نوذر قهرمان

تبخیرتعرق به عنوان یکی از مولفه های اصلی چرخه ی آبشناسی، از پدیده تغییر اقلیم اثرات قابل توجهی را می پذیرد. هدف اصلی این پژوهش برآورد میزان تبخیرتعرق پتانسیل در دوره زمانی آینده و مقایسه آن با دوره پایه با استفاده از برونداد مدل های اقلیمی جهت اجرای مدل منابع آب WEAP در ایستگاه های منتخب حوضه کرخه می باشد. دوره های 2019-1999 و 2100-2020 به ترتیب به عنوان دوره پایه و دوره آینده در نظر گرفته شد. برونداد دو مدل اقلیمی منتخب بر اساس توصیه های پیشین بنام های  MPI-ESM1-2-LR وKIOST-ESM  اخذ شده از پایگاه داده های اقلیمیESGF تحت دو سناریوی اقلیمی SSP2-4.5 و SSP5-8.5 و همچنین داده های ایستگاه های همدیدی برای حوضه کرخه در برآورد تبخیرتعرق پتانسیل در دوره های آینده و پایه استفاده شده است. با توجه به خروجی های مدل WEAP میزان تبخیرتعرق پتانسیل تا سال 2100 میلادی روندی افزایشی خواهد داشت، بیشترین میزان افزایش پیش نگری شده درمدل MPI-ESM1-2-LR تحت سناریوی SSP5-8.5 به میزان 89 میلی متر در ماه ژوئن و در مدل KIOST-ESM به میزان 73 میلی متر در ماه بدست آمد. کمترین مقادیر به ترتیب برابر 26 و 5/0- میلی متر در ماه های دسامبر و سپتامبر می باشند. متناظراً این مقادیر تحت سناریوی SSP2-4.5 به ترتیب برابر با 4/85، 3/64، 3/23 و 6/4 - در ماه های ژوئن، می، دسامبر و سپتامبر نسبت به دوره پایه برآورد شد. همچنین میزان تبخیرتعرق پتانسیل در ایستگاه هایی با اقلیم مدیترانه ای معتدل نسبت به ایستگاه هایی با اقلیم خشک معتدل تغییرات بیشتری را تجربه خواهند کرد.

این پژوهش به منظور تعیین روش برتر پس پردازش آماری بر بارش حاصل از اجرای الگوی RegCM4 در شمال غرب انجام گرفت. داده های مورد نیاز اجرای الگوی RegCM4 شامل داده های بازتحلیل وضع جوی (NNRP1)، داده های دمای سطح دریا (SST) و داده های سطح زمین (SURFACE) از مرکز ICTP دریافت شد. به منظور اجرای این الگو، آزمون تعیین طرحوارة همرفت و جداسازی افقی مناسب انجام گرفت که با استناد به آن، طرحوارة Kuo به نسبت دو طرحوارة Grell و Emanuel خطای کمتری را در اجرای الگو سازی بارش منطقه داشت. جداسازی افقی نیز سی کیلومتر انتخاب شد. پس از اجرای الگو، برونداد بارش با استفاده از روش های شبکة پرسپترون چندلایه (MLP) و میانگین متحرک (MA) پس پردازش شد. براساس نتایج، اعمال پس پردازش روی داده های بارش خام سالانة الگو، موجب کاهش میانگین اریبی خطای داده های به دست آمده و رسیدن به رقم 9/8 میلی متر شد؛ در حالی که این آماره برای برونداد خام سالانة الگو 3/124 میلی متر بود. در مقیاس های زمانی فصلی و ماهانه نیز میانگین اریبی خطای بارش شبیه سازی به ترتیب برابر 1/31 و 4/10 میلی متر بود که پس از اعمال پس پردازش به روش های یادشده، این آماره به ترتیب به 3/0- و صفر میلی متر رسیده است. روش برتر پس پردازش نیز در تمام مقاطع زمانی، MA بوده است.

هدف از پژوهش پیش رو، مقایسه کارایی مدل های استوکاستیک و شبکه های عصبی مصنوعی در پیش بینی کمّی شاخص بارندگی استاندارد شده (SPI) در اقلیم های خشک و مرطوب ایران است. برای این امر، محاسبه SPI، در مقیاس های زمانی سه ماهه، شش ماهه و دوازده ماهه در چهار ایستگاه سینوپتیک کشور طی دوره 2007-1973 انجام شد. در گام بعد، مدل سازی سری های زمانی SPI برای پیش بینی های یک تا دوازده گام به جلو، به سه روش مدل سازی استوکاستیک، شبکه عصبی بازگشتی (RMSNN) و شبکه عصبی مستقیم (DMSNN) انجام گرفت. مقادیر SPI مربوط به دوره 1973 تا 2000، برای توسعه مدل ها و مابقی برای صحت سنجی مدل ها مورد استفاده قرار گرفت. در مرحله صحت سنجی، مقایسه مقادیر مشاهده شده و پیش بینی شده SPI با استفاده از آزمون های آماری، ضریب همبستگی و شاخص خطا انجام شد. همچنین برای بررسی قابلیت مدل ها در پیش بینی طبقات SPI، از آماره کاپای کوهن استفاده شد. در نهایت، اولویت دقت مدل ها از دیدگاه هایی چون، افق زمانی پیش بینی و مقیاس زمانی بررسی خشکسالی تعیین شد. نتایج به دست آمده نشان داد: 1) در مقیاس زمانی سه، شش و دوازده ماهه، به طور کلی مدل های استوکاستیک (به ترتیب با میانگین خطای 678/0، 569/0 و 344/0 و میانگین ضریب همبستگی 682/0، 777/0 و 919/0) از نظر مهارت پیش بینی مقادیر SPI در اولویت کاربرد قرار دارند. 2) در مقیاس زمانی سه، شش و دوازده ماهه به ترتیب، مدل های DMSNN ، RMSNN و استوکاستیک (با میانگین کاپای 397/0، 530/0 و 750/0) از نظر مهارت پیش بینی طبقات SPI در اولویت کاربرد قرار دارند.

مولدهای هواشناسی (Weather Generators) با هدف تطویل سری اطلاعات انواع متغیرهای وضع هوا اعم از بارش، دما و رطوبت نسبی، برای ارتقاءِ فهم و درک از عملکرد هر سیستمی که اقلیم عامل تاثیرگذار بر آن باشد، توسعه یافته اند. الگوریتم های متفاوتی از این مولدها در دو نوع کلی پارامتری و ناپارامتری تا به امروز ارائه شده اند. در این مطالعه کارایی مولد ناپارامتری k نزدیکترین همسایه با قابلیت برونیابی داده ها در سری مصنوعی، برای چندین ایستگاه شامل ایستگاه های تهران، مشهد، قزوین، بوشهر، تبریز و رشت با آمار قابل قبول 45 سال(2005-1961) ارزیابی و برای بیان برتری نسبی این روش ها نسبت به روش های پارامتری، نتایج آن با خروجی مولد پارامتری LARS-WG مقایسه شده است. نتایج حاصله نشان داد که روش ناپارامتری به کارگرفته شده در این مطالعه در شبیه سازی اکثر پارامترهای سری مشاهده شده، نسبت به روش پارامتری مطمئن تر عمل مینماید. با این وجود در شبیه سازی طول دوره های درازمدت تر و خشک، مولد LARS-WG بهتر عمل می کند که البته اختلاف این دو مولد ناچیز می باشد.