پژوهشهای تغییرات آب و هوایی

پیش بینی تغییرات بارش در مناطق پربارش ایران، نظیر استان گیلان، برای مدیریت منابع آبی و کاهش مخاطرات طبیعی نظیر سیل بسیار حائز اهمیت است. هدف اصلی این مطالعه، ارزیابی عملکرد هفت مدل مختلف CMIP6 در پیش بینی تغییرات بارش در سه ایستگاه آستارا، بندر انزلی و رشت طی دوره زمانی 1987 تا 2014 (دوره پایه) و پیش بینی آن از سال 2024 تا سال 2050 است. در این پژوهش از روش اصلاح بایاس خطی برای بهبود دقت پیش بینی ها و از سه سناریویSSP1-2.6 ، SSP2-4.5 و SSP5-8.5 برای شبیه سازی تغییرات اقلیمی استفاده شده است. شاخص های آماری نظیر RMSE، PBIAS و R² برای ارزیابی دقت مدل ها به کار گرفته شده اند. علاوه بر این، تحلیل پایداری مدل به روش Sobol و شاخص حساسیت Monte Carlo برای بررسی پایداری و حساسیت مدل ها به تغییرات پارامتریک مورد استفاده قرار گرفتند. نتایج حاصل از اصلاح بایاس خطی نشان داد که مدل ACCESS-ESM1-5 با ضریب تعیین (R²) بالای 99/0، میانگین خطای مطلق (MAE) کمتر از 2 میلی متر و درصد اریبی (PBIAS) نزدیک به صفر، بهترین عملکرد را در هر سه ایستگاه آستارا، بندر انزلی و رشت دارد. این مدل توانست تغییرات ماهانه و فصلی بارش را با دقت بالاتری نسبت به سایر مدل ها شبیه سازی کند. پیش بینی بارش نشان داد که بر اساس سناریوی SSP5-8.5، از سال 2024 تا سال 2050، بارش در ماه های دسامبر و ژانویه در بندر انزلی و رشت به ترتیب به میزان 22% و 25% افزایش و در ماه های ژوئیه و اوت در هر سه ایستگاه مورد مطالعه بین 12% تا 20% کاهش خواهد یافت. در مجموع، استفاده از روش اصلاح بایاس خطی همراه با مدل ACCESS-ESM1-5 می تواند دقت پیش بینی تغییرات اقلیمی را در ایستگاه های پربارش مورد مطالعه و ایستگاه های مشابه آنها بهبود بخشد.

آتش سوزی مزارع یکی از عوامل اصلی آلودگی هوا در مناطق کشاورزی محسوب می شود که اثرات زیست محیطی و بهداشتی جدی به دنبال دارد. این پژوهش با بهره گیری از تصاویر ماهواره ای لندست، مودیس و سنتینل 5 به بررسی آلودگی ناشی از این پدیده در استان مازندران پرداخته است. ابتدا شاخص NDVI برای شناسایی پوشش گیاهی استفاده شد و با حذف جنگل ها، مناطق کشاورزی مشخص گردید. سپس، مناطق سوخته شده طی سال های 2022 تا 2024 با استفاده از شاخص آتش سوزی مودیس شناسایی شدند. صحت نتایج با تصاویر واقعی مودیس تأیید شد و داده های AOD،AAI  و کربن مونوکسید از ماهواره های مودیس و سنتینل 5 استخراج گردید. همچنین، با داده های ایستگاه فتح تهران و اطلاعات ماهواره ای، مدلی رگرسیونی برای برآورد آلودگی در مزارع شهرهای بابل، آمل و فریدون کنار طراحی و نمودارهای روزانه و ماهانه AQI این شهرها برای سال 2022 رسم گردید. نتایج نشان داد که نواحی شرقی استان، شامل بابل، آمل، قائمشهر و ساری، بیشترین میزان آتش سوزی مزارع را داشته است، که با تصاویر ماهواره ای تأیید شد. نقشه آلودگی نشان داد که مناطق ساحلی و جاده های اصلی بیشترین آلودگی را تجربه کردند. تحلیل داده ها رابطه ای معنادار با ضریب تعیین 75/0 بین داده های واقعی و ماهواره ای را نشان داد. شاخص AQI پس از برداشت برنج، به بیش از 120 رسید. بر اساس این یافته ها، پیشنهاد می شود به جای سوزاندن، از روش های جایگزین مدیریت بقایای کشاورزی مانند تبدیل کاه و کلش به بیوچار استفاده شود.

در این پژوهش به بررسی تغییرات فضایی- زمانی ضریب خشکی اقلیم ایران در دوره مشاهده شده (2020-1976) و پیش نمایی آن در دوره آتی (2050-2031) پرداخته شد. جهت بررسی ضریب خشکی از داده های بارش و دما 44 ایستگاه هواشناسی در سرتاسر کشور طی دوره پایه 2014-1976، برونداد سناریوهای SSP (SSP146، SSP246 و SSP585) از مدل های گردش عمومی جو (فاز ششم CMIP) و روش ضریب دمارتن استفاده گردید. برای پیش نمایی داده های بارش و دما و به تبع آن محاسبه ضریب خشکی در دوره آتی از مدل ریزگردانیLARS- WG8  بهره گرفته شد. در راستای ارزیابی تغییرات زمانی و مکانی ضریب خشکی از روش ناپارامتریک من کندال و شیب سن بهره برده شد. نتایج بخش اول مطالعه یعنی بررسی تغییرات در دوره مشاهده شده نشان داد ضریب خشکی در بین سال های 2020-1976 دارای روندی کاهشی بوده و این روند کاهشی در نواحی با اقلیم مدیترانه ای (187/0 – ) و مناطق مرطوب ( 102/0 -) بیشتر است. براساس برونداد داده های ریزگردانی شده و سناریوهای مورد استفاده در دوره آتی روند خشکی متفاوت بوده و عمدتاً در هر سه سناریو خوشبینانه، بدبینانه و متوسط از رفتار کاهشی برخوردار است. که این مهم، به قاره ای تر شدن اقلیم یعنی کاهش رطوبت و افزایش دما همراه است.

در ایران خشکسالی یکی از پرهزینه ترین رویدادهای طبیعی است. خشکسالی کشاورزی یک رویداد اقلیمی است که پیامدهای مخربی برای منابع غذایی و اقتصادی دارد. بارزترین ویژگی این خشکسالی، کاهش رطوبت خاک به دلیل کاهش بارندگی یا افزایش دما است که باعث کاهش عملکرد مزرعه می شود. اما عدم وجود داده های اقلیمی پایش خشکسالی ها دچار مشکل می کند. در این مطالعه جهت پایش خشکسالی کشاورزی از شاخص گیاهی تعدیل شده تاثیر خاک (SAVI) در اراضی کشاورزی پایاب سد سرخاب، واقع در استان اردبیل استفاده شد. نتایج نشان داد که مابین شاخص SAVI حاصل از اراضی کشاورزی و شاخص SPI12 همبستگی معادل 61/0وجود دارد که به سبب این همبستگی، انتظار می رود با افزایش بارش، میزان مساحت اراضی پرآب (با شاخص SAVI از 5/0 تا 7/0) افزایش و در مقابل میزان اراضی کم آب (با شاخص SAVI از 2/0 تا 5/0) کاهش پیدا کند. با تقسیم داده های در دسترس به دو دوره بلندمدت (1986-2024) شامل 39 سال و کوتاه مدت (2010-2024) شامل 15 سال، مشخص گردید که تغییرات مساحت اراضی کم آب با شاخص SAVI پایین، در دوره بلند مدت با شیب 08/0- هکتار تقریبا ثابت و در دوره کوتاه مدت با شیب 1/13+ افزایشی بودند و این در حالی بود که روند بارش مشاهداتی در هر دو دوره افزایشی بود. این مقایسه نشان داد در دوره های آماری منتخب، تاثیر مثبت روند افزایشی بارش های مشاهداتی، به دلیل افزایش دما تعدیل شده و میزان تغییرات رطوبت خاک و در نتیجه پوشش گیاهی براساس تغییرات شاخص SAVI ، تقریبا ثابت یا کاهشی بوده است. در نتیجه استفاده از داده های سنجش از دور، در بررسی و پایش خشکسالی کشاورزی، می تواند در بسیاری از مناطق، به ویژه در مناطق مشخص و فاقد آمار و یا مناطقی با داده های محدود مشاهداتی، بسیار موثر و کاربردی باشد.

خشک سالی از جمله بلایای طبیعی، علی الخصوص در مناطق خشک و نیمه خشک به شمار می آید. استان خوزستان به سبب دارا بودن موقعیت جغرافیایی استراتژیک و وابستگی شدید به منابع آب، در مقابل خشک سالی به شدت آسیب پذیر است. از این رو در پژوهش حاضر، تجزیه و تحلیل و پیش بینی خشک سالی هواشناسی در استان خوزستان به ترتیب با مدل های هوشمند یادگیری ماشین و باکس جنکینز CEEMD-GPR و CEEMD-SARIMA در طول دوره آماری 30 ساله (2020-1989) مورد بررسی قرار گرفت. جهت ارزیابی شرایط خشک سالی، از شاخص استاندارد بارندگی (SPI) حاصل از داده های هشت ایستگاه سینوپتیک استان خوزستان استفاده شد. در گام بعدی نتایج مدل سازی توسط روش های ذکر شده و با استفاده از شاخص های نیکویی برازش با یکدیگر مقایسه شدند. نتایج حاصله بیانگر این بود که مدل CEEMD-GPR به منظور برآورد شاخص SPI در استان خوزستان از کارایی بسیار بالایی برخوردار است. هم چنین پنجره های زمانی بلندمدت SPI از دقت بالاتری نسبت به پنجره های زمانی کوتاه مدت برخوردار بودند. به عنوان مثال در ایستگاه امیدیه، استفاده از SPI 12 ماهه به جای SPI 1 ماهه موجب کاهش مقادیر RMSE و MAE به ترتیب از 178/0 و 097/0 به 167/0 و 087/0 گردید. علاوه بر این، مقادیر R و NS نیز از 954/0 و 969/0 به 963/0 و 974/0 افزایش یافت. به طور کلی می توان عنوان نمود که مدل CEEMD-GPR قادر است با استفاده از مؤلفه های استخراج شده از تجزیه CEEMD، ساختار دینامیکی پیچیده تری از داده ها را فرا گیرد. بر همین اساس، نتایج این پژوهش نشان می دهد که مدل های ترکیبی مبتنی بر تجزیه CEEMD در کنار یادگیری ماشین، ابزارهایی قدرتمند و با کارایی بالا جهت تحلیل و پیش بینی خشک سالی هواشناسی در اقلیم های خشک و نیمه خشک هستند.

پایش مستمر میزان کربن آلی خاک یکی از نیازهای نظارت بر فرایند های زیست محیطی منجمله تغییرات اقلیمی واثرات آن بر اکوسیستم است. هدف تحقیق حاضر شناخت رابطه تغییر اقلیم و تغییر کاربری اراضی و تاثیر آن بر ترسیب کربن خاک های زاگرس میانی است. پس از بررسی چشمی تصویر رنگی و مشاهدات میدانی، به روش تصادفی طبقه بندی شده 180 محدوده دارای پوشش درخت مشخص و از هر نقطه تا عمق 20 سانتی متری نمونه های خاک برداشت و به آزمایشگاه منتقل و برخی ویژگی های فیزیکی و شیمیایی خاک اندازه گیری شد. نتایج نشان دهنده افزایش سطوح فاقد پوشش گیاهی یا به عبارتی تغییر کاربری های جنگلی و مرتعی به سطوح بدون پوشش است، این نتایج با روند تغییرات کاربری اراضی در منطقه منطبق می باشد. بطوری که تغییرات سبزینگی و پوشش گیاهی در سطح استان متأثر از شرایط خشکسالی و ترسالی تضعیف یا تشدید می شود. بطور کلی تغییر کاربری اراضی از جنگل و مرتع به اراضی فاقد پوشش گیاهی، تغییرات شاخص دمایی منتج از محاسبات تصاویر ماهواره ای که نشان دهنده تنش در پوشش گیاهی به علت دما و خشکی بالا است و از طرف دیگر شاخص های گیاهی هم بیان کننده کاهش سطوح دارای پوشش گیاهی هستند که منجر به کاهش زیست توده گیاهی و کاهش تولید ماده آلی در کاربری های تغییر یافته می گردد. بطورکلی با توجه به روند کاهش ترسیب کربن از 89 تن در هکتار به 50 تن در هکتار در بازه زمانی 30 ساله می توان انتظار داشت با سناریوی اقلیمی موجود و مدیریت فعلی منابع طبیعی وضعیت پوشش گیاهی منطقه فقیر و کاهش مقادیر ترسیب کربن ناشی از پوشش گیاهی در آینده قابل پیش بینی است.