تعداد نشریات | 161 |
تعداد شمارهها | 6,532 |
تعداد مقالات | 70,501 |
تعداد مشاهده مقاله | 124,100,891 |
تعداد دریافت فایل اصل مقاله | 97,207,776 |
بررسی آثار تغییر اقلیم بر رواناب به کمک مدل درخت تصمیم (مطالعۀ موردی:حوضۀ زرینگل) | ||
اکوهیدرولوژی | ||
دوره 9، شماره 1، فروردین 1401، صفحه 63-76 اصل مقاله (1.31 M) | ||
نوع مقاله: پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/ije.2022.332407.1566 | ||
نویسندگان | ||
یاسمن لطفی1؛ مهدی مفتاح هلقی* 2؛ خلیل قربانی2 | ||
1کارشناس ارشد مهندسی منابع آب،گروه آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان | ||
2دانشیار، دانشکدۀ مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان | ||
چکیده | ||
برای بررسی اثر تغییر اقلیم بر رواناب در حوضۀ آبریز زرینگل در استان گلستان پس از مدلسازی بارش رواناب به کمک مدل درخت تصمیم M5 از نتایج مدل گردش عمومی HADGEM2 تحت دو سناریو RCP 4.5 وRCP 8.5 برای پیشبینی رواناب برای دورههای اقلیمی آیندۀ نزدیک، میانی و دور استفاده شد. نتایج آزمون منـ کندال برای تشخیص روند در دورۀ 1995ـ 2015 نشان داد فقط بارش در فصل تابستان و دما در فصل بهار و تابستان افزایش معنادار داشتند. با اینوجود، تأثیر افزایش دما باعث کاهش معنادار دبی در بیشتر فصلها و میانگین سالانۀ دبی شد. همچنین، مدل لارس از کارایی لازم برای تولید دادههای بارش و دما برخوردار بود. بررسی تغییر اقلیم در حوضۀ آبریز زرینگل بیانگر آن بود که تغییرات بارش از الگوی افزایشی و یا کاهشی خاصی پیروی نمیکند، اما دمای هوا تحت هر دو سناریوی اقلیمی با افزایش همراه خواهد بود، به طوری که دمای سالانه بهطور میانگین حدود 5/0 تا 5 درجۀ سانتیگراد افزایش خواهد یافت که بیشترین افزایش دما برای سناریوی RCP 8.8 در آیندۀ دور بود. نتایج خروجی دو مدل M5 و MLR نشان داد مدل M5 قادر است ضریب همبستگی را از 7/0 به حدود 87/0 افزایش دهد و مقدار خطای RMSE را از 82/0 به 59/0 کاهش دهد. بر اساس نتایج خروجی مدل M5، رواناب در منطقۀ مطالعاتی نیز طی دورههای آتی با کاهش همراه خواهد بود و بیشترین میزان کاهش میانگین دبی ماهانه در آیندۀ دور حدود 41 درصد در ماه مارس برای سناریوی RCP 8.5 برآورد شد. | ||
کلیدواژهها | ||
سناریوهای تغییر اقلیم؛ دما؛ مدل بارشـ رواناب؛ حوضۀ آبریز زرینگل | ||
مراجع | ||
[1]. IPCC. Intergovernmental Panel on Climate Change. Fourth Assessment Report, Climate Change. 2007; 53 pp.
[2]. Khazanedari L, & Zabol Abasi F, & Ghandharii S, & Kouhi M, & Malbousi S. Drought Conditions in the next thirty years in IRAN. Journal of geography and regional development. 2009; (12): 83-98. [Persian]
[3]. IPCC.Climate Change: The Scientific Basic. Contribution of Working Group 1 to The Third Assessment report to the Intergovernmental Panel on Climate Change. Cambridge University Press, Cambridge, UK, and New York, N.Y., U.S.A. 2001; 881pp.
[4]. Meshkati A, Kordjazi M. & Babaeian I. Investigation and Assessment of Lars-WG Model in Simulation of Meterorological Data of Golestan in 1993-2007. Journal of Applied Geographic Science. 2010; (16): 81-96 [Persian]
[5]- Babaiyan I. Zabol Abbasi F., Najafynik Z., Adab H., Malbousi S. climate change assessment over Iran during 2010-2039 by using statistical downscaling of echo- G model. Geography and development. 2010; 7(16):135-152.
[6]. Ashraf B, Mousavi Beigi M, Kamali G. A and Davari K. Investigation of Variation Trend of Climatological Parameters in Mashhad over 2011-2030 Period Using Simulated Data by LARS-WG5 Model. First National Conference on Meteorology and Agricultural Water Management. 2011.[Persian]
[7]. Sadeqi A. Abdollahi A and Azad Jelodarlu K. The Perusal of Climate in Zanjan City under Climate Change Conditions. 4 th International Congress of Developing Agriculture, Natural Resources, Environment and Tourism of Iran. 13-15 Feb. 2019. [Persian]
[8]. Ghorbani kh. Sohrabian E. Salari Jazi M and Abdolhiseini M. Prediction of climate change impact on monthly river discharge trend using IHACRES hydrological model (case study: Galikesh watershed). J. of Water and Soil Conservation.2016. [Persian]
[9] Tavakoli M, & Karimi H, & Norollahi H. Investigation the effects of climate change on water resources of Ilam dam watershed. watershed engineering and management.2018;10(2):157-170. https://www.sid.ir/en/journal/ViewPaper.aspx?id=612212. [Persian]
[10]. Chen J, Brissette F.P and Leconte R. Uncertainty of downscaling method in quantifying the impact of climate change on hydrology. J. Hydrol. 2011; 401(3-4): 190-202.
[11]. Semenov M.A, Donatelli M, Stratonovitch P, Chatzidaki E and Baruth B. ELPIS: A Dataset of Local-scale Saily Climate Scenarios for Europe, Clim Res. 2010; 44: 3-15.
[12]. Habets F, Boé J, Déqué M, Ducharne A, Gascoin S, Hachour A, et al. Impact of climate change on the hydrogeology of two basins in northern France. Climatic Change. 2013; 121(4): 771-785.
[13]. Pascual Sánchez D and Retana Alumbreros, J. Impacts of climate change on water resources in the Mediterranean basin: a case study in Catalonia, Spain.CREAF, Centre de Recerca Ecològica i Aplicacions Forestals. 2014.
[14]. Chang J Y, Wang E, Istanbulluoglu T, Bai Q, Huang D Yang and S. Huang. Impact of Climate Change and Human Activities on Runoff in the Weihe River Basin, China. Quaternary International. 2014; pp: 169-179.
[15]. Sadat Mousavi R, Marofi S. Investigation of the hydrologic response of river flow to climate change (Case study: Dez Dam Basin). J. of Water and Soil Conservation. 2017; 23(6). [Persian]
[16]. Bhattacharya B. and Solomatine D.P. Neural networks and M5 model trees in water level discharge relationship. J. Neurocomputing. 2005; 63: 381-396.
[17]. Ghorbani Kh, Naeimi Kalourazi1 Z, Salari Jazi M and Dehghani A.H. Estimation of monthly discharge using climatological and physiographic parametesr of ungauged basin. J. of Water and Soil Conservation. 2016; 23(3). [Persian]
[18]. Ghorbani KH, Sohrabian E and Salari Jazi M. Evaluation of Hydrological and Data Mining Models in Monthly River Discharge Simulation and Prediction (Case Study: Araz-Kouseh Watershed). J. of Water and Soil Conservation. 2016; 23(1). [Persian]
[19]. Sattari M T, Apaydin H, Ozturk, F. Flow estimations for the Sohu Stream using artificial neural networks. Environmental earth science. 2012; 66: 2031-2045. [Persian]
[20]. Zahiri A.R and Ghorbani Kh. Flow discharge prediction in compound channels by using decision model tree M5. J. of Water and Soil Conservation. 2013; 20(3). [Persian]
[21]. Mann, H. B. Nonparametric tests against trend. Journal of Econometrica. 1945; 13(3):245-259
[22]. Kendall, M. G. Rank Correlation Methods. Griffin, London. 1955; 196p.
[23]. Haltiner G, & Williams R. Numerical prediction and dynamic meteorology New York: John Wiley & Sons. 1980.
[24]. Fallah GHalhari GH. Statistical Downscaling of climatic data. First ed. Sokhan-Gostar. 2014. [Persian]
[25]. Farmer W. H, and Vogel R. M. On the deterministic and stochastic use of hydrologic models. Water Resources Research. 2016; 52(7): 5619- 5633.
[26]. Quinlan J. R. Learning with continuous classes. In 5th Australian joint conference on artificial intelligence. 1992; 92: 343-348.
[27]. Ervine D.A., and Ellis J. Experimental and Computational Aspects of Overbank Flood-Plain Flow. Trans. Royl. Society Edinburgh, Series A. 1987; 78: 315-325.
[28]. Kheradmand m. determining the stage-discharge relation of meanders composite rivers using modern data mining methods. Master Thesis University of Sistan and Baluchestan.2013. [Persian]
[29]. Emadi A.Kia I and Moha,adi GH. Rainfall-Runoff Modeling by Adaptive Neuro-Fuzzy Inference System(ANFIS) and Multi-Variable Linear Regression (MLR). Waterjournal.2019. [Persian]
[30]. Ghasemi M, Naseri A, Soltani mohamadi A and Moazed h. Investigating the trend of future climate change under radiation induction scenarios using mann kendall non parametric test (case Study: South Ahvaz). nivar.2019;107(43). [Persian] | ||
آمار تعداد مشاهده مقاله: 365 تعداد دریافت فایل اصل مقاله: 317 |