Simulating and Drawing the Prospect of Drought in the Aras River Basin

Document Type : Research Paper

Authors

1 Post-doctoral researcher of Climatology, University of Mohaghegh Ardabili, Ardabil, Iran

2 Professor of Climatology, Department of Physical Geography, Faculty of Social Sciences, University of Mohaghegh Ardabili, Ardabil, Iran

10.22034/gp.2024.63747.3308

Abstract

In this research, the drought situation of Aras Basin under the conditions of climate change has been investigated. For this purpose, simulated precipitation data of CNRM-CM6-1-HR model with high horizontal resolution (10 km) under SSP585 scenario during 76 years and 912 months of the future period (2100-2025) were used, and the SPI index was determined as a criterion for evaluating the drought situation. The monthly analysis of the future drought under the SSP585 scenario with the SPI index showed that the drought trend is decreasing in all stations except Jolfa station. Under the SSP585 scenario, the most severe drought of the period was simulated in Ardabil and Ahar in April 2094, in Jolfa in April 2094, in Parsabad in February 2028, in Khoi in September 2078 and in Mako in May 2080. On an annual scale, the frequency of drought in Mako, Jolfa, Parsabad, Khoi and Ardabil was calculated as 42, 41, 39, 36 and 34 years respectively. Spatial distribution of annual precipitation anomalies in Aras basin showed that the maximum of very severe drought and the minimum of very severe wets are located in the southeast of the basin (Ardabil station), while the maximum core of extreme wets and the minimum core of extreme drought are concentrated in the southwest of the basin. On a monthly scale, the core of maximum and minimum frequency of positive anomalies is mainly located in the western half of the basin. On an annual scale, the largest increase in the estimated positive precipitation anomalies was related to Ardabil, Parsabad and Ahar, and the largest decrease in negative anomalies was related to Ahar, Khoy and Ardabil. On a monthly scale, the maximum decrease in negative anomaly is related to Parsabad and the maximum percentage increase in positive anomaly is related to Jolfa.

Keywords

Main Subjects

Full Text

در این پژوهش به بررسی وضعیت خشک‌سالی حوضه ارس در شرایط تغییر اقلیم پرداخته شده است. برای این منظور، از داده بارش شبیه‌سازی‌شده مدل CNRM-CM6-1-HR با توان تفکیک افقی بالا (10 ×10کیلومتر مربع) تحت سناریوی SSP5-8.5 طی 76 سال و 912 ماه از دوره آینده (2025-2100) استفاده شد و شاخص SPI به‌عنوان معیار ارزیابی وضعیت خشک‌سالی تعیین گردید. بررسی ماهانه خشک‌سالی آینده تحت سناریوی SSP5-8.5 با شاخص SPI نشان داد که روند خشک‌سالی در همه ایستگاه‌ها به‌جز ایستگاه جلفا نزولی است. تحت سناریوی SSP5-8.5، شدیدترین خشک‌سالی دوره در اردبیل و اهر در آوریل 2094، در جلفا در آوریل 2094، در پارس‌آباد در فوریه 2028، در خوی در سپتامبر 2078 و در ماکو در می 2080 شبیه‌سازی شد. در مقیاس سالانه، فراوانی خشک‌سالی در ماکو، جلفا، پارس‌آباد، خوی و اردبیل به‌ترتیب 42، 41، 39، 36 و 34 سال محاسبه شد. توزیع فضایی آنومالی‌های بارش سالانه حوضه ارس نشان داد بیشینه خشک‌سالی خیلی شدید و کمینه ترسالی خیلی شدید در جنوب شرقی حوضه (ایستگاه اردبیل) قرار گرفته درحالی‌که هسته بیشینه ترسالی خیلی شدید و هسته کمینه خشک‌سالی خیلی شدید در جنوب غربی حوضه متمرکز است. در مقیاس ماهانه نیز هسته بیشینه و کمینه فراوانی آنومالی‌های مثبت عمدتاً در نیمه غربی حوضه قرار دارد. در مقیاس سالانه، بیش‌ترین درصد افزایش آنومالی‌های بارشی مثبت برآورد شده مربوط به اردبیل، پارس‌آباد و اهر و بیش‌ترین کاهش آنومالی‌های منفی مربوط به اهر، خوی و اردبیل بوده است. در مقیاس ماهانه، حداکثر میزان کاهش آنومالی منفی مربوط به پارس‌آباد و حداکثر درصد افزایش آنومالی مثبت مربوط به جلفا است.

References

انصاری، مریم؛ نوری، غلامرضا و فتوحی، صمد (1401). بررسی روند تغییرات دما، بارش و دبی با استفاده از آزمون ناپارامتری من کندال (مطالعه موردی: حوزه آبخیز رودخانه کاجو استان سیستان و بلوچستان)، پ‍‍ژوهشنامه مدیریت حوزه آبخیز، ۷ (۱۴)، ۱۵8-۱۵2.
حجازی‌زاده، زهرا و جوی‌زاده، سعید (1389). مقدمه‌ای بر خشک‌سالی و شاخص‌های آن، تهران: سمت
صابر، مهناز؛ صلاحی، برومند و ملکی مرشت، رقیه (1403). ارزیابی قابلیت مدل SWAT در شبیه‌سازی مؤلفه‌های بیلان آب حوضه آبریز ارس. جغرافیا و برنامه‌ریزی، 29(92)، 172-193.  Doi: 10.22034/gp.2024.61336.3253
علیزاده، امین (1389). اصول هیدرولوژی کاربردی، چاپ 28، مشهد: انتشارات دانشگاه امام رضا علیه‌السلام.
مهدویان، شیرین؛ زینالی، بتول و صلاحی، برومند (1402). ارزیابی تغییرات کاربری اراضی حوضه کیوی­چای و تحلیل روند تغییرات بارش و دمای آن در دوره­های آتی با مدل­های CMIP5. جغرافیا و برنامه‌ریزی، 27(85)، 143-133.
Doi: 10.22034/gp.2022.50623.2977
Ayugi, B., Shilenje, Z. W., Lim Kam Sian, K. T. C., Mumo, R., Nnamdi Dike, V., Iyakaremye, V., Chehbouni, A., Ongoma, V. (2021). Projected Changes in Meteorological Drought Over East Africa Inferred from Bias-Adjusted CMIP6 Models. Research Square. https://doi.org/10.21203/rs.3.rs-983012/v1
Dai, A. (2013). Increasing drought under global warming in observations and models. Nat Clim Chang, 3, 52–58. https://doi.org/10.1038/nclimate1633
Das, S., Das, J., Umamahesh, N. V. (2021). Identification of future meteorological drought hotspots over Indian region: a study based on NEX‐GDDP data. International Journal of Climatology. 41(12), 5644-62.
Giddins, L., Soto, M., Rutherford, B. M, et al. (2005). Standardized precipi-tation index zones for Mexico. Atmósfera, 18(1): 33–56.
Huang, J., Yu, H., Guan, X., Wang, G., Guo, R. (2016). Accelerated dryland expansion under climate change. Nat Clim Change, 6, 166–171. https://doi.org/10.1038/nclimate2837
IPCC (2014). Summary for policymakers, Climate Change 2014: Impacts, Adaptation, and Vulnerability, Contribution of Working Group II to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change [Field C. B, Barros, V. R., Dokken, D. J., Mach, K. J., Mastrandrea, M. D., Bilir, T. E., Chatterjee, M., Ebi, K. L., Estrada, Y. O., Genova, R. C., Girma, B., Kissel, E. S., Levy, A. N., MacCracken, S., Mastrandrea, P. R., White, L.L. (eds.)]. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA, 1–32.
Kamruzzaman, M., Wahid, S., Shahid, S., Alam, E., Mainuddin, M., Islam, H. T., Cho, J., Rahman, M. M., Biswas, J. C., Thorp, K. R. (2023). Predicted changes in future precipitation and air temperature across Bangladesh using CMIP6 GCMs. Heliyon. 1, 9(5).
Li, H., Li, Z., Chen, Y., Xiang, Y., Liu, Hu, Y., Sun, F. (2021a). Projected Meteorological Drought over Asian Drylands under Different CMIP6 Scenarios. Remote Sens. 13, 4409. https://doi.org/10.3390/rs13214409
Li, H., Li, Z., Chen, Y., Xiang, Y., Liu, Y., Kayumba, P. M., Li, X. (2021b). Drylands face potential threat of robust drought in the CMIP6 SSPs scenarios. Environmental Research Letters. 16, 114004.
Li, S. Y., Miao, L. J., Jiang, Z. H., Wang, G. J., Gnyawali, K. R. et al. (2020). Projected drought conditions in Northwest China with CMIP6 models under combined SSPs and RCPs for 2015-2099. ScienceDirect, http://creativecommons.org/licenses/by-nc-nd/4.0/
Liu, Y., Geng, X., Hao, Z., Zheng, J. (2020). Changes in Climate Extremes in Central Asia under 1.5 and 2ºC Global Warming and their Impacts on Agricultural Productions. Atmosphere. 11, 1076. doi:10.3390/atmos11101076
McKee, T. B., Doesken, N. J., Kleist, J. (1993). The relationship of droughtfrequency and duration to time scales. Eighth Conference on AppliedClimatology, 17-22 January, Anaheim, California: American Mete-orological Society, 179–184.
Miao, L., Li, S., Zhang, F., Chen, T., Shan, Y., & Zhang, Y. (2020). Future drought in the dry lands of Asia under the 1.5 and 2.0 °C warming scenarios. Earth's Future, 8, e2019EF001337. https://doi.org/10.1029/2019EF001337
Naskar, P. R. Singh, G. P., Pattenaik, D. R., Katyar, S. (2023). CMIP6 projections of spatiotemporal changes in rainfall and droughts over India. J. Earth Syst. Sci. 132:123. https://doi.org/10.1007/s12040-023-02143-9
Prabhan, S., Sahoo, B. B. (2023). Implementation of Rainfall-Based Drought Indices for Regional Drought. Assessment. Hydrology and Hydrologic Modelling, Lecture Notes in Civil Engineering, 312, https://doi.org/10.1007/978-981-19-9147-9_30
Sheffield, J., Wood, E. F. (2008). Projected changes in drought occurrence under future global warming from multi-model, multi-scenario, IPCC AR4 simulations. Clim Dyn, 31, 79–105. http://link.springer.com/10.1007/s00382-007-0340-z.
Sridhara, S., Chaithra, G. M., Gopakkali, P. (2021). Assessment and monitoring of drought in Chitradurga district of Karnataka using different drought indices. Journal of Agrometeorology, 23 (2), 221-227.
Steffen, W., Rockström, J., Richardson, K., Lenton, T. M., Folke, C., Liverman, D., Summerhayes, C. P., Barnosky, A. D., Cornell, S. E., Crucifix, M., Donges, J. F., Fetzer, I., Lade, S. J., Scheffer, M., Winkelmann, R., Schellnhuber, H. J. (2018). Trajectories of the Earth System in the Anthropocene. Proc Natl Acad Sci USA, 115: 8252–8259. https://doi.org/10.1073/pnas.1810141115
Su, B., Huang, J., Mondal, S. K., Zhai, J., Wang, Y., Wen, A., et al. (2021). Insight from CMIP6 SSP-RCP scenarios for future drought characteristics in China. Atmospheric Research. 250.
Tigkas, D., Vangelis, H., Tsakiris, G. (2015). DrinC: a software for drought analysis based on drought indices. Earth Science Informatics, 8(3):697-709. doi: 10.1007/s12145-014-0178-y
Trenberth, K. E., Dai, A., Van Der Schrier, G., Jones, P. D., Barichivich, J., Briffa, K. R., Sheffield, J. (2014). Global warming and changes in drought. Nat Clim Chang, 4, 17–22. https://doi.org/10.1038/nclimate20167
Yang, S., Zhao, B., Yang, D., Wang, T., Yang Y., Ma, T and Santisirisomboon, J.  (2023). Future changes in water resources, floods and droughts under the joint impact of climate and land-use changes in the Chao Phraya basin. Thailand. Journal of Hydrology. 620, Part A. https://doi.org/10.1016/j.jhydrol.2023.129454
Zarei, A., Asadi, E., Ebrahimi, A., Jafary, M., Malekian, A., Tahmoures, M., Alizadeh, E. (2017). Comparison of meteorological indices for spatio-temporal analysis of drought in chahrmahal-bakhtiyari province in Iran. Croatian Meteorological Journal, 52, 13-26.
Zice, M.; Peng, S.; Qiang, Z.; Yifan, Z.; Yinfeng, L.; Hu, L.; Donghua, C. (2022). Characterization and Evaluation of Future Droughts across China through the CMIP6 Multi- Model Ensemble. Remote Sens. 14, 1097. https://doi.org/10.3390/rs14051097

Files

Share

How to cite

Statistics