22903

اصلاح روش كاهش مقياس به منظور ارزيابي اثر تغيير اقليم بر رژيم هيدرولوژيكي حوضه آبريز

دكتري

مهندسي آب

1391

1399/8/28

دكتر باقر ذهبيون

دكتر محمدرضا خزائي

عمران

افزايش غلظت گازهاي گلخانه¬اي منجر به تغيير پيوسته ¬اقليم شده¬است. تغيير اقليم مي¬تواند منجر به تغييرات رژيم هيدرولوژيكي حوضه¬هاي آبريز و عملكرد سيستم‌هاي منابع آب در آينده شود. از اين رو بررسي اثرات تغيير اقليم براي دوره¬هاي آينده حائز اهميت است. براي ارزيابي آثار تغييراقليم، از مدل¬هاي جهاني اقليم (GCMs) استفاده مي¬شود. سناريوهاي GCM بزرگ مقياس است و به¬منظور مطالعه در مقياس حوضه-آبريز نياز به كاهش¬مقياس داده¬هاي مربوطه است. دقت نتايج ارزيابي پيامدهاي تغيير اقليم بسيار وابسته به-دقت روش كاهش¬مقياس است. لذا توسعه يك روش مناسب كاهش¬مقياس، گام مهمي در پيش¬¬بيني آثار تغيير اقليم بر رژيم هيدرولوژيكي يك حوضه¬ي آبريز است. مدل¬هاي Weather Generator (WG) از مزاياي منحصر به¬فردي براي كاهش¬مقياس و ارزيابي اثرات هيدرولوژيكي تغيير اقليم برخوردارند. با اين وجود، ضعف اين مدل¬ها در 1- بازتوليد نوسانات كم¬بسامد وقايع مشاهداتي، 2- عدم تطبيق قابل قبول سناريو¬هاي آينده¬ي آن با سناريوهاي مستخرج از GCMs، 3- بازتوليد مقادير حدي وقايع مشاهداتي، كارائي اين مدل¬ها را محدود كرده¬است. در مدل IWG، بسياري از ضعف¬هاي مدل¬هاي WGs (در خصوص بازتوليد مقادير حدي، نوسانات كم¬بسامد دما و اثرات تغيير رخداد بارش بر متغيرهاي ثانويه در كاهش¬مقياس) رفع شده¬است. اما همچنان در اين مدل نوسانات كم¬بسامد بارش¬هاي توليدي نياز به اصلاح بيشتر دارد. با اصلاح ضعف¬ اين مدل¬ مي¬توان به يك ابزار كارآمد براي كاهش¬مقياس متغيرهاي اقليمي در ارزيابي اثرات تغييراقليم به¬ويژه براي اهداف هيدرولوژيكي دست¬يافت. در اين رساله عملكرد مدل IWG با مدل¬هاي SDSM و LARS-WG براي بازتوليد دامنه وسيعي از مشخصات سري¬هاي زماني مشاهداتي مقايسه شده¬است. سپس دو روش براي اصلاح نوسانات كم¬بسامد اين مدل ارائه شده¬است. روش اول مبتني بر استفاده از مقادير پارامترهاي متغير مدل در طول ماه¬هاي مختلف از سري زماني ماهانه است. بدين ترتيب كه آماره¬هاي ماهانه وابسته به متغيرهاي بزرگ مقياس جوي شبيه-سازي، و براي هر ماه در طول سري زماني به مدل وارد مي¬شود. در اعتبارسنجي اين روش مشاهده شد كه نوسانات كم¬بسامد، دست¬بالا توليد مي¬شود. در روش دوم، باياس توزيع تئوري متغيرهاي توليدي در گام زماني ماهانه، توسط روش Quantile Perturbation Method (QPM) اصلاح شد، و توزيع ماهانه متغيرهاي توليدي بر توزيع تئوري برازش شده بر متغيرهاي مشاهداتي، منطبق شد. سپس توسط يك تابع خطي، مقادير روزانه توليدي بر مقادير ماهانه منطبق شد. همچنين يك روش كاهش¬مقياس متناسب با اين روش، براساس آشفتن پارامترهاي مدل بر مبناي سناريوهاي GCM ارائه شد. از طرف ديگر، روشي براي اصلاح نوسانات كم¬بسامد مدل LARS-WG ارائه شد. از آنجا كه در اين مدل از توزيع¬هاي نيمه¬تجربي (به¬جاي توزيع¬هاي تئوري مورد استفاده در ساير WG) استفاده مي¬¬شود، اين روش براي اصلاح نوسانات كم¬بسامد بارش، بر مبناي QPM، براي اين توزيع¬ها مناسب¬سازي شد. همچنين روش كاهش-مقياس بارش ماهانه¬ي اين مدل بر مبناي QPM (به¬جاي آشفتن پارامترها) مطرح ¬شد. براي اصلاح نوسانات كم¬بسامد دماي اين مدل نيز از روش به¬كار رفته در مدل IWG بر مبناي مدل AR چند¬متغيره استفاده شد. دامنه وسيعي از آزمون¬هاي آماري براي ارزيابي عملكرد مدل¬ها و مقايسه آن با عملكرد مدل¬هاي پايه استفاده-شد. اين آزمون¬ها شامل آزمون¬هاي مستقيم (مقايسه مشخصات سري¬هاي هواشناسي توليدي و مشاهداتي) و آزمون¬هاي غيرمستقيم (مقايسه آماره¬هاي جريان رودخانه¬ي شبيه¬سازي شده توسط يك مدل هيدرولوژيكي روزانه بر مبناي سري¬هاي هواشناسي توليدي و مشاهداتي) است. همچنين عملكرد مدل¬ها در كاهش¬مقياس ارزيابي شد. براي اين آزمون¬ها از 15 ايستگاه هواشناسي در شرايط اقليمي مختلف استفاده شده است. نتايج نشان داد كه با روش¬هاي پيشنهادي، نوسانات كم¬بسامد مدل¬هاي IWG و LARS-WG را مي¬توان اصلاح كرد كه موجب بهبود عملكرد مدل¬ها در بازتوليد دامنه وسيعي از ساير آماره¬هاي سري¬هاي مشاهداتي مي¬شود. همچنين مزيت ديگر روش¬ پيشنهادي، قابليت كاربرد آن¬ها براي اصلاح نوسانات كم¬بسامد هر مدل WG (بدون نياز دسترسي به منبع كد و تغيير ساختار مدل) است؛ زيرا اين روش بر خروجي¬هاي WG اعمال مي¬شود. واژه¬هاي كليدي: نوسانات كم¬بسامد، كاهش¬مقياس، تغيير اقليم، Weather Generator، رژيم هيدرولوژيكي، بارش، IWG، LARS-WG، SDSM.

1399/10/05

An Improvement to Downscaling Approach for Assessment of Climate Change Impacts on Catchment Hydrological Regime

11/18/2020 12:00:00 AM

Increasing greenhouse gas concentration has led to continuous climate change. Climate changes can lead to changes in catchment hydrological regime and performance of water resources systems in the future. So assessment of climate change impacts phenomenon is important and must be considered more than ever. For climate change impacts assessment, GCM models are used. GCMs scenarios are large-scale; In order to use the GCM outputs in the catchment scale, downscaling is required. The results accuracy of the assessment of the regional impacts of climate change is highly dependent on the accuracy of the downscaling method. so the development of an appropriate downscaling method is an important step in predicting the climate change impacts on catchment hydrological regime. Weather generators (WGs) models have major potential advantages for downscaling and assessing the hydrological impacts of climate change. Despite their many capabilities, the weakness of these models in: 1-reproduce low-frequency variabilities, 2- inconsistency of future scenarios with scenarios derived from GCMs, and 3- reproduce the extreme values, has limited the efficiency of these models. In IWG model, many of the weaknesses of the WGs model (in terms of reproducing the extreme values, low frequency variabilities of temperature, and the impacts of rainfall occurrence changes on secondary variables in downscaling) have been resolved. However, low frequency variabilities of rainfall have not been corrected in this model. By correcting the weaknesses of this model, an efficient method for downscaling the climate variables in assessing the impacts of climate change, especially for hydrological purposes, can be achieved. In this thesis, the performance of the IWG model is compared with that of the SDSM and LARS-WG models to reproduce a wide range of observational time series characteristics. Then, two methods are presented for correcting low frequency variabilities of this model. The first method is based on using the variable values of the model parameters during different months of the monthly time series. In this method, monthly statistics related to large-scale atmospheric variables are simulated, and are entered into the model for each month. In model validation, it was observed that this method overestimates the low frequency variabilities. In the second method, the bias of the theoretical distribution of produced variables in the monthly time scale was modified by the Quantile Perturbation Method (QPM), and the monthly distribution of produced variables was adjusted to the theoretical distribution fitted to the observational variables. Then, by a linear function, the daily produced values were matched to the monthly values. Also, a downscaling method appropriate to this method was presented, by the perturbation of model parameters based on GCM scenarios. On the other hand, a method for modifying low frequency variabilities of LARS-WG model was proposed. Since this model uses semi-empirical distributions (instead of theoretical distributions in other WGs), the proposed method for modifying rainfall low-frequency variabilities based on QPM has been adapted for these distributions. Also, the method of downscaling the monthly rainfall of this model is based on QPM (instead of perturbing the parameters). To correct the low frequency variabilities of the temperature, the IWG model method based on the multivariate AR model has been used. A wide range of statistical tests have been used to evaluate the performance of the models and compare it with the performance of the basic models. These tests include direct tests (comparing the characteristics of produced and observed weather series) and indirect tests (comparing river flow statistics simulated by a daily hydrological model based on produced and observed weather series). The performance of the models in downscaling was also evaluated. To perform these tests, 15 weather stations over a diverse range of climatic conditions were used. The results showed that the proposed methods corrected the low frequency variabilities of IWG and LARS-WG models. It also improves the performance of models in reproducing a wide range of other statistics in observed series. Another advantage of this method is its applicability in any WG (without the need for access to the source code of the model or any structural change); because this method applies to WG outputs. Keywords: Low Frequency Variabilities, Downscaling, Climate Change, Weather Generator, Hydrological Regime، Rainfall, IWG, LARS-WG, SDSM.