ORIGINAL_ARTICLE
تحلیل تغییرات زمانی- مکانی خشکسالی های فصلی هواشناسی
خشکسالی هواشناسی از مهم ترین پدیده های زیان بار جوی است که به طور مستمر و متناوب در هر اقلیمی رخ می دهد. در این پژوهش جهت شناسایی و پهنه بندی مناطق مشابه از لحاظ وضعیت رخداد خشکسالی از روش خوشه بندی استفاده شد. به این منظور، اطلاعات بارش 25 ساله 120 ایستگاه هواشناسی سینوپتیک در کل پهنه جغرافیایی ایران از سازمان هواشناسی کشور اخذ و پس از کنترل کیفی آن ها، شاخص خشکسالی بارش استاندارد شده (SPI) در پنجره زمانی 3 ماهه برای 4 فصل سال محاسبه شد. سپس مقادیر SPI در محیط GIS با روش کریجینگ درون یابی گردید. اطلاعات مقادیر درون یابی شده برای شبکه نقاطی به فواصل 10 کیلومتری، 16203 نقطه استخراج و ماتریسی از داده های درون یابی شده فصلی طی 25 سال تشکیل شد. درنهایت، شبکه نقاط بر اساس اطلاعات شاخص خشکسالی در فصل های مختلف به روش K-means خوشه بندی شدند. نتایج نشان داد که تعداد بهینه خوشه ها در فصل های بهار، تابستان،پاییز و زمستان به ترتیب 8، 10، 9 و 6 عدد می باشد. ضمن آن که نوع سامانه های بارشی که در فصول مختلف وارد ایران می شوند، جهت و شکل خوشه ها را تحت تأثیر قرار می دهد.
https://www.agrimet.ir/article_54962_ad9c4e2c611e5558871ba302d4d8b61c.pdf
2016-04-20
1
11
خشکسالی
خوشه بندی
کریجینگ
شاخص بارش استاندارد شده
k-means
منیره
فغانی
monir.faghani@yahoo.com
1
دانش آموخته مهندسی منابع آب، دانشکده کشاورزی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان
AUTHOR
خلیل
قربانی
ghorbani.khalil@yahoo.com
2
دانشیار گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، ایران
LEAD_AUTHOR
میثم
سالاری جزی
3
استادیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان
AUTHOR
اقدسی، ف. 1383. ارزیابی چند روش زمینآماری ترسیم میدان عددی بارندگی روزانه و سالانه (مطالعه موردی: دشت برخوار). نشریه آب و خاک، 26(3): 743-752.
1
بذرافشان،ج. 1381. مطالعهتطبیقیبرخینمایههای خشکسالیهواشناسیدرچندنمونهاقلیمیایران.پایاننامهکارشناسیارشد، دانشگاهتهران،دانشکدهکشاورزیکرج.
2
پاپلییزدی،م. ح.1378.آیینهایبارانخواهیدرزمانخشکسالی. فصلنامهعلمیپژوهشیتحقیقاتجغرافیایی، 55: 186-211.
3
پیری، ح.، راهداری، و.، ملکی، س. 1392. ارزیابی تطبیقی چهار نمایه خشکسالی هواشناسی با استفاده از روش تحلیل خوشهای (مطالعه موردی: استان سیستان و بلوچستان). نشریه مهندسی منابع آب، 96: 11- 114.
4
تقیزاده مهرجردی، ر.، زارعیانجهرمی، م.، محمودی، ش.، حیدری، ا.، سرمدیان، ف. 1387. بررسی روشهای درونیابی مکانی جهت تعیین تغییرات مکانی ویژگیهای کیفی آبهای زیرزمینی دشت رفسنجان. نشریه علوم و مهندسی آبخیزداری ایران، 5(2):64-72.
5
ثقفیان، ب.، رزمخواه، ه.، قرمزچشمه، ب. 1391. بررسی تغییرات منطقهای بارش سالانه با کاربرد روشهای زمینآمار (مطالعه موردی: استان فارس). نشریه مهندسی منابع آب، 29: 1-39.
6
چناری، م. 1385. بررسی تغییرات چند نمایه مختلف خشکسالی با استفاده از زنجیره مارکف در نمونه اقلیمی البرز جنوبی. پایاننامه کارشناسی ارشد دانشکده کشاورزی دانشگاه تهران .
7
حیدری، ح.، علیجانی، ب. 1378. طبقهبندی اقلیمی ایران با استفاده از تکنیک آماری چند متغیره. پژوهشهای جغرافیایی، 37: 57- 74.
8
درویشیبایگی،ن. 1381.پایشخشکسالیبااستفادهازنمایههایخشکسالی،پایاننامهکارشناسیارشد،دانشکدهعلوم انسانی،دانشگاهتبریز.
9
رضیئی، ط.، عزیزی، س. ق. 1386. منطقهبندی رژیم بارش غرب ایران با استفاده از روشهای تحلیل مؤلفههای اصلی و خوشهبندی. تحقیقات منابع آب ایران، 3(2): 62- 65.
10
رمضانی،ن. ا. 1380. تحلیلوپیشبینیخشکسالیهاوترسالیهایاستانمازندران.پایاننامهکارشناسیارشد،دانشگاه تربیت معلم تهران.
11
زارعابیانه،ح.، محبوبی. ع. 1383. بررسیوضعیتخشکسالیوروندآندرمنطقههمدانبراساسشاخصهایآماری خشکسالی.نشریهپژوهشوسازندگی،64: 2-7.
12
شکیبا، ع.، میرباقری، غ.، خیری، ا. 1389. خشکسالی و تأثیر آن بر منابع آب زیرزمینی در شرق استان کرمانشاه با استفاده از شاخص SPI. فصلنامه علمی- پژوهشی انجمن جغرافیای ایران، 25: 106- 124.
13
صفدری،ع. ا. 1382. تحلیلکمیشدت،تداوم،فراوانیوگسترهخشکسالیهابهکمکدادههایبارندگی (مطالعهموردی: حوضهآبریزکارون).پایاننامهکارشناسیارشد،دانشکدهمنابعطبیعی،دانشگاهتهران.
14
عباسی،ل. 1380. بررسیوارزیابیشاخصهایشدتخشکسالیاستانخوزستاندرسالآبی79-1380 مقالاتاولینکنفرانسبررسیراهکارهایمقابلهبابحرانآب،زابل، 3 :55-168.
15
عیوضی، م.، مساعدی، ا.1390. پایش و تحلیل مکانی خشکسالی هواشناسی در سطح استان گلستان با استفاده از روشهای زمینآماری. نشریه مرتع و آبخیزداری (منابع طبیعی ایران)، 65:1-78.
16
قربانی، خ. 1391. رگرسیون وزندار جغرافیایی روشی برای ترسیم نقشههای همبارش در استان گیلان. نشریه آب و خاک، 26(3): 743-752.
17
قربانی، خ.، خلیلی، ع.، علویپناه، ک. 1389. مطالعه تطبیقی نمایههای هواشناسی خشکسالی SIAP و SPI به روش دادهکاوی در استان کرمانشاه. نشریه آب و خاک، 24(3): 417-426.
18
مدرس، ر. 1385. توابع توزیع منطقهای بارش در ایران. نشریه پژوهش و سازندگی در منابعطبیعی، 75: 86- 91.
19
مساعدی، ا.، مرعشی، م.، کواکبی، غ. 1388. بررسی مقایسهای خشکسالی در مناطق پرباران و کم باران (مطالعه موردی: استان گلستان). نشریه علوم کشاورزی و منابع طبیعی، 16(1): 277-290.
20
مسعودیان، ا. 1384. شناسایی رژیم بارش ایران به روش تحلیل خوشهای. پژوهشهای جغرافیایی، 47:52-59.
21
مؤمنی، م. 1390. خوشهبندی دادهها (تحلیل خوشهای). انتشارات تهران، 296 صفحه.
22
Amissa, A., Jagtap, S. S. 1998. Geographic variation in growing season rainfall during three decades in Nigeria using principal component and cluster analysis, Theor. Appl. Climatol., 63: 107-116.
23
Dupigny, L. 2001. Towards characterizing and planning for drought in Vermont- part i: A climatologically perspective. J. American Water Res. Assoc., 37: 505-525.
24
Edvards, D. C., McKee, T. B. 1997. Characteristics of 20th century drought in the United States a multiple time scales. Climatology report number 97-2, Department of Atmospheric Science, Colorado State University, Fort Collins.
25
Gocic, M., Trajkovis, S. 2014. Spatiotemporal characteristics of drought in sebria. J. Hydrol., 510: 110-123.
26
Macqueen, J. 1967. Some methods for classification and analysis of multivariate observations. In proceedings of the 5th Berkeley symposium on mathematical statistics and probability, 1:281-297.
27
McKee, T. B., Doesken, N. J., Kleist, J. 1993. The relationship of drought frequency and duration to time scales. In: Proceedings of the Eighth Conference on Applied Climatology. American Meteorol. Soc. Boston: 179-184.
28
Reiser, H., Kutiel, H. 2007. Rainfall uncertainty in the Mediterranean: definition of the rainy season-A methodological approach. Theor. Appl. Climatol., 94: 35-49.
29
Rousseuw, P. J. 1987. Silhoettes a graphical aid to the interpretations and validations of clustering analysis. J. Comput. Appl. Math., 20: 53-65.
30
Serrano, S. M., Lopez-Moreno, J. I. 2005. Hydrological response to different time scales of climatological drought: an evaluation of the standardized precipitation index in a mountainous mediterranean basin. Hydrol. Earth Syst. Sci., 84: 35-46
31
Silva. V. P. R. 2003. On climate variability in northeast Brazil. J. Arid Environ., 54(2): 256-367.
32
Tobler, W. R. 1970. A computer movie simulating urban growth in the Detroit region. Econ. Geogr., 46: 234-240.
33
ORIGINAL_ARTICLE
پهنه بندی اقلیمی کشاورزی کشت مرکبات در استان خوزستان با روش فرآیند تحلیل سلسله مراتبی
هدف از این پژوهش اولویت بندی نواحی اقلیمی مستعد کشت مرکبات در خوزستان، به کمک روش تحلیل سلسله مراتبی (AHP) چهار سطحی (اهداف، معیارها، زیرمعیارها و گزینه ها)، با استفاده از اطلاعات اقلیمی و محیطی استان دربازه زمانی20 ساله (1981-2010) می باشد. پس از شناسایی گزینه های مرجع و تعیین رتبه آن ها، با در نظر گرفتن هم زمان کلیه معیارهای تصمیم گیری، ضریب اهمیت (وزن) معیارها و زیر معیارها توسط نرم افزار Expert Choice بر اساس روش استاندارد شده مقایسه زوجی محاسبه گردید.آنگاه بر اساس مدل (AHP) ضمن تخصیص ارزش متناظر لایه ها نقشه های حاصله در محیط GISتلفیق شدند. در نهایت، بر اساس اعمال وزن نهایی هر یک از زیر معیارهای محیطی و اقلیمی مؤثر در کشت، نقشه پهنه بندی نواحی مستعد کشت مرکبات استان تهیه گردید.نتایج نشان داد که روش فرآیند تحلیل سلسله مراتبیبا به کارگیری هم زمان معیارهای کیفی و کمی و قابلیت کاربرد مطلوب در برنامه ریزی اقلیمی- محیطی، توانایی تعیین و تفکیک مناطق مستعد کشت مرکبات در خوزستان را دارد.نقشه پهنه بندی اقلیمی-کشاورزی کشت مرکبات خوزستان در 4 کلاس اهمیت (ضعیف، متوسط، خوب و عالی) طبقه بندی شد. مناطق شمالی و شرقی استان از شرایط خوب تا عالی جهت کشت مرکبات برخوردار است و مناطق محدودیت دار استان با پتانسیل ضعیف، بخش های جنوبی، مرکزی و غربی را در بر می گیرند.
https://www.agrimet.ir/article_54963_2e868aec54618197f1b6561e006c2224.pdf
2016-04-20
12
21
اقلیم
پهنه بندی
مرکبات
سامانه اطلاعات جغرافیایی
خوزستان
رضا
برنا
bornareza@yahoo.com
1
دانشیار اقلیم شناسی، گروه جغرافیا، دانشگاه آزاد اسلامی، واحد اهواز
LEAD_AUTHOR
افسانه
علیزاده
2
دانشجوی کارشناسی ارشد اقلیم شناسی، دانشگاه آزاد اسلامی واحد اهواز
AUTHOR
آل کثیر، ا. 1390. مطالعه و بررسی شرایط اقلیمی مؤثر برکشت نیشکر با استفاده از تکنیک GIS در استان خوزستان. پایاننامه کارشناسی ارشد اقلیمشناسی، دانشگاه آزاد اسلامی واحد اهواز.
1
امانی، ح. 1378. اقلیم کشاورزی گندم دیم مطالعه موردی شهرستان مریوان، پایاننامه کارشناسی ارشد جغرافیای طبیعی (اقلیمشناسی در برنامهریزی محیطی)، دانشگاه شهید بهشتی.
2
بازگیر، س. 1378. بررسی پتانسیل اقلیمی کشت گندم دیم (مطالعه موردی: استان کردستان)، پایاننامه کارشناسی ارشد اقلیمشناسی، دانشگاه تهران.
3
ضیائیان فیروزآبادی، پ. 1389. پهنهبندی آگروکلیمای مرکبات در استان لرستان با استفاده از مدل همپوشانی و منطق فازی و مقایسه مدلها. نشریه جغرافیایی آمایش، 3 (8): 54-21.
4
علیزاده، ا. 1391. ناحیهبندی آگروکلیمای کشت مرکبات در استان خوزستان با استفاده از سیستم اطلاعات جغرافیایی، پایاننامه کارشناسی ارشد اقلیمشناسی، دانشگاه آزاد اسلامی واحد اهواز.
5
فرج زاده، م.، تکلوبیغش، ع. 1380. ناحیهبندی آگروکلیمای استان همدان با استفاده از سیستم اطلاعات جغرافیایی. نشریه پژوهشهای جغرافیایی، 1 (41): 105-93
6
قدسی پور، ح. 1388. فرآیند تحلیل سلسله مراتبی AHP. انتشارات دانشگاه امیر کبیر، 236 صفحه.
7
قلیزاده، م. 1378. بررسی پارامترهای اقلیمی مؤثر در کاشت زیتون استان لرستان، پایاننامه کارشناسی ارشد اقلیمشناسی، دانشگاه تربیت معلم تهران.
8
کمالی، غ. صدقیانی پور، ع.، صداقت کردار، ع.، عسگری، ا. 1387. بررسی پتانسیل اقلیمی کشت گندم دیم در استان آذربایجان شرقی. نشریه آب و خاک، 22 (2): 483-467.
9
محمدی، ح. 1385. آب و هواشناسی کاربردی، انتشارات دانشگاه تهران، چاپ اول، 259 صفحه.
10
محمدی، ح. 1386. کاربردGIS در امکانسنجی کشت زیتون در استان خوزستان. نشریه پژوهش و سازندگی در زراعت و باغبانی، 20 (1): 133-123
11
میرزا بیاتی، ر. 1383. بررسی نواحی مستعد کشت زعفران در دشت نیشابور با استفاده از GIS و RS، پایاننامه کارشناسی ارشد اقلیمشناسی، دانشگاه تربیت مدرس.
12
Beigbabayi, B., Azadi Mobaraki, M. 2012. Using AHP Modeling and GIS to Evaluate the Suitability of Site with Climatic Potential for Cultivation of Autumn Canola in Ardabil Province. Ann. Biol. Res., 3(5): 2307-2317
13
Bertolini, M. 2006. Application of the AHP methodology in making a proposal for a public work contract, 17 January.
14
Bowen, W. M. 1990. Subjective judgments and data environment analysis in site selection. Comp. Environ. Urban Syst., 14: 133-144.
15
Malczewski, J. 2000. On the Use of Weighted Linear Combination Method in GIS: Common and Best Practice Approaches. Transactions in GIS, 4 (1): 5-22.
16
Moreno, J. 2005. A spreadsheet module for consistent consensus building in AHP- group decision making. Group Decision and Negotiation, (14): 89–108.
17
Saati, T. L. 1980. The Analytical Hierarchy Process. McGraw Hill, New York: 350 pages.
18
Saati, T. L. 2000. Fundamentals of decision making and priority theory: 2nd Ed., PA: RWS Pub , Pittsburgh.
19
ORIGINAL_ARTICLE
چشم انداز زمان وقوع یخبندان های زودرس پاییزه و دیررس بهاره تحت شرایط تغییر اقلیم با استفاده از مدل SDSM در چند ایستگاه منتخب در نیمه غربی ایران
در سال های اخیر، تغییر رفتار رویدادهای حدی اقلیمی (نظیر یخبندان های زودرس پاییزه و دیررس بهاره) به علت تغییر اقلیم مورد توجه محققان زیادی قرارگرفته است. هدف از این تحقیق، ارزیابی تغییرات تاریخ شروع و خاتمه یخبندان با استفاده از داده های مدل گردش عمومی جو HadCM3 است که با به کارگیری مدل SDSM تحت دو سناریوی A2 و B2 ریز مقیاس شده اند. برای این منظور، داده های روزانه ۴۰ ساله (۲۰۰۱-۱۹۶۱) دمای کمینه چهار ایستگاه منتخب نیمه غربی کشور شامل ایستگاه های اراک، زنجان، قزوین و سقز به عنوان اقلیم گذشته وارد مدل شدند و داده های دمای حداقل روزانه برای دوره ۴۰ ساله آینده (۲۰۵۱-۲۰۱۱) پیش بینی گردید. تاریخ های مربوط به اولین و آخرین یخبندان در سه آستانه دمایی خفیف، متوسط و شدید استخراج شدند. نتایج نشان داد که تاریخ یخبندان پاییزه در ایستگاه قزوین دیرتر و در ایستگاه سقز زودتر و تاریخ آخرین یخبندان بهاره در ایستگاه سقز دیرتر و در ایستگاه قزوین زودتر از گذشته نسبت به سایر ایستگاه ها پیش بینی شده است. در کل نتایج حاصل از مدل SDSM تحت هر دو سناریو در برآورد تاریخ وقوع یخبندان های زودرس و دیررس آینده اختلاف چندانی با یکدیگر نداشتند.
https://www.agrimet.ir/article_54964_de02645bfde7648c4fbe739d99d11c5d.pdf
2016-04-20
22
31
ایران
ریزمقیاس نمایی
یخبندان
SDSM
HadCM3
زهرا
آقاشریعتمداری
zagha@ut.ac.ir
1
استادیار گروه آبیاری و آبادانی، دانشگاه تهران
LEAD_AUTHOR
جواد
بذرافشان
jbazr@ut.ac.ir
2
دانشیار گروه مهندسی آبیاری و آب ایران، دانشگاه تهران
AUTHOR
الهه
صفایی
3
دانشجوی کارشناسی ارشد هواشناسی کشاورزی، دانشگاه تهران
AUTHOR
آبکار، ا.، حبیبنژاد، م.، سلیمانی، ک.، نقوی، ه. ۱۳۹۳. حساسیت مدل ریزمقیاسنمایی SDSM به دادههای بازتحلیل شده در مناطق خشک. خشک بوم، (۲)۴: 11- 27.
1
ابراهیمپور، م. 1390. ارزیابی عملکرد مدلهای SIMETAW و AquaCrop در برآورد تبخیر- تعرق پتانسیل در شرایط موجود و سناریوهای محتمل تغییراقلیم. پایاننامه کارشناسی ارشد هواشناسی کشاورزی، دانشگاه تهران.
2
اسپنانی، ک.، شهیدی، ع.، رستمیان، ر.، فرزانه، م. 1391. بررسی تغییر اقلیم در دورههای آتی به کمک مدل SDSM (مطالعه موردی: حوضه بهشتآباد کارون شمالی). اولین همایش ملی بیابان، دانشگاه تهران.
3
اسماعیلی، ر.، ادب، ج.، گندمکار، ا. 1389. ارزیابی تغییرات یخبندانهای دیر هنگام خراسان رضوی در دوره اقلیمی آینده. مجموعه مقالات چهارمین کنگره بینالمللی جغرافیدانان جهان اسلام (ICIWG 2012) دانشگاه سیستان و بلوچستان.
4
اسماعیلی، ر.، گندمکار، ا.، غیور، ح. 1390. پهنهبندی میزان تغییرات اقلیمی از دیدگاه کشاورزی در دوره اقلیمی آینده (مطالعه موردی: استان خراسان رضوی). جغرافیا و برنامهریزی محیطی، ۴۱(۱): ۵۲-۳۵.
5
پژوهنده، م. 1390. بررسی اقلیمی و سینوپتیکی مدت و شدت یخبندان دیررس بهاره در نیمه غربی کشور. پایاننامه کارشناسی ارشد هواشناسی کشاورزی، دانشگاه تهران.
6
توکلی، م.، حسینی، م. 1385. ارزیابی شاخصهای یخبندان و شروع پاییزه آن در ایران و مطالعه موردی ایستگاه اکباتان همدان. نشریه نیوار، ۶۰-۶۱: 42-31.
7
دهقانیپور، ا.، حسنزاده، م.، عطاری، ج.، عراقینژاد، ش. 1390. ارزیابی توانمندی مدل SDSM در ریزمقیاسنمایی بارش، دما و تبخیر (مطالعه موردی: ایستگاه سینوپتیک تبریز). یازدهمین سمینار سراسری آبیاری و کاهش تبخیر کرمان.
8
علیزاده، ا. 1373. تاریخ وقوع اولین یخبندانهای پاییزه و آخرین یخبندانهای بهاره در استان خراسان. نشریه نیوار، ۲۴: 36-24.
9
Chu, J. T., Xia, J., Xu, C. Y., Singh, V. P. 2010. Statistical downscaling of daily mean temperature, pan evaporation and precipitation for climate change scenarios in Haihee River. Theor. Appl. Climatol., 99(1-2): 149-161.
10
Dibike, B. Y., Coulibaly, P. 2006. Temporal neural networks for downscaling climate variability and extremes. J. Neural Netw., 19(2): 135-144.
11
Esterling, D. R. 2002. Recent changes in frost days and the frost in the United States. Bull. Amer. Meteor. Soc., 83(9): 1327-1332.
12
Khan, M. S., Coulibaly, P., Dibike, Y. 2006. Uncertainty analysis of statistical downscaling methods. J. Hydrol., 319(1): 357-382.
13
Thom, H. C. S., Shaw, R. H. 1958. Climatological Analysis of Freeze Data for Iowa. Mon. weather rev., 86(7): 251-257.
14
Von Storch, H., Zorita, E., Cubasch, U. 1993. Downscaling of global climate change estimates to regional scales: An application to Iberian rainfall in wintertime. J. Clim., 6(6): 1161-1171.
15
Watkins, C. 1991. The annual period of freezing temperatures in Central England: 1850-1989. Inter. J. Climatol., 11 (8): 889-896.
16
Waylen, P. R. 1988. Statistical analysis of freezing temperatures in central and southern Florida. J. Climatol., 8(6): 607-628.
17
Wilby, R. L., Conway, D., Jones, P. D. 2002. Prospects for downscaling seasonal precipitation variability using conditioned weather generator parameters. J. Hydrol. process, 16(6): 1215-1234.
18
Wilby, R. L., Dawson, C. W. 2004. Statistical downscaling model: SDSM version 3.1 (software and user guide).
19
Wilby, R. L., Dettinger, M. D. 2000. Streamflow changes in the Sierra Nevada, California, simulated using statistically downscaled general circulation model output. In: linking climate change to land surface change, in linking climate change to land surface change. Springer Netherlands: 99-121.
20
Winkler, J. A., Palutikof, J. P., Andresen, J. A., Goodess, C. M. 1997. The simulation of daily temperature series from GCM output. Part II: Sensitivity analysis of an empirical transfer function methodology. J. Clim., 10(10): 2514–2532.
21
ORIGINAL_ARTICLE
دورسنجی تبخیر- تعرق واقعی و ضریب گیاهی سیب با استفاده از تصاویر سنجنده مودیس و مدل سبال (مطالعه موردی: دشت اهر، ایران)
رخداد گرمایش فراگیر و پیآمد آن تغییر اقلیم، تولید گیاهی را در برخی از اقلیم ها با چالش روبه رو کرده است. با توجه به اقلیم خشک و نیمه خشک ایران و کمبود آب شیرین، یکی از راهکارهای کاهش اثرات تنش آبی بهبود مدیریت منابع آب و سرانجام افزایش کارآیی مصرف آب است. برآورد دقیق تبخیر- تعرق و نیاز آبی گیاهان در گستره وسیعی می تواند در بهبود مدیریت کشت و تخصیص آب کارآمد باشد. در این پژوهش از تصاویر سنجنده مودیس و مدل سبال، که یکی از پرکاربردترین و دقیق ترین مدل های سنجش از دور می باشد، برای برآورد دقیق تبخیر- تعرق واقعی در دشت اهر در استان آذربایجان شرقی و در سال زراعی 93-92 استفاده شد. اساس محاسبات در این مدل بر معادله ترازمندی تابش در سطح زمین استوار است. مدل سبال با استفاده از دمای سطحی، بازتابندگی سطحی و نمایه تفاوت نرمال شده گیاهی (NDVI) پارامترهای این معادله را برآورد می کند. یافته های به دست آمده نشان داد که تبخیر- تعرق واقعی از آغاز فصل (با 0/59 میلی متر بر روز) تا نیمه های تابستان روندی افزایشی داشت، به گونه ای که در 27 تیر 93 مقدار آن به بیشینه (10/1 میلی متر بر روز) رسید. نقشه های پراکندگی مکانی شاخص های گیاهی و پارامترهای معادله تراز تابش نشان داد که مناطق جنوبی دشت که بالاترین تراکم گیاهی را دارا هستند، بیش ترین میزان تبخیر- تعرق واقعی را به خود اختصاص داده اند. نتایج مقایسه آماری بین تبخیر- تعرق واقعی حاصل از مدل سبال و روش معیار پنمن- مانتیث- فائو نیز نشان داد که در سطح اطمینان 95 درصد اختلاف معنی داری میان این دو روش وجود ندارد. همچنین همبستگی بالایی (0/92= r) میان داده های دو روش دیده شد. ریشه میانگین مربعات خطا (RMSE) برابر با 0/96 میلی متر بر روز برآورد شد، که نشان دهنده دقت پذیرفتنی مدل سبال در برآورد تبخیر- تعرق در منطقه می باشد. از یافته های این پژوهش نتیجه گرفته می شود که برآورد تبخیر- تعرق با روش سنجش از دور، برآورد دقیقی از پهنه فراهم می کند و این برتری خوبی بر روش های نقطه ای است.
https://www.agrimet.ir/article_54965_5a0ceac74a1bccfb7488815c1df99718.pdf
2016-04-20
32
43
اهر
تبخیر- تعرق
سنجش از دور
مدل سبال
محمود
رائینی سرجاز
raeini@yahoo.com
1
دانشیار بخش مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی ساری
LEAD_AUTHOR
امین
رستمی
amin_rostami1@yahoo.com
2
دانشجوی دکتری آبیاری و زهکشی، بخش مهندسی آب دانشگاه علوم کشاورزی و منابع طبیعی ساری
AUTHOR
اکبری، م.، سیف، ز.، زارع ابیانه، ح. 1390. برآورد میزان تبخیر- تعرق واقعی و پتانسیل درشرایط اقلیمی مختلف با استفاده از سنجش از دور. آب و خاک، 25 (4): 844-835.
1
امیدوار، ج.، داوری، ک.، ارشد، ص.، موسوی بایگی، م.، اکبری، م.، فرید حسینی، ع. 1391. برآورد تبخیر و تعرق واقعی با استفاده از تصاویر سنجنده استر و مدل متریک. مهندسی آبیاری و آب، 3 (9): 49-38.
2
پورمحمدی، س.، دستورانی، م.، مختاری، م.، رحیمیان، م. 1389. تعیین و پهنهبندی تبخیر- تعرق واقعی توسط تکنیک سنجش از دور و الگوریتم سبال (مطالعه موردی: حوزه آبخیز منشاد در استان یزد). علوم و مهندسی آبخیزداری ایران، 21 (4): 30-21.
3
دانشکار آراسته، پ.، تجریشی، م.، ثقفیان، ب. 1384. تعیین دمای سطح با استفاده از فناوری سنجش از دور در منطقه سیستان. آب و آبخیز، 29-20.
4
علی اصغرزاده، ح.، ثنائی نژاد، س. ح. 1385. تخمین تبخیر و تعرق با استفاده از داده های سنجش از دور و سیستم اطلاعات جغرافیایی در حوضه آبخیز تنگ کنشت کرمانشاه. همایش ملی مدیریت شبکههای آبیاری و زهکشی، دانشگاه شهید چمران اهواز.
5
غلامی سفیدکوهی، م. ع.، میرلطیفی، س. م.، محمدی، ک.، علیمحمدی، ع. 1389. برآورد ضریب گیاهی و تبخیر- تعرق واقعی گندم با استفاده از سنجش از دور، مطالعه موردی: حوضه گرگانرود. نشریه آبیاری و زهکشی ایران، 2 (4 ): 231-222.
6
قمرنیا، ه.، رضوانی، س. و. 1393. محاسبه و پهنهبندی تبخیر- تعرق با استفاده از الگوریتم سبال (SEBAL) در غرب ایران (دشت میاندربند). آب و خاک (علوم و صنایع کشاورزی)، 28 (1): 81-72.
7
کاویانی، ع.، سهرابی، ت.، دانش کار آراسته، پ. 1390. کاربرد الگوریتم SEBAL در تخمین تبخیر- تعرق واقعی و بهرهوری آب کشاورزی در دشت قزوین و مقایسه نتایج آن با دادههای لایسیمتر. نشریه آبیاری و زهکشی ایران، 2 (5): 175-165.
8
مباشری، م .ر.، خاوریان، ح.، ضیائیان، پ.، کمالی، غ. 1384. برآورد تبخیر- تعرق واقعی با استفاده تصاویر MODIS و الگوریتم سبال. همایشژئوماتیک، تهران، سازمان نقشه برداری کشور.
9
میر یعقوب زاده، م. ح.، سلیمانی، ک.، حبیب نژاد روشن، م.، شاهدی، ک.، عباسپور، ک.، اخوان، س. 1393. تعیین و ارزیابی تبخیر- تعرق واقعی با استفاده از دادههای سنجش از دور (مطالعه موردی حوزه آبخیز تمر گلستان). مهندسی آبیاری و آب، 4 (15): 102-89.
10
Allen, R. G., Morse, A., Tasumi M. 2003. Application of SEBAL for western US rights regulation and planning. ICID workshop on remote sensing of ET for large regions.
11
Bashir, M. A., Hata, T., Tanakamaru, H., Abdelhadi, A. W., Tada, A. 2008. Satellite-based energy balance model to estimate seasonal evapotranspiration for irrigated sorghum: a case study from the Gezira scheme, Sudan. Hydrol. Earth Syst. Sci., 12(4): 1129–1139.
12
Bastiaansen, W. G. M,. Menenti, M., Feddes, R. A., Holtslag, A. A. M. 1998. A remote sensing surface energy balance algorithm for land (SEBAL): 1. Formulation. J. Hydrol., 212, 198–212.
13
Bastiaanssen, W. G. M., Ahmad, M. D., Chemin, Y. 2002. Satellite surveillance of evaporative depletion across the Indus Basin. Water Resour. Res., 38 (12), 1273-1282.
14
Carrasco-Benavides, M., Ortega-Farı´as, S., Lagos, L. O., Kleissl, J., Morales. L., Poblete-Echeverrı´a, C., Allen, R.G. 2012. Crop coefficients and actual evapotranspiration of a drip-irrigated Merlot vineyard using multispectral satellite images. Irrig. Sci., 30:485–497.
15
Dugas, W. A., Fritschen, L. J., Gay, L. W., Held, A. A., Matthias, A. D., Reicosky, D. C., Steduto, P., Steiner, J. L. 1991. Bowen ratio, eddy correlation and portable chamber measurements of sensible and latent heat flux over irrigated spring wheat. Agric. Meteorol., 56: 1–20.
16
FAO. 1998. Crop ET (guidelines for computing crop water requirements). Irrigation and Drainage Paper No. 56. Rome: FAO; p. 290.
17
Folhes, M. T., Renno, C. D., Soares, J. V. 2009. Remote sensing for irrigation water management in the semi-arid Northeast of Brazil. Agric. Water Manag., 96(10): 1398–1408.
18
French, A. N., Hunsaker, D. J., Thorp, K. R. 2015. Remote sensing of evapotranspiration over cotton using the TSEB and METRIC energy balance models. Remote Sens. Environ., 158: 281-294.
19
Galleguillos, M., Jacob, F., Prevot, L., Lagacherie, P., Liang, SL. 2011. Mapping daily evapotranspiration over a Mediterranean vineyard watershed. IEEE Geosci. Remote Sens. Lett., 8(1): 168–172.
20
Junior, P. F., Sousa, A. M., Vitorino, M. I., De Souza, E. B., De Souza, P. J. O. P. 2013. Estimate of evapotranspiration in eastern Amazonia using SEBAL. Revista de Ciencias Agrarias/Amazonian J. Agric. Environ. Sci., 56: 33–39.
21
Kustas, W. P., Norman, J. M. 1996. Use of remote sensing for evapotranspiration monitoring over land surface. IAHS Hydrol. Sci. J., 41(4): 495–516.
22
Kustas, W. P., Norman, J. M., Anderson, M. C., French, A. N. 2003. Estimating subpixel surface temperatures and energy fluxes from the vegetation index-radiometric temperature relationship. Remote Sens. Environ., 85: 429–440.
23
Li, F., Lyons, T. J. 2002. Remote estimation of regional evapotranspiration. Environ. Model. Softw., 17: 61-75.
24
Marsal, J., Girona, J., Casadesus, J., Lopez, G., Stockle, C. O. 2013. Crop coefficient (Kc) for apple: comparison between measurements by a weighing lysimeter and prediction by CropSyst. Irrig. Sci. 31: 455–463.
25
Michael, M. G., Bastiaansen, W. G. M. 2002. A new simple method to determine crop coefficients for water allocation planning from satellites: results from Kenya. Irrig. Drain. Syst., 14: 237-256.
26
Oberg, J. W., Melesse, A. M. 2006. Evapotranspiration dynamics at an ecohydrological restoration site: an energy balance and remote sensing approach. J. Amer. Water Resour. Assoc., 42 (3): 565–582.
27
Ogawa, S., Murakaml, T., Ishitsuka, N., Saito, G. 1999. Evapotranspiration estimates from fine-resolution NDVI. National Institute of Agro- Environmental Science (Japan).
28
Parodi, G. N. 2000. AVHRR hydrological analysis sestem. Algorithm and theory, Version 1.0, WRES, Netherlands.
29
Rahimi, S., Gholami Sefidkouhi, M. A., Raeini-Sarjaz, M., Valipour, M. 2015. Estimation of actual evapotranspiration by using MODIS images (a case study: Tajan catchment). Arch. Agron. Soil Sci., 61 (5): 695-709.
30
Singh, R. K., Irmak, A. 2009. Estimation of crop coefficients using satellite remote sensing. J Irrig Drain Eng ASCE, 135(5):597–608.
31
Singh, R. K., Irmak, A. 2011. Treatment of anchor pixels in the METRIC model for improved estimation of sensible and latent heat fluxes. Hydrol. Sci. J., 56(5): 895–906.
32
Stewart, J. L., Watts, C. J., Rodriguer, J. C., De Bruin, H. A. R., Van De Berg, A. R., Garatuza-Payan, J. 1999. Use of satellite data to estimate radiation and evaporation for Northwest Mexico. Agric. Water Manage., 38: 181-193.
33
Teixeira, A. D. C., Bastiaanssen, W.G.M., Ahmad, M.D., Bos, M.G. 2009. Reviewing SEBAL input parameters for assessing evapotranspiration and water productivity for the low-middle São Francisco river basin, Brazil. Agric. Forest Meteorol., 149: 462–476.
34
Testi, L., Villalobos, F. J., Orgaz, F. 2004. Evapotranspiration of a young irrigated olive orchard in southern Spain. Agric. For. Meteorol., 121(1–2): 1–18.
35
United Nations Environment Programme (UNEP), Global Environmental Outlook 2000, Earthscan, London, 1999.
36
Yang, Y. T., Shang, S. H., Jiang, L. 2012. Remote sensing temporal and spatial patterns of evapotranspiration and the responses to water management in a large irrigation district of north China. Agric. Fores. Meteorol., 164: 112–122.
37
ORIGINAL_ARTICLE
ریزمقیاس نمایی زمانی دمای هوا با استفاده از فراکتال و رگرسیون تناوبی در دو اقلیم خشک و نیمه خشک
دمای هوا یکی از مهم ترین متغیرها در مطالعات زیست محیطی، کشاورزی و منابع آب است که همواره در ریز مقیاس های زمانی و مکانی مورد نظر در اختیار نمی باشد. استفاده از توابع درون یابی متداولمانند فراکتال و رگرسیون می توانند نتایج مطلوبی را در این زمینه تولید نماید. دراین تحقیقبرای مدل سازی دمای سه سال 2007- 2009 ایستگاه سینوپتیک مشهد و سه سال 1982- 1980 ایستگاه سینوپتیک کرمان از ابزار توابع درون یاب فرکتال و رگرسیون تناوبی استفاده شده است. در ابتدا به مدل سازی داده های دمای روزانه، تولید دمای روزانه با فاصله درون یابی 5 و 10 روز، ریزمقیاس سازی سه ساعته دما از داده های روزانه و مدل سازی داده های مفقود شده پرداخته شد. به طور کلی نتایج در هر دو اقلیم روند مشابهی را نشان دادند، به طوری که در هر دو اقلیم نتایج مربوط به مدل سازی با فواصل زمانی 5 روز از مدل سازی با فواصل 10 روز قبول تر بود و آزمون های آماری، مقادیر آماره ضریب تبیینرا به ترتیب برای مشهد و کرمان بین 0/98- 0/77 و 0/98- 0/82 و ریشه میانگین مربعات خطارا بین 5/81- 1/52 و 1/19- 5/48 درجه سانتی گراد نشان دادند. همچنین عرض از مبدأها و شیب های خطوط در مقایسه تطبیقی بین نقاط مدل سازی و اندازه گیری شده در سطح 5% تفاوت معنی داری به ترتیب با صفر و یک نداشتندکه حاکی از مدل سازی قابل قبول می باشد. به طور کلی در ریزمقیاس سازی فراکتال با کمی اختلاف بهتر از رگرسیون تناوبی عمل کرده است.
https://www.agrimet.ir/article_54966_22c3e6f3122c7bd63b64f9e3701fd375.pdf
2016-04-20
44
54
داده مفقود
درون یابی
سری فوریه
مدل سازی
بیژن
قهرمان
bijangh@um.ac.ir
1
استاد گروه مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد
LEAD_AUTHOR
شیما
تاج آبادی
tajabadi.sh.1991@gmail.com
2
دانشجوی کارشناسی ارشد گروه مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد
AUTHOR
علی نقی
ضیائی
an_ziaei@yahoo.com
3
استادیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد
AUTHOR
Barnsley, M. F. 1988. Fractal everywhere. New York: Academic Pres.567.
1
Bliss, C. I. 1970. Statistics in Biology. New York: McGraw-Hill Book Company.
2
Fischer, M. J., Paterson, A. W. 2014. Detecting trends that are nonlinear and asymmetric on diurnal and seasonal time scales. Clim. Dyn., 43: 361–374.
3
Holder, R. L. 1985. Multiple Regression in Hydrology. Institute of Hydrology Wallingford.
4
http://en.wikipedia.org/wiki/Kerman.
5
http://en.wikipedia.org/wiki/Mashhad.
6
Kolehmainen, M., Martikainen, H., Ruuskanen, J. 2001. Neural networks and periodic components used in air quality forecasting. Atmos. Environ., 35: 815-825.
7
Li, X. F., Li, X. F. 2008. An explicit fractal interpolation algorithm for reconstruction of seismic data. Chin. Phys. Lett., 25(3): 1157-1168.
8
Little, T. M., Hills, F. J. 1978. Agricultural Experimentation Design and Analysis. NewYork: John Wiley and Sons, Inc.
9
Marko, J., Nikolić, E. 1982. Characteristics of yield de velopment of the main field crops in SAP of Vojvodina. Contemp. Agric., 30(2): 87-98.
10
Mazel, D. S., Hayes, M. H. 1992. Using iterated function systems to model discrete sequences. IEEE Trans. Sig. Proc., 40(7): 1724-1734.
11
Pathirana, A. 2001. Fractal modeling of rainfall: Disaggregation in time and space for hydrological applications. Ph. D. thesis, University of Tokyo, Japan.
12
Prudhomme, G., Reed, D. W. 1998. Relationships between extreme daily precipitation and topography in the Mounainous region. A case study in Scotland. Int. J. Climatol., 18: 1439-1453.
13
Puente, C. E. 1995. Geometric modeling of rainfall fields. Water Resources Center Technical Completion Report W-804. University of California, Davis.
14
Strahle, W. C. 1991. Turbulent combustion data analysis using fractals. AIAA J., 29(3): 409-417.
15
ORIGINAL_ARTICLE
ارزیابی عملکرد مدل شبکه عصبی مصنوعی و رگرسیون فازی در پایش ماهواره ای خشکسالی
پایش خشکسالی با توجه به تاثیرات منفی آن در بخش های مختلف از جمله کشاورزی، محیط زیست و منابع آب از اهمیت چشمگیری برخوردار است. در این مطالعه، از مدل های شبکه عصبی مصنوعی و رگرسیون فازی جهت مدل سازی روابط نمایه های NDVI، VTCI، VHI، NVSWI،TCIو TVXحاصل از تصاویر سنجنده MODIS با مقادیر بارش مشاهداتی در 7 ایستگاه کرمانشاه، تبریز، کرمان، مشهد، ارومیه، یزد و زنجان به منظور پایش خشکسالی استفاده شد. نمایه های ماهواره ای VHI، NVSWI،TCIو TVX با متغیر بارش دارای بیش ترین تعداد ضریب همبستگی معنی دار بودند. براساس معیارهای خطا، رهیافت رگرسیون فازی در مدل سازی شاخص های VHI، TCI و NVSWI و رهیافت شبکه عصبی مصنوعی در مدل سازی شاخص TVX دارای کم ترین مقدار خطا بود. در رگرسیون فازی متقارن با افزایش پارامتر سطح اعتماد بر گستردگی متغیر های رگرسیون افزوده شد مانند افزایش پارامتر سطح اعتماد در شاخص VHI از 0/7 به 0/8، پارامتر گستردگی را 50 درصد افزایش داد. پارامتر نقطه پیک در رگرسیون فازی نامتقارن نسبت به فاکتورهای چولگی دارای حساسیت می باشد به طوری که در شاخص TVX، میزان درصد افزایش نقطه پیک از کمینه مقدار ضریب چولگی به بیشینه آن، 22/17 درصد بود. کاهش پارامتر سطح اعتماد شاخص TVX که نمایان گر کاهش میزان فازی بودن است، مؤیدی بر کارایی شبکه عصبی مصنوعی در مورد شاخص TVX است.
https://www.agrimet.ir/article_54967_6ca6ef57e8bd207c0413954c6ddff9ae.pdf
2016-04-20
55
67
شبکه عصبی مصنوعی
رگرسیون فازی
خشکسالی
بارش
لاله
پرویز
laleh_parviz@yahoo.com
1
استادیار دانشکده کشاورزی، دانشگاه شهید مدنی آذربایجان
LEAD_AUTHOR
ثقفیان، ب. 1387. پیشنویس برنامه راهبردی: ارزیابی و پیشبینی خشکسالی منطقهای کشور. مرکز تحقیقات کشاورزی و منابع طبیعی خراسان رضوی. وزارت جهاد کشاورزی، ستاد هماهنگی طرحهای پژوهشی همزیستی با خشکی.
1
شکیبا، ع.، میرباقری، ب.، خیری، ا. 1389. خشکسالی و تأثیر آن بر منابع آب زیرزمینی در شرق استان کرمانشاه با استفاده از شاخص .SPI فصلنامه علمی- پژوهشی انجمن جغرافیای ایران، 8 (25): 105-124.
2
کارآموز، م.، عراقینژاد، ش. 1384. هیدرولوژی پیشرفته. انتشارات دانشگاه صنعتی امیرکبیر، 465 صفحه.
3
کورهپزان، ا. 1384. اصول تئوری مجموعههای فازی و کاربردهای آن در مدلسازی مهندسی منابع آب. انتشارات جهاد دانشگاهی واحد صنعتی امیرکبیر، 272 صفحه.
4
محمدینژاد، ا. 1391. استفاده از شبکههای بازگشتی به منظور مدلسازی و پیشبینی خشکسالی مبتنی بر دادههای سنجش از دور. پایاننامه کارشناسی ارشد، رشته مهندسی عمران، دانشگاه صنعتی شریف.
5
Bayarjarga, Y. L., Karnieli, A., Bayasgalan, M., Khudulmur, S., Gandush, C., Tucker, C. J. 2006. A comparative study of NOAA–AVHRR derived drought indices using change vector analysis. Remote Sens. Environ., 105(1): 9–22.
6
Du, L., Tiana, Q., Yu, T., Meng, Q., Jancso, T., Udvardy, P., Huang, Y. 2013. A comprehensive drought monitoring method integrating MODIS and TRMM data. Int. J. Appl. Earth Obs. Geoinf., 23(1): 245–253.
7
Fatehi-Marj, A., Meijerink, A. 2011. Agricultural drought forecasting using satellite images, climate indices and artificial neural network. Int. J. Remote Sens., 32(24): 9707-9719.
8
Fernandez-Manso, A., Quintano, C., Fernandez-Manso, O. 2011. Forecast of NDVI in coniferous areas using temporal ARIMA analysis and climatic data at a regional scale. Int. J. Remote Sens., 32(6): 1595-1617.
9
Jafari, R., Bakhshandehmehr, L. 2013. Quantitative mapping and assessment of environmentally sensitive areas to desertification in central Iran. Land Degrad. Dev., 27(2): 108-119.
10
Kogan, F. N. 1997. Global drought watch from space. Bull. Amer. Meteorol. Soc., 78(4): 621–636.
11
Kizil, Ü., GenÇ, L., İnalplat, M., Şapoloyo, D., Mirik, M. 2012. Lettuce yield prediction under water stress using artificial neural network (ANN) model and vegetation indices. Žemdirbystė- Agric., 99(4): 409- 418.
12
Nichol, J. E., Abbas, S. 2015. Integration of remote sensing datasets for local scale assessment and prediction of drought. Sci. Total Environ., 505: 503–507.
13
Özger, M., Mishra, A. K. 2012. Long lead time drought forecasting using wavelet and fuzzy logic combination model: a case study in Texas. J. Hydrometeorol., 13(1): 284-297.
14
Shamsipour, A. A., Alavipanah, S. K. 2010. The role of fuzzy - AHP models in the efficiency of remotely sensed based drought indices in Kashan district, 30th EARSeL Symposium: Remote Sensing for Science, Education and Culture, France, Paris, 31 May - 03 Jun 2010.
15
Stepchenko, A., Chizhov, J. 2015. NDVI short-term forecasting using recurrent neural nNetworks. Proceedings of the 10th International Scientific and Practical Conference., 3:180-185.
16
Wan, Z., Wang, P., Li, X. 2004. Using MODIS land surface temperature and normalized difference vegetation index products for monitoring drought in the southern Great Plains, USA. Int. J. Remote Sens., 25(1): 61–72.
17
Yen, K. K., Ghoshary, S., Roig, G. 1999. A linear model using triangular fuzzy number coefficients. Fuzzy Sets and Syst., 106:167-177.
18
ORIGINAL_ARTICLE
چشم انداز تغییرات دما با استفاده از ریزمقیاس نمایی آماری خروجی های مدل HadCM3
تغییرات اقلیمی به ویژه گرمایش جهانی از بزرگ ترین چالش هایی است که بشر درقرن بیست و یکم با آن مواجه است و تأثیرات مشهودی بر کشاورزی، منابع آب و محیط زیست به همراه دارد. در این پژوهش خروجی مدل گردش عمومی HadCM3 تحت سه سناریوی انتشار A1B، A2 و B1 توسط مدل آماری LARS-WG در ایستگاه سینوپتیک سقز برای دو متغیر اقلیمی دمای کمینه و دمای بیشینه ریزمقیاس نمایی شد و نتایج حاصل از آن در دوره پایه (1990-1961) و دوره آینده (2065-2046) مورد مقایسه قرار گرفت. عملکرد مدل LARS-WG در شبیه سازی داده های دما با استفاده از شاخص های MSE، RMSE و MAE ارزیابی شد. داده های چشم انداز مدل نشان داد که دمای کمینه و بیشینه در تمامی ماه های سال افزایش خواهد یافت. این افزایش در طی دوره 20 ساله آتی، برای دمای کمینه و بیشینه به ترتیب 3/2 و 3 درجه سانتی گراد اساس متوسط سناریوهای مورد بررسی در منطقه مطالعاتی نسبت به دوره پایه می باشد. بیش ترین و کم ترین افزایش در هر دو متغیر مورد بررسی نیز به ترتیب توسطسناریوهای A1B و B1 ارزیابی شده است. از نتایج حاصل از این بررسی می توان در مدیریت منابع آب و برآوردنیاز آبی گیاهان استفاده نمود.
https://www.agrimet.ir/article_54968_211ac81cec20aa498bdddb83e4860934.pdf
2016-04-20
68
73
سقز
دما
چشم انداز
مدل گردش عمومی جو
مولد هواشناسی
سید اسعد
حسینی
hosseini.asad8@gmail.com
1
مدرس گروه جغرافیای طبیعی، دانشگاه پیام نور، مرکز سقز
LEAD_AUTHOR
حمزه
احمدی
hamzehahmadi2009@gmail.com
2
دانشجوی دکتری آب و هواشناسی کشاورزی دانشگاه حکیمسبزواری
AUTHOR
آبابایی، ب.، میرزایی، ف.، سهرابی، ت. 1390. ارزیابی عملکرد مدل LARS-WG در 12 ایستگاه ساحلی ایران. نشریه پژوهش آب ایران، 5 (9): 217-222.
1
آبکار، ع.، حبیبنژاد، م.، سلیمانی، ک.، نقوی، ه. 1392. بررسی میزان کارآیی مدل SDSM در شبیهسازی شاخصهای دمایی در مناطق خشک و نیمهخشک. نشریه مهندسی آبیاری و آب، 4(14): 17-1.
2
آشفته، پ.، مساح بوانی، ع. 1389. تأثیر تغییر اقلیم بر دبیهای حداکثر: مطالعه موردی، حوضه آیدوغموش، آذربایجان شرقی. نشریه علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک، 14(53): 39-25.
3
آقاشاهی، م.، اردستانی، م.، نیکسخن، م.، طهماسبی، ب. 1391. معرفی و مقایسه مدلهای LARS-WG و SDSM به منظور ریزمقیاسنمایی پارامترهای زیستمحیطی در مطالعات تغییر اقلیم. ششمین همایش ملی و نمایشگاه تخصصی مهندسی محیطزیست، تهران.
4
خلیلیاقدم، ن.، مساعدی، ا.، سلطانی، ا.، کامکار، ب. 1391. ارزیابی توانایی مدل LARS-WG در پیشبینی برخی پارامترهای جوی سنندج. نشریه پژوهش حفاظت آب و خاک، 19(4): 122-85.
5
رسولی، ع ا.، رضاییبنفشه، م، مساحبوانی، ع.، خورشید دوست، ع. م.، قرمز چشمه، ب. 1393. بررسی اثر عوامل مرفو- اقلیمی بر دقت ریزمقیاسگردانی مدل LARS-WG. نشریه علوم و مهندسی آبخیزداری ایران، 8 (24): 18-9.
6
صداقتکردار، ع.، فتاحی، ا. 1387. شاخصهای پیش آگاهی خشکسالی در ایران. نشریه جغرافیا و توسعه، دانشگاه سیستان و بلوچستان، 6 (11): 76-59.
7
صلاحی، ب.، فاطمینیا، ف.، حسینی، س م. 1393. ارزیابی تغییرات اقلیمی آینده استان اصفهان با استفاده از دو مدل BCM2 و HadCM3 در مدل ریزگردان LARS-WG. مطالعات جغرافیایی مناطق خشک، 5 (16):71-55.
8
کارآموز، م.، رمضانی، ف.، رضوی، س. 1385. پیشبینی بلند مدت بارش با استفاده از سیگنالهای هواشناسی. کاربرد شبکههای عصبی مصنوعی. هفتمین کنگره بین المللی مهندسی عمران، تهران.
9
هاشمینسب، ف. ا.، موسوی بایگی، م.، بختیاری، ب.، داوری، ک. 1392. پیشبینی تغییرات بارش 20 سال آینده در استان کرمان با استفاده از مدل ریزمقیاس کننده LARS-WG و گردش عمومی HadCM3. نشریه مهندسی آبیاری و آب، 3 (12): 58-43.
10
Barnett, T. P., Pierce, D. W., Hidalgo, H. G., Bonfils, C., Santer, B. D., Das, T., Bala, G., Wood, A. W., Nozawa, T., Mirin, A. A., Cayan, D. R., Dettinger, M. D. 2008. Human-induced changes in the hydrology of the western United States. Science, 319(5866): 1080-1083.
11
Carter, T. R., Parry, M. L., Harasawa, H., Nishioka, S. 1994. IPCC technical guidelines for assessing climate change impacts and adaptions, IPCC Special Report to Working Group II of IPCC, London.
12
Dibike, Y. B., Coulibaly, P. 2005. Hydrologic impact of climate change in the Saguenay watershed: comparison of downscaling methods and hydrologic models, J. Hydrol., 307: 145-163.
13
Fowler, H J., Blenkinsop, S., Tebaldi, C. 2007. Linking climate change modelling to impacts studies: recent advances in downscaling techniques for hydrological modeling. Int. J. Clim., 27: 1547-1578.
14
Huntington, T. G. 2006. Evidence for intensification of the global water cycle: Review and synthesis. J. Hydrol., 319(1-4): 83-95.
15
Osman,Y., AL-Ansari, N,. Abdellatif, M,. Aljawad, S. B., Knutsson, S. 2013. Expected future precipitation in central Iraq using Lars-WG stochastic weather generator. Engineering, 6: 948-959.
16
Semonov, M. A., Stratonovitch, P. 2010. Use of multi-model ensembles from global climate models for assessment of climate change impacts. Clim. Res., 41: 1-14.
17
Sharma, D., Gupta, A. D., Babel, M. S. 2007. Spatial disaggregation of bias-corrected GCM precipitation for improved hydrologic simulation: Ping River Basin, Thailand. Hydrol. Earth Syst. Sci., 11: 1373-1390.
18
Valizadeh, J., Ziaei, S. M., Mazloumzadeh, S. M. 2014. Assessing climate change impacts on wheat production (a case study), J. Saudi Soc. Agric. Sci., 13(2): 107-115.
19
Wigley, T. W. L., Jones, P. D., Briffa, K. R. Smith, G. 1990. Obtaining sub-grid scale information from coarse resolution general circulation model output, J. Geophys. Res., 951: 1943-1953.
20
Wilby, R .L., Dawson, C. W., Barrow, E. M. 2002. SDSM- a decision support tool for the assessment of regional climate change impacts. J. Environ. Modeling & Soft., 17: 147-159.
21
Wilks, D. S., Wilby, R. L. 1999. The weather generation game: a review of stochastic weather models. Progress in Physical Geography, 2: 329-357.
22
Zarghami, M., Abdi, A., Babaeian, I., Hassanzadeh, Y., Kanani, R. 2011. Impacts of climate change on runoffs in East Azerbaijan, Iran. Global and Planetary Change, 78(3, 4): 137-146.
23