بررسی اثر تغییر اقلیم بر مدیریت بحران سیلاب

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناس ارشد علوم و مهندسی آب،

2 استاد

3 استادیار مهندسی عمران

چکیده

در این پژوهش اثر تغییر اقلیم بر مدیریت بحران سیلاب در منطقه‏‏ی دشت تجن مورد بررسی قرار گرفته است. ابتدا آشکارسازی رخداد تغییر اقلیم با استفاده از آزمون‏های ناپارامتری صورت گرفت و متغیر‏های بزرگ مقیاس مدل گردش عمومی جو با مدل اقلیمی  HadCM3تحت سناریوی A2 در چهار دوره‏ی زمانی 2001-1971، 2040-2011، 2070-2041 و 2100-2071 دریافت شدند. برای کوچک مقیاس‏سازی داده‏های مدل گردش عمومی جو در سطح منطقه از روش‏های کوچک مقیاس‏سازی آماری SDSM5.5.1، شبکه‏ی عصبی مصنوعی و روش تناسبی استفاده شد. بر اساس نتایج به‏دست آمده از آزمون‏های آماری روند، مشاهده شد که روند معنی‏داری در تغییرات داده‏های هواشناسی منطقه وجود دارد و پدیده‏ی تغییر اقلیم در منطقه رخ داده است. نتایج کلی مدل  SDSMو روش تناسبی، نشان‏دهنده‏ی کاهش در مقدار بارندگی و افزایش در مقدار دما در دوره‏های آتی است. نتایج مدل شبکه‏ی عصبی مصنوعی به علت درصد خطای بالا برای شبیه‏سازی دما در دوره‏ی مشاهده‏ای رضایت‏بخش نبود. همچنین داده‏های پیش‏بینی شده‏ی دما و بارش با داده‏های تاریخی همبستگی بالا و معنی‏داری در سطح اطمینان 95 درصد داشتند. در آخر می‏توان نتیجه گرفت که به علت افزایش دما و بارش در برخی فصول سال در دوره‏های زمانی آتی به دلیل ذوب برف در اثر افزایش دما در انتهای فصل تابستان و ابتدای پاییز و افزایش بارش در زمستان و پاییز میزان احتمال وقوع سیلاب در این فصول از سال رو به افزایش است.  

کلیدواژه‌ها


عنوان مقاله [English]

Investigating the Effect of Climate Change on Flood Emergency Management

نویسندگان [English]

  • Majid Sheidaeian 1
  • hosein fakhraee 2
  • Mohammad Ali Nekooie 3
1 researcher
2 Instructor, Civil engineering
3 Assist. Prof
چکیده [English]

In this Paper, the Effect of Climate Change on Flood Emergency management was investigated in Tajan plain area. First the detection of climate change event was evaluated by using Non-parametric tests and The large-scale variations of atmospheric general circulation models with HadCM3 climate model under the A2 scenario were received in the four periods 2001-1971, 2040-2011, 2070-2041 and 2100-2071.For downscaling of the atmospheric general circulation models data at the regional level that it was used of statistical downscaling models SDSM5.5.1, artificial neural network and proportional methods. Based on the results of the statistical trend tests,it had been observed there are significant trend in the meteorological data changes of area and occurred phenomenon of ​​climate change in the area. The overall results of SDSM model and proportional method indicate that the decrease in rainfall and increase in the temperature are in future periods. The results of artificial neural network model were not satisfactory, because of the above error to simulate the temperature at an observation period. Also, the predicted temperature and precipitation data had high and significant correlation respectively with historical data at 95 percent confidence level. Finally, we can conclude that the increase in temperature and precipitation at some Seasons of year in future time periods Due to snow melting due to temperature increase at the end of summer and beginning of autumn and precipitation increase at winter and autumn Seasons The value of probability flooding occur at this seasons of the year is on the rise.

کلیدواژه‌ها [English]

  • Non-parametric tests
  • Tajan Plain
  • Downscaling
  • HadCM3 Climate Model
  1.  

     

    1. علیزاده، ا. (1387). اصول هیدرولوژی کاربردی. انتشارات دانشگاه امام رضا (ع)، چاپ بیست و پنجم، فصل 7، 285-286 .
    2. Karamouz.M., Fallahi.M., Nazif.S., and Rahimi Farahani. M., )April, 2009(. Long Lead Rainfall Prediction Using Statistical Downscaling and Artificial Neural Network Modeling, Transaction A: Civil Engineering, Sharif University of Technology, Vol. 16, No. 2, 165-172.
    3. Chu.j.T.,  Xia.J., Xu.C.Y., and Singh.V.P., (2010). Statistical downscaling of daily mean temperature, pan evaporation and precipitation for climate change scenarios in Haihe River, China. Theor Appl Climatol, Springer-Verlag, 99, 149–161.
    4. Von Storch. H., (1995(. Misuses of statistical analysis in climate research. In: Storch HV, Navarra A, editors. Analysis of climate variability: applications of statistical techniques. Berlin: Springer, 11-26.
    5. Yu. P. S., Yang. T. C., and Chou. C. C., (2002). Effects of climate change on evapotranspiration from paddy fields in southern Taiwan. Climatic Change, 54, 165-179.
    6. Yue, S., Hashino. M., )2003(.Temperature trends in Japan: 1900-1996. Theoretical and applied Climatology, 75, 15-27

    7-     Partal. T., Kahya. E., (2006). Trend analysis in Turkish precipitation data. Hydro    Process 20:2011–2026 PDA (Provincial Directorate of Agriculture) Official web sites. http://www.aydintarim.gov.tr/ aydinili.htm. Accessed 9 April 2008.

    8.    Xu. C. y., (1999). From GCMs to river flow: A review of downscaling methods and hydrologic modeling approaches. Progress in physical Geography, 23, 2, 229-249.

    9.     Wilby. R. L., and Dawson. C. w., (2007). SDSM4.2-User Manual.

    10-    سلیمانی ننادگانی. م، (1389). بررسی اثر تغییر اقلیم بر نیاز خالص آبیاری گندم. پایان‏نامه‏ی مقطع کارشناسی ارشد دانشکده مهندسی فناوری و کشاورزی، پردیس کشاورزی و منابع طبیعی دانشگاه تهران، تهران.

    11-   Sajikumar. N., Thandaveswara. B.S., )1999(. Non Liner rainfall runoff Model using artificial neural network. Journal of Haydrology, 216, 32-35.

    12-   اسفندیاری درآباد. ف؛ حسینی. ا؛ آزادی مبارکی. م.؛ حجازی زاده. ز. (1389). پیش‏بینی میانگین دمای ماهانه ایستگاه سینوپتیک سنندج با استفاده از مدل شبکه‏ی عصبی مصنوعی پرسپترون چند لایه. فصلنامه‏ی علمی پژوهشی انجمن جغرافیای ایران، دوره‏ی جدید، سال هشتم، شماره‏ی 27، 45-65.