بخشی از مقاله
خلاصه
برای بررسی تاثیر تغییر اقلیم بر سیستم های مختلف مانند منابع آب در دوره های آتی، در ابتدا متغیرهای اقلیمی تحت تاثیر تغییرات گازهای گلخانهای شبیه سازی می شوند. روشهای مختلفی برای شبیه سازی متغیرهای اقلیمی، تحت تاثیر تغییر اقلیم وجود دارد که معتبرترین آنها، استفاده از دادههای مدل گردش عمومی جو - GCM - 1 میباشد. مهمترین ضعف مدلهای GCM، بزرگ بودن مقیاس مکانی متغیرهای اقلیمی شبیه سازی شده توسط این مدلها نسبت به مقیاس منطقهای میباشد. بنابراین برای استفاده از این دادهها لازم است تا داده های GCM توسط تکنیکهای مختلف، ریز مقیاس گردند. در این مطالعه از شبکه عصبی مصنوعی - ANN - 2 برای ریز مقیاس نمودن خروجیهای مدل GCM که توسط سناریوهای مختلف شبیه سازی میشوند استفاده شده است.
از آنجا که تعداد پارامترهای ورودی به مدل ANN زیاد میباشد بدون شک اصلیترین مرحله به هنگام استفاده از این مدلها، انتخاب مناسب ترین دادهها به عنوان ورودی است، چرا که با افزایش تعداد متغیرهای ورودی، پیچیدگی محاسبات داخل مدل افزایش مییابد، روند آموزش مدل سختتر وکندتر میشود. بنابراین در این مطالعه برای انتخاب پارامترهای ورودی موثر از روش ضریب همبستگی - CC - 3 استفاده شده است. نتایج نشان داد که پارامترهای بارش و دما در دوره آتی به ترتیب کاهش و افزایش می یابند. بیشترین کاهش بارندگی تحت سناریو - -%10,67 - RCP8.5 و بیشترین افزایش دما تحت سناریو - 2,5% - RCP4.5 پیش بینی شدند.
1. مقدمه
در چند دهه اخیر رشد سریع فعالیتهای صنعتی، تغییر کاربری اراضی و تخریب محیط زیست و در نتیجه افزایش گازهای گلخانهای باعث برهم خوردن تعادل اقلیمی کره زمین شده است که به آن پدیده تغییر اقلیم اطلاق میشود. عوامل گوناگونی که بر اقلیم اثر میگذارند میتوانند باعث تغییرات به شکل سالیانه و دراز مدت شوند. با وجود اینکه وارد شدن گازهای گلخانهای به اتمسفر در تمام نقاط دنیا یکسان نبوده و نقش برخی از کشورهای صنعتی در آلوده شدن اتمسفر به مراتب بیشتر از کشورهای غیر صنعتی که غالباً بر تولیدات کشاورزی متکی هستند میباشد ولی از آنجایی که هوا در چرخه عمومی اتمسفر قرار میگیرد این گازها به تمام نقاط دنیا منتقل شده و چه بسا کشورهایی را که ممکن است عملاً هیچ نقشی در افزایش گازهای گلخانهای اتمسفر نداشته باشد بیشتر تحت تاثیر قرار دهد.
منابع آبی به شدت به نوسان و تغییر اقلیم حساس هستند. تغییر اقلیم میتواند سبب ایجاد تغییراتی در میزان آب، نیاز آبی و کیفیت آب شود. تاثیر منفی این پدیده بر سیستمهای مختلف مانند منابع آب، کشاورزی، صنعت و ... موجب نگرانیهایی برای جوامع بشری شده است. اثر تغییر اقلیم بر منابع آب به عنوان موضوعی چالش برانگیز در بسیاری از مناطق خشک دنیا مطرح بوده و توجه بسیاری از پژوهشگران را در دهههای اخیر به خود معطوف ساخته است. انتظار میرود که در آینده تغییر در متوسط فراسنجهای اقلیمی به ویژه دما و بارندگی تأثیر قابل توجهی بر منابع آب در دسترس بگذارد.
[1 ] از این رو تغییر اقلیم و آثار آن یکی از مهمترین چالشهای مدیریت منابع آب و انرژی است که باید به صورت جدی بررسی شود و برنامهریزیهایی به منظور مقابله با آثار آن بر منابع آب صورت گیرد. بهره برداری بهینه از نظامهای منابع آب از یک سو، رسالت حفظ، پاسداری و پیش بینی وضعیت آینده آن به منظور استفاده نسلهای آینده از سوی دیگر، باعث شده است که در سالهای اخیر استفاده از روشهای پیش بینی منابع آب مورد تأکید قرار گیرد.[2] در این راستا داشتن سیستمهای پیش بینی کننده به موقع و جامع همواره مورد توجه بوده و میتواند کمک زیادی به کاهش خسارات نموده و موجب کمینه کردن میزان آسیبها و خسارات به بخشهای مختلف جامعه گردد.
در سالهای اخیر دانشمندان برای درک ماهیت پیچیده اتمسفر و پیش بینی تغییرات آن در آینده مدلی از اقلیم بین پارامترهای مختلف اتمسفر فراهم کردهاند. به علت پیچیده بودن معادلات از نظر ریاضی و تعداد زیاد آنها و نیز پیچیده بودن شرایط مرزی دانشمندان به این نتیجه رسیدند که حل این معادلات به روش تحلیلی امکان پذیر نیست. بنابراین دانشمندان برای حل این معادلات به روشهای عددی متوسل شدند. از دهه 1980 و با توسعه و تکامل مدلهای عددی کوتاه مدت، تلاش برای پیش بینیهای طولانی مدت در مقیاس فصلی و سالانه آغاز شد.
اما اخیراً عمده نگرانی دانشمندان هوا و اقلیم شناسی، تغییرات اقلیمی ناشی از گرمایش کلی زمین و به تبع آن وضع اقلیم دهههای آینده کره زمین تا سال 2100 میلادی میباشد. با توجه به این که دما و بارش از جمله متغیرهای کلیدی تاثیرگذار بر اکثر سیستمها میباشند، بررسی تغییرات آنها در سالهای آینده میتواند راهگشای معضلاتی چون خشکسالی، سیلابهای ناگهانی، تبخیر زیاد و غیره باشد. برای پیش بینی طولانی مدت متغیرهای اقلیمی روشهای گوناگونی وجود دارد. یکی از معتبرترین این روشها استفاده از دادههای مدل گردش عمومی جو میباشد. مهمترین ضعف مدلهای GCM، بزرگ بودن مقیاس مکانی و زمانی متغیرهای اقلیمی شبیه سازی شده توسط این مدلها نسبت به مدل مورد استفاده میباشد.
بنابراین این متغیرها برای مطالعات هیدرولوژی منابع آب از دقت کافی برخوردار نیستند و میبایست آنها را توسط تکنیکهای مختلف ریز مقیاس نمود. دو روش برای ریزمقیاس نمایی متغیرهای اقلیمی تولید شده توسط مدلهای گردش عمومی جو وجود دارد که عبارتند از روشهای دینامیکی - RCM - 1 و روشهای آماری. روشهای دینامیکی جز روشهای هزینه بر بوده و نیازمند رایانههایی با سرعت بالا میباشد. در کشور ما معتبرترین ابزار برای ریز مقیاس نمودن دادههای GCM استفاده از روشهای آماری میباشد.
در این روش با استفاده از رگرسیون ساده، رگرسیون خطی چندگانه، شبکه عصبی مصنوعی و ... یک ارتباط آماری بین دادههای مشاهداتی و دادههای مدل GCM در دوره پایه ایجاد میشود. بعد از راستی آزمایی این معادلات میتوانند با ریزمقیاس کردن دادههای GCM تحت سناریوهای مختلف، برای پیش بینی کردن پارامترهای هیدرو کلیماتولوژی - دما و بارش - در دوره آتی مورد استفاده قرار گیرند. در دهههای اخیر، از روشهای هوش مصنوعی مانند ANN در زمینه ریز مقیاس نمایی با توجه به توانایی آنها در به دست آوردن روابط غیر خطی بین پیشبینی کننده و پیشبینی شونده به طور گسترده استفاده شده است. از جمله حاجی حسینی و همکاران - 1395 - به منظور ریزمقیاس نمایی داده های GCM از ANN استفاده کردند.
[3] مندس و مارنگو - 2010 - برای پیش بینی بارش حوضه آمازون در دوره 2070-2099 از مدل شبکه عصبی زمانی و مدل اتورگرسیو به منظور ریز مقیاس کردن دادههای GCM مختلف استفاده کردهاند. نتایج بررسی آنها نشان میدهد که مدل شبکه عصبی زمانی عملکرد بهتری در مقایسه با مدل اتو رگرسیو در ریز مقیاس نمایی بارش منطقه مورد مطالعه دارد.[4] کامپوزانو و همکاران - 2015 - برای بررسی عملکرد روشهای ریزمقیاس نمایی در مدلسازی بارش ماهانه منطقه مورد مطالعه از سه روش ANN ، LS-SVM2 و SDSM در ریزمقیاس نمایی استفاده کردند. نتایج بررسیها نشان داد که در اکثر ماهها مدل ANN و LS-SVM عملکرد بهتری نسبت به مدل SDSM در ریزمقیاس کردن بارش ماهانه دارد.[5]
در این پژوهش برای پیش بینی بارش و دمای منطقه مورد نظر در دهههای آتی، دادههای مدل GCM تحت دو سناریوی انتشار مختلف و برای چهار نقطه اطراف منطقه مورد نظر، که کمترین فاصله را به لحاظ طول و عرض جغرافیایی از این منطقه دارند استخراج شده است؛ که برای ریزمقیاس نمایی خروجیهای این مدل از شبکه عصبی مصنوعی استفاده خواهدشد. از آنجا که تعداد پارامترهای ورودی به شبکه عصبی مصنوعی زیاد میباشد به منظور انتخاب پارامترهای ورودی موثر و سهولت انجام مدلسازی لازم است قبل از هر اقدامی پیش پردازش مناسب روی دادهها صورت گیرد. برای این منظور در این پژوهش از معیار کلاسیک ضریب همبستگی خطی استفاده شده است.
2. مواد و روش ها
-1-2منطقه مورد مطالعه و داده ها
شهر تبریز از شهر های مهم و پر جمعیت ایران است که در گوشه شمالغرب کشور واقع گردیده است و از نظر موقعیت جغرافیایی در محدوده 45 درجه و 7 دقیقه الی 48درجه و 20 دقیقه طول شرقی و 36 درجه و 45 دقیقه الی 39 درجه و 26 دقیقه عرض شمالی قرار گرفته است شکل .1 این شهر با مساحت 1781km2 از لحاظ وسعت در بین شهرهای کشور در رتبه دهم قرار دارد. آب و هوای شهر تبریز به طور کلی سرد و خشک است ولی به علت توپوگرافیکی از اقلیم های متفاوتی برخوردار است.
این شهر همواره تحت تاثیر بادهای سرد شمالی و سیبری و بادهای مرطوب دریای سیاه و مدیترانه و اقیانوس اطلس قرار گرفته است. همچنین بادهای محلی نیز تحت تاثیر شرایط طبیعی استان از سوی کوهستان های بلند و دریاچه ارومیه و خزر به سوی دشت ها و جلگه ها می وزند. شهر تبریز یک منطقه سردسیر و کوهستانی است و از لحاظ تقسیم بندی اقلیمی جزء مناطق نیمه خشک به حساب می آید.
شکل - 1 موقعیت جغرافیایی منطقه مورد مطالعه
-2-2 داده ها
داده بارش ماهانه مشاهداتی ایستگاه تبریز برای دوره 1951-2016 که در این مطالعه استفاده شدند از سازمان هواشناسی تبریز تهیه گردیده است. شکل های 2 و 3 به ترتیب توزیع بارش و دمای ماهانه تبریز در دوره - 1951-2016 - را نشان میدهد که بیشترین بارندگی در ماههای مارس، آوریل و می و کمترین مقدار بارش در ماههای جولای، آگوست و سپتامبر رخ داده است. همچنین بر اساس شکل3 بیشترین دما در ماههای آوریل، می و ژوئن رخ داده و کمترین دما مربوط به ماههای سپتامبر، اکتبر و نوامبر میباشند.
