ارزیابی عملکرد مدل های CMIP۶ در شبیه سازی و پیش بینی رطوبت خاک سطحی تحت سناریوهای تغییر اقلیم: مطالعه موردی استان قزوین

هدف: رطوبت خاک یکی از متغیرهای کلیدی چرخه آب محسوب می شود که نقش مهمی در تولیدات کشاورزی و پویایی اقلیم ایفا می کند. برآورد دقیق و پیش نگری آن به ویژه در مناطق نیمه خشک مانند استان قزوین، که فاقد شبکه پایش میدانی گسترده است، اهمیت بالایی برای مدیریت منابع آب دارد. با توجه به تاثیر روزافزون تغییر اقلیم، هدف پژوهش حاضر، ارزیابی توانمندی دو مدل منتخب از مدل های اقلیمی CMIP۶ شامل ACCESS-CM۲ و MPI-ESM۱-۲-LR در شبیه سازی رطوبت سطحی خاک تحت دو سناریوی مشترک اقتصادی-اجتماعی (SSP۵-۸.۵, SSP۱-۲.۶) است. این مطالعه خلا مهمی را در زمینه پیش نگری این متغیر در استان قزوین پوشش می دهد.مواد و روش ها: در این تحقیق از داده های ماهانه رطوبت خاک سطحی (عمق ۰ تا ۷ سانتی متر) بانک داده بازتحلیل ERA۵-Land برای دوره پایه (۱۹۸۵–۲۰۱۴) استفاده شد. خروجی دو مدل اقلیمی CMIP۶ منتخب انتخاب و اصلاح اریبی با روش نسبت گیری خطی (LS) انجام شد. برای ارزیابی عملکرد مدل ها از شاخص های آماریRMSE، MAEو ضریب همبستگی پیرسون استفاده گردید. همچنین پیش نگری های اقلیمی برای دوره آینده نزدیک (۲۰۴۰–۲۰۲۱) تحت دو سناریوی مذکور انجام و تحلیل مکانی-زمانی روی آن ها صورت گرفت. نتایج و بحث: بررسی الگوی توزیع مکانی رطوبت خاک در استان قزوین بر اساس داده های ERA۵-land نشان داد بیشترین مقدار رطوبت خاک در ماه های ژانویه تا آوریل و اکتبر تا دسامبر وجود دارد. کمترین مقادیر به مناطق مرکزی و جنوب شرقی استان مربوط بود. پس از اصلاح اریبی، خروجی هر دو مدل به واقعیت نزدیک تر شد. مدل ACCESS در نمایش الگوی مکانی، به ویژه در مناطق کوهستانی، عملکرد بهتری نسبت به مدل MPI داشت. نتایج پیش نگری نشان داد که در سناریوی خوشبینانه، مقدار رطوبت خاک در فصل زمستان افزایش خواهد یافت، اما در تابستان کاهش یا تغییر اندکی مشاهده شد. در سناریوی بدبینانه، کاهش شدیدتری در فصل تابستان و اوایل پاییز مشاهده شد (کاهش تا ۳۵٪). بیشترین کاهش در ماه اکتبر مشاهده گردید. نتیجه گیری: نتایج نشان داد که رطوبت خاک در ماه های گرم تحت تاثیر تغییر اقلیم کاهش خواهد یافت که این موضوع می تواند بر مدیریت آبیاری، پایش خشکسالی و عملکرد محصولات کشاورزی اثرگذار باشد. از جمله محدودیت های اصلی این پژوهش، نبود داده های میدانی در استان قزوین بود. استفاده از داده های ریزمقیاس شده در کنار منابع سنجش از دور و همچنین بهره گیری از روش های یادگیری ماشین می تواند دقت پیش نگری ها را افزایش دهد.

کلیدواژه ها:

رطوبت خاک ، بازتحلیل ، ERA۵-land ، CMIP۶