محمدامین اسدی

خشکسالی یکی از مهمترین مخاطرات طبیعی است که برآورد و پایش صحیح آن تاثیر زیادی بر مدیریت و کاهش خسارات ناشی از این پدیده دارد. امروزه علاوه بر شاخصهای خشکسالی مبتنی بر داده های اقلیمی، شاخص های سنجش از دوری خشکسالی نیز به طور گسترده خصوصا در مناطقی که با کمبود داده های اقلیمی مواجه هستند، مورد استفاده قرار می گیرند. با توجه به دسترسی مناسب به تصاویر ماهواره ای و اطلاعات قابل توجه ارائه شده توسط این تصاویر، این شاخص ها عملکرد نسبتا مناسبی را ارائه می دهند. همچنین شاخص های ترکببی سنجش از دوری شاخص های نسبتا جدید و چند متغیره ای هستند که برای پایش خشکسالی، تلفیقی از شاخص های سنجش از دوری را در نظر می گیرند. مطالعات نشان داده است اثربخشی این شاخص ها می تواند تحت تاثیر منطقه مورد مطالعه نیز قرار گیرد. با توجه به اهمیت ارزیابی کارآیی روش های نوین در پایش خشکسالی، عملکرد شاخص ترکیبی سنجش از دور CDI با شاخص های سنجش از دوری VCI، TCI، VHI و PCI در استان چهارمحال و بختیاری مقایسه گردید. شاخص CDI ترکیبی از شاخص های VCI، TCI و PCI می باشد. بدین منظور مقادیر شاخص های مذکور با مقادیر شاخص خشکسالی اقلیمی SPI در دوره آماری 2020-2001 و با در نظر گرفتن تاخیر زمانی 0 تا 8 ماه از طریق محاسبه ضریب تعیین مقایسه شدند. برای هر شاخص تاخیر زمانی که بالاترین ضریب تعیین را ارائه نمود، مشخص شد. برای محاسبه SPI، از داده های بارش 19 ایستگاه باران سنجی منطقه مطالعه در مقیاسهای زمانی 3 و 6 ماهه استفاده شد. نتایج نشان داد شاخص ترکیبی CDI با اختلاف قابل توجه بیشترین تطابق را با مقادیر SPI ارائه می دهد. بر اساس نتایج، بالاترین ضریب تعیین برای شاخص VCI در مقیاس زمانی شش ماهه با تاخیر زمانی 3 ماه به طور میانگین برابر 0.30 می باشد. برای شاخص TCI، مقدار R2 میانگین برابر 0.50 در هر دو مقیاس سه و شش ماهه و بدون تاخیر زمانی می باشد. R2 میانگین برای شاخص VHI در مقیاس شش ماهه با تاخیر دو ماه برابر 0.41 محاسبه شد. ضریب تعیین میانگین برای PCI در مقیاس سه ماهه و بدون تاخیر زمانی برابر 0.32 به دست آمد. در نهایت شاخص CDI عملکرد بسیار بهتری را ارائه کرد. مقادیر  R2میانگین در هر دو مقیاس زمانی سه و شش ماهه و بدون تاخیر زمانی برابر 0.83 به دست آمد. بنابراین در حالیکه هر یک از سه شاخص  VCI، TCI و PCI به صورت مجزا تطابق نسبتا ضعیفی را با SPI ارائه کردند، تلفیق آنها در قالب شاخص CDI تطابق فابل توجهی را با SPI ارائه کرد.

در مطالعات تغییر اقلیم، مقیاس کاهی و تبدیل داده های مدل های گردش کلی (GCMs) از سلول های بزرگ مقیاس به واحدهای کوچک تر و یا نقطه ای بسیار حائز اهمیت است. در این پژوهش روشی برای مقیاس کاهی داده های بزرگ مقیاس دمای ماهانه مدل های گردش کلی CMIP6 ارائه گردیده است که در آن، از رابطه بین دمای هوای استان یزد با دمای سطح زمین (LST) به عنوان یکی از محصولات تصاویر سنجنده مودیس استفاده گردید تا داده های دمایی سه مدل گردش کلی TaiESM1، ACCESS-CM2 و CanESM5 با دقت های مکانی 105*118 کیلومترمربع، 138*175 کیلومترمربع و 310*270 کیلومترمربع را به نقشه های دمای ماهانه استان یزد با دقت مکانی 1*1 کیلومترمربع بهبود دهد. نتایج حاصله نشان داد که روش پیشنهادی برای مقیاس کاهی دما، کارآیی مناسب تری نسبت به روش های پیشین نظیر روش دلتا داشته و در مدل های مختلف گردش کلی با دقت های مکانی مختلف دارای کارایی های متفاوتی بوده است؛ به طوری که دقت این روش در مدل Can-ESM5 نسبت به مدل های Access-CM2 و Tai-ESM2 بیشتر بود. در ادامه، اقدام به شبیه سازی میانگین دمای ماهانه و سالانه استان یزد به کمک مدل های TaiESM1، ACCESS-CM2 و CanESM5 تحت سه سناریوی SSP1-2.6، SSP2-4.5 و SSP5-8.5 در دهه های آتی (2100-2015 میلادی) شد. بر اساس نتایج به دست آمده از محدوده مطالعاتی استان یزد، میانگین دمای سالانه دهه های آتی استان یزد دارای روند افزایشی بوده و این مدل ها افزایش دمای 15 تا 35 درصد (میانگین 22 درصد) نسبت به دوره پایه را پیش نگری می کند. در بین سه مدل گردش کلی مذکور، بیشترین افزایش دما توسط CanESM5 پیش نگری شده و در بین سه سناریوی SSP بیشترین افزایش دما توسط سناریوی SSP5-8.5 پیش نگری شده است.