پیش‌بینی اثرات تغییرات اقلیمی بر دما و بارش با استفاده از مدل‌های گردش عمومی جو، راهکاری برای کشاورزی پایدار (مطالعه‌ی موردی: شهرستان کرمانشاه)

مستخرج از پایان نامه

علوم و تکنولوژی محیط زیست، دوره بیست و سوم، شماره شش، شهریورماه 1400(14-15)

پیش­بینی اثرات تغییرات اقلیمی بر دما و بارش با استفاده از مدل­های گردش عمومی جو، راهکاری برای کشاورزی پایدار (مطالعه­ی موردی: شهرستان کرمانشاه)

    سمیره صی محمدی[1]

 محسن توکلی[2] ^*

mohtavakoli2003@yahoo.com

کیومرث زرافشانی[3]

حسین مهدی زاده[4]

فرزاد امیری[5]

چکیده

زمینه و هدف: نگرانی در مورد تغییرات آب و هوا و اثرات آن بر جنبه­های مختلف زندگی انسان در تولید به طور کلی و کشاورزی به­طورخاص در حال رشد است، لذا هدف اصلی این مطالعه بررسی و پیش­بینی اثرات تغییرات اقلیمی بر دما و بارش در شهرستان کرمانشاه است. روش بررسی: واسنجی و اعتبارسنجی داده­ها با استفاده از مدل HadCM3 برای داده­های روزانه دما و بارش از سال 1961 تا 2001     انجام شد، بدین صورت که از داده­های  سال 1961 تا 1990 برای دوره واسنجی و از سال 1991 تا 2001 برای اعتبارسنجی استفاده شد. به منظور ریزمقیاس­نمایی آماری داده­های بزرگ مقیاس مدل­ گردش عمومی هوا از نرم­افزار SDSM4.2 استفاده شد. یافته­ها: اختلاف کم بین داده­های مشاهداتی و شبیه­سازی شده در دوره واسنجی و اعتبارسنجی نشان داد که انطباق قابل قبولی بین داده­های مشاهداتی و شبیه سازی شده توسط مدل وجود دارد. لذا با توجه به این مورد، قابلیت و توانایی مدل در داده­سازی مورد تأیید قرار گرفت. در این مطالعه از سناریوی انتشار A2 برای مدل­سازی تغییرات اقلیمی در سه دوره سی ساله (2020، 2050 و 2070) استفاده شد. بحث و نتیجه­گیری: طبق مدل شبیه­سازی شده، بارش روند کاهشی و دما روند افزایشی خواهد داشت، لذا نتایج این مطالعه می­تواند برای مدل­های بهینه تخصیص کاربری اراضی کشاورزی به کار رود.  

واژه­های کلیدی: تغییرات اقلیمی، پیش­بینی، مدل­های گردش عمومی هوا(GCM)،  HadCM3،.SDSM

Prediction Impact of Climate Change on the Temperature & Precipitation by General Circulation Model, a Strategy for Sustainable Agriculture: (Case of Kermanshah Township) 

Samireh Seymohammadi[6]

Mohsen Tavakoli[7]^*

mohtavakoli2003@yahoo.com

Kiumars Zarafshani[8]

Hossien Mahdizadeh[9]

Farzad Amiri[10]

Abstract

Background and Objectives: Concern about climate change and its effects on various aspects of human life in general and agricultural production in particular is growing. Therefore, the main purpose of this study is to assess and predict of climate change induced temperature and precipitation of Kermanshah township.

Method: The calibration and validation of the HadCM3 model was performed 1961-2001 of daily temperature and precipitation. The data on temperature and precipitation from 1961 to 1990 were used for calibration whereas data from 1991 to 2001 were used for model validation. SDSM version 4.2 as a downscaling model used to downscale general circulation models to station scales.  

Findings: The least difference between observed data and simulation data during calibration and validation showed that the parameter was precisely modeled for most of the year. This study under A2 scenario, three time periods (2020, 2050, 2080) were simulated.  

Discussion and Conclusion: According to our simulated model, precipitation showed a decreasing trend whereas temperature showed an increasing trend. The result of this study can also be used as an optimal model for land allocation in agriculture.

Keywords: Climate Change; Prediction; Global circulation model; HadCM3; SDSM.

مقدمه

تغییرات اقلیمی یکی از مهم­ترین و پیچیده­ترین نگرانی­های قرن حاضر و آینده است (1). آثار خطرناک تغییرات اقلیمی بر حیات بشر، تقریباً تمامی جوانب زندگی را در بر خواهد گرفت. خشک­سالی، بالا آمدن سطح آب دریاها، طوفان­های سهمگین، کاهش منابع آب شیرین، گرم­شدن هوا، آتش­سوزی جنگل­ها و بیابان­زایی از جمله این آثار هستند. از دیگر اثرات بارز تغییرات اقلیمی بر محیط، می­توان به اثر آن بر بخش کشاورزی اشاره کرد، اگر چه این پدیده تهدیدی برای فعالیت­های انسانی به شمار می­رود، اما به طور کلی بخش کشاورزی به علت وابستگی فراوان به شرایط آب و هوایی، بیش از سایر بخش­ها در معرض خطرات تغییرات آب و هوایی قرار دارد (2). طی سال­های اخیر رژیم بارشی و دمایی کشور ایران تحت تأثیر تغییرات اقلیمی قرار گرفته است و این تغییرات باعث مشکلات عدیده­ای در بخش­های کشاورزی، منابع طبیعی، صنعتی، اقتصادی، بهداشتی، فرهنگی و .. شده است که این مسأله مهم و ضروری بودن بررسی و پیش­بینی تغییر اقلیم را آشکار می­سازد. درواقع با وجود تمام پیشرفت­های علمی در زمینه­ی افزایش عملکرد و تولید محصولات زراعی، این کشاورزی است که به شدت به آب و هوا و اقلیم وابسته است و از این رو تنوع اقلیمی و تغییرات آن، چه در کوتاه­مدت (در طول فصل رشد) و چه در دراز مدت، سهم تعیین کننده­ای در موفقیت تولید دارد (3). این در حالی است که بر اساس گزارشات، استان کرمانشاه ششمین استان کشور به لحاظ مشکلات خشکسالی است، به­طوری­که بر اثر خشک­سالی سال­های اخیر حدود 550 روستای استان دچار بحران کم­آبی شده­اند و میزان خسارت وارده به استان را بالغ بر 800 میلیارد تومان اعلام کرده­اند(4). بنابراین با توجه به تغییرات آب و هوایی و چشم انداز نامناسبی که پیش­روست، ضرورت امر را دو چندان می­کند که پیش­بینی تغییرات اقلیمی انجام شود و تخصیص کاربری اراضی کشاورزی با توجه به تغییرات اقلیمی به طور کلی و پدیده خشک­سالی به صورت ویژه صورت گیرد. این مطالعه می­تواند اطلاعات مناسبی را در اختیار مسئوولان، برنامه­ریزان، مدیران و مجریان قرار دهد تا بتوانند بر اساس شرایط اقلیمی هر منطقه برای تخصیص کاربری اراضی آن برنامه­ریزی نمایند. به عبارت دیگر تخصیص کاربری اراضی کشاورزی در جهت سازگاری با تغییرات اقلیمی به صورت کلی و خشک­سالی به صورت ویژه صورت خواهد گرفت و این حرکت می­تواند یک حرکت سازگارانه­ی درازمدت باشد.

تغییر اقلیم به پدیده­ای اطلاق می­شود که سبب تغییر دما، بارش و یا فراسنج­های دیگر جوی می­شود، به طوری که اقلیم و سیستم­های آب و هوایی تغییر ­کند (5). پیدایش مدل­های گردش عمومی هوا (GCM) این امکان را به وجود آورده است تا محققان بتوانند تأثیر وضع هوا و اقلیم را در مقیاس­های زمانی بلند مدت بر محصولات مختلف کشاورزی بررسی نمایند. مدل­های گردش عمومی ابزاری جهت شبیه­سازی رفتار سیستم اقلیمی در زمان و مکان هستند که هدف نهایی آن­ها شناخت فرآیندهای اصلی فیزیکی، شیمیایی و بیولوژیکی موجود در اقلیم است. با شناخت سیستم اقلیمی امکان دست­یابی به تصویر واضحی از اقلیم گذشته از طریق مقایسه با مشاهدات تجربی و پیش­بینی اقلیم آینده فراهم خواهد شد. همچنین می­توان از این مدل­ها جهت شبیه­سازی اقلیم در مقیاس­های مختلف مکانی و زمانی نیز استفاده کرد (6). [11]HadCM3 از نوع مدل­های گردش عمومی جفت شده جوی- اقیانوسی (AOGCM) است که در مرکز هادلی سازمان هواشناسی انگلستان طراحی و توسعه یافته است. توصیف این مدل توسط گوردون[12] و همکاران (2000) و پاپ[13] و همکاران (2000) انجام شده است(7، 8). HadCM3 از دو مؤلفه جوی و اقیانوسی به نام­هایHadAM3 (مدل جوی) و HadOM3 (مدل اقیانوسی) که دارای یک مدل یخ- دریا نیز می­باشد، تشکیل شده است. هیأت بین الدول تغییر اقلیم از داده­های مدل گردش عمومی HadCM3 برای تهیه گزارش سوم استفاده کرده است. از آنجا که این مدل با شرایط اقلیمی ایران هم­خوانی بیش­تری دارد و بسیاری از محققان دیگر از این مدل در مناطق مختلف کشور استفاده نمودند و نتایج خوبی به دست آوردند(9، 10)،  لذا در این مطالعه به منظور پیش­بینی تغییرات دما و بارش از مدل HadCM3 استفاده شده است. از آنجا که خصوصیات بارندگی و درجه حرارت دو شاخص اقلیمی حساس نسبت به بروز تغییر اقلیم هستند، لذا برخی از محققان تأثیر این پدیده را بر هر دو شاخص به صورت هم­زمان مورد بررسی قرار دادند. کوچکی و همکاران(2006) با استفاده از مدل­های گردش عمومی، تغییرات قابل توجه طول فصل رشد و الگوهای بارش توأم با افزایش درجه حرارت را برای اغلب مناطق کشور      پیش­بینی کرده­اند. نتایج این مطالعه مؤید این مطلب است که در سال 2050 میلادی میانگین دمای کشور 7/2 درجه سانتی­گراد افزایش   می­یابد و مقدار بارش به 12 درصد کم­تر از زمان فعلی کاهش خواهد یافت(11). نتایج بررسی ابراهیم­پور و همکاران(1390) روی تغییرات دما در شهرستان کرمان طی دوره 1971-2000 میلادی حاکی از افزایش درجه حرارت کمینه و بیشینه در تمامی ماه­ها بود(12). از طرفی طائی سمیرمی و همکاران (1393) با پیش­بینی تغییر اقلیم حوزه آبخیز بار نیشابور با استفاده از مدل گردش عمومی هوا HadCM3 تحت سناریوی A2 اظهار داشتند که تغییرات درجه حرارت و بارندگی قابل ملاحظه خواهد بود، به طوری که در دوره 2020، 2050 و 2080 به ترتیب دمای میانگین 01/0، 3/0 و 6/0 افزایش یافته و میزان بارش متوسط در این سه دوره 6، 10 و 17 میلی­متر نسبت به دوره پایه کاهش خواهد یافت(13). در مطالعه­ی دیگری روی[14] و همکاران(2009) تأثیرات تغییر اقلیم و تنش رطوبتی را بر محصولات کشاورزی در جنوب غربی بنگلادش مورد بررسی قرار داده و تغییر اقلیم را تا سال 2075 مدل سازی نمودند. بر اساس نتایج حاصله متوسط دما برای سال­های 2030 و 2075 به ترتیب 88/0 و 42/2 درجه سانتی­گراد افزوده می­شوند. افزایش در ماه­های زمستان بیش از سایر ماه­های سال خواهد بود و افزایش در میانگین بارندگی سالانه برای سال­های 2030 و 2075 به ترتیب برابر 2 و 10/1 درصد پیش­بینی شده است(14). همچنین عبدو[15] و همکاران (2009) برای ارزیابی اثرات تغییراقلیم بر هیدرولوژی (حداقل و حداکثر دما و بارش) حوزه Gilgel Abay در کشور اتیوپی، از مدل گردش عمومی HadCM3 و یک مدل ریزمقیاس نمایی آماری برای دوره های 2040-2011، 2070-2041، 2099-2071، تحت سناریوهای انتشار A2  و B2 استفاده کردند. حجم رواناب برای فصل بارندگی با سناریوهای A2 و B2 به ترتیب 6/11 و 1/10 درصد کاهش خواهد یافت(15). از آنجا که هدف از این مطالعه پیش­بینی اثرات تغییرات اقلیمی بر دما و بارش با استفاده از مدل­های گردش عمومی جو در شهرستان کرمانشاه می­باشد. لذا مطابق مطالعات بررسی شده به منظور پیش­بینی این تغییرات از مدل HadCM3 بهره گرفته شده است.

روش تحقیق

در این مطالعه به منظور بررسی روند تغییرات سالانه فراسنج­های هواشناسی ایستگاه کرمانشاه، میانگین سالانه دمای کمینه، دمای بیشینه و بارش برای دوره 1961-2015 و همچنین میانگین سالانه پیش­بینی شده این فراسنج­ها در سه دوره­ی سی ساله آینده 2020، 2050 و 2080 توسط مدل SDSM تحت سناریوهای مربوطه به دست آمد. سپس نتایج آن­ها در قالب نمودارهایی به طور جداگانه برای هر کدام از فراسنج­های مورد بررسی، ترسیم شده و مورد تفسیر قرار گرفت. یکی از محدودیت­های اصلی در استفاده از خروجی­های اقلیمی مدل­های چرخه عمومی این است که دقت تجزیه مکانی و زمانی آن­ها با دقت مورد نیاز مدل­های منطقه­ای و هیدرولوژیکی مطابقت ندارد. دقت مکانی این مدل­ها در حدود 200 کیلومتر است، که این دقت خصوصاً برای بررسی مناطق کوهستانی  و فراسنج­های اقلیمی نظیر بارش و دما مناسب نمی­باشد (16). لذا با استفاده از روش کوچک مقیاس کردن، می­توان خروجی­های این مدل­ها را به متغیرهای سطحی در مقیاس حوزه­ی   مورد مطالعه تبدیل نمود. کوچک مقیاس کردن در حقیقت به فرآیند حرکت از پیش­بینی­کننده­های بزرگ مقیاس به پیش­بینی شونده­ها در مقیاس محلی اطلاق می­شود(17). در این مطالعه جهت ریزمقیاس نمایی آماری داده­های GCM از مدل SDSM که یکی از مدل­های آماری است استفاده گردید. SDSM بر پایه­ی روابط آماری روش­های رگرسیون چندگانه خطی بین متغیرهای بزرگ مقیاس و متغیرهای مشاهداتی محلی استوار است. نرم­افزار SDSM کوچک مقیاس کردن آماری متغیرهای اقلیمی روزانه را تحت مراحل زیر انجام می­دهد: 1. کنترل کیفیت داده­ها و تغییر شکل داده­ها2. انتخاب بهترین متغیرهای پیش­بینی کننده 3. کالیبره کردن مدل 4. تولید مدل هواشناسی (با استفاده از پیش­بینی کننده مشاهده­ای) 5. آنالیز آماری 6. خروجی گرافیکی مدل 7. تولید سناریو اقلیمی (با استفاده از پیش­بینی کننده­های اقلیمی مدل).   در این مطالعه از نرم افزار SDSM 4.2 جهت ریزمقیاس نمایی آماری داده­های مدل HadCM3 استفاده شد. برای اجرای مدل­های  ریزمقیاس نمایی، دو سری داده­های مشاهده شده در ایستگاه کرمانشاه و داده­های بزرگ مقیاس مدل­های گردش عمومی هوا استفاده شد. سری اول داده­های مشاهده شده برای اجرای مدل SDSM شامل؛ داده­های روزانه بارش، دمای کمینه و دمای بیشینه، از اداره کل هواشناسی استان کرمانشاه تهیه شد. سری دوم داده­ها شامل؛ متغیرهای بزرگ مقیاس مدل­های گردش عمومی هوا بودند که برای مدل HadCM3 از شبکه جهانی اینترنت و از سایت­های مرتبط به شرح ذیل تهیه شد:1 . NCEP (1961-2001): این پوشه حاوی 41 سال داده­های  پیش­بینی­کننده روزانه است که از واکاوی و نرمال سازی کامل NCEP در طول دوره 1961-1990 به دست آمده­اند. داده­ها قبل از نرمال­سازی برای شبکه (با طول و عرض جغرافیایی 5/2 در 75/3) درون­یابی شده­اند. 2. H3A2a(1961-2099): در این پوشه 139 سال داده پیش­بینی کننده مدل گردش عمومی HadCM3 تحت سناریوی A2 به صورت روزانه در دوره 1961-2099  وجود دارد. در این تحقیق روابط تجربی بین متغیرهای بزرگ مقیاس شبکه­بندی شده (NCEP) و متغیرهای محلی ایستگاه کرمانشاه (بارندگی، دمای کمینه، دمای بیشینه) با استفاده از همبستگی ماهانه شناخته شد و متغیرهای غالب مناسب برای مرحله واسنجی مدل انتخاب گردید. سپس با استفاده از پارامترهای به­دست آمده از این رابطه و سناریوی انتشار A2 داده­های روزانه بارش و دما برای سه دوره سی­ساله شبیه­سازی شدند. در این بخش از خروجی مدل که شامل فراسنج­های دمای کمینه، دمای پیشینه، دمای متوسط و بارندگی در سه دوره سی ساله آینده 31/12/2039-1/1/2010 (2020s)، 31/12/2069-1/1/2040 (2050s) و 31/12/2099-1/1/2070 (2080s) و دوره پایه (1990-1961) می­باشد، میانگین­گیری شد. نرمال ماهانه این فراسنج­ها برای سه دوره زمانی آینده تحت مطالعه، بر اساس سناریوی انتشار A2 به دست آمد. سپس از تفاضل مقادیر نرمال ماهانه دوره آتی از دوره پایه، تغییرات ماهانه فراسنج­های مورد بررسی محاسبه و از خروجی­های بدست آمده از مدل که به صورت ماهانه است، نمودارهای ماهانه مربوط به فراسنج­­ها ترسیم گردید.

نتایج

همان­طور که در فصل مواد و روش­ها ذکر شد، در این مدل در بخش غربال­سازی متغیرها روابط بین متغیرهای پیش­بینی کننده[16] و پیش­بینی شونده[17] با استفاده از همبستگی ماهانه شناخته و متغیرهای غالب مناسب برای عملیات واسنجی مدل انتخاب گردید. نتایج حاصل از این تحلیل برای تمام فراسنج­های مورد بررسی به همراه مقادیر واریانس تعریف شده توسط هر یک، در جدول­ (1) خلاصه شده است.

جدول 1- متغیرهای غالب برای واسنجی  فراسنج­های مورد بررسی  به همراه میزان واریانس تعریف شده

Table 1. The dominant variables to calibration the parameters investigated with the variance defined

- واسنجی و اعتبارسنجی میانگین ماهانه دمای کمینه، دمای بیشینه و بارش

پس از تعیین روابط همبستگی خطی چند متغیره بین متغیرهای بزرگ مقیاس و فراسنج­های مورد بررسی، واسنجی مدل برای دوره­ پایه (1961-1990) اجرا گردید، بعد از واسنجی، اعتبارسنجی مدل نیز با استفاده از همان متغیرهای منتخب برای دوره­ی (1991-2001) اجرا شد و مقادیر مشاهداتی و شبیه­سازی شده دوره­های واسنجی و اعتبارسنجی ماهانه­ی همه­ی فراسنج­ها مورد بررسی قرار گرفت. نتایج این محاسبات در شکل­های 1 تا 6 نشان داده شده است. چنان­چه در این نمودارها مشاهده می­شود، انطباق قابل قبولی بین داده­های مشاهداتی و شبیه­سازی شده توسط مدل وجود دارد. لذا با توجه به این مورد، قابلیت و توانایی مدل در داده­سازی مورد تأیید قرار می­گیرد. نتایج جدول (2) حاکی از این است که بیش­ترین اختلاف بین مقادیر مشاهداتی و شبیه­سازی شده دمای کمینه در دوره­ی واسنجی در ماه ژوئن می­باشد، بدین صورت که دمای کمینه در دوره­ی واسنجی، 96/0 درجه­ی سانتی­گراد افزایش نسبت به داده­های مشاهداتی دارد. همچنین در دوره­ی اعتبارسنجی بیش­ترین اختلاف مربوط به ماه ژوئیه می­باشد که داده­های شبیه­سازی شده 85/0 درجه­ی سانتی­گراد کاهش نسبت به داده­های مشاهداتی دارند.

جدول 2- میانگین ماهانه دمای کمینه در دوره­های واسنجی و اعتبارسنجی

Table 2. Calibration and validation of monthly average minimum temperature

شکل 1- میانگین ماهانه دمای کمینه در دوره­ی واسنجی

Figure 1. Calibration of monthly average minimum temperature

شکل 2- میانگین ماهانه دمای کمینه در دوره­ی اعتبارسنجی

Figure 2. Validation of monthly average minimum temperature

مطابق شکل­های (3) و (4) بیش­ترین اختلاف بین مقادیر مشاهداتی و شبیه­سازی شده دمای بیشینه در دوره­ی واسنجی در ماه ژانویه بوده­ است و داده­های شبیه­سازی شده  19/1 درجه­ی سانتی­گراد افزایش نسبت به داده­های مشاهداتی دارند. همچنین در دوره اعتبارسنجی بیش­ترین اختلاف در ماه ژانویه می­باشد و داده­های شبیه­سازی شده  33/1 درجه­ی سانتی­گراد افزایش نسبت به داده­های مشاهداتی دارند. جدول(3) میانگین ماهانه دمای بیشینه مشاهداتی و شبیه­سازی شده در دوره­های واسنجی و اعتبارسنجی مدل را نشان می­دهد.

جدول 3- میانگین ماهانه دمای بیشینه در دوره­های واسنجی و اعتبارسنجی

Table 3. Calibration and validation of monthly average maximum temperature

شکل 3- میانگین ماهانه دمای بیشینه در دوره­ی واسنجی

Figure 3. Calibration of monthly average maximum temperature

شکل 4- میانگین ماهانه دمای بیشینه در دوره­ی اعتبارسنجی

Figure 4. Validation of monthly average maximum temperature

مقایسه داده­های مشاهداتی و شبیه­سازی شده­ی میانگین ماهانه بارندگی در دوره­ی واسنجی و اعتبارسنجی، در شکل (5) و (6) نشان می­دهد که مقادیر مشاهداتی و محاسباتی دارای اختلافاتی با هم بوده ولی روند کلی پیش­بینی­ها شبیه مقادیر مشاهداتی است. به دلیل این­که بارش متغیری وابسته به سایر پارامترها مانند دما است، لذا اختلاف موجود قابل پذیرش بوده و در اکثر تحقیقات مشابه بدین­صورت است.  مطابق جدول (4) بیش­ترین اختلاف بین مقادیر مشاهداتی و شبیه­سازی شده در دوره­ی واسنجی در ماه­های ژانویه و فوریه بوده و داده­های شبیه­سازی شده  1/1 میلی­متر در روز افزایش نسبت به داده­های مشاهداتی دارند. همچنین بیش­ترین این اختلاف در دوره اعتبارسنجی مربوط به ماه اکتبر بوده و داده­های شبیه­سازی شده 62/0 میلی­متر در روز افزایش نسبت به داده­های مشاهداتی دارند.

جدول 4- میانگین ماهانه بارش در دوره­های واسنجی و اعتبارسنجی

Table 4. Calibration and validation of monthly average precipitation

شکل 5- میانگین ماهانه بارش در دوره­ی واسنجی

Figure 5. Calibration of monthly average precipitation

شکل 6- میانگین ماهانه بارش در دوره­ی اعتبارسنجی

Figure 6. Validation of monthly average precipitation

- پیش­بینی تغییرات اقلیمی دما و بارش

طبق پیش­بینی انجام شده برای دوره­های آینده تحت سناریوی A2 ، میانگین ماهانه دمای کمینه برای تمام ماه­ها نسبت به دوره­ی آماری پایه افزایش نشان می­دهد. شکل(7) تغییرات میانگین ماهانه دمای کمینه قرن جاری نسبت به دوره­ی پایه، تحت سناریوی انتشار A2 را در ایستگاه کرمانشاه نشان می­دهد. نتایج نشان داد که برای دوره 2020s، بیشترین افزایش دمای کمینه شبیه­سازی شده نسبت به دوره پایه،  مربوط به ماه اکتبر  با مقدار  87/1  می­باشد و  در مجموع میانگین ماهانه دمای کمینه در دوره­ی 2020s ، 98/0 درجه سانتی­گراد افزایش نسبت به دوره­ی پایه خواهد داشت. همچنین در دوره­ی 2050s بیشترین افزایش میانگین ماهانه دمای کمینه شبیه سازی شده، مربوط به ماه اکتبر با مقدار 64/3 درجه­ی سانتی­گراد افزایش نسبت به دوره­ی پایه خواهد بود. در این دوره میانگین ماهانه دمای کمینه در مجموع 99/1 درجه­ی سانتی­گراد نسبت به دوره­ی پایه افزایش خواهد یافت. همچنین نتایج جدول (5) حاکی از این است که برای دوره­ی 2080s نیز   بیش­ترین افزایش دمای کمینه ابتدا مربوط به ماه اکتبر با مقدار 97/4 درجه­ی سانتی گراد می­باشد که در مجموع در این دوره میانگین    دمای کمینه 3/3 درجه­ی سانتی­گراد نسبت به دوره­ی پایه افزایش خواهد داشت.

جدول 5- تغییرات دمای کمینه پیش­بینی شده برای دوره­های سی ساله نسبت به دوره­ی آماری پایه تحت سناریوی A2

Table5. Differences of monthly predicted and observed minimum temperature under A2 scenario

شکل 7- پیش­بینی دمای کمینه قرن جاری، تحت سناریوی A2 در ایستگاه کرمانشاه

Figure 7. Prediction of monthly minimum temperature under A2 scenario during this century at Kermanshah synoptic station

طبق پیش­بینی انجام شده (شکل8) برای دوره­های پیش­بینی آینده تحت سناریوی A2 ، میانگین ماهانه دمای بیشینه برای تمام ماه­ها نسبت به دوره­ی آماری پایه افزایش نشان می­دهد. بیش­ترین افزایش دمای بیشینه در دوره 2020s،  ابتدا مربوط به ماه ژوئن  با مقدار 67/1  و سپس مربوط به ماه  ژوئیه با مقدار 39/1 درجه­ی سانتی­گراد افزایش نسبت به دوره­ی پایه می­باشد که در مجموع میانگین ماهانه دمای بیشینه در دوره­ی 2020s، 25/1 درجه سانتی­گراد افزایش نسبت به دوره­ی پایه خواهد داشت. همچنین در دوره­ی 2050s بیش­ترین افزایش میانگین ماهانه دمای بیشینه ابتدا مربوط به ماه  ژوئن  با مقدار 44/3  و سپس ماه اوت با مقدار 23/3  درجه­ی سانتی­گراد افزایش نسبت به دوره­ی پایه خواهد بود. در این دوره میانگین ماهانه دمای بیشینه در مجموع  58/2 درجه­ی سانتی­گراد نسبت به دوره­ی پایه افزایش خواهد یافت. برای دوره­ی 2080s نیز بیش­ترین افزایش دمای بیشینه ابتدا مربوط به ماه ژوئن با مقدار 15/6 و سپس مربوط به ماه اکتبر با مقدار 76/5 درجه­ی سانتی گراد می­باشد که در مجموع در این دوره میانگین دمای بیشینه 8/4 درجه­ی سانتی­گراد نسبت به دوره­ی پایه افزایش خواهد داشت. جدول (6) تغییرات ماهانه دمای بیشینه پیش­بینی شده برای سه دوره سی­ساله نسبت به دوره­ی آماری پایه تحت سناریوی A2 را نشان می­دهد.

جدول 6- تغییرات دمای بیشینه پیش­بینی شده برای دوره­های سی ساله نسبت به دوره­ی آماری پایه تحت سناریوی A2

Table 6. Differences of monthly predicted and observed maximum temperature under A2 scenario

شکل 8- پیش­بینی دمای بیشینه قرن جاری، تحت سناریوی A2 در مقایسه با دوره پایه در ایستگاه کرمانشاه

Figure 8. Prediction of monthly maximum temperature under A2 scenario during this century at Kermanshah synoptic station

شکل(9) میانگین ماهانه بارندگی قرن جاری نسبت به دوره­ی پایه، تحت سناریوی انتشار A2 را در ایستگاه کرمانشاه نشان می­دهد. همچنین مطابق نتایج جدول (7) بیش­ترین افزایش میانگین ماهانه بارندگی نسبت به دوره­ی پایه تحت سناریوی A2 برای دوره 2020s  مربوط به  ماه­های فوریه، اکتبر، نوامبر و دسامبر به ترتیب با مقدار 05/0 ، 02/0 ، 09/0 و 4/0 میلی­متر در روز می­باشد و در سایر ماه­ها کاهش بارندگی نسبت به دوره­ی پایه وجود خواهد داشت. همچنین در دوره­ی 2050s بیش­ترین افزایش میانگین ماهانه بارندگی نسبت به دوره­ی پایه مربوط به ماه­های ژانویه، فوریه، مارس و دسامبر به ترتیب با مقدار 38/0 ، 36/0 ، 17/0 و 25/0 میلی­متر در روز خواهد بود و در سایر ماه­های سال کاهش میزان بارندگی نسبت به دوره­ی پایه وجود دارد. برای دوره­ی 2080s نیز بیش­ترین افزایش میانگین ماهانه­ی بارندگی نسبت به  دوره­ی پایه مربوط به ماه­های ژانویه، فوریه و دسامبر به ترتیب با مقدار 55/0 ، 34/0 و 67/0 میلی­متر در روز می­باشد و در سایر ماه­های سال میزان بارندگی نسبت به دوره­ی پایه کاهش خواهد یافت.

جدول 7- تغییرات ماهانه بارش پیش­بینی شده نسبت به دوره­ی آماری پایه تحت سناریوی A2

Table 7. Differences of monthly predicted and observed Precipitation under A2 scenario

شکل 9- پیش­بینی میزان بارش ماهانه در طول قرن اخیر در ایستگاه کرمانشاه، تحت سناریوی A2

Figure 10. Prediction of monthly precipitation under A2 scenario during this century at Kermanshah synoptic station

بحث و نتیجه­گیری

نتایج آماری واسنجی و اعتبارسنجی ماهانه فراسنج­های مورد بررسی در مدلSDSM حاکی از اختلاف کم بین داده­های مشاهداتی و     شبیه­سازی بوده که دقت بالای مدل­سازی در اکثر ماه­های سال را نشان می­دهد. این نتایج مبنی بر توانمندی بالای مدل برای تولید داده­های روزانه این فراسنج­ها مؤید تحقیقات صورت گرفته توسط بیاتی آبی و همکاران (1393) و عطاری (1390) در سایر مناطق مورد مطالعه می­باشد(6 و17). پیش­بینی فراسنج­های دمای کمینه، دمای بیشینه و بارش به صورت ماهانه، تحت سناریوی انتشار A2 برای سه دوره­ی 2020S، 2050s، 2080s  نشان داد که، میانگین ماهانه دمای کمینه در دوره­ی 2020s ، 98/0 درجه سانتی­گراد افزایش نسبت به دوره­ی پایه خواهد داشت. همچنین در دوره­ی 2050s میانگین ماهانه دمای کمینه در مجموع 99/1 و برای دوره­ی 2080s 3/3 درجه­ی سانتی­گراد نسبت به دوره­ی پایه افزایش خواهد داشت. این نتایج با مطالعه­ی طائی سمیرمی و همکاران(1393) مبنی بر افزایش میزان میانگین دمای کمینه در دوره­های شبیه سازی شده نسبت به دوره­ی پایه مطابقت دارد(13). از دیگر سو نتایج پیش­بینی آینده تحت سناریوی A2 ، نشان داد که میانگین ماهانه دمای بیشینه برای تمام ماه­ها نسبت به دوره­ی آماری پایه افزایش خواهد داشت. بدین صورت که میانگین ماهانه دمای بیشینه در دوره­ی  2020s، 25/1 درجه سانتی­گراد، در دوره­ی 2050s  58/2 درجه­ی سانتی­گراد و برای دوره­ی 2080s نیز 8/4  درجه­ی سانتی­گراد نسبت به دوره­ی پایه افزایش خواهد داشت. این در حالی است که نتایج نشان داد بیش­ترین افزایش میانگین ماهانه بارش نسبت به دوره­ی پایه تحت سناریوی A2 برای دوره 2020s  مربوط به ماه­های فوریه، اکتبر، نوامبر و دسامبر می­باشد و در سایر ماه­ها کاهش بارش نسبت به دوره­ی پایه وجود خواهد داشت. همچنین در دوره­ی 2050s بیش­ترین افزایش میانگین ماهانه بارش نسبت به دوره­ی پایه مربوط به ماه­های ژانویه، فوریه، مارس و دسامبر خواهد بود و در سایر ماه­های سال کاهش میزان بارش نسبت به دوره­ی پایه وجود دارد. برای دوره­ی 2080s نیز بیش­ترین افزایش میانگین ماهانه­ی بارش نسبت به دوره­ی پایه مربوط به ماه­های ژانویه، فوریه و دسامبر می­باشد و در سایر ماه­های سال میزان بارندگی نسبت به دوره­ی پایه کاهش خواهد یافت. این نتایج هم­سو با مطالعه­ی طائی سمیرمی و همکاران (1393)، بیاتی آبی و همکاران(1393) و ابراهیم پور و همکاران(1390) می­باشد(13، 6، 12). این محققان تیز در مطالعه­ی خود به این نتیجه رسیدند که در دوره­های اقلیمی آینده میانگین بارش سالانه روند کاهشی خواهد داشت. همان­طور که ملاحظه می­گردد نتایج به دست آمده حاکی از افزایش دما در تمام­ ماه­های سال و کاهش بارش در اکثر آن­ها است که این مسأله مؤید این مطلب است که در منطقه مورد مطالعه اقلیم در حال تغییر است و گرمایش جهانی در حال وقوع می­باشد. لذا این تغییرات عواقبی را در منطقه در بر خواهد داشت از جمله؛  افزایش دما و بالا رفتن میانگین دمای فصل زمستان ضمن کاهش طول دوره­ی سرما و عدم برآورد نیاز سرمایی گیاهان، سبب کاهش تفاوت دمای بین زمستان و تابستان شده که از جمله پیامدهای این امر کاهش تغذیه آب­های زیرزمینی و منابع آب خواهد بود. همچنین افزایش دما موجب کاهش بارش برف می­گردد که این موضوع موجب عدم تغذیه مناسب منابع آب­های زیرزمینی در منطقه کوهستانی کرمانشاه می­گردد که عمدتاً ناشی از ذوب تدریجی برف­ها می­باشد. از طرف دیگر افزایش دما و کاهش بارش باعث افزایش پدیده­ی بیابان­زایی و شوری خاک می­گردد. از آنجا که با توجه به این تغییرات و با توجه به نتایج به دست آمده در این مطالعه، با نزدیک شدن به انتهای قرن جاری بارش به شدت کاهش می­یابد، لذا در برنامه­ریزی­های آینده توجه خاص به این چنین مسایل ضروری می­باشد. بنابراین نتیجه این مطالعه می­تواند به منظور تعیین مدل بهینه برای تخصیص زمین در بخش کشاورزی استفاده شود. از آنجا که کمبود بارندگی و افزایش دما در تخصیص زمین در بخش کشاورزی اهمیت دارد، لذا در این زمینه کشت محصولات مقاوم در برابر خشک­سالی با حداقل آب مورد نیاز، پیشنهاد می­شود. علاوه بر این، اولویت دادن به پیش­بینی تغییرات آب و هوا و نقش آن در تخصیص زمین­های کشاورزی و غیر کشاورزی می­تواند تا حد زیادی به تحقیقات تغییر آب و هوا کمک کند.

Reference

1. Mc Carthy, J.J., Canziani, O, F., Leary, N.A., Dokken, D.J., White, K.S. 2001. Impacts adaptation and vulnerability. Intergovernmental Panel on climate change. Working Group II. Cambridge University Press, P.45.
2. Kurkulasuriya, P., Mendelsohn, R., Benhin, J., Deressa, T., Diop, M., Dinar, A.2006. Will African agriculture survive Climate change? The world Bank Economic Review, (293), 367-388.
3. Nasiri Mahalati, M., Kocheki, E., Kamali, GH., maashi, H. 2006. Investigation of climatic effects on climatic indicators of Iranian farmers. Journal of Agricultural Science and Technology, 20(7), 71-82.(In Persian)
4. Sharafi, L., Zarafshani, K. 2011. Vulnerability assessment, starting point of risk management in drought Case study: Sarpol-e Zahab, Islamabad Gharb, Javanrood. Journal of Regional Planning, 1(1), 41-54. (In Persian)
5. Babaiian, I. 2013. Introducing the HadCM3 public air circulation model. Climate Dialogue Blog(http:// climate.mihanblog.com/post/101). (In Persian) Bayati abi, A., Tavakoli, M., Babaiian, I., Dargahiian, F. 2014. Evaluation and application of two models of general air circulation (HadCM3 and MPEH5) to predict climate change in Khorramabad station. Master Thesis, Faculty of Agriculture, Ilam University. (In Persian)
6. Grodon, C., Cooper, C., Senior, C.A., Banks, H., Greogory, J.M., Johns, T.C., Mitchell, J.F.B., Wood, R.A. 2000. The simulation of SST, sea ice extens and ocean heat transports in a version of the Hadley Centre coupled model without flux adjustments. Climate Dynamic. 16, 147-168.
7. Pope, V.D., Gallani, M.L., Rowntree, P.R., Stratton, R. A.2000. The impact of new physical parameterization in Hadley Centre Climate Model, HadAM3. Climate Dynamics, 16,123-146.
8. Shakarami, N., Mashah Bavani, e., Morid, Fahmi, H. 2007. Uncertainty Analysis of Paired Ocean-Atmospheric-General Atmospheric Circulation Models on Temperature and Rainfall Climate Change Scenarios in Zayandehrud Basin, Technical workshop on the effects of climate change on water resources management. National Committee for Irrigation and Drainage of Iran. (In Persian) Farzaneh, M. R., Samadi, R., Akbarpour, A., Eslamiyan, S.S. 2010. Selection of suitable GCM for North Karun Basin to study the effects of climate change. Sixth National Conference on Watershed Management Science and Engineering and Fourth National Conference on Erosion and Sediment, Tarbiat Modares University. (In Persian)
9. Koocheki, A., Nassiri, M., Soltani, A., Sharifi, H., Ghorbani, R. 2006. Effects of climate change on growth criteria and yield of sunflower and chickpea crops in iran. Climate Research. 30, 247-253.
10. Ebrahimpour, M., Rostaii, M., Ghahraman, N. 2011. Evaluation of the effect of climate change on effective evapotranspiration (Case study: Kerman). Eleventh National Seminar on Irrigation. (In Persian) Taii smiromi, S., Moradi, H.R., Khodaghli, M. 2014. Simulation and forecasting of some climatic variables by SDSM multiple linear model and general atmospheric circulation models (Case study: Neishabour Bar watershed). Human and Environment Quarterly. 28, 1-16. (In Persian)
11. Roy, K., Rahman, M., Kuman, U. 2009. Future climate change and moisture stress: Impact on crop agriculture in south- western Bangladesh. Climate change and development perspective. 1(1), 1-8.
12. Abdo, K.S., Fiseha, B.M., Rientjes, T.H.M., Gieske, A.S.M., Haile, A.T. 2009. Assessment of climate change impacts on the hydrology of Gilgel Abay catchment in Lake Tana Basin. Ethiopia. Hydrological Process. Published online in Wiley InterScience.
13. Wilby, R.L., Dettinger, M.D. 2000. Streamflow changes in Sierra Nevada, Clifornia, simulated using a statistically downscaled general circulation model scenario of climate change, linking climate change and land surface change. Kluwer Academic Publishers, Netherlands. P, 120.
14. Atari, J. 2011. Evaluation of SDSM model capability in exponential microscale of precipitation, temperature and evaporation (Case study: Tabriz Synoptic Station). Eleventh National Seminar on Irrigation and Evaporation Reduction. (In Persian)

[1]- دکتری توسعه کشاورزی، گروه ترویج و آموزش کشاورزی، دانشکده کشاورزی، دانشگاه رازی، کرمانشاه، ایران.

[2]- استادیار گروه مرتع و آبخیزداری، دانشکده کشاورزی، دانشگاه ایلام، ایلام، ایران. ^*(مسوول مکاتبات)

[3]- دانشیار گروه ترویج و آموزش کشاورزی، دانشکده کشاورزی، دانشگاه رازی، کرمانشاه، ایران.

[4]- استادیار گروه کارآفرینی و توسعه روستایی، دانشکده کشاورزی، دانشگاه ایلام، ایلام، ایران.

[5]- استادیار گروه مهندسی صنایع، دانشگاه صنعتی کرمانشاه، کرمانشاه، ایران.

1- PHD of Agricultural development, College of Agriculture, Razi University, Kermanshah, Iran.

2- Associate Professor, College of Agriculture, Ilam University, Ilam,  Iran. *(Corresponding Author)

3- Associate Professor, College of Agriculture, Razi University, Kermanshah, Iran

4- Assistant Professor, College of Agriculture, Ilam University, Ilam, Iran

5-Assistant Professor, Department of Engineering Management, Kermanshah University of Technology, Kermanshah, Iran

[11]- Hadley Coupled Atmosphere- Ocean General Circulation Model

[12]- Gordon et al

[13]-  Pope et al

[14]-Roy et al

[15]- Abdo

[16]- Predictors

[17]- predictants