Bravo M., Granados E.L. and Osterkamp W. R.. 2006. Predicting Water-Surface Fluctuation Of Continental Lakes: A RS And GIS Based Approach In Central Mexico, Water Resources Management (2006) 20, 291–311.
  8. Mendoza M.E., G. Bocco, M., Bravo, E.L.,Granados and W. R .,Osterkamp, (2006) Predicting Water-Surface Fluctuation Of Continental Lakes: A RS And GIS Based Approach In Central Mexico, Water Resources Management (2006) 20, 291–311.
  9. Morid, S. and A. R. Massah (2004) ModellingZayandehRud Basin under Climate Change. British Hydrological Society, Volume I, 50-56.
  10. NamdarGhanbari, R. and H. R. Bravo, (2008) Coherence between atmospheric teleconnections, Great Lakes water levels,and regional climate, Advances in Water Resources.
  11. NamdarGhanbari, R. Bravo, H. R. (2008).Climate signals in groundwater and surface water systems: Spectral analysis of hydrologic processes. Project I.D.WR05R005 .
  12. Propastin P. A.(2008) Simple model for monitoring Balkhash Lake water levels and Ili River discharges: Application of remote sensing, Lakes & Reservoirs, Research and Management , 13,77–81.
  13. Reis S. and H. M. Yilmaz, (2008).Temporal monitoring of water level changes in Seyfe Lake using remote sensing. Hydrological Process.
  14. Yu, P.S., Yang, T.C. and Wu, C.K. (2002). Impact of climate change on water resources in southern Taiwan, Journal of Hydrology, Vol. 260, 161-175.