انجمن مهندسی آبیاری و آب ایران هواشناسی کشاورزی 2345-3419 13 2 2026 02 20 Evaluation of machine learning-based models for estimating winter season carbon monoxide concentration in Kerman ارزیابی عملکرد مدل‌های مبتنی بر یادگیری ماشین در برآورد غلظت روزانه منوکسید‌کربن زمستانه شهر کرمان 3 14 231989 10.22125/agmj.2025.542575.1188 FA سودابه گلستانی کرمانی گروه مهندسی اب ، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان سید پویا حسینی دانش اموخته مقطع کارشناسی ارشد ، گروه علوم و مهندسی اب Journal Article 2025 08 21 Machine learning-based models are effective and practical tools for analyzing complex relationships between air quality parameters and meteorological variables and identifying key factors influencing air quality. The aim of this study is evaluation of three tree-based models’ performance namely —Random Forest (RF), XGBoost, and CatBoost—and a multilayer perceptron (MLP) neural network model, using daily data of five meteorological varibles, including wind speed, temperature, air pressure, relative humidity, and rainfall and two air pollutants (O3 and PM2.5), to estimate the daily concentration of carbon monoxide during winter season in Kerman city, south of Iran.The models’ performance was assessed using statistical indices including the coefficient of determination (R²), root mean square error (RMSE), and mean absolute error (MAE). Results indicated that the CatBoost model had the highest accuracy in estimating CO concentrations, with a R² of 0.778, RMSE of 0.284 (ppb), and MAE of 0.209 (ppb) during the test phase. The performance of the XGBoost and RF models was relatively similar, with R² values of 0.747 and 0.728, respectively. The MLP model showed the lowest accuracy, with R², RMSE and MAE of 0.693, 0.308 and 0.236 pbb, respectively. These results confirm the superior skill of tree-based models in comparison to the neural network-based model for estimating CO concentration in study region. مدل‌های مبتنی بر یادگیری ماشین، ابزاری کارآمد جهت تحلیل روابط پیچیده بین پارامترهای کیفی هوا و متغیرهای هواشناسی و تعیین عوامل کلیدی مؤثر بر کیفیت هوا هستند. در تحقیق حاضر با استفاده از اطلاعات روزانه پنج متغیر هواشناسی شامل دمای هوا، بارش، رطوبت نسبی، سرعت باد و فشار هوا و غلظت دو آلاینده هوا (O3, PM2.5) عملکرد 3 مدل درخت –پایه RF، XGBoost،CatBoost و مدل پرسپترون چند لایه (MLP) ساخته شده بر مبنای شبکه عصبی جهت برآورد غلظت روزانه مونوکسید‌کربن فصل زمستان در شهر کرمان ارزیابی شده است. مقایسه مدل‌ها با استفاده از شاخص‌های آماری R2، RMSE و MAE انجام شد و نتایج بدست آمده نشان داد که مدل CatBoost با R2 برابر با 778/0، RMSE برابر با (ppb) 284/0 و MAE برابر با (ppb) 2090 در مرحله تست، بالاترین دقت را در تخمین غلظت منوکسید‌کربن دارد. نتایج مدل‌های XGBoost و RF تقریباً یکسان بود و R2 دو مدل در مرحله تست به ترتیب به 747/0 و 728/0 رسید و مدل MLP با R2 برابر با 693/0، RMSE برابر با (ppb) 308/0 و MAE برابر با (ppb) 236/0کمترین دقت را داشت. این نتایج توانایی مدل‌های درخت-پایه را در مقایسه با مدل ساخته شده بر مبنای شبکه عصبی در برآورد غلظت آلاینده منوکسید‌کربن تأیید می‌کند.

https://www.agrimet.ir/article_231989_e8e9dc9d186288363de7b1dd8e9bd0b5.pdf

انجمن مهندسی آبیاری و آب ایران هواشناسی کشاورزی 2345-3419 13 2 2026 02 20 Application of random forest technique for modelling Carbon Exchanges rate measured by eddy covariance measurement کاربرد تکنیک جنگل تصادفی در مدل‌سازی کربن تبادلی اندازه‌گیری شده به روش همبستگی پیچه‌ای 15 28 210902 10.22125/agmj.2024.459793.1169 FA حسن عباسیان دکتری آلودگی محیط زیست ، دانشکده منابع طبیعی و محیط‌زیست، دانشگاه ملایر و و شرکت مهندسی مشاور مهاب قدس، تهران، ایران عیسی سلگی استاد گروه علو ومهندسی محیط زیست، دانشکده منابع طبیعی و محیط زیست، دانشگاه ملایر، ایران. سید محسن حسینی گروه علوم و مهندسی جنگل، دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، نور، مازندران، ایران. سید حسین کیا استادیار، سنجش از دور اکولوژیک، دانشگاه آزاد اسلامی، واحد تهران شمال، تهران، ایران سیمین خردمند دانشجوی دکتری علوم اقیانوسی، دانشگاه ویکتوریا، بریتیش کلمبیا، کانادا پریسا عباسیان دکتری جنگلداری، اکولوژی جنگل، اداره کل منابع طبیعی استان البرز، کرج، ایران Journal Article 2024 05 27 Net ecosystem exchange (NEE) serves as an important indicator for assessing how carbon dioxide (CO2) flows between the land surface and the atmosphere, particularly in the context of climate change. Although in situ instruments are available for monitoring carbon exchanges, but the temporal and spatial scale limitations of these observations’ attempts have been made to develop models for NEE prediction. This study examined daily NEE variations across four plant functional types (PFTs): Deciduous broadleaf forest (DBF), Coniferous forest (ENF), Mixed Forest (MF), and Grassland (GRA). Using the, a machine learning approach, namely random forest (RF) method. Four meteorological variables including solar radiation, air temperature, soil temperature, and relative humidity were used as inputs for the model. The measured and predicted values were evaluated using four statistical indices of R², NSE, Bias, and RMSE. The results indicated that DBF had the most accurate modeling performance, whereas GRA had the least. An analysis of the relative significance of environmental variables revealed that solar radiation was the most important and relative humidity the least important across all PFTs. Additionally, soil temperature improved the model performance in grasslands more significantly compared to air temperature, unlike the results in forest functional types. The study also highlighted that uncertainty remains a significant issue during different phenological stages across all PFTs; with the highest uncertainty between days 140-220 in forest types and 120-210 in grassland, according to the Julian calendar. تبادل خالص بوم‌سازگان (NEE) به عنوان شاخصی مهم برای تعیین وضعیت انتقال دی‌اکسید کربن (CO2) بین سطح زمین و اتمسفر، مخصوصاً در مبحث تغییر اقلیم به شمار می‌آید. علیرغم قابلیت تجهیزات اندازه‌گیری زمینی در سنجش تبادلات کربن، به دلیل محدودیت‌های زمانی و مکانی مشاهدات، از مدل‌سازی برای پیش‌بینی NEE استفاده می‌گردد. در این تحقیق، تغییرات روزانه NEE در چهار تیپ عملکردی گیاهی (PFTs)‌ شامل جنگل پهن‌برگ (DBF)، جنگل سوزنی‌برگ (ENF)، جنگل آمیخته (MF)، و علفزار (GRA) مورد بررسی قرار گرفت. تکنیک جنگل تصادفی (RF) به عنوان یکی از روش‌های یادگیری ماشین با استفاده از چهار متغیر محیطی شامل تابش خورشید، دمای هوا، دمای خاک، و رطوبت نسبی به‌کار گرفته شد. مقادیر اندازه‌گیری شده و مدل‌سازی شده با استفاده از چهار شاخص آماری R²، NSE، Bias، و RMSE مقایسه شدند. بر اساس نتایج، DBF بهترین و GRA ضعیف‌ترین عملکرد را در مدل‌سازی داشتند. تحلیل اهمیت نسبی متغیرهای محیطی نیز نشان داد که شدت تابش خورشید بیشترین و رطوبت نسبی کمترین اهمیت را در تمام تیپ‌های عملکردی دارند. همچنین، در تیپ علفزار، تأثیر دمای خاک نسبت به دمای هوا در بهبود عملکرد مدل در مقایسه با تیپ‌های جنگلی بیشتر است. نتایج مدل‌سازی همچنین نشان داد که عدم قطعیت رخداد، یک چالش مهم در مراحل مختلف فنولوژیک در تمامی تیپ‌های عملکردی گیاهی محسوب می‌شود؛ به طوری که طبق تقویم میلادی، عدم قطعیت در فصول رشد و شکوفایی گیاهان طی روزهای 140 تا 220 در تیپ‌های جنگلی و روزهای 120 تا 210 در علفزار به اوج می‌رسد.

https://www.agrimet.ir/article_210902_ee34ce4e8fdf0b1feb384db5afb32590.pdf

انجمن مهندسی آبیاری و آب ایران هواشناسی کشاورزی 2345-3419 13 2 2026 02 20 Modeling and forecasting dust pollution using satellite data and machine learning techniques (A case study of Ahvaz) مدل‌سازی و پیش‌بینی آلودگی گرد و غبار با استفاده از داده‌های ماهواره‌ای و مدل‌های یادگیری ماشین (مطالعه موردی: اهواز) 29 46 210901 10.22125/agmj.2024.478677.1174 FA علیرضا یوسفی کبریا دانشجوی دکتری، گروه مهندسی آب، هواشناسی کشاورزی، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران مهدی نادی گروه آبیاری ، دانشکده مهندسی زراعی ، دانشگاه علوم کشاورزی و منابع طبیعی ساری 0000-0003-0854-8380 عبادت قنبری پرمهر استادیار، گروه سنجش از دور، دانشکده نقشه برداری، دانشگاه صنعتی نوشیروانی بابل، بابل، ایران سان ژونگ چانگ مرکز تحقیقات بین المللی داده‌های بزرگ برای اهداف توسعه پایدار، آکادمی علوم چین، پکن، چین Journal Article 2024 09 15 Dust pollution presents a significant environmental challenge in arid and semi-arid regions, adversely impacting public health, agriculture, water resources, and infrastructure. This study aimed to forecast PM10 dust pollution in Ahvaz by utilizing MODIS satellite AOD data collected from 2016 to 2022, alongside four machine learning techniques: XGBoost, SGB, LSTM, and MLP. Initially, the HYSPLIT model was employed to track dust paths and analyze their frequency. Subsequently, true color satellite images were used to identify virtual stations along these dust paths, and the AOD values at these locations served as input data for the forecasting models. The results indicated a significant correlation between the satellite AOD data and actual PM10 data for 2021 and 2022, at significance level of 0.01 and determination coefficients of 0.89 and 0.85, respectively. Dust tracking maps demonstrated that dust was being transported from Iraq to Ahvaz. Average AOD data from eight virtual stations, with a one-day lag, was used for weekly dust prediction. Model evaluation results revealed that XGBoost outperformed the other models, achieving a mean absolute error of 0.08 and a coefficient of determination of 0.87, followed by the SGB and LSTM models with almost same performance, while the MLP model showed the lowest accuracy. Predictions for the following seven days indicated that boosting models, particularly XGBoost, effectively captured data fluctuations. This research demonstrates that AOD satellite data, combined with advanced machine learning techniques, are valuable tools for forecasting and managing dust pollution. آلودگی گرد و غبار یکی از چالش‌های زیست‌محیطی در مناطق خشک و نیمه‌خشک است که تأثیرات زیان‌بار آن بر سلامت عمومی، کشاورزی، منابع‌آبی و زیرساخت‌ها حائز اهمیت است. در این پژوهش به منظور پیش‌بینی آلودگی ریزگرد (PM10) شهر اهواز، از شاخص AOD ماهواره مودیس در بازه زمانی ۲۰۱۶ تا ۲۰۲۲ استفاده شد و چهار تکنیک یادگیری ماشین شامل XGBoost، SGB، LSTM و MLP به کار گرفته شد. برای این منظور ابتدا با استفاده از مدل HYSPLIT، مسیرهای ریزگرد ردیابی و فراوانی آن بررسی شد. سپس با استفاده از تصاویر تروکالر ماهواره، ایستگاه‌های مجازی در مسیر حرکت ریزگرد تعیین و از مقادیر AOD این نقاط به عنوان داده‌های ورودی به مدل‌های پیش‌بینی استفاده شد. نتایج نشان داد که همبستگی داده‌های شاخص AOD ماهواره‌ای با داده‌های واقعی PM10 در سال‌های 2021 و 2022 در حد 01/0 معنادار بوده و ضرایب تعیین به ترتیب 89/0 و 85/0 به دست آمد. بررسی نقشه‌های مسیریابی ریزگردها مشخص کرد که گرد و غبار از مبدأ کشور عراق به اهواز منتقل شده است. میانگین داده‌هایAOD از هشت ایستگاه مجازی در یک گام زمانی به عقب برای پیش‌بینی یک هفته ای استفاده شد. نتایج نشان داد که روش XGBoost با میانگین مطلق خطا 08/0 و ضریب تعیین 87/0 عملکرد بهتری نسبت به سایر مدل‌ها داشت. همچنین، مدل‌های SGB و LSTM به ترتیب در رتبه‌های بعدی و MLP کمترین دقت را داشته است. نتایج پیش‌بینی هفت روزه نشان داد که مدل‌های بوستینگ، به‌ویژه XGBoost، توانایی بالایی در درک نوسانات داده‌ها دارد. نتایج این پژوهش نشان می‌دهد که داده‌های ماهواره‌ای AOD و مدل‌های پیشرفته یادگیری ماشین ابزارهای مؤثری برای پیش‌بینی و مدیریت آلودگی گرد و غبار می‌باشد.

https://www.agrimet.ir/article_210901_a5200ea7b88d3ebf61832ae783047feb.pdf

انجمن مهندسی آبیاری و آب ایران هواشناسی کشاورزی 2345-3419 13 2 2026 02 20 Effects of Urban Development on Plant Phenology: Urban-Rural Gradient Analysis in Urmia City اثرات توسعه شهرسازی بر فنولوژی گیاهان: تحلیل گرادیان شهری- روستایی در شهر ارومیه 47 60 222313 10.22125/agmj.2025.505988.1180 FA پریسا پیشگر گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران سمیه حجابی گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران 0000-0001-9406-7211 مجید منتصری گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران 0000-0002-4300-5982 Journal Article 2025 02 10 In this study, temporal and spatial changes in vegetation phenology in Urmia city were investigated. For this purpose, a circle with a radius of 18 km from the city center was chosen as the study area. This area was divided into 9 concentric circles using concentric circles to the center of the Ayalat square in the center of the city, and the phenological response to urban development was investigated along an urban-rural gradient. For this purpose, the land cover type product (MCD12Q1) and the vegetation phenology products (MCD12Q2) of the MODIS sensor were used for the period 2001 to 2022. The results of this study showed that in the case of grasslands, the starting of the growing season (SOS) had a significant decreasing trend (-0.67 day year-1), but the end of the growing season (EOS) and the the growing season length (GSL) did not show a significant trend. Also, in the case of croplands, the starting of the growing season did not show a significant trend. But the end of the growing season (0.68 day year-1) and the growing season length (1.09 day year-1) showed a significant increase. In the case of grasslands, the circles near the city had an earlier start of the growing season and a longer growing season than the circles further away from the city. Also, the results of the present study showed completely different behavior of grasslands and croplands in terms of the behavior of phenology parameters in the urban-rural gradient. The response of EOS and GSL at distances less than 12 km to city center was different from that at distances greater than 12 km, which may be due to the dominance of the effects of other heat or cold islands (such as the lake effect) over the effects of urban heat islands at distances farther than 12 km. در این مطالعه به بررسی تغییرات زمانی و مکانی فنولوژی پوشش گیاهی در شهر ارومیه پرداخته شد. برای این منظور دایرهای به شعاع 18 کیلومتر از مرکز شهر به عنوان محدوده مورد مطالعه انتخاب شد. این محدوده، با استفاده از دوایر متحدالمرکزی به مرکزیت میدان «ایالت» در مرکز شهر ارومیه، به 9 حلقه متحدالمرکز تقسیم شد و پاسخ فنولوژی به توسعه شهری در راستای این گرادیان شهری- روستایی بررسی شد. برای این منظور، از محصولات سنجش از دور ماهوارهای شامل نوع پوشش اراضی (MCD12Q1) و فنولوژی پوشش گیاهی (MCD12Q2) سنجنده MODIS برای دوره آماری 2001 تا 2022 استفاده شد. نتایج حاصل از این مطالعه نشان داد که در مورد مراتع، شروع فصل رشد، روند کاهشی معنیداری (day year-1 67/0-) داشت، اما پایان فصل رشد و طول فصل رشد، روند معنیداری نشان نداد. همچنین در مورد مزارع، شروع فصل رشد روند معنیداری نشان نداد؛ اما پایان فصل رشد (day year-1 68/0) و طول فصل رشد (day year-1 09/1) روند افزایشی معنیداری نشان داد. در مورد مراتع، حلقههای نزدیک به شهر شروع فصل رشد زودتر و طول فصل رشد بیشتری نسبت به حلقههای دورتر از شهر داشتند. همچنین، نتایج مطالعه حاضر رفتار کاملاً متفاوت مراتع و مزارع را از نظر رفتار سنجههای فنولوژی در گرادیان شهری-روستایی نشان داد. پاسخ پایان فصل رشد و طول فصل رشد در فواصل کمتر از 12 کیلومتر از مرکز شهر، متفاوت از فواصل بیشتر از 12 کیلومتر بود که این امر میتواند ناشی از غلبه اثرات سایر جزایر گرمایی یا سرمایی (مانند اثر دریاچه) بر اثرات جزایر گرمایی شهری در فواصل دورتر از 12 کیلومتر باشد.

https://www.agrimet.ir/article_222313_e3823216451f6a41a9eccf7947136ed8.pdf

انجمن مهندسی آبیاری و آب ایران هواشناسی کشاورزی 2345-3419 13 2 2026 02 20 Application of parallel hybrid approach in correction of potential evapotranspiration estimation methods based on spatial and meteorological information کاربرد رهیافت ترکیب موازی در تصحیح روش‌های تعیین تبخیرتعرق پتانسیل بر مبنای اطلاعات مکانی و هواشناسی 61 73 223077 10.22125/agmj.2025.465758.1170 FA لاله پرویز دانشگاه شهید مدنی آذربایجان خدیجه خانی زنگبار دانشجو Journal Article 2024 07 01 Accurate estimation of potential evaporation and transpiration (ETp) in an efficient way is quite important in water balance, crop water requirement and agricultural management studies. Therefore, the aim of this study was to improve the accuracy of several ETp estimation equations namely Hargreaves-Samani, Belaney-Criddle, Ivanov and Thornthwaite using spatial and meteorological data in Ramsar, Kermanshah, Hamedan, Semnan, Mashhad, Shiraz, Ardabil, Urmia, Zanjan, Yazd and Rasht stations, across the Iran, in seasonal and scales. The FAO-Penman-Monteith method was selected as the evaluation measure. The correction approaches were based on regression and support vector regression, relative and parallel hybrid framework. The type of spatial and meteorological variables had a significant impact on increasing the accuracy of correction equations, as an example, using a corrected regression equation eliminating of the wind component decreased the variance of errors for 38.18% comparing to original Ivanov's method with its all included variables. The regression correction method had better performance compared to the ratio method, such that the average increase of the Willmott index for all input states from the ratio method to the regression for the Thornthwaite, Blaney-Criddle, Ivanov and Hargreaves-Samani methods was equal to 42.67, 5.45, 25 and 3%, respectively. The structure of parallel hybrid framework in all methods reduced the error in determining potential evapotranspiration, and the final approach including the parallel framework of optimal modes of support vector regression and simple regression had significant accuracy. The final approach showed that Torrent White, Blaney-Criddle and Ivanov methods have underestimation and Hargreaves-Samani overestimates ETP. The structure of the correction method has a significant importance in increasing the precision of potential evapotranspiration and water demand estimation for improved planning. تدقیق برآوردهای تبخیرتعرق پتانسیل با روشی کارآمد به دلیل اهمیت آن در مطالعات بیلان آبی، تأمین نیاز آبی گیاهان و برنامه‌ریزی‌های مدیریتی در کشاورزی، امری ضروری است. بر این اساس هدف از پژوهش حاضر، اصلاح مقادیر تبخیرتعرق با روشهای هارگریوز- سامانی، بلانی- کریدل ایوانف و تورنت وایت در مقیاس سالانه با استفاده از اطلاعات مختصات مکانی و دادههای هواشناسی ایستگاه‌های رامسر، کرمانشاه، همدان، سمنان، مشهد، شیراز، اردبیل، ارومیه، زنجان، یزد و رشت بوده است. روش فائو- پنمن- مانتیث به عنوان روش مبنای مقایسات در نظر گرفته شد. پایه روشهای تصحیح براساس رگرسیون (ساده و بردار پشتیبان)، نسبتی و ساختار ترکیب موازی بود. نوع اطلاعات مکانی و هواشناسی نقش مهمی در افزایش دقت معادلات اصلاحی داشت. بهعنوان نمونه، میزان واریانس خطاها در روش ایوانف اصلی با تمام دادهها نسبت به معادلهی اصلاحی رگرسیونی با حذف مولفه باد 18/38 درصد بیشتر بود. روش اصلاحی رگرسیون در برابر روش نسبتی دارای عملکرد بهتری بود، به طوری که میزان افزایش متوسط شاخص ویلموت برای تمامی حالتهای ورودی از روش نسبتی به رگرسیون در روش تورنت وایت، بلانی-کریدل، ایوانف و هارگریوز-سامانی به ترتیب برابر با 67/42، 45/5، 25 و 3 درصد برآورد شد. رهیافت ترکیب موازی در تمامی روشها باعث کاهش خطا در تعیین تبخیرتعرق نسیل شد و گزینه نهایی شامل ترکیب موازی حالتهای بهینه رگرسیون بردار پشتیبان و رگرسیون ساده دقت معنی داری داشت. در پتا مجموع نتایج نشان داد که روشهای تورنت وایت، بلانی-کریدل و ایوانف دارای کم برآورد و هارگریوز-سامانی دارای بیش برآورد هستند. رهیافت روش اصلاحی در افزایش دقت معادلات تبخیرتعرق پتانسیل و در نهایت برنامهریزی های نیاز آبی براساس اطلاعات موجود دارای اهمیت و قابل توصیه است.

https://www.agrimet.ir/article_223077_4d99b90a152448548ae033b69e8b489d.pdf

انجمن مهندسی آبیاری و آب ایران هواشناسی کشاورزی 2345-3419 13 2 2026 02 20 Evaluation of agricultural drought under climate change scenarios with SWAT model (Case study: Atrak watershed) ارزیابی خشکسالی کشاورزی تحت سناریوهای تغییر اقلیم با مدل SWAT (مطالعه موردی: قسمتی از حوضه آبریز اترک) 74 80 207356 10.22125/agmj.2024.453509.1167 FA سید حسین ثنایی نژاد استاد هواشناسی کشاورزی، گروه علوم و مهندسی اب، دانشکده کشاورزی، دانشگاه فردوسی مشهد مهدیه پورنامداری گروه مهندسی آب ،دانشکده کشاورزی،دانشگاه فردوسی،مشهد Journal Article 2024 04 27 Determining the climatic and hydrologic characteristics of each watershed is essential for agro-climatic and water resources studies of given region. Observation of rainfall, temperature and other meteoroidal variables, as well as drought monitoring plays a significant role in understanding the conditions of the watershed under BNU ESM Model, RCP2.6 climate change scenarios (Scenario 3) during the future period. The current research was conducted with the aim of determining drought conditions in the Atrak River sub-basin using the SWAT model. According to the SRI index the highest projected drought index value during the future period under scenario 3 is be equal to 15 and, which is 5 units more than the corresponding baseline period. According to the SSWI index, the highest occurrence of drought in future periods is under scenario 3in projected to be to be 10. In general, under all selected scenarios and in the entire study area, agricultural drought has a lower number of occurrences than hydrological drought. Based on the results, in all scenarios, the average number of hydrological and agricultural droughts will increase compared to the baseline period. The longest period of hydrological drought in the next 30 years is equal to 70 months, which occurs under the 4th climate change scenario (BNU ESM Model, RCP8.5). It should be noted that the longest period of agricultural drought is calculated as 70 months, which would occur under scenario 4. The results showed that the response of hydrological and agricultural droughts to climate change will not be the same, and agricultural droughts responds more significantly. تعیین خصوصیات اقلیمی و هیدرولوژیکی هر حوضه آبریز در مطالعات اقلیم کشاورزی و منابع آب اهمیت دارد. دیدبانی عوامل هواشناسی به ویژه ‏بارندگی، دما و نیز پایش خشکسالی نقش بسزایی در شناخت شرایط حوضه آبریز خواهد داشت. پژوهش حاضر با هدف تعیین شرایط خشکسالی در محدوده زیرحوضه رودخانه اترک با استفاده از مدل SWAT انجام شد. بیشترین میزان وقوع خشکسالی در آینده بر اساس شاخص SRI برابر با 15 و تحت سناریوی 3 (مدل BNU ESM, RCP2.6) روی خواهد داد که نسبت به دوره پایه، 5 واحد بیشتر است. بر اساس شاخص SSWI بشترین وقوع خشکسالی در آینده برابر با عدد 10 پیش‌نگری می‏شود که تحت سناریوی 3 روی می‏دهد. در مجموع، تحت تمامی سناریوها و در کل محدوده مورد مطالعه، خشکسالی کشاورزی تعداد وقوع کمتری نسبت به خشکسالی هیدرولوژیکی دارد. بر اساس نتایج، در تمامی سناریوها، میانگین تعداد خشکسالی‌های هیدرولوژیکی و کشاورزی نسبت به دوره پایه افزاش خواهد یافت. طولانی‌ترین مدت خشکسالی هیدرولوژیکی در طی 30 سال آینده برابر با 70 ماه بوده که در سناریو 4 (مدل BNU ESM, RCP8.5) رخ می‏دهد. لازم به ذکر است که طولانی‌ترین دوره خشکسالی کشاورزی نیز برابر با 70 ماه محاسبه شده است که تحت سناریو 4 صورت می‏گیرد. نتایج نشان داد که واکنش خشکسالی‌های هیدرولوژیکی و کشاورزی به تغییر اقلیم یکسان نخواهد بود و خشکسالی کشاورزی بیشتر نسبت به تغییر اقلیم واکنش نشان می‌دهد.

https://www.agrimet.ir/article_207356_2e4cd68ef9b80d637940b4bb2bf382cb.pdf