ص( (743-754 تحقیقات آب و خاك ایران دورة 47 شمارة 4 زمستان 1395 معنیدار تغییرات دما و بارش نقاط مختلف دنیا به عنوان مهم- اقلیم تغییر نمودهاي ترین بررسی تا ثیر تغییر اقلیم بر منحنیهاي سختی- مدت- فراوانی خشکسالی حوزه آبریز قرهسو با استفاده از قابل توجه Ghavidel هستند ).(Rahimi, 2010 همچنین تغییرات بارش داراي دو پدیده حدي سیل و خشکسالی است (2009 al.,.(moradi et به طور کلی افزایش وقوع خشکسالی در عرضهاي پایین و میانه بهخصوص در فصول گرم که میزان تقاضا به بیشترین مقدار خود میرسد در آیندهاي نه چندان دور انتظار میرود (2007.(IPCC بنابراین تغییر اقلیم باعث گسترش خشکسالی و تداوم آنها می- شود. خشکسالی با خشکی متفاوت است. خشکی جزء ذات منطقه بوده و فطرت اقلیمی منطقه است ولی خشکسالی جزء ذات منطقه نیست و بنا به دلایلی ازجمله کاهش بارندگی رخ توابع مفصل مسعوده عزیزآبادي فراهانی 1 بهرام بختیاري * 2 کورش قادري 3 محسن رضاپور 4 1. دانشجوي کارشناسی ارشد مهندسی منابع آب دانشگاه شهید باهنر کرمان 2. استادیار بخش مهندسی آب دانشگاه شهید باهنر کرمان 3. استادیار بخش مهندسی آب دانشگاه شهید باهنر کرمان 4. استادیار بخش آمار دانشگاه شهید باهنر کرمان (تاریخ دریافت: 1394/10/12- تاریخ تصویب: 1395/2/21) چکیده تغییر اقلیم تا ثیرات متعددي بر مقدار بارش میگذارد و گرمایش نیز با شتاب بخشیدن به خشک شدن زمین منجر به افزایش فراوانی و شدت خشکسالیها میشود که این خود بر منحنیهاي سختی- مدت- فراوانی خشکسالی () مو ثر خواهد بود. هدف از این پژوهش ارزیابی اثرات تغییر اقلیم بر منحنیهاي در حوزه آبریز قرهسو واقع در استان گلستان در دوره آتی میباشد. ابتدا متغیرهاي بارش و دما با استفاده از سري زمانی میانگین حوزه طی سالهاي 2012-1983 و خروجیهاي مدل گردش عمومی جو CanESM2 تحت سه سناریو RCP 4.5 و و مدل ریزمقیاسنمایی آماري SDSM در دوره 2019-2048 برآورد شدند. پس از آن با استفاده از شاخص شناسایی خشکسالی (RDI) سهماهه و رویکرد تابع مفصل و دوره بازگشت شرطی منحنیهاي مربوط به حوزه در دوره پایه و آتی استخراج شدند. نتایج نشان داد که متغیرهاي بارش و دماي ماهانه در حوزه عموما در دوره آینده تحت سناریوهاي مختلف به ترتیب کاهش و افزایش مییابد و در دوره پایه دوره بازگشت یک رویداد خشکسالی با میزان سختی 10 و مدت برابر یا کمتر از 6 ماه 5 سال میباشد. دوره بازگشت همین رویداد خشکسالی تحت سناریوهاي RCP 4.5 و به ترتیب برابر 17 21 و 4 سال میباشد. واژههاي کلیدي: استان گلستان دوره بازگشت شرطی SDSM سختی- مدت- فراوانی خشکسالی میدهد. بنابراین خشکسالی هم در مناطق خشک و هم در مقدمه مناطق مرطوب به وقوع میپیوندد (2009 al.,.(asadi Zarch et از تشدید ناهنجاريهاي مثبت و افزایشی دماي کره زمین با از اینرو اگر بتوان زمان وقوع آن را زودتر از ظاهر شدن اثرات آن عنوان گرمایش جهانی یاد میشود. گرمایش جهانی و ارتباط مشخص کرد میتوان گام مهمی در مدیریت منابع در شرایط بحرانی برداشت. یکی از متداولترین روشها جهت ارزیابی تا ثیر اقلیم آینده بر منابع مختلف استفاده از مدلهاي گردش عمومی جو میباشد. خشکسالی یک پدیده تصادفی حدي و چند متغیره است و مشخصههاي آن (سختی و مدت) به هم وابسته هستند و به صورت مستقل و جداي از هم تغییر نکرده و هرکدام بر دیگري ١ تا ثیرگذار است. استفاده از تابع مفصل دومتغیره بین سختی و مدت خشکسالی میتواند ارتباط معنادار بین این دو ویژگی خشکسالی را نشان دهد و با استفاده از این تابع میتوان دوره بازگشت رویدادهاي خشکسالی را تعیین کرد ) al., Yusof et 2013). Shiau (2006) براي اولین بار از توابع مفصل براي تحلیل 1. Copula * نویسنده مسي ول: drbakhtiari@uk.ac.ir
477 تحقيقات آب و خاک ايران دورۀ 74 شمارۀ 7 زمستان 3195 خشکسالی کمک گرفت. در این میان تهیه منحنیهای سختی- مدت- فراوانی ( ) به تعیین زمان وقوع مجدد یک رویداد خشکسالی در آینده با سختی و تداوم معین کمک میکند و از اینرو ابزاری مفید برای مدیریت آب و طراحی در برخی پروژهها میباشد 2014( al., )2015( Bazrafshan et al..)rajsekhar et ( به مقایسه دو شاخص بارش استانداردشده چند متغیره کمبود توأم )MSPI و ایستگاه در ایران در دوره نشان داد که شاخص )JDI ( با کاربرد تابع مفصل 42 در 1366-2111 JDI پرداختند. بررسیها نمیتواند طبقات خشکسالی حدی را تشخیص دهد. در کل نتایج برتری کلی شاخص پایش خشکسالیها نشان داد. را در MSPI )2009( Shiau and Modarres برای ایجاد رابطه بین سختی مدت و فراوانی خشکسالی در دو ایستگاه آبادان و انزلی در دوره دومتغیره منحنیهای و شاخص بارش 1314-2113 استانداردشده )SPI ( از تابع مفصل استفاده و را استخراج کردند. بررسیها نشان داد که مقدار سختی خشکسالی به ازای مدت و دوره بازگشت معین در انزلی نسبت به آبادان بیشتر است. Farrokhnia and Morid )2008( برای تحلیل خصوصیات احتماالتی خشکسالی در ایستگاه مهرآباد تهران احتمال وقوع و دوره بازگشت دومتغیره خشکسالی برمبنای شاخصهای SPI را مورد مطالعه قرار دادند. نتایج و خشکسالی مؤثر ( بهدستآمده )EDI نشاندهنده قابلیتهای مناسب توابع مفصل نسبت به روشهای متداول در مدلسازی احتماالتی دومتغیره خشکسالی میباشد. Kwak et )2015( al. به منظور تحلیل اثر تغییر اقلیم بر خشکسالیهای هیدرولوژیکی حوزه روخانه از سناریوی Namhan A1B در کره جنوبی با استفاده و مدل اقلیمی منطقهای اداره هواشناسی کره جنوبی RCM6( )KMA و توابع مفصل منحنیهای خشکسالی را رسم کردند و فراوانی وقوع خشکسالی را تا سال 2111 پیشبینی کردند. نتایج نشان داد که فراوانی وقوع خشکسالیهای شدید کوتاهمدت در آیندهای نزدیک افزایش مییابد. با توجه به مطالعات انجامشده در زمینه تأثیر تغییر اقلیم بر منحنیهای با رویکرد تابع مفصل مشخص گردید که تاکنون در سطح جهانی مطالعات اندکی در این زمینه انجام شده است و در ایران نیز تاکنون مطالعهای در این زمینه صورت نگرفته است. از طرفی افزایش شدت خشکسالیهای اخیر در حوزه قرهسو واقع در استان گلستان باعث کمبود آب و ایجاد خسارات در بخش کشاورزی شده است. لذا هدف از این پژوهش استخراج منحنیهای سختی- فراوانی مدت- خشکسالی کشاورزی تحت تأثیر تغییر اقلیم با استفاده از مدل اقلیمی و تابع دومتغیره مفصل برای دوره حاضر و آتی میباشد. مواد و روشها منطقه مطالعهشده حوزه آبریز قرهسو در محدوده طول شرقی "16/9 '2 14 تا 12" 43' 14 و عرض شمالی 36" 36' 36 تا 24" 13' 36 با مساحت 1162 کیلومترمربع در جنوب غربی استان گلستان در شمال ایران واقع شده است و 9 درصد مساحت این استان را تشکیل میدهد. متوسط بارندگی تبخیر و دمای ساالنه آن به- ترتیب 131/34 و 1133 میلیمتر و 11/11 درجه سانتیگراد میباشد. در این پژوهش از دادههای بارش و دمای روزانه و ماهانه 1 ایستگاه در داخل حوزه در دوره مشترک 1393-2112 استفاده گردیده است. شکل 1 گستره ایران را نشان میدهد. جدول موقعیت حوزه آبریز قرهسو بر )1( نیز مشخصات ایستگاههای موردمطالعه را نشان میدهد. برای آزمون همگنی و روند دادهها به ترتیب از آزمون توالی و روند من- کندال استفاده گردید. نتایج هر دو آزمون وجود روند افزایشی معنادار در دادههای ماهانه دما و تأیید تصادفی بودن دادههای بارش را در کلیه ایستگاهها نشان داد. مراحل انجام پژوهش در این مقاله در شکل 2 ارائه شده است. محاسبه سری زمانی ميانگين منطقهای بارش و دما ازآنجاییکه محققان اغلب اقلیم و خشکسالی به منظور نیز در تحلیلهای مربوط به تغییر تسریع در محاسبات بهج یا بررسی بارندگی و دمای ایستگاهها بهصورت مجزا روش میانگین منطقه- ای را به کار Golmohammadi میبرند 2014( al., ;Wilby et.)and Massah Bavani, 2011 بنابراین ادامه این بررسیهای پژوهش نیز با استفاده از روش میانگین منطقهای انجام میگیرد. بدین منظور دادههای مربوط به دما و بارش هر روز و هر ماه با استفاده از دو روش درونیابی رگرسیون )چند متغیره( و IDW 2011( Bavani, )Golmohammadi and Massah به مرکز گرانی حوزه منتقل میشود و دادههای متناظر با مرکز گرانی بدست میآیند. این دادهها بهعنوان دادههای میانگین منطقهای محسوب میشوند. 7 Run Test 8 Mann-Kendall 9 Inverse Distance Weighting 1 Severity-Duration-Frequency 2 Multivariate Standardized Precipitation Index 3 Joint Deficit Index 4 Standardized Precipitation Index 5 Effective Drought Index 6Korea Meteorological Administration regional climate model
475 عزيزآبادی فراهانی و همکاران: بررسی تاثير تغيير اقليم بر منحنیهای سختی مدت... شکل 3- موقعيت حوزه آبريز قرهسو بر گستره ايران غاز محله شصتکالته سیاهآب نام ایستگاه محوطه اداره گرگان گرگان بندر ترکمن کردکوی باالبلوک جدول 3- مشخصات ايستگاههای مطالعاتی در حوزه آبريز قرهسو و اقليم آنها در سيستم دومارتن گسترشيافته )1997 )Khalili, طول جغرافیایی )درجه-دقیقه-ثانیه( 14-1-22/3 عرض جغرافیایی )درجه- دقیقه-ثانیه( 36-46-9/3 ارتفاع از سطح دریا )متر( 6 نوع اقلیم )دومارتن گسترشیافته( نیمه مرطوب گرمسیر سالهای مورد بررسی 1311-1332 261 36-41-1/19 14-21-11/3 مرطوب معتدل 1312-1332 -26 36-43-31/23 14-3-16/13 نیمه مرطوب معتدل 1341-1332 11 36-11-31/11 14-21-41/43 نیمه مرطوب گرمسیر 1361-1332 1 36-14-19 14-24-49/33 نیمه مرطوب گرمسیر 1334-1332 -21 36-12-11/33 14-6-1 نیمه مرطوب معتدل 1311-1333 61 36-41-11/16 14-1-23/11 نیمه مرطوب معتدل 1311-1333 کوچکمقياس کردن مقادير بارندگی و دما در پژوهش حاضر بهمنظور برآورد دادههای بارش و دمای آینده از مدل گردش عمومی جو سناریوی نمایی آماری CanESM2 RCP 4.5 و SDSM 4.2.9 خروجی استفاده شد. مدل سه تحت و از مدل ریزمقیاس- جهت ریزمقیاسنمایی دادههای CanESM2 یک مدل جامع و جفت شده و چهارمین نسل از مدلهای گردش عمومی جفت شده CMIP5 )IPCC ( )CGCM4 است و جزء سری مدلهای پنجم ( )AR5 هیئت بینالدول تغییر اقلیم ( 2011( al.,.)arora et جدول و گزارش میباشد )2( مشخصات این مدل را نشان میدهد. در گزارش پنجم دقت شبیهسازی و وضوح مکانی مدل- ها نسبت به گزارش پیشین افزایش یافته است. همچنین سناریوهای RCP در محدوده وسیعتر و مستدلتری از خط 9 سیرهای تولید گازهای گلخانهای ( )GHGs نسبت به سناریوهای SRES در AR4 ارزیابی شده است. بهطورکلی عدم قطعیتها در گزارش اخیر کاهش یافته است. سناریوهای شامل یک سناریوی کاهشی سناریوی حد واسط )4.5 RCP بدبینانه میباشند. و RCP سخت-گیرانه )2.6 )RCP دو )( )RCP 6 و یک سناریوی با تولید گازهای گلخانهای بسیار باال RCP 4.5 RCP 6 و اثر گازهای گلخانهای بر واداشت تابشی را در سال 2111 به ترتیب تا 9/1 4/1 6 و 2/6 وات بر مترمربع ( 2 )W/m تخمین زدهاند 2014( SDSM مدل.)IPCC بهعنوان امروزه پرکاربردترین یک ابزار رگرسیون بنیان چندگانه است و ریزمقیاس مدل بهترین و نمایی مولد داده شرطی در سطح جهان شناخته شده است. عملکرد و ساختار مدل SDSM در چهار مرحله خالصه میشود: انتخاب متغیرهای پیشبینی کننده به نام متغیر مستقل واسنجی مدل ارزیابی مدل و تولید سناریوهای آتی مرحله انتخاب بهترین متغیرهای.)Wilby et al., 2014( مستقل ازآنجاییکه در احتمال میرود پیشگوهای شبکههای نزدیک به منطقه مطالعاتی نیز بر 8 Greenhouse Gases 1 Second generation Canadian Earth System model 2 Representative Concentration Pathway 3 Statistical Downscaling Model 4 Fourth-generation Coupled Global Climate Model 5 Coupled Model Intercomparison Project Phase 5 6Fifth Assessment Report 7 Intergovernmental Panel on Climate Change
477 تحقيقات آب و خاک ايران دورۀ 74 شمارۀ 7 زمستان 3195 اخذ دادههای روزانه بارش و دمای مربوط به سالهای 2012-1983 ایستگاههای مورد نظر در گستره حوزه قرهسو آزمون توالی و من- کندال آزمون کیفیت دادهها روش IDW و رگرسیون چند متغیره دمای حوزه و بارش منطقهای میانگین محاسبه سری بررسی اثرات تغییر اقلیم دریافت دادههای بازتحلیل NCEP غربالگری متغیرهای پیشگو انتخاب متغیر پیشگوی مناسب کالیبراسیون مدل ریزمقیاس نمایی به وسیله خروجی مدل بزر مقیاس و مدل SDSM تولید داده/ صحتسنجی اخذ دادههای شبیهسازی شده برای سالهای 2019-2048 توسط مدل CanESM2 تحت سه سناریوی انتشار سناریو سناریو سناریو RCP 4.5 دمای ماهانه 2019-2048 بارش ماهانه 2019-2048 روش ترنتوایت محاسبه تبخیر تعر محاسبه شاخص RDI تئوری ران استخراج دادههای سختی و مدت خشکسالی آزمون کلموگروف- اسمیرنف اندرسون- دارلین کای مربع برازش توزیع آماری منتخب بر سختی و مدت برآورد پارامتر بر اساس ضریب کندال آزمون اندرسون دارلین با روش تابع توزیع گاما برازش تابع مفصل دو متغیره منتخب بر توزیعهای حاشیهای رسم خطوط هممقدار متناظر با احتمال وقوع توأم سختی و مدت محاسبه تابع مفصل شرطی معیارهای MSE RMSE و AIC محاسبه دوره بازگشت شرطی (TS D(s d)) تعیین سختی خشکسالی برای تداوم 1 تا 29 ماه و دوره بازگشت 50 20 10 5 2 و 100 سال استخراج منحنی مربوط به دوره پایه استخراج منحنی بر اساس سناریو استخراج منحنی بر اساس سناریو RCP 4.5 استخراج منحنی بر اساس سناریو مقایسه منحنیهای برآورد شده حاصل از سناریوهای تغییر اقلیم و منحنی مربوط به دادههای مشاهداتی شکل 2 - مراحل انجام پژوهش جدول -2 مشخصات مدل Arora et al.( CanESM2 )2133 نام مدل قدرت تفکیک اقیانوسی )درجه( )طول 1841 1834 عرض( گروه مؤسس 1 ) CCCMA( کانادا دوره شبیهسازی تاریخی/ آینده 1911-2111 2116-2111/ سناریوهای شبیه- سازی RCP4.5 و RCP8.5 مرجع آرورا و همکاران )2111( 1.Canadian Center for Climate Modelling and Analysis قدرت تفکیک اتمسفری عرض( )درجه( )طول 2891 2891 CanESM2 )2111( بارش و دمای ایستگاهها تأثیرگذار باشد بنابراین برای افزایش دقت مدل عالوه بر دادههای شبکه مربوط به حوزه از دادههای 11 شبکه مجاور و نزدیک به ایستگاهها نیز استفاده گردید. بعد از آن کالیبراسیون مدل انجام میپذیرد و با سعی و خطا و در نظر گرفتن معیارهای ارزیابی بهترین دوره از بین آنها سریای انتخاب میشود که بیشترین همبستگی را با دادههای مشاهداتی داشته باشد. برای آزمون کارایی مدل از معیارهای RMSE R 2 و ضریب MAE NSE استفاده میشود ( Taei Semiromi et 1 Root Mean Square Error 2 Mean absolutely error
474 عزيزآبادی فراهانی و همکاران: بررسی تاثير تغيير اقليم بر منحنیهای سختی مدت....)al., 2014 برای در نظر گرفتن عدم قطعیت در مدل SDSM در مرحله صحتسنجی 111 سری داده روزانه تولید شد. از بین آنها سریای انتخاب شد که بیشترین همبستگی را با دادههای مشاهداتی داشت. SDSM بهمنظور بررسی میزان حساسیت مدل به خروجی مدل جهانی شاخصهای بارش و دما با استفاده از دادههای تاریخی مدل CanESM2 در دوره 2111-1393 شبیهسازی و سپس با دادههای مشاهداتی مقایسه شدند و توانایی مدل بزر مقیاس مورد ارزیابی قرار میگیرد. دادههای دوره زمانی آینده مدل بزر بارش و دما برای دوره زمانی تأیید شده در تولید سناریو برای دورههای آتی پس از این مراحل با استفاده از مقیاس 2113-2149 IPCC برآورد میگردند و درنهایت موردنظر دادههای تحت سه سناریو به مقایسه نمودارهای دادههای پایه مشاهداتی و محاسباتی برای دوره پایه و آینده پرداخته میشود. شاخص RDI پایش ازآنجاکه خشکسالیهای کوتاهمدت در مدیریت آب و محصوالت کشاورزی اهمیت بسیاری دارد بنابراین خشکسالیها در این مطالعه توسط شاخص Mosaedi and ( اصالحشده RDI )Ghabaei Sough, 2011a;b با مقیاس سهماهه و با هدف بررسی خشکسالی کشاورزی توصیف و در دوره پایه و آتی تحت سه سناریوی توصیفشده محاسبه میشوند که به دلیل محدودیت تعداد صفحات از شرح کامل آن اجتناب شده است. ذکر این نکته الزم است که شاخص مذکور بر مبنای نسبت بارندگی تجمعی به تبخیر-تعر پتانسیل تجمعی در مقیاس زمانی معین تعریف میشود. پس از آن دو خصوصیت خشکسالی یعنی سختی و مدت با استفاده از تئوری ران Yevjevich, ( 1967( استخراج میشوند و برای حد شروع و پایان خشکسالی مقدار صفر شاخص اختیار شده است. تابع مفصل کلمه مفصل برای اولین بار در ریاضیات و آمار توسط Sklar )1959( بر مبنای قضیهای به نام خودش به کار گرفته شد. از یک نقطه نظر مفصلها توابعی میباشند که توابع توزیع چند متغیره را به توابع توزیع حاشیهایشان متصل میکنند و از طرف دیگر مفصلها نوعی از توابع توزیع چند متغیره هستند که حاشیههای یکبعدیشان بر بازه )1 1( یکنواخت میباشد )2007.)Nelsen, در این پژوهش از توابع مفصل دوبعدی برای ایجاد توزیع دومتغیره سختی- مدت خشکسالی استفاده خواهد بهطورکلی شد. رویکرد مفصل شامل دو مرحله میباشد: -1 برازش توابع توزیع حاشیهای 2- تعیین ساختار وابستگی بین حاشیهها. برای برازش توابع مفصل بر خصوصیات خشکسالی احتیاج به توابع توزیع حاشیهای آنها میباشد ( and Nazemi.)Elshorbagy, 2012 در این مطالعه توزیعهای حاشیهای به توزیعهای ذکرشده محدود نمیگردد. بدین منظور تابع 31 توزیع تک متغیره بر مقادیر دادههای مشاهداتی سختی و مدت خشکسالی برازش داده شد. روش تخمین پارامتر توزیعهای حاشیهای روش حداکثر درستنمایی 2004( )Laio, میباشد. برای انتخاب بهترین تابع توزیع حاشیهای از سه آزمون کلموگروف- اسمیرنف اندرسون- دارلین 2010( Singh, )Song and استفاده گردید. برازش تابع مفصل در این پژوهش از توابع مفصل دومتغیره کالیتون فرانک و گامبل کای اسکوئر ارشمیدسی شامل )Shiau, 2006;Nelsen, 2007( و خانواده پالکت )2008 Govindaraju, )Kao and جهت برازش بر توزیعهای حاشیهای و ایجاد احتمال توأم سختی و مدت خشکسالی در نظر گرفته شدند. جهت برازش توابع مفصل بر دادههای سختی و مدت خشکسالی تخمین پارامتر توابع مورد نیاز است. روشهای متعددی برای تخمین پارامتر وابستگی مفصل بر جفت دادهها وجود دارد. در این پژوهش از روش برآورد بر اساس ضریب کندال استفاده شده است. در این روش θ مقدار.)2007 برحسب تابعی از τ کندال محاسبه میشود ( Nelsen, بهمنظور تعیین تابع مفصل مناسب از آماره آزمون نکوئی برازش اندرسون دارلین با روش تابع توزیع گاما یا AnGamma استفاده شد 2009( al.,.)genest et AIC RMSE MSE و انتخاب بهترین تابع مفصل استفاده شد. دوره بازگشت شرطی همچنین از معیارهای 2014( al., )Rajsekhar et برای دوره بازگشت سختی و مدت خشکسالی همچنین میتوانند بهصورت مشروط تعریف شوند. برای تعیین روابط )2009( Modarres and Shiau خشکسالی دوره بازگشت 3. Maximum likelihood 4. Kolmogorov Smirnov 5. Anderson-Darling 6. Chi-Squared 7. Clayton 8. Frank 9. Gumbel 10. Akaike information criterion 11. Mean Square Error 1. Nash-Sutcliffe efficiency 2. Theory of Runs
ب( 748 تحقیقات آب و خاك ایران دورة 47 شمارة 4 زمستان 1395 شرطی( s d ) T S D دست میآید: (رابطه 1) (رابطه 2) را تعریف کردند که از به 2 و 1 معادلات T S D (s d)= 1 = 1 ϒ[1-F S D (s d) ϒ{1-C FS F [F D S (s) F D (d)]} C FS FD [F S (s) F D (d)]= C[(F S (s),f D (d)] F D (d) C FS FD تابع مفصل شرطی میباشد و [F S (s) F D (d)] s نشاندهنده میزان احتمال توأم وقوع خشکسالی با مقدار سختی به ازاي مدت خشکسالی برابر یا کمتر از مقدار میباشد. d (s d) T S D برابر است با دوره بازگشت رویداد خشکسالی با مقدار سختی معین براي زمانی که مدت خشکسالی از حد آستانه d کمتر یا برابر باشد. ϒ.(and Modarres, 2009 نرخ بازگشت خشکسالی میباشد ) Shiau بازگشت و مدت معین خشکسالی بهدست میآیند. حال با داشتن سختی و مدتهاي مختلف به ازاي دوره بازگشت معین میتوان منحنیهاي را رسم کرد. نتایج و بحث هرکدام از دو دوره 1983-1997 و 1998-2012 بهترتیب براي واسنجی و صحتسنجی متغیر بارش مورد استفاده قرارگرفتهاند و دورههاي 1983-2006 و واسنجی و صحتسنجی متغیر دما شدند. در شکل 2007-2012 در مدل به ترتیب براي انتخاب SDSM (3) و جدول 3 نتایج مربوط به دوره صحت- سنجی و شبیهسازي دوره پایه مدل SDSM براي بارش و دما آورده شده است. (الف ( رسم منحنیهاي بهمنظور جمعبندي کلی پس از برازش تابع مفصل مناسب بر دادههاي سختی و مدت خشکسالی براي توسعه منحنیهاي ابتدا تابع مفصل شرطی بر طبق رابطه 2 محاسبه میشود. در رابطه 1 مقادیر منتخب 50 20 10 5 2 و 100 سال براي ( و مقادیر معین مدت خشکسالی در معینی از بازه T S D (s d) اعداد طبیعی در نظر گرفته میشود و مقادیر ϒ نیز محاسبه میشود. درنهایت با تعدادي معادله غیرخطی تک متغیره مواجه هستیم که در آن تابع توزیع سختی خشکسالی مجهول میباشد. پس از ریشهیابی و حل معادلات مذکور با استفاده از نرمافزار MATLAB مقدار احتمال تجمعی سختی مجهول به ازاي دوره بازگشت و احتمال تجمعی مدت معین به دست میآید. سپس توزیع معکوس تابع توزیع حاشیهاي مربوط به سختی خشکسالی را بر مقادیر (s) F S برازش میدهیم و مقادیر سختی به ازاي دوره شکل 3- مقایسه دادههاي مشاهداتی و محاسباتی (الف) بارش و (ب) دماي میانگین در دوره صحتسنجی جدول 3- نتایج ارزیابی مدل در مرحله صحتسنجی و شبیهسازي دوره پایه NSE MAE RMSE R 2 متغیر دوره سطح معناداري آزمون F 0/67 0/47 0/48 0/58 0/56 0/66 9/5 9/4-8 10-8 10 0/82 0/87 بارش صحتسنجی شبیهسازي دوره پایه 0/98 0/96 0/87 1/3 1/03 1/46 1/7 1/6-19 10-4 10 0/99 0/96 دما صحتسنجی شبیهسازي دوره پایه و دماي مشاهداتی و شبیه سازي شده دوره 2005-1983 براي ایستگاههاي مورد استفاده در شکل 4 نشان داده می شود. مقایسه بارش و دماي مشاهداتی و شبیه سازي شده در شکل 4 نشان می دهد که به طور کلی مقادیر میانگین بارش و دماي سالانه در حوضه آبریز قره سو کم برآورد و بیش برآورد شده اند. در مورد بارش و دما با توجه به شکل 3 بیشترین اختلاف مقادیر محاسباتی و مشاهداتی به ترتیب در ماه سپتامبر و آگوست با میزان 1/08 میلیمتر و 1/85 درجه سانتیگراد و کمترین اختلاف در ماه ژوي ن و فوریه با میزان 0/01 میلیمتر و 0/26 درجه سانتیگراد اتفاق افتاده است. پراکنش مکانی بارش
479 عزيزآبادی فراهانی و همکاران: بررسی تاثير تغيير اقليم بر منحنیهای سختی مدت... البته دمای محاسباتی دو ایستگاه کردکوی و گرگان کمتر از دمای مشاهداتی می باشد ولی الگوی کلی بارش و دما در دوره شبیه سازی به خوبی شناسایی شده است. در پایان دادههای بارش و دما و برای دوره آینده نزدیک 2113-2149 تحت سناریوهای مختلف تولید میشوند. در شکل 1 و 6 به ترتیب دادههای میانگین ماهانه بارش و دمای مشاهداتی دوره پایه در مقابل دادههای آینده تولیدشده این دو متغیر تحت سناریوهای RCP 4.5 و آورده شدهاند. نتایج شکلهای 1 و 6 نشان میدهد که بهطورکلی متغیر بارش ماهانه منطقه عموما در دوره آینده تحت سناریوهای مختلف کاهش مییابد. دلیل کاهش بارندگی را میتوان افزایش روند گرمایی در زمین و پاسخ متفاوت سامانهه یا مقیاس بزر جوی تأثیرگذار بر بارش منطقه دانست از آن جمله اینکه اغلب مطالعات نشان میدهند که افزایش دمای کره زمین موجب تقویت پرفشار جنبحارهای تأثیر منفی آن بر بارش عرضهای میانی میگردد Taei ( al., 2014.)Semiromi et شرایط اقلیمی در ایران عموما نمیتواند از این تحوالت بیتأثیر باشد. چراکه شمال شر ایران بیشتر تحت تأثیر توده آب و هوایی است که از طرف سیبری و غرب وارد کشور شده و منطقه موردمطالعه را تحت تأثیر قرار میدهد که پدیده گرمایش جهانی تاثیر منفی بر روی سامانه پرفشار سیبری داشته و موجب تضعیف آن می گردد. این نتایج )2014( با یافتههای al. Taei Semiromi et al. Katiraei et و )2007( در مورد روند نزولی بارش تطابق دارد. تقریبا در اکثر ماهها بهجز ماههای سپتامبر اکتبر و نوامبر در همه سناریوها دما افزایش مییابد. در همه سناریوها دما افزایش مییابد. همچنین در سناریوی میزان تغییرات افزایشی دما نسبت به سایر سناریوها بیشتر میباشد و در بیش از نیمی از ماهها تغییرات افزایشی دما در بیشتر از RCP 4.5 میباشد. نتایج مذکور به دلیل آن است که میزان تولید گازهای گلخانهای و سایر اثرات منفی در بیشتر و در خوشبینانهتر میباشد و RCP 4.5 سناریوی میانه میباشد. شکل 7- پهنهبندی الف( بارش دادههای ديدهبانی شده ب( بارش دادههای شبيهسازیشده ج( دمای دادههای ديدهبانی شده د( دمای دادههای شبيهسازیشده حوضه آبريز قرهسو )3971-2115( شکل 5- مقايسه ميانگين ماهانه بارش مشاهدتی و توليدشده سناريوهای RCP 4.5 و
451 تحقيقات آب و خاک ايران دورۀ 74 شمارۀ 7 زمستان 3195 شکل 7 - مقايسه ميانگين ماهانه بارش مشاهدتی و توليد شده سناريوهای RCP 4.5 و سختی و مدت خشکسالی مقادیر ضریب همبستگی کندال τ Nazemi and ( )Elshorbagy, 2012 نیز نشان میدهد که دو متغیر سختی و مدت خشکسالی از وابستگی معنادار و باالیی برخوردارند. توابع توزیع حاشیهای منتخب برای سختی و مدت سری میانگین در دوره پایه به ترتیب ویبول دومرحلهای در سناریوی ویکبای و پارتوی تعمیمیافته در سناریوی RCP 4.5 برازش تابع مفصل و در جدول )4( توابع مفصل برازش یافته بر توزیعهای حاشیهای سختی و مدت خشکسالی و پارامترهای مربوطه مقادیر معیارهای ارزیابی آنها و p-value برازش در دوره پایه و آتی آورده شده است. مربوط به آزمون نکویی خطوط هممقدار احتمال توأم سختی و مدت خشکسالی در شکل 1 آورده شده است. با توجه به شکل 1 مشخص میشود که در دوره آینده تحت سناریوهای و RCP2.6 RCP 4.5 احتمال توأم وقوع خشکسالیهای شدید )با سختی بیشتر از 1 و مدت بیشتر از 9 ماه( بهطور مشهود نسبت به دوره پایه کاهش مییابد و با کاهش سختی و مدت خشکسالیها از میزان این اختالف کاسته میشود. بهعبارتدیگر در یک سطح احتمال توأم ثابت میزان سختی و مدت در سناریوهای داشته است. در مورد سناریوی و RCP 4.5 افزایش احتمال توأم وقوع خشکسالیهای کوتاهمدت و بلندمدت نسبت به دوره پایه و سایر سناریوها افزایش مییابد. اما در مورد خشکسالیهای با سختی بیشتر از 9 احتمال وقوع توأم رویدادها در آینده تحت سناریوی کاهش پیدا میکند. بنابراین بهطورکلی میتوان گفت احتمال وقوع توأم خشکسالیهای با سختی باال در آینده کاهش مییابد. ترسيم منحنی برای رسم منحنی ابتدا توابع مفصل شرطی محاسبه شدند که معادالت آنها در جدول )1( آورده شده است. با جایگذاری هریک از معادالت زیر در رابطه 1 دوره بازگشت ( ) شرطی ) ( برحسب ) ( و به دست میآید. با انجام بقیه مراحل که در بخش قبل توضیح داده شد مقادیر سختی خشکسالی به ازای تداوم و دوره بازگشتهای مختلف محاسبه میشود. درنهایت منحنیهای خشکسالی بر مبنای تابع مفصل برای دوره بازگشتهای منتخب 11 1 2 11 21 و 111 سال در دوره پایه و دوره آینده تحت سناریوهای مختلف توسعه مییابند و در شکل 9 نشان داده میشوند. همه منحنیهای نمایش دادهشده دارای الگوی محدب می- باشند. بهعبارتدیگر سرعت افزایش سختی خشکسالی در تداومهای کوتاهتر بیشتر است و در تداومهای طوالنیتر سرعت آن کاهش مییابد و درنهایت به یک مقدار ثابت میرسد. همچنین تغییرات شیب نمودار نشان میدهد که معموال در مدتهای کمتر از 11 ماه دوره بازگشت به میزان سختی و تداوم حساسیت باالیی دارد. یعنی در تدوامهای کوتاه با تغییر مقدار سختی و مدت دوره بازگشت تغییرات زیادی دارد و با افزایش تدوام از تغییرپذیری آن کاسته میشود. طبق شکل 9 برای هر تداوم معین خشکسالی مقادیر سختی باالتر دوره بازگشت طوالنیتری دارند. بهطور مثال در دوره پایه دوره بازگشت یک رویداد خشکسالی با میزان سختی 11 و مدت 6 1. Phased Bi-Weibull 2. Generalized Pareto 3. Wakeby 4. Log-Pearson type III 5. Generalized Extreme Value
453 عزيزآبادی فراهانی و همکاران: بررسی تاثير تغيير اقليم بر منحنیهای سختی مدت... ماه 1 سال میباشد. دوره بازگشت همین رویداد در سناریوهای RCP 4.5 و به ترتیب برابر 11 21 و 4 سال میباشد. در یک مثال دیگر سختی یک رویداد با دوره بازگشت و تداوم معین به ترتیب 111 سال و 12 ماه در دوره پایه 23 و در سناریوهای RCP 4.5 به و ترتیب برابر 23 11 و 41 میباشد. بهطورکلی با مقایسه بازه سختی در منحنیها در آینده وقوع خشکسالیهای شدیدتری تحت سناریوی نسبت به سایرین انتظار میرود. با مقایسه منحنیهای در نتایج زیر حاصل میشود: تنها در رویدادهای کوتاهمدت )2 ماه یا کمتر( دوره بازگشت ثابت است و دوره بازگشت سایر رویدادها در آینده افزایش مییابد. بهعالوه در آینده میزان سختی و مدت یک رویداد با دوره بازگشت معین به ترتیب کاهش و افزایش مییابد. البته در رویدادهایی که تدوام بیشتر از 11 ماه دارند و همچنین با افزایش سطح دوره بازگشت میزان کاهش سختی خشکسالیها نیز افزایش مییابد. دوره دوره پایه جدول 7- نتايج مناسبترين تابع برازش يافته بر سختی و مدت خشکسالی و پارامترهای آنها در سری ميانگين تابع مفصل فرانک فرانک پالکت کالیتون پارامتر تابع مفصل RMSE MSE AIC )θ( مقادیر p-value در آزمون AnGamma 1/92 1/31 1/11 1/34 1/16 1/16 1/11 1/11 1/114 1/114 1/113 1/113-34/31-121/4-122/11-133/3 16/311 11/112 63/12 6/111 RCP 4.5 شکل 4- خطوط هممقدار احتمال تجمعی توأم سختی و مدت در )الف( دوره پايه )ب( )ج( RCP 4.5 و )د(
452 تحقيقات آب و خاک ايران دورۀ 74 شمارۀ 7 زمستان 3195 نام تابع مفصل فرانک جدول 5- معادله توابع مفصل شرطی مربوط به سری ميانگين و ايستگاهها [ ( ) ( )] ( ) [( ) ] ( )( ( ) ) { ( ) ( ) } کالیتون ( ) ( ) ( ) ( ) پالکت [ ( ) ( ) ( ) ] ( ) ( ) شکل 7- منحنی خشکسالی در دوره )الف( پايه )ب( سناريوی )ج( سناريوی RCP 4.5 و )د( 3 ماه در آینده افزایش و میزان سختی کاهش مییابد. البته در RCP 4.5 تغییرات دوره بازگشت در رویدادهای در میزان تغییرات در دوره بازگشت 111 ساله بیشتر میباشد. همچنین میزان کاهش سختی در این سناریو کمتر از میباشد. مانند سختی رویدادهای با دوره بازگشت معین 2 سال در آینده کاهش و دوره بازگشت افزایش مییابد. اما میزان کاهش سختی نسبت به بیشتر می- باشد. در مورد رویدادهای با دوره بازگشت 1 سال و تداوم کمتر از 9 ماه میزان سختی خشکسالی در آینده افزایش و تداوم و دوره بازگشتها کاهش مییابد. در تداومهای باالتر برعکس می- باشد و سختی کاهش مییابد. در سایر دوره بازگشتها و رویدادهای با تدوام بیشتر از 2 ماه میزان سختی افزایش مییابد و تداوم و دوره بازگشت کاهش مییابد. در همه موارد ذکرشده میزان تغییرات با افزایش دوره بازگشت بیشتر میشود. همچنین میزان تغییرات در مختلف متغیر است. در رویدادهای با تدوام کمتر از 11 ماه و دوره بازگشت معین 2 سال میزان سختی خشکسالی در آینده کاهش و تداوم و دوره بازگشت آن افزایش مییابد. اما در تداوم- های بیشتر از 11 ماه میزان سختی افزایش و دوره بازگشت کاهش مییابد. در رویدادهای با دوره بازگشت 1 و 11 سال تغییرات مانند دوره بازگشت 2 سال میباشد. با این تفاوت که در این دو آستانه تدوام به ترتیب به 13 و 16 ماه تغییر مییابد. در رویدادهای با تداوم کوتاه )2 ماه و کمتر( و دوره بازگشت 21 سال سختی به مقدار ناچیزی در آینده افزایش و در پی آن دوره بازگشت کاهش مییابد. اما در رویدادهای با تداوم بیشتر میزان سختی خشکسالی کاهش و دوره بازگشت افزایش مییابد. همچنین در تداومهای بیشتر از 21 ماه اختالف دوره بازگشت در حال و آینده تقریبا به صفر میرسد. در دوره بازگشت 11 و 111 ساله میزان دوره بازگشت در رویدادهای با تدوام بیشتر از
451 عزيزآبادی فراهانی و همکاران: بررسی تاثير تغيير اقليم بر منحنیهای سختی مدت... بهویژه در دوره بازگشتهای بیشتر از 11 سال بیشتر از سایر 4.5 سناریوها میباشد. با توجه به تعریف هر کدام از سناریوها و مقایسه نتایج حاصل برای سختی و دوره بازگشت خشکسالی مشخص گردید که مقادیر سختی خشکسالی و دوره بازگشت خشکسالی با استفاده از سناریوی به ترتیب بیشترین مقدار افزایش و کاهش را داشته است و مقادیر سختی و دوره بازگشت در سناریوی و افزایش را داشته است و سناریوی تر محاسبه نموده است. زیرا سناریوی به ترتیب بیشترین مقدار کاهش RCP 4.5 رشد جمعیت استفاده از انرژی و درنهایت گلخانهای را در نظر گرفته درحالیکه مقادیر را متعادل- سناریوی درواقع بیشترین تولید گازهای کمترین رشد جمعیت افزایش استفاده از انرژیهای نو و درنهایت کمترین میزان تولید گازهای گلخانهای را در محاسبات در نظر گرفته و سناریوی RCP 4.5 حالت متعادل رشد را لحاظ نموده است. بهطورکلی در تحلیل فراوانی خشکسالی سناریوی بیشترین تغییرات را نسبت به سایر سناریوها داشته است که این به دلیل این است که در این سناریو میزان واداشت تابشی در انتهای قرن بیست و یکم به 9/1 وات بر مترمربع می- رسد و با نتایج تحقیق نتيجهگيری al. )2015( Li et نیز مطابقت دارد. در پژوهش حاضر بهمنظور استخراج منحنیهای خشکسالی حوزه آبریز قرهسو تحت تأثیر سناریوهای تغییر اقلیم ابتدا پارامترهای اقلیمی بارش و دما در دوره آینده با استفاده از مدل ریزمقیاسنمایی مقیاس بزر SDSM CanESM2 و دادههای خروجی مدل تحت سه سناریوی و تولید شدند. متغیر بارش و دمای ماهانه منطقه عموما در دوره آینده تحت سناریوهای مختلف به ترتیب کاهش و افزایش مییابد. در اکثر ماهها بخصوص در ماه جوالی میزان تغییرات بارش نسبت به کمتر میباشد. همچنین در سناریوی میزان تغییرات افزایشی دما نسبت به سایر سناریوها بیشتر میباشد. بهطورکلی همچنین معیارهای روشهای ترسیمی نشان میدهند که مدل ارزیابی و SDSM توانایی مدلسازی دورههای گذشته و آینده را در حوزه قرهسو برای دادههای بارش و دما را دارا میباشد و میتوان از آن در برآورد این متغیرها در دورههای آینده بهره برد. درنهایت منحنیهای خشکسالی مربوط به سری میانگین در دو دوره استخراج شدند. نتایج مربوط به رسم منحنیهای مذکور نشان داد سناریوی در تنها در رویدادهای کوتاهمدت دوره بازگشت ثابت است و دوره بازگشت سایر رویدادها در آینده افزایش مییابد. RCP 4.5 در دوره بازگشت رویدادهای کوتاهمدت با دوره بازگشت 1 2 و 11 سال در آینده افزایش مییابد. همچنین دوره بازگشت 111 و 11 ساله در رویدادهای با تدوام بیشتر از 3 ماه در آینده افزایش و میزان سختی کاهش مییابد و در در دوره بازگشت- 11 های سال به باال با تدوام بیشتر از ماه میزان سختی 2 افزایش مییابد و تداوم و دوره بازگشت کاهش مییابد. مقادیر سختی خشکسالی و دوره بازگشت خشکسالی با استفاده از سناریوی داشته است و این در مورد سناریوی سناریوی به ترتیب بیشترین مقدار افزایش و کاهش را RCP 4.5 برعکس میباشد. مقادیر را متعادلتر محاسبه نموده است. RFERENCES Arora, V. K., Scinocca, J. F., Boer, G. J., Christian, J. R., Denman, K. L., Flato, G. M., Kharin, V. V., Lee, W. G. and Merryfield, W. J. (2011). Carbon emission limits required to satisfy future representative concentration pathways of greenhouse gases. Geophysical Research Letters, 38(5), 1-6. Asadi Zarch, M. A. Mobin, M. H., Malekinejad, H., Dastorani, M. T., Rezaei Zarchi, S. 2009. Introduce a new index to determine drought severity, duration and its extent on arid regions of Iran. In: 5th National Seminar on Watershed Management, 22-23 Apr, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran. (In Farsi) Bazrafshan, J., Nadi, M. and Ghorbani, Kh. (2015). Comparison of Empirical Copula-Based Joint Deficit Index (JDI) and Multivariate Standardized Precipitation Index (MSPI) for Drought Monitoring in Iran. Water Resources RCP Management, 29(6), 2027-2044. Farrokhnia, A. and Morid, S. (2008). Analysis of drought severity and duration using Copula functions. In: 4th National Congress on Civil Engineering, 6-8 May, Tehran University, Tehran, Iran. (In Farsi) Genest, Ch., Rémillard, B., Beaudoin, D. (2009). Goodness-of-fit tests for copulas: A review and a power study. Insurance: Mathematics and Economics, 44(2), 199-213. Ghavidel Rahimi, Y. (2010). Statistical reveal the effect of global warming on the Jolfa annual precipitation anomalies using artificial neural networks. Journal of Geography and Environmental Planning, 21(2), 65-82. (In Farsi) Golmohammadi, M. and Massah Bavani, A. R. (2011). The Perusal of Climate Change Impact on Drought Intensity and Duration. Journal of Water and Soil, 25(2), 315-326. Khalili, A. (1997). Integrated water plan of Iran.
457 تحقيقات آب و خاک ايران دورۀ 74 شمارۀ 7 زمستان 3195 Meteorological studies, Ministry of power, Iran. IPCC, 2014. Climate Change 2014: Synthesis Report. Contribution of Working Groups I, II and III to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change [Core Writing Team, R.K. Pachauri and L.A. Meyer (eds.)]. IPCC, Geneva, Switzerland, 151 pp. IPCC, 2007. Climate Change 2007: Impacts, Adaptation and Vulnerability. Contribution of Working Group II to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change, M.L. Parry, O.F. Canziani, J.P. Palutikof, P.J. van der Linden and C.E. Hanson, Eds., Cambridge University Press, Cambridge, UK, 976pp. Kao, S. C., Govindaraju, R. S. (2008). Trivariate statistical analysis of extreme rainfall events via the Plackett family of copulas. Water Resources Research, 44(2), 1-19. Katiraei, P. S., Hojam, S. and Irannejad, P. (2007). Contribution of frequency and intensity variations of daily precipitation in precipitation trend in Iran in 1961-2001 period. Journal of the Earth and Space Physics, 33(1), 67-83. (In Farsi) Kwak, J., Kim, S., Singh, V. P., Kim, H. S., Kim, D., Hong, S., Lee, K. (2015). Impact of Climate Change on Hydrological Droughts in the Upper Namhan River Basin, Korea. KSCE Journal of Civil Engineering, 19(2), 376-384. Laio, F., (2004). Cramer-von Mises and Anderson- Darling goodness of fit tests for extreme value distributions with unknown parameters. Water Resources Research, 40(9), 1-10. Li, J., Zhang, K., Chen, Y. D., Singh, V. P. (2015). Future joint probability behaviors of precipitation extremes across China: Spatiotemporal patterns and implications for flood and drought hazards. Global and Planetary Change, 124, 107-122. Moradi, H. R., Sepahband, A. R. and Khazaei, M. (2009). Evaluating meteorological and hydrological drought by modified SPI and SDI (case study: Khorram abad Basin). In: 5th National Seminar on Watershed Management, 22-23 Apr, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran. (In Farsi) Mosaedi, A. and Ghabaei Sough, M. (2011a). Modification of Reconnaissance Drought Index (RDI) based on relevant probability distribution function in arid and semi-arid regions of Iran. In: The first National Conference on Agricultural Meteorology and Water Management, 22-23 november, Tehran University, Tehran, Iran. (In Farsi) Mosaedi, A. and Ghabaei Sough, M. (2011b). Modification of Standardized Precipitation Index (SPI) Based on Relevant Probability Distribution Function. Journal of Water and Soil, 25(5), 1206-1216. (In Farsi) Nazemi, A. R., Elshorbagy, A. (2012). Application of copula modelling to the performance assessment of reconstructed watersheds. Stochastic Environmental Research and Risk Assessment, 26(2), 189-205. Nelsen, R. B. 2007. An introduction to copulas (2th ed.). New York: Springer. Song, S., Singh, V. P. (2010). Meta-elliptical copulas for drought frequency analysis of periodic hydrologic data. Stochastic Environmental Research and Risk Assessment, 24(3), 425-444. Rajsekhar, D., Singh, V., Mishra, A. (2014). Hydrologic Drought Atlas for Texas. Journal of Hydrologic Engineering, 19(8), 1-20. Shiau, J. T. (2006). Fitting Drought Duration and Severity with Two-Dimensional Copulas. Water Resources Management, 20(5), 795 815. Shiau, J. T., Modarres, R. (2009). Copula-based drought severity-duration-frequency analysis in Iran. Meteorological Applications, 16(4), 481-489. Taei Semiromi, S., Moradi, H. R. and Khodagholi, M. (2014). Simulation and prediction some of climatic variables by multiple linear model SDSM and atmospheric general circulation models (case study: Neishabour). Journal of Human & Environment, 12(28), 1-16. (In Farsi) Wilby, R. L., Dawson, C. W., Murphy, C., Connor, P. O. Hawkin E. 0. h tati tical own caling Mo l ci ion ntric (SDSM- DC): conceptual basis and applications. Climate Research, 61(3), 251-268. Yevjevich, V. (1967). An objective approach to definitions and investigations of continental Hydrological droughts. hydrology paper, Colorado State University, Fort Collins, CO, (No. 23). (302pp). Yusof, F., Hui-Mean, F., Suhaila, J. and Yusof, Z. (2013). Characterisation of Drought Properties with Bivariate Copula Analysis. Water Resources Management, 27(12), 4183 4207.