ارزیابی اثر تغییر اقلیم بر روان‌آب آبخیز کن در دوره آینده

احمدی, مهدی; معتمدوزیری, بهارک; احمدی, حسن; معینی, ابولفضل; زهتابیان, غلامرضا

doi:10.22092/wmej.2019.127163.1247

ارزیابی اثر تغییر اقلیم بر روان‌آب آبخیز کن در دوره آینده

نوع مقاله : پژوهشی

نویسندگان

¹ دانش‌آموخته‌ی دکترا، گروه جنگل، مرتع و آبخیزداری، دانشکده‌ی‌ منابع طبیعی و محیط زیست، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران

² استادیار گروه جنگل، مرتع و آبخیزداری، دانشکده‌‌ی منابع طبیعی و محیط زیست، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران

³ استاد گروه احیای مناطق خشک و کوهستانی، دانشکده‌ی‌ منابع طبیعی، دانشگاه تهران، کرج، ایران

⁴ استادیار گروه جنگل، مرتع و آبخیزداری، دانشکده منابع طبیعی و محیط زیست، دانشگاه ازاد اسلامی، واحد علوم و تحقیقات، تهران، ایران

⁵ استاد گروه احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران

10.22092/wmej.2019.127163.1247

چکیده

تغییر اقلیم یکی از مهم‌ترین چالشهایی است که بر زیست‌بوم‌های طبیعی و جنبههای مختلف زندگی انسان تاثیر دارد. تاثیر گرم‌شدن جهان بر آب‌شناسی و چرخه‌ی آب در طبیعت بسیار جدی است و شناخت کمی این اثرها آمادگی بیش‌تری برای مقابله با تبعات آن ایجاد می‌کند. در این پژوهش براساس روش‌کار ریزمقیاس‌گردانی SDSM بارش و دما در دوره‌ی 2006-2100 با مدل بزرگ‌مقیاس 2CanESM پیشبینی و اثرهای تغییر اقلیم بر شرایط آب‌شناسی آبخیز کن با مدل سوات و ANN بررسی شد. برای واسنجی و بررسی بی‌قطعیتی سوات نرم‌افزار سواتکاپ به‌کاربرده شد و براساس الگوریتم 2 SUFI در سواتکاپ مقدار سنجه‌ی‌ موثر و بهینه شناسایی کرده‌شد. نتیجه‌ی بررسی کارآیی هر چهار مدل SDSM و 2CanESM در شبیهسازیهای اقلیمی و SWAT و ANN در شبیهسازی آب‌شناسی را تایید کرد و نشان داد که در شرایط اقلیمی آینده برای دوره‌ی زمانی 2006-2100 افزایش بارندگی و دما محتمل است، به‌طوری که دما 0/8 تا 5/6 درجه‌ی سانتیگراد و بارش 4 تا 55% افزایش می‌یابد. کارکرد ANN با توجه به نوع ساختار بهتر از سوات است، و نتیجه‌ی بررسی روان‌آب نشان میدهد که در دوره‌ی آینده (2006-2040) در مدل 2 تا 4 درصد ANN کاهش در حالت 5/2RCP و 5/8RCP، و 25% افزایش در حالت 5/4RCP و در سوات به‌ترتیب در حالت 5/2RCP، 5/4RCP و 5/8RCP افزایش 42، 43 و 49% مشاهده شد. بیش‌ترین تغییر در بهار دیده شد. براساس داده‌های بیشینه‌ی سیلاب‌های لحظه‌یی تیر 1394 و فروردین 1398 به‌اندازه‌ی 90 تا 140 مترمکعب بر ثانیه باعث زیان جانی و مالی فراوان می‌شود، همه‌ی 250 سازه‌ی آبخیزداری از رسوب پر می‌شود،‌ و اثربخشی سازهها در مهار سیلاب در 20 سال گذشته بیتأثیر می‌شود. بنابراین 49% افزایش در روان‌آب تا اندازه‌ی 200 مترمکعب بر ثانیه علاوه بر افزایش‌دادن شدت گل‌آلودگی رود کن، همه‌ی روستاهای امام زاده داود، رندان، کیگا، سنگان، سولقان و کشار را در زیر رسوب دفن و زیان‌های جانی و مالی بسیار شدیدی به‌بار می‌آورد.

کلیدواژه‌ها

عنوان مقاله [English]

Assessment of the Impact of Climate Change on Runoff on the Kan Watershed in the Future

نویسندگان [English]

Mehdi Ahmadi ¹
Baharak Motamedvaziri ²
Hassan Ahmadi ³
Abolfazl Moeini ⁴
Gholam Reza Zehtabian ⁵

¹ Department of Forest, Range and Watershed Management, Faculty of Natural Resources and Environment, Science and Research Branch, Islamic Azad University, Tehran, Iran

² Department of Forest, Range and Watershed Management, Faculty of Natural Resources and Environment, Science and Research Branch, Islamic Azad University, Tehran, Iran

³ Department of Reclamation of Arid and Mountainous Regions, University of Tehran, Karaj, Iran

⁴ Department of Forest, Range and Watershed Management, Faculty Natural Resources and Environmental, Science and Research Branch, Islamic Azad University, Tehran, Iran

⁵ Department of Reclamation of Arid and Mountainous Regions, University of Tehran, Karaj, Iran

چکیده [English]

Climate change is among the most important challenges affecting the natural ecosystems and various aspects of the human life. The global warming imposes serious impacts on the hydrology and water cycle in the nature, and quantitative evaluation of such impacts provides further preparedness for confronting their anticipated consequences. The so-called statistical downscaling model (SDSM) was used to forecast the trends of precipitation and temperature during the 2006 – 2100 period based on the CanESM2 large ensembles. The impact of climate change on hydrologic conditions on the Kan Watershed was evaluated using the SWAT and ANN models. The results indicated that an increase in precipitation and temperature are probable in the forecasted future period (2006 – 2100). In general, it can be stipulated that the temperature will rise by 0.8 – 5.6℃ and the precipitation will increase by 4 – 55%. Given its structure, the ANN exhibited a superior performance over the SWAT. The results of the runoff studies indicated that for the forecasted future period (2006 – 2100), the ANN model predicts 2% and 4% decrease under the RCP2.6 and RCP8.5 scenarios, respectively, and a 25% increase under the RCP4.5 scenario. However, the SWAT model forecasted 42%, 43%, and 49% increase under the RCP2.6, RCP4.5, and RCP8.5 scenarios, respectively. A 49% increase in the runoff to 200 m³/s will not only add to the suspended sediment load of the Kan River, but also will bury the Emamzadeh Davood, Rendan, Kiga, Sangan, Suleghan, and Keshar villages under sediment, but also will cause extensive financial and life damages.

کلیدواژه‌ها [English]

Artificial neural network
precipitation- runoff simulation
RCP scenario
SDSM statistical model
SWAT hydrological model

مراجع

Aalinejad MH, Dinpashoh Y, Jahanbakhsh ASL S. 2016. Impact of Climate Change on Runoff from Snowmelt by Taking into Account the Uncertainty of GCM Models (Case Study: Shahrchay Basin in Urmia). European Online Journal of Natural and Social Sciences. 5(1): 200–211.

Abbaspour K C, Rouholahnejad E, Vaghefi S, Srinivasan R, Yang, Kløve B. 2015. A continental-scale hydrology and water quality model for Europe: Calibration and uncertainty of a high-resolution large-scale SWAT model. Journal of Hydrology. 524(1): 733–752.

Ahmadi M, Ghasemieh H, Ghermezcheshmeh B. 2014 A. Assessment of statistical downscaling methods in Downscaling AO-GCMS model data as an input of hydrological models, 2nd National Conference on Water Crisis, Shahrekord. 2(1): 203-213. (In Persian).

Ahmadi M. 2014 B. Analyzing impact of climate change on annual discharge in Qorantalar Watershed. MSc Thesis, Shahrekord University. 145 pp. (In Persian).

Ahmadi M, Moeini A, Ahmadi, H, Motamedvaziri B, Zehtabiyan, GR. 2019. Comparison of the performance of SWAT, IHACRES and artificial neural networks models in rainfall-runoff simulation (Case study: Kan watershed, Iran). Physics and Chemistry of the Earth. 111(1): 65–77.

Al-mukhtar M. 2016. Modelling the root zone soil moisture using artificial neural networks , a case study. Environmental Earth Sciences. 75(1): 1115–1124.

Ashrafvaghefi S, Mousavi SJ, Abbaspour KC, SrinivasanR, Yang H. 2014. Analyses of the impact of climate change on water resources components, drought and wheat yield in semiarid regions: Karkheh River Basin in Iran. hydrological processes. 28(4): 2018–2032.

Carcano EC, Bartolini P, Muselli M, Piroddi L. 2008. Jordan recurrent neural network versus IHACRES in modelling daily streamflows. Journal of Hydrology. 362(3–4): 291–307.

Forests, Range and Watershed Management Organization. 2019. Detailed-executive study plan of watershed management of Kan district of Tehran. The Report in Natural Recourses and Watershed Management of Tehran province. 124 p. (In Persian).

Ghermezcheshmeh B, Rasuli, A, Rezaei-banafsheh, M, Massah A, Khorshiddoost A. 2014. Investigation impact of morpho-climatic parameters on accuracy of SDSM model. Journal of Watershed Engineering and Management. 6(2): 155–164. (In Persian).

Goodarzi M. 2011. Evaluation and assessment of impacts of climate variability on surface water resources, Case stydy: Karkheh olia sub- basin. phD Thesis. 134 p. (In Persian).

Hajimohamadi M, Azizian A, Ghermezcheshmeh B. 2018. Evaluation of the impact of climate change runoff in Kan Watershed. Watershed Engineering and Management. 10(2): 144–156. (In Persian).

Hassan Z, Shamsudin S, Harun S, Malek MA, Hamidon N. 2015. Suitability of ANN applied as a hydrological model coupled with statistical downscaling model: a case study in the northern area of Peninsular Malaysia. Environmental Earth Sciences. 74(1): 463–477.

Jimeno-Saez P, Senent-Aparicio J, Perez-Sanchez J, Pulido-Velazquez D. 2018. A Comparison of SWAT and ANN Models for Daily Runoff Simulation in Different Climatic Zones of Peninsular Spain. Water. 10(2): 189–192.

Mahmood R, Babel MS. 2013. Evaluation of SDSM developed by annual and monthly sub-models for downscaling temperature and precipitation in the Jhelum basin, Pakistan and India. Theoretical and Applied Climatology. 113(1–2): 27–44.

Mirdashtvan M, Najafinejad A, Malekian A, Sadoddin A. 2018. Downscaling the contribution to uncertainty in climate change assessments: representative concentration pathway (RCP) scenarios for the South Alborz Range, Iran. Meteorological Applications. 25 (3): 441–422.

Nazari-Sharabian M, Karakouzian M, Ahmad S. 2019. Water quality modeling of Mahabad Dam watershed–reservoir system under climate change conditions, using SWAT and system dynamics. Water. 11(2): 380–394.

Ning J, Gao Z, Lu Q. 2015. Runoff simulation using a modified SWAT model with spatially continuous HRUs. Environmental Earth Sciences. 74(7): 5898–5905.

Noori N, Kalin L. 2016. Coupling SWAT and ANN models for enhanced daily streamflow prediction. Journal of Hydrology. 533(1): 141–151.

Rahimi j, Malekian A, Khalili A. 2018. Climate change impacts in Iran: assessing our current knowledge. Theoretical and Applied Climatology. 135(1–2): 545–564.

Tejaswini V, Sathian K. 2018. Calibration and Validation of Swat Model for Kunthipuzha Basin Using SUFI-2 Algorithm. Int. J. Curr. Microbiol. App. Sci. 7(1): 2162–2172.

Wilby RL, Dawson CW, Barrow EM. 2002. SDSM—a decision support tool for the assessment of regional climate change impacts. Environmental Modelling & Software. 17(2): 145–157.

Wilby RL, Dawson CW. 2013. The statistical downscaling model: insights from one decade of application. International Journal of Climatology. 33(7):1707–1719.

Zehtabian GR, Salajegheh A, Malekian A, Boroomand N, Azareh A. 2016. Evaluation and comparison of performance of SDSM and CLIMGEN models in simulation of climatic variables in Qazvin plain. Desert. 21(2) 155–164.