پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 31 |
| تعداد شمارهها | 834 |
| تعداد مقالات | 8,015 |
| تعداد مشاهده مقاله | 14,852,477 |
| تعداد دریافت فایل اصل مقاله | 9,586,501 |
بررسی خشکسالی سواحل جنوبی دریای خزر طی دورۀ پایه و آینده با استفاده از مدلهای ریزمقیاس ساز LARS-WGو SDSM | ||
| جغرافیا و آمایش شهری منطقهای | ||
| مقاله 16، دوره 6، شماره 20، مهر 1395، صفحه 203-222 اصل مقاله (1.9 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22111/gaij.2016.2709 | ||
| نویسندگان | ||
| دکتر محمدحسین ناصرزاده* 1؛ الهام قاسمی فر2؛ معصومه معتمدی3 | ||
| 1استادیار و مدیر گروه آب هواشناسی دانشکده علوم جغرافیایی دانشگاه خوارزمی | ||
| 2کارشناس ارشد اقلیم در برنامه ریزی محیطی | ||
| 3دانشجوی کارشناسی ارشد مخاطرات محیطی دانشگاه | ||
| چکیده | ||
| خشکسالی، رخدادی طبیعی است که در همه نوع اقلیم مشاهده میشود. این پدیده قادر است خسارات شدیدی به مناطق مستعد وارد سازد. از آنجایی که خشکسالی، کشاورزی سواحل خزر را بهدلیل ویژگی خاص خود دستخوش تغییر میکند، این پدیده در سواحل خزر مورد بررسی قرار گرفته شد. هدف این پژوهش، بررسی خشکسالی طی دورۀ پایۀ 2010-1961 و آیندۀ 2030-2011 در سواحل جنوبی خزر با استفاده از نمایۀ SPI(نمرۀ (Zاست. دادههای روزانۀ بارش 5 ایستگاه برای محاسبۀ مجموع بارش ماهانه و دادههای مدلHADCM3 تحت سناریویB1 وA2دریافت شد. برای ریزمقیاس کردن دادههایHADCM3 از دو مدل ریزمقیاس ساز LARS-WGوSDSMاستفاده شد. نتایج نشان داد، مدل LARS_WG قابلیت بالاتری نسبت به مدلSDSMبرای ریزمقیاس کردن دادههای بارش دارد. نتایج شبیهسازی مدل LARS-WG، افزایش بارش برای ماههای ژانویه -فوریه- نوامبر – و دسامبر و کاهش آن برای ماههای آگوست و سپتامبر را در هر پنج ایستگاه تخمین زد. نتایج شبیهسازی با مدل LARS-WGبا ضریب تبیین 96 تا 99 درصد، خطای مطلق میانگین 3.6 تا 12.6 میلیمتر و نتایج آزمونهای T وF که بهترتیب برای معنیداری میانگین و واریانس دادهها میباشد، معنیدار است. معنیداری 2 میانگین مشاهداتی و شبیهسازی 2 مدل و هم توزیع بودن با دو تست بهترتیب ویلکاکسون و کلموگروف اسمیرنوف ثابت شد. شدت خشکسالی با استفاده ازGISبه نقشه تبدیل شد. نتایج نمرۀ Zسه ماهه با ریزمقیاس سازی مدل LARS-WGنشان داد، بیشترین فراوانی و شدت خشکسالی طی دورۀ مشاهداتی مربوط به ایستگاه انزلی و رشت است. طی دورۀآیندۀ ایستگاه رشت، گرگان و رامسر بالاترین شدت خشکسالی را خواهند داشت. نمرۀ Z6 ماهه مشخص کرد، از نظر فراوانی؛ ایستگاه بابلسر،گرگان و رامسر و از نظر شدت؛ ایستگاه انزلی، رشت و رامسر بالاترین خشکسالی را تجربه کردهاند. درآینده رامسر و سپس رشت و گرگان درجات بالاتر خشکسالی را خواهند داشت. نمرۀ Z12 ماهه نیز بیشترین شدت را برای ایستگاه رامسر و سپس انزلی و برای آینده در رشت، رامسر، بابلسر و انزلی نشان داد. نتایج مشخص کرد، دورههای نرمال بر اساس نمایه نمرۀ Z، دورههای با فراوانی بیشتری نسبت به بقیۀ دورهها در هر 5 ایستگاه بوده است. | ||
| کلیدواژهها | ||
| خشکسالی؛ SPI؛ مدل ریزمقیاس ساز؛ SDSM؛ LARS-WG؛ GIS؛ سواحل جنوبی دریای خزر | ||
| مراجع | ||
|
باباییان، ایمان؛ کوهی، منصوره (1391). ارزیابی شاخصهای اقلیم کشاورزی تحت سناریوهای تغییر اقلیم در ایستگاههای منتخب خراسان رضوی، نشریۀ آب و خاک (علوم و صنایع کشاورزی) جلد 26. شمارۀ 4. صص 967-953. باباییان، ایمان؛ نجفی نیک، زهرا ؛ حبیبینوخندان، مجید ؛ زابلعباسی، فاطمه؛ ادب، حامد ؛ ملبوسی، شراره (1386). مدلسازی اقلیم ایران در دورۀ 2039-2010 با استفاده از ریزمقیاس نمایی آماری خروجی مدل ECHO-G. گارگاه فنی اثرات تغییر اقلیم در مدیریت منابع آب، صص 72-61. بنفشه رضایی، مجید؛ بلیانی. یداله؛ زینالی. بتول (1390). برآورد خشکسالیها و ترسالیهای (1361-1385) براساس نمایههای مبتنی بر بارش برای ایستگاههای حوضۀ آبریز دریاچۀ پریشان. فصلنامه علمی پژوهشی تالاب. شمارۀ هفتم. صص 22-19. خلیقیسیگارودی، شهرام؛ سنگدهی صادقی، علی؛ اوسطی، خالد؛ قویدل رحیمی، یوسف (1388). بررسی نمایههای ارزیابی پدیدههای ترسالی و خشکسالی (SPI,PNPI,Nitzche) مطالعۀ موردی استان مازندران. فصلنامه علمی پژوهشی تحقیقات مرتع و بیابان ایران. شماره اول. صص 54-44. رحیمی، داریوش؛ موحدی، سعید ؛ برقی، حمید (1388). بررسی شدت خشکسالی با شاخص نرمال بارش؛ مطالعه موردی: استان سیستان و بلوچستان. مجلۀ جغرافیا و برنامهریزی محیطی. شمارۀ 36. صص 56-43. ساریصراف، بهروز ؛ قلینژاد، ناهید؛ کمانی، اکرم (1390). بررسی خشکسالی و ترسالی حوضۀ ارس با استفاده از نمایههای مبتنی بر بارش. فصلنامه جغرافیای طبیعی لار. شمارۀ 12. صص 15-1. ضرغامی، مهدی؛ حسنزاده، یوسف؛ باباییان، ایمان؛ کنعانی، رضا (1389). مطالعۀ تغییر اقلیم و اثرات آن بر خشکسالی استان آذربایجان شرقی. نخستین کنفرانس پژوهشهای کاربردی منابع آب ایران. علیجانی، بهلول (1387). آب و هوای ایران، چاپ هشتم، انتشارات دانشگاه پیام نور. فرجزاده، حسن (1386). تحلیل و تعیین خشکسالی و ترسالی براساس نمایههای DRI,SPI,Nitzche در شمال غرب ایران (2)، رشد آموزش جغرافیا، شمارۀ 81، صص 37-34. قاسمیفر، الهام (1391). ناحیهبندی تغییرات اقلیم در سواحل دریای خزر با تأکید بر مقادیر دما. پایان نامۀ کارشناسی ارشد دانشگاه خوارزمی تهران. قویدلرحیمی، یوسف (1382). بازساخت زمانی –فضایی خشکسالیها و ترسالیهای استان آذربایجان شرقی با استفاده از نمایههای بارش قابل اعتماد، نشریۀ علوم انسانی و اجتماعی دانشگاه تبریز، شمارۀ 13، صص 150-133. قویدلرحیمی، یوسف (1383). کاربرد نمایههای مبتنی بر بارش در مطالعۀ خشکسالیها و ترسالیها؛ مطالعه موردی استان آذربایجان شرقی. مجلۀ پژوهش و سازندگی در منابع طبیعی، شماره 65، صص 56-47. گلمحمدی، مریم؛ مساح بوانی، علیرضا (1390). بررسی تغییرات شدت و دورۀ بازگشت خشکسالی حوضۀ قرهسو در دورههای آتی تحت تأثیر تغییر اقلیم، نشریۀ آب و خاک (علوم و صنایع کشاورزی)، 25، شمارۀ 2، صص 326-315.
Ardakani, M., Nikeghbal, M, Rafati, S, Adab, H. (2012). Meteorological Drought Monitoring Based on an Efficient Index, Using Geostatistical Analyst in Ghare Ajag Watershed – iran. INTERNATIONAL CONFERENCE OF WATER CRISIS, ZABOL UNIVERSITY, PP.1-8.
Dai, A., )2011). Characteristics and trends in various form of the Palmer Drought Severity Index during 1900–2008, Journal of Geophysical research, VOL. 116, D12115.
European Commission, (2010). Water scarcity and drought in the European Union, august 2010.
Fraedrich, K., Sielmann, F., Cai, D., Zhang, L., Zhu, X., (2014). Validation of an Ideal Rainfall-Runoff Chain in a GCM Environment, Water Resour Manage, VOl.28,DOI 10.1007/s11269-014-0703-2.
Guttman, N., (1999). Accepting The Standardized Precipitation index a Calculation Algorithm, journal of the American water resources association,vol.35,2,pp.311-322.
Hong, Wu. Hayes, M., Weiss A., Hu, Q., (2001). An Evaluation of the Standardized Precipitation Index, the China Z Index and the Statistical Z-Score, INTERNATIONAL JOURNAL OF CLIMATOLOGY, VOL: 21, PP.745-758.
IPCC special report, (2000). Emissions scenarios, Summary for Policymakers, A Special Report of IPCC Working Group III, ISBN: 92-9169-113-5, pp.1-21.
Jayanthi,H.,Huska,G.,Funk,Ch.,Magadzire,T.,Chavula,A.,Verdin,J.,(2013). Modeling rain-fed maize vulnerability to droughts using the standardized precipitation index from satellite estimated Rainfall—Southern Malawicasestudy, International Journal of Disaster Risk Reduction, 4, pp.71-81.
Kanellou, E., Domenikiotis, C., Blanta, A., Hondronikou, E., Dalezios, R., (2008). Index Base Drought Assessment in Semiarid Areas of Greece Base on Conventional Data, EUROPEAN WATER ,VOL:23/24,PP.87-98.
Liu,l., Hong,Y., Bednarczyk, Ch.N., Yong, B., Hocker ,J .E., Shafer ,M. A., (2011). Hydro climatological Drought Analyses and Projection Using Meteorological and Hydrological Drought Indices: A Case Study in Blue River Basin, Oklahoma, Science and Technology Infusion Climate Bulletin, NOAA’s National Weather Service, 36th NOAA Annual Climate Diagnostics and Prediction Workshop, Fort Worth, TX, 3-6 October 2011, pp.25-29.
Lopes, P.G., Aguiar, R., and Casimiro, E., (2008). Assessment of climate change statistical downscaling methods, Application and comparison of two statistical methods to a single site in Lisbon,unknown..
Loukas, A., Vasiliades, L., and Tzabiras, J., (2008). Climate change effects on drought severity, Advances in Geosciences, Adv. Geosci., 17, pp.23–29.
Loukas, A., Vasiliades, L., Dalezios, R., (2003). Intercomparison of Meteorological Drought Indices for Drought Assessment and Monitoring in Greece, 8th INTERNATIONAL CONFERENCE ON ENVIRONMENTAL SCIENCE and TECHNOLOGY, GREECE, 8-10 September, PP.484-491.
NOAA National Weather Service. (2008(. Drought public fact sheet, JANUARY 2008, pp.1-2.
Pashiardis S, Michaelides, S., (2008). Implementation of The standardized Precipitation Index (SPI) and the Reconnaissance Drought Index (RDI) for Regional Drought Assessment: A Case Study for Cyprus, European Water, VOL: 23, PP.57-65.
Santos, J.F., Pulido-Calvo, I.,Portela,M.,( 2010). Spatial and temporal variability of droughts in Portugal, water resources research, VOL. 46, pp. W03503.1-13.
Semenov, M. A., and Barrow, E. A., (2002). LARS-WG A Stochastic Weather Generator for Use in Climate Impact Studies Developed by Mikhail A. Semenov.Version 3.1User Manual.pp.1-27.
Sheffield, J., Wood, E. F., (2008). Projected changes in drought occurrence under future global warming from multi-model, multi-scenario, IPCC AR4 simulations, Clim Dyn, 31, pp.79–105.
Sigdal,M.,Ikeda,M,(2010) .Spatial and Temporal Analysis of Drought in Nepal
Syari, N., Bnnayan, M., Alizadeh, A., Farid, A., (2013). Using Drought Indices to Assess Climate Change Impact on Drought Condition in the North East of Iran (Kashfrood Basin).
Using Standardized Precipitation Index and its Relationship with Climate Indices, Journal of Hydrology and Meteorology, Vol. 7, No. 1, pp.59-74.
Wang, Wei., Wang ,W. j., Shengli, J., Wu, H., Xu ,Ch., Lu ,T.,(2010).The Impact of Sustained Drought on Vegetation Ecosystem in South West China Based on Remote Sensing, Procedia Environmental Science,VOL:2,PP. 1679-1691.
Wilby Robert L., and Christian W. Dawson., (2007). SDSM 4.1 - a decision support tool for the assessment of regional climate change impacts, User Manual, pp.1-94.city the Europea
WMO N0. 1090., (2012). Standardized Precipitation Index user Guide.pp.1-14.
Xie, H., Ringler, C., Zhu, T., Wagas, A., (2013). Drought in Pakistan: A Spatiotemporal Variability Analysis Using The Standardized Precipitation Index, WATER INTERNATIONAL, And VOL: 38, PP.620-631. | ||
|
آمار تعداد مشاهده مقاله: 1,370 تعداد دریافت فایل اصل مقاله: 1,114 |
||