تحلیل مکانی و زمانی تغییر اقلیم در سال های آینده و مقایسه روش های ریزمقیاس نمایی SDSM، LARS-WG و شبکه عصبی مصنوعی (مطالعه موردی: استان خوزستان)

خشک‏سالی خطر پیچیده‏ای است که سبب برهم خوردن تعادل آبی می‏شود؛ بنابراین بررسی تغییرات اقلیمی و پیش‏بینی آنها می‏تواند در امر مدیریت و برنامه‏ریزی مربوط به آن تاثیر زیادی داشته باشد. در تحقیق حاضر برای پایش و پیش‏بینی خشک‏سالی منطقه خوزستان و نیز بررسی عملکرد مدل‏های ریزمقیاس در این منطقه، ابتدا داده‏های بارش و دما به‏صورت روزانه طی دوره 1985-2010 از هشت ایستگاه منتخب در منطقه دریافت شد. سپس، نمایه خشک‏سالی دوره مشاهداتی به‏وسیله دو شاخص SPI و SPEI محاسبه و نقشه پهنه‏بندی آن‏ها ترسیم شد. در پژوهش حاضر برای پیش‏بینی خشک‏سالی از داده‏های GCM و مدل HADCM3 تحت دو سناریوی A2 و B1 استفاده شد؛ سپس داده‏های بزرگ‏مقیاس GCM با سه مدل‏ SDSM، LARS-WG و شبکه عصبی مصنوعی ریزمقیاس شدند. نتایج نشان داد توانایی مدل ریزمقیاس‏ شبکه عصبی مصنوعی در شبیه‏سازی بارش نسبتا قابل ‏قبول‏تر از سایر مدل‏هاست. نتایج آماره من-کندال نشان داد همواره مقادیر پیش‏بینی‏شده توسط مدل LARS-WG برای نمایه‏های SPI و SPEI شیب بیشتری در جهت منفی شدن دارد. با مشاهده نقشه پهنه‏بندی نمایه‏های خشک‏سالی استان خوزستان می‏توان چنین استنباط کرد که طی دوره‏های آتی همواره میانگین مقادیر دو شاخص کاهش یافته است، ولی از نظر مکانی تغییر درخور توجهی نداشته است.