برگزاری دفاعیه دکتری مهندس مهراوه حصیرچیان

افزایش غلظت گازهای گلخانه‌‌ای منجر به تغییر پیوسته ‌‌اقلیم شده‌‌است. تغییر اقلیم می‌‌تواند منجر به تغییرات رژیم هیدرولوژیکی حوضه‌‌های آبریز و عملکرد سیستم‌های منابع آب در آینده شود. از این رو بررسی اثرات تغییر اقلیم برای دوره‌‌های آینده حائز اهمیت است. برای ارزیابی آثار تغییراقلیم، از مدل‌‌های جهانی اقلیم (GCMs) استفاده می‌‌شود. سناریوهای GCM بزرگ مقیاس است و به‌‌منظور مطالعه در مقیاس حوضه‌‌آبریز نیاز به کاهش‌‌مقیاس داده‌‌های مربوطه است. دقت نتایج ارزیابی پیامدهای تغییر اقلیم بسیار وابسته به‌‌دقت روش کاهش‌‌مقیاس است. لذا توسعه یک روش مناسب کاهش‌‌مقیاس، گام مهمی در پیش‌‌‌‌بینی آثار تغییر اقلیم بر رژیم هیدرولوژیکی یک حوضه‌‌ی آبریز است. مدل‌‌های (Weather Generator (WG از مزایای منحصر به‌فردی برای کاهش‌‌مقیاس و ارزیابی اثرات هیدرولوژیکی تغییر اقلیم برخوردارند. با این وجود، ضعف این مدل‌‌ها در:

۱- بازتولید نوسانات کم‌‌بسامد وقایع مشاهداتی،

۲- عدم تطبیق قابل قبول سناریو‌‌های آینده‌‌ی آن با سناریوهای مستخرج از GCMs، 

۳- بازتولید مقادیر حدی وقایع مشاهداتی، کارائی این مدل‌‌ها را محدود کرده است. 
در مدل IWG، بسیاری از ضعف‌‌های مدل‌‌های WGs (در خصوص بازتولید مقادیر حدی، نوسانات کم‌‌بسامد دما و اثرات تغییر رخداد بارش بر متغیرهای ثانویه در کاهش‌‌مقیاس) رفع شده‌‌است. اما همچنان در این مدل نوسانات کم‌‌بسامد بارش‌‌های تولیدی نیاز به اصلاح بیشتر دارد. با اصلاح ضعف‌‌ این مدل‌‌ می‌‌توان به یک ابزار کارآمد برای کاهش‌‌مقیاس متغیرهای اقلیمی در ارزیابی اثرات تغییراقلیم به‌‌ویژه برای اهداف هیدرولوژیکی دست‌‌یافت.
در این رساله عملکرد مدل IWG با مدل‌‌های SDSM و LARS-WG برای بازتولید دامنه وسیعی از مشخصات سری‌‌های زمانی مشاهداتی مقایسه شده‌‌است. سپس دو روش برای اصلاح نوسانات کم‌‌بسامد این مدل ارائه شده‌‌است. روش اول مبتنی بر استفاده از مقادیر پارامترهای متغیر مدل در طول ماه‌‌های مختلف از سری زمانی ماهانه است. بدین ترتیب که آماره‌‌های ماهانه وابسته به متغیرهای بزرگ مقیاس جوی شبیه‌‌سازی، و برای هر ماه در طول سری زمانی به مدل وارد می‌‌شود. در اعتبارسنجی این روش مشاهده شد که نوسانات کم‌‌بسامد، دست‌‌بالا تولید می‌‌شود. در روش دوم، بایاس توزیع تئوری متغیرهای تولیدی در گام زمانی ماهانه، توسط روش:

(Quantile Perturbation Method (QPM اصلاح شد، و توزیع ماهانه متغیرهای تولیدی بر توزیع تئوری برازش شده بر متغیرهای مشاهداتی، منطبق شد. سپس توسط یک تابع خطی، مقادیر روزانه تولیدی بر مقادیر ماهانه منطبق شد. همچنین یک روش کاهش‌‌مقیاس متناسب با این روش، براساس آشفتن پارامترهای مدل بر مبنای سناریوهای GCM ارائه شد.
از طرف دیگر، روشی برای اصلاح نوسانات کم‌‌بسامد مدل LARS-WG ارائه شد. از آنجا که در این مدل از توزیع‌‌های نیمه‌‌تجربی (به‌‌جای توزیع‌‌های تئوری مورد استفاده در سایر WG) استفاده می‌‌‌‌شود، این روش برای اصلاح نوسانات کم‌‌بسامد بارش، بر مبنای QPM، برای این توزیع‌‌ها مناسب‌‌سازی شد. همچنین روش کاهش‌مقیاس بارش ماهانه‌‌ی این مدل بر مبنای QPM (به‌‌جای آشفتن پارامترها) مطرح ‌‌شد. برای اصلاح نوسانات کم‌‌بسامد دمای این مدل نیز از روش به‌‌کار رفته در مدل IWG بر مبنای مدل AR چند‌‌متغیره استفاده شد.  
دامنه وسیعی از آزمون‌‌های آماری برای ارزیابی عملکرد مدل‌‌ها و مقایسه آن با عملکرد مدل‌‌های پایه استفاده شد. این آزمون‌‌ها شامل آزمون‌‌های مستقیم (مقایسه مشخصات سری‌‌های هواشناسی تولیدی و مشاهداتی) و آزمون‌‌های غیرمستقیم (مقایسه آماره‌‌های جریان رودخانه‌‌ی شبیه‌‌سازی شده توسط یک مدل هیدرولوژیکی روزانه بر مبنای سری‌‌های هواشناسی تولیدی و مشاهداتی) است. همچنین عملکرد مدل‌‌ها در کاهش‌‌مقیاس ارزیابی شد. برای این آزمون‌‌ها از ۱۵ ایستگاه هواشناسی در شرایط اقلیمی مختلف استفاده شده است. 
نتایج نشان داد که با روش‌‌های پیشنهادی، نوسانات کم‌‌بسامد مدل‌‌های IWG و LARS-WG را می‌‌توان اصلاح کرد که موجب بهبود عملکرد مدل‌‌ها در بازتولید دامنه وسیعی از سایر آماره‌‌های سری‌‌های مشاهداتی می‌‌شود. همچنین مزیت دیگر روش‌‌ پیشنهادی، قابلیت کاربرد آن‌‌ها برای اصلاح نوسانات کم‌‌بسامد هر مدل WG (بدون نیاز دسترسی به منبع کد و تغییر ساختار مدل) است؛ زیرا این روش بر خروجی‌‌های WG اعمال می‌‌شود. 
واژه‌‌های کلیدی: نوسانات کم‌‌بسامد، کاهش‌‌مقیاس، تغییر اقلیم، Weather Generator، رژیم هیدرولوژیکی، بارش، SDSM ،LARS-WG ،IWG.
رایانامه جهت ارتباط با دانشجوی فوق: m.hasirchianyahoo.com