تعداد نشریات | 30 |
تعداد شمارهها | 956 |
تعداد مقالات | 8,322 |
تعداد مشاهده مقاله | 8,753,027 |
تعداد دریافت فایل اصل مقاله | 6,923,224 |
برآورد میزان تاثیر تغییر اقلیم بر بارش- رواناب حوضه آبریز صوفی چای | ||
علوم و مهندسی آبیاری | ||
مقاله 7، دوره 40، شماره 2، شهریور 1396، صفحه 89-101 اصل مقاله (1.03 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22055/jise.2017.13164 | ||
نویسندگان | ||
مسعود غریب دوست1؛ محمدعلی قربانی* 2؛ عطیه حسینی زاده3 | ||
1دانش آموخته کارشناسی ارشد مهندسی منابع آب، دانشگاه تبریز | ||
2دانشیار گروه مهندسی آب دانشگاه تبریز | ||
3دانش آموخته کارشناسی ارشد مهندسی منابع آب، دانشگاه شهید چمران اهواز | ||
چکیده | ||
امروزه تاثیر پدیده گرمایش جهانی و تغییر اقلیم به خاطر افزایش گازهای گلخانهای در اتمسفر بر بسیاری از سیستمهای طبیعی به اثبات رسیده است. تمامی مدلهای گردش عمومی آتمسفر (GCM) آینده گرمتری را برای کرهی زمین پیشبینی میکنند. وقوع چنین شرایطی میتواند فرآیندهای هیدرولوژیک نظیر بارش و جریان رودخانهها را که یکی از اصلیترین منابع تأمینکننده آب حوضهها میباشد تحت تاثیر قرار دهد. به دلیلتفکیک فضاییکمیاسادهسازیبرخیپدیدههایخرد مقیاسدر مدلهایگردش عمومیجو،این مدلهانمیتوانند تقریبدرستی از شرایطآبوهواییمناطق کوچک ارائه دهند،لذا بایستیخروجی آنهاتاحدایستگاههواشناسیریزمقیاس گردد. دراین تحقیقدادههایمدل گردش عمومی جو HadCM3با به کارگیری مدل LARS-WGطبق دو سناریوی A2و A1B، ریزمقیاس شده و پارامترهای روزانه بارش، دمای حداقل و دمای حداکثر حوضه آبریز صوفی چای برای سه دوره 2030-2011، 2065-2046 و 2099- 2080 تولید گردید. برای ارزیابی تاثیر تغییر اقلیم بر رواناب حوضه، از مدلهای هوشمند شبکه عصبی مصنوعی و برنامهریزی ژنتیک استفاده شده است. نتایج حاکی از افزایش مقطعی بارش در دوره 2030-2011 و کاهش آن در آیندههای دورتر نسبت به اقلیم کنونی، افزایش تدریجی دمای حداقل و دمای حداکثر در هر سه دوره و کاهش میزان رواناب در آینده نسبت به حال حاضر میباشد. | ||
کلیدواژهها | ||
بارش-رواناب؛ حوضه صوفی چای؛ ریزمقیاس نمایی؛ مدل LARS-WG؛ مدل های هوشمند | ||
مراجع | ||
1- اشرف، ب.، موسوی بایگی، م.، کمالی، غ. و ک. داوری. 1390. پیش بینی تغییرات فصلی پارامترهای اقلیمی در 20 سال آتی با استفاده از ریز مقیاس نمایی آماری داده های مدل HadCM3 (مطالعه موردی: استان خراسان رضوی). نشریه آب و خاک (علوم و صنایع کشاورزی)، 25 (4): 952-940.
2- عباسی، ف.، ملبوسی، ش.، بابائیان، ا.، اثمری، م. و ر. برهانی. 1389. پیش بینی تغییرات اقلیمی خراسان جنوبی در دوره 2039-2010 میلادی با استفاده از ریز مقیاس نمایی آماری خروجی مدل ECHO-G. نشریه آب و خاک (علوم و صنایع کشاورزی). 2 (24): 233-218.
3- Abdo, K.S., Fiseha, B.M., Rientjes, T.H.M., Gieske, A.S.M. and A.T. Haile. 2009. Assessment of climate change impacts on the hydrology of Gilgel Abay catchment in lake Tana Basin. Ethiopia. Hydrological Processes, 23(26): 3661-3669.
4- Ferreira, C. 2001. Gene expression programming: a new adaptive algorithm for solving problems. Complex Systems, 13(2): 87-129.
5- Guven, A. 2009. Linear genetic programming for time-series modeling of daily flow rate. Journal of Earth System Science, 118(2): 157-173.
6- Hashmi, M.Z., Shamseldin, A.Y. and B.W. Melville. 2010. Comparison of SDSM and LARS-WG for simulation and down scaling of extreme precipitation events in a watershed. Stochastic Enviromental Research and Risk Assessment, 25: 475-484.
7- Johnson, G.L., Hanson, C.L., Hardegree, S.P. and E.B. Ballard. 1996. Stochastic weather simulation: over view and analysis of two Commonly used model. Journal of Applied meteorology, 35: 1878-1896.
8- Kisi, O., Shiri, J. and M. Tombul. 2012. Modeling rainfall – runoff process using soft computing techniques. Computers & Geosciences, 23:412-422.
9- Koza, J.R. 1992. Genetic programming on the programming of computers by means of natural selection. MIT Press, Cambridge.
10- Mitchell, T.D. 2003. Pattern scaling : An examination of accuracy of the technique for describing future climates. Climate Change, 60:217-242.
11- Semenov, M.A. and E.M. Barrow. 2002. LARS-WG a stochastic weather generator for use in climate impact studies. User’s manual, Version 3.0.
12- Souvignet, M., Gaese, H., Ribbe, L., Kretschmer, N. and R. Oyarzun. 2010. Statistical downscaling of precipitation and temperature in north-central Chile: an assessment of possible climate change impacts in an arid Andean watershed. Hydrological Sciences Journal, 55(1): 41-57.
13- Wilby, L.R., Hay, L.E. and G.H. Leavesley. 1998. A comparison of downscaled and raw GCM output: Implications for climate change scenarios in the San Juan River Basin, Colorado. Journal of Hydrology, 225: 67-91.
14- Wilby, R.L. and I. Harris. 2006. A framework for assessing uncertainties in climate change impacts: Low-flow scenarios for the River Thames, UK. Water Resources Research, 42(2): 1-10.
15- Yu HH and N.H. Jenq. 2002. Handbook of Neural Network Signal Processing. CRC Press.
16- Zarghami, M., Hassanzadeh, Y., Babaeian, I. and R. Kanani. 2009. Climate change and water resources vulnerability; Case study of Tabriz City. In SENSE symposium on climate proofing cities (1). | ||
آمار تعداد مشاهده مقاله: 790 تعداد دریافت فایل اصل مقاله: 1,209 |