ارزیابی تأثیر تغییرات اقلیمی بر منابع آب‌های سطحی (مطالعه موردی: حوزه آبخیز بابلرود)

ارخی, صالح; عمادالدین, سمیه; روشان, سیدحسین

ارزیابی تأثیر تغییرات اقلیمی بر منابع آب‌های سطحی (مطالعه موردی: حوزه آبخیز بابلرود)

نوع مقاله : مقاله مستخرج از طرح پژوهشی

نویسندگان

صالح ارخی ¹ ^¶

سمیه عمادالدین ²

سیدحسین روشان ³

¹ دانشیار، گروه جغرافیا و سیستم‌های اطلاعات جغرافیایی، دانشکده علوم انسانی، دانشگاه گلستان، گرگان، ایران.

² دانشیار، گروه جغرافیا و سیستم اطلاعات جغرافیایی، دانشکده علوم انسانی، دانشگاه گلستان، گرگان، ایران.

³ دانش‌آموخته دکتری، گروه مهندسی آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران.

چکیده

زمینه و هدف: در سال‌های اخیر، تغییرات اقلیمی و فعالیت‌های انسانی موجب تشدید بحران کمبود منابع آب در سطح جهانی شده‌اند. این تغییرات با اختلال در چرخه هیدرولوژیکی، منابع آب سطحی را از نظر دسترسی، کیفیت و پایداری در معرض تهدید جدی قرار داده‌اند.
روش‌شناسی: به منظور بررسی اثر تغییرات اقلیم بر روی منابع آبهای سطحی حوضه بابلرود ابتدا داده‌های هواشناسی و هیدرومتری حوضه جمع‌آوری گردید. بعد از رفع نواقص آماری، حذف داده‌های پرت و انتخاب پایه زمانی مشترک، اقدام به پیش‌بینی متغیرهای اقلیمی (بارش، حداقل دما و حداکثر دما) برای دوره‌ آینده (2100-2020) بر اساس داده‌های گزارش ششم IPCC AR6 و مدل اقلیمی CanESM5 تحت سناریوهای SSP1-2.6، SSP2-4.5 و SSP5-8.5 در مدل SDSM شد. برای شبیه‌سازی دبی جریان در دوره آینده از داده‌های ریزمقیاس‌نمایی شده بر اساس شبکه عصبی مصنوعی (ANN) استفاده گردید در نهایت، به منظور تعیین روند در داده‌های آینده از آزمون‌های ناپارامتری من کندال و تخمین‌گر شیب‌سن در محیط نرم افزار R استفاده شد.
نتایج و یافته‌ها: تحلیل روند دبی جریان با استفاده از آزمون من-کندال، شیب سن و مدل ANN طی دوره 2021–2100 نشان داد که در تمامی سناریوهای اقلیمی SSP، روندی کاهشی ضعیف و آماری غیرمعنادار وجود دارد. بیشترین کاهش در سناریوی SSP5-8.5 مشاهده شد. دمای حداقل روند افزایشی غیرمعنادار داشته و بارش فاقد روند مشخص است. نتایج مدل ANN با آزمون‌های آماری همخوانی داشته و کاهش تدریجی دبی جریان را تأیید می‌کند، که بر ضرورت مدیریت پایدار منابع آب در مواجهه با تغییر اقلیم تأکید دارد. این یافته‌ها ضمن تأیید تأثیر مستقیم تغییر اقلیم بر منابع آب سطحی، بر اهمیت بهره‌گیری از مدل‌های هوشمند در تحلیل بلندمدت و مدیریت پایدار منابع آب تأکید داشته و ضرورت استفاده از رویکردهای ترکیبی و تحلیل‌های منطقه‌ای در مطالعات آینده را برجسته می‌سازد.

کلیدواژه‌ها

آزمون من-کندال

حوضه آبخیز بابلرود

سناریوهای انتشار SSP

شبکه عصبی مصنوعی (ANN)

مدل‌سازی هیدرولوژیکی

موضوعات

جغرافیای طبیعی

عنوان مقاله English

Assessing the impact of climate change on surface water resources (Case study: Babolrood watershed)

نویسندگان English

Saleh Arekhi ¹

Somayeh Emadodin ²

Sayed Hussein Roshun ³

¹ Associate Professor, Department of Geography and GIS, Faculty of Human Sciences, Golestan University, Gorgan, Iran, Iran

² Associate Professor, Department of Geography and GIS, Faculty of Human Sciences, Golestan University, Gorgan, Iran

³ Ph.D. Graduated in Watershed Management, Department of Watershed Management, Faculty of Natural Resources, Sari Agricultural Sciences and Natural Resources University, Sari, Iran.

چکیده English

Background and Objective: In recent years, climate change and human activities have increasingly intensified the global water scarcity crisis. These changes have disrupted the hydrological cycle, placing surface water resources under serious threat in terms of accessibility, quality, and sustainability.
Methodology: To assess the impact of climate change on surface water resources in the Babolrood watershed, meteorological and hydrometric data were initially collected. After addressing statistical deficiencies, removing outliers, and selecting a common temporal baseline, future climate variables (precipitation, minimum temperature, and maximum temperature) were projected for the period 2020–2100 using the CanESM5 climate model under IPCC AR6 scenarios SSP1-2.6, SSP2-4.5, and SSP5-8.5 within the SDSM framework. Streamflow simulation for the future period was conducted using downscaled data processed through an Artificial Neural Network (ANN). Finally, to identify trends in the projected data, non-parametric Mann–Kendall and Sen’s slope estimator tests were applied using the R software environment.
Results and Findings: Trend analysis of streamflow using the Mann–Kendall test, Sen’s slope estimator, and the ANN model over the period 2021–2100 revealed a weak and statistically insignificant decreasing trend across all SSP climate scenarios. The most pronounced decline was observed under the SSP5-8.5 scenario. Minimum temperature exhibited a non-significant increasing trend, potentially indicating nighttime or cold-season warming, while precipitation showed no discernible trend. The ANN model results were consistent with the statistical tests, confirming a gradual reduction in streamflow, thereby underscoring the need for sustainable water resource management in the face of climate change. These findings not only confirm the direct impact of climate change on surface water resources but also highlight the importance of employing intelligent models for long-term analysis and sustainable water resource management. Moreover, they underscore the necessity of integrated approaches and region-specific analyses in future studies.

کلیدواژه‌ها English

Artificial Neural Network (ANN)

Babolrood watershed

Hydrological modeling

Mann-Kendall test

SSP emission scenarios

1. جوادی‌زاده، ف.، کردوانی، پ.، علیجانی، ب.، اسدیان، ف. (1397). کارایی الگوهای مدل ریزمقیاس‌نمایی آماری SDSM در پیش‌بینی پارامترهای دمایی در حوضه آبریز میناب. جغرافیای طبیعی، 11(42)، 47–66. https://dorl.net/dor/20.1001.1.20085656.1397.11.42.4.2

2. حمیدیان‌پور، م.، فلاح قالهری، غ.، علیمرادی، م.ر. (1400). ارزیابی کارایی مدل SDSM در بررسی پیامدهای تغییر اقلیم برای پهنه‌های اقلیمی مختلف ایران. پژوهش‌های تغییرات آب و هوایی، دوره 2، شماره 5، 14-1. https://doi.org/10.30488/ccr.2020.248188.1023

3. رضایی، م.، نهتانی، م.، آبکار، ع.، رضایی، م.، میرکازهی ریگی، م. (1393). بررسی کارایی مدل ریزمقیاس‌نمایی آماری (SDSM) در پیش‌بینی پارامترهای دمایی در دو اقلیم خشک و فراخشک (مطالعه موردی: کرمان و بم). پژوهشنامه مدیریت حوزه آبخیز، سال 5، شماره 10، 131-117. http://jwmr.sanru.ac.ir/article-1-417-fa.html

4. صمدی نقاب، س.، حبیبی نوخندان، م.، زابل عباسی، ف. (1390). بکارگیری مدل SDSM جهت ریزمقیاس‌نمایی داده‌های GCM بارش و دما مطالعه موردی: پیش‌بینی‌های اقلیمی ایستگاهی در ایران. پژوهش‌های اقلیم‌شناسی، جلد 2، شماره 5 و 6، 68-57.

5. فهیمی‌راد، ز.، رجایی، ط. و شاه‌کرمی، ن. (1401). اثر تغییر اقلیم بر متغیرهای اقلیمی و رواناب حوضه سد کمال صالح استان مرکزی. مهندسی آبیاری و آب، 12(47)، 282-261. https://doi.org/10.22125/iwe.2022.146407

6. یوسفی، ح.، امینی، ل.، قاسمی، ل.، امرایی، ن. (1397). بررسی کارایی مدل ریزمقیاس‌نمایی آماری (SDSM) در شبیه‌سازی و پیش‌بینی پارامترهای اقلیمی (مطالعه موردی: ایستگاه سینوپتیک کرج). مجله اکوهیدرولوژی، دوره 5، شماره 3، 968-957. https://doi.org/10.22059/ije.2018.254290.847

7. Abbaszadeh, M., Bazrafshan, O., Katipoğlu, O. M., & Jamshid, S. (2025). Harnessing artificial ıntelligence for streamflow predictions under climate change scenarios in arid region. Theoretical and Applied Climatology, 156(4), 1-13. https://doi.org/10.1007/s00704-025-05451-w

8. Ali, M. A., & Kamraju, M. (2023). Climate Change and Natural Resources. In Natural Resources and Society: Understanding the Complex Relationship Between Humans and the Environment (pp. 143-158). Cham: Springer Nature Switzerland.

9. ASCE Task Committee on Application of Artificial Neural Networks in Hydrology. (2000). Artificial neural networks in hydrology. II: Hydrologic applications. Journal of Hydrologic Engineering, 5(2), 124-137.

10. Benti, K. K., Dinka, M. O., Rwanga, S. S., & Aredo, M. R. (2025). Assessing Streamflow Response to Climate Change Under Shared Socioeconomic Pathways (SSPs) in the Olifants River Basin, South Africa. Hydrology, 12(9), 244. https://doi.org/10.3390/hydrology12090244

11. Bi, W., Weng, B., Yuan, Z., Ye, M., Zhang, C., Zhao, Y., ... & Xu, T. (2018). Evolution characteristics of surface water quality due to climate change and LUCC under scenario simulations: a case study in the Luanhe River Basin. International journal of environmental research and public health, 15(8), 1724. https://doi.org/10.3390/ijerph15081724

12. Caretta, M. A., et al. (2022). Water. In Climate change 2022: Impacts, adaptation and vulnerability (pp. 551–712). Cambridge University Press. https://doi.org/10.1017/9781009325844.006

13. Dawson, C. W., & Wilby, R. L. (2001). Hydrological modelling using artificial neural networks. Progress in physical Geography, 25(1), 80-108. https://doi.org/10.1177/030913330102500104

14. Gacu, J. G., Monjardin, C. E. F., Mangulabnan, R. G. T., & Mendez, J. C. F. (2025). Application of artificial intelligence in hydrological modeling for streamflow prediction in ungauged watersheds: A review. Water, 17(18), 2722. https://doi.org/10.3390/w17182722

15. Goswami, G., Prasad, R. K., & Mandal, S. (2025). Streamflow variability under SSP2-4.5 and SSP5-8.5 climate scenarios using QSWAT plus for Subansiri River Basin in Arunachal Pradesh, India. Theoretical and Applied Climatology, 156(5), 1-23. https://doi.org/10.1007/s00704-025-05496-x

16. Heshamati, S., Nazari, B., & Nikoo, M. R. (2025). Enhancing accuracy in streamflow prediction under climate change scenarios based on an integrated machine learning–metaheuristic optimization approach. Journal of Water and Climate Change, 16(2), 456-473. https://doi.org/10.2166/wcc.2025.499

17. IPCC, 2001. Climate change 2001: IPCC Special Report Emissions Scenarios. A Special Report of IPCC Working Group III, Intergovernmental Panel on Climate Change, ISBN: 92-9169, 113-115.

18. IPCC, 2007. The scientific Basis. Contribution of working group I to the third assessment report of the intergovernmental panel on climate change, Cambridge University Press. New York, USA.

19. Kendall, M.G. (1975) Rank Correlation Methods. 4th Edition, Charles Griffin, London.

20. Lettenmaier, D.P., Wood, E.R. & Wallis, J.R. (1994). Hydro-Climatological Trends in the Continental United States, 1948-88. Journal of Climate, 7(4), 586-607.

21. Mann, H.B. (1945). Non-parametric tests against trend, Econometrica 13:163-171. https://doi.org/10.2307/1907187

22. Mimeau, L., Künne, A., Devers, A., Branger, F., Kralisch, S., Lauvernet, C., ... & Datry, T. (2025). Projections of streamflow intermittence under climate change in European drying river networks. Hydrology and Earth System Sciences, 29(6), 1615-1636. https://doi.org/10.5194/hess-29-1615-2025

23. Oyebode, O., & Stretch, D. (2019). Neural network modeling of hydrological systems: A review of implementation techniques. Natural Resource Modeling, 32(1), e12189.

24. Ray, R. L., & Tikuye, B. G. (2025). Impact of Climate Change on Surface Water Resources. https://doi.org/10.5772/intechopen.1011407

25. Rummukainen, M. (2012). Changes in climate and weather extremes in the 21st century. Wiley Interdisciplinary Reviews: Climate Change, 3(2), 115-129.

26. Sheikha-BagemGhaleh, S., Babazadeh, H., Rezaie, H., & Sarai-Tabrizi, M. (2023). The effect of climate change on surface and groundwater resources using WEAP-MODFLOW models. Applied Water Science, 13(6), 121. https://doi.org/10.1007/s13201-023-01923-4

27. Sigmond, M., Anstey, J., Arora, V., Digby, R., Gillett, N., Kharin, V., Yang, D., (2023). Improvements in the Canadian Earth system model (CanESM) through systematic model analysis: CanESM5. 0 and CanESM5. 1. Geoscientific Model Development, 16(22): 6553-6591. https://doi.org/10.5194/gmd-16-6553-2023

28. Singh, D., Vardhan, M., Sahu, R., Chatterjee, D., Chauhan, P., & Liu, S. (2023). Machine-learning-and deep-learning-based streamflow prediction in a hilly catchment for future scenarios using CMIP6 GCM data. Hydrology and Earth System Sciences, 27(5), 1047-1075. https://doi.org/10.5194/hess-27-1047-2023

29. Sobkowiak, L., & Wrzesiński, D. (2024). Impacts of Climate Change on Water Resources: Assessment and Modeling-First Edition. Water, 16(24), 3578. https://doi.org/10.3390/w16243578

30. Sudarsan, G., & Lasitha, A. (2023). Rainfall Trend analysis using Mann-Kendall and Sen’s slope test estimation-A case study. In E3S Web of Conferences (Vol. 405, p. 04013). EDP Sciences. https://doi.org/10.1051/e3sconf/202340504013

31. Swart, N. C., Cole, J. N., Kharin, V. V., Lazare, M., Scinocca, J. F., Gillett, N. P., ... & Winter, B. (2019). The Canadian earth system model version 5 (CanESM5. 0.3). Geoscientific Model Development, 12(11), 4823-4873. https://doi.org/10.5194/gmd-12-4823-2019

32. Whitehead, P. G., Wilby, R. L., Battarbee, R. W., Kernan, M., & Wade, A. J. (2009). A review of the potential impacts of climate change on surface water quality. Hydrological sciences journal, 54(1), 101-123. https://doi.org/10.1623/hysj.54.1.101

33. Zhang, C., Xiao, X., Wang, X., Yi, S., Meng, C., Qin, Y., ... & Dong, J. (2025). Climate-induced losses of surface water and total water storage in Northeast Asia. Communications Earth & Environment, 6(1), 479. https://doi.org/10.1038/s43247-025-02449-0