ارزیابی اثر تغییر اقلیم بر خشکسالی کشاورزی به کمک شاخص‌های ETDI و SPI

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار گروه علوم و مهندسی آب دانشگاه بیرجند

2 دانشجوی دکترای آبیاری و زهکشی دانشگاه شهید چمران اهواز

3 استادیار دانشکده مهندسی عمران دانشگاه صنعتی جندی شاپور دزفول

4 گروه مهندسی زراعت، دانشکده کشاورزی، دانشگاه بیرجند

چکیده

سابقه و هدف: به دلیل وابستگی کشاورزی به آب، تعیین شرایط خشکسالی در هر منطقه به منظور برنامه‌ریزی تأمین غذا مهم است. متاسفانه چون تعریف یکسانی از شرایط خشکسالی وجود ندارد؛ شاخص‌های متعددی برای آن ارائه شده است. شاخص بارش استاندارد شده (SPI) یکی از شاخص‌های مهم هواشناسی استکه به منظور تعیین خشکسالی‌های کشاورزی مورد استفاده قرار می‌گیرد. شاخص کمبود تبخیر-تعرق (ETDI) نیز یکی از شاخص‌های مهم است که به منظور استفاده در بخش کشاورزی ارائه شده است. این شاخص در مناطق خشک و نیمه‌خشک کاربرد دارد. با وجود اینکه تحقیقات متعددی در خصوص شاخص‌های خشکسالی از جمله SPI وجود دارد، تاکنون مطالعات اندکی فقط در خارج کشور در خصوص کاربرد شاخص ETDI انجام شده است. لذا در این تحقیق سعی شد، تعیین خشکسالی با استفاده از شاخص‌های ETDI و SPI در دشت نیشابور به کمک مدل‌های تغییراقلیم انجام شود.
مواد روش‌ها: این تحقیق به منظور تعیین خشکسالی در دشت نیشابور واقع در عرض جغرافیایی و طول جغرافیایی انجام شد. شاخص ETDI براساس کمبود تبخیر-تعرق هفتگی در این منطقه تعیین شد. به منظور مقایسه نتایج شاخص ETDI نسبت به سایر شاخص‌های خشکسالی، از شاخص SPI که یکی از مهم‌ترین شاخص‌های مورد استفاده در این خصوص است، استفاده شد. داده‌های مورد نیاز این تحقیق از ایستگاه‌ هواشناسی نیشابور در بازه 1373 تا 1390 (1992 تا 2011) گرفته و برای مزارع آبی (مزارع گندم فاروب و سلیمانی، جو و ذرت) و مزارع دیم (برای گندم دیم) استفاده شد. برای تعیین داده‌های هواشناسی مورد نیاز هر شاخص در مزارع آبی در دوره‌های آتی (2020 تا 2039 و 2080 تا 2099) از مدل‌های HADCM3، ECHOAM و CGCM3 T47 براساس سناریوهای A2، B1 و A1B استفاده شد. برای مزارع دیم نیز از مدل HADCM3 براساس سناریوهای A2 و B1 استفاده گردید. آماره‌های میانگین مربعات خطا (RMSE)، میانگین خطای مطلق (MAE)، ضریب تبیین (R2) نیز برای مقایسه نتایج دو شاخص ETDI و SPI مورد استفاده قرار گرفتند.
یافته‌ها: نتایج نشان داد که شاخص ETDI برای مزرعه فاروب در دوره پایه (1992 تا 2011) در حالت "رطوبت اولیه" قرار داشت در حالی که در دوره‌های آتی (2020 تا 2039 و 2080 تا 2099) در حالت "خشکی" تعیین شد. شاخص ETDI برای مزرعه سلیمانی در دوره پایه در حالت "نرمال" قرار داشت. این شاخص برای مزرعه سلیمانی در دوره‌های 2020 تا 2039 و 2080 تا 2099 به ترتیب در حالت‌های "نرمال" و "خشکی اولیه" تعیین شد. شاخص ETDI در دوره پایه برای مزارع جو و ذرت به ترتیب در حالت‌های "نرمال" و "خشکی اولیه" قرار داشت. این شاخص برای هر دو مزرعه دو دوره‌های آتی در حالت "نرمال" قرار گرفت. مقدار شاخص ETDI برای گندم دیم در دوره پایه کمتر از گندم آبی بود در حالی که عکس این حالت در دوره آتی مشاهده شد. با استفاده از اکثر سناریوهای تغییر اقلیم، شاخص ETDI مقداری منفی داشت. این نشان دهنده‌ی بروز خشکسالی در دوره‌های آتی به دلیل کمبود تبخیر-تعرق است. نتایج شاخص SPI نشان داد که شاخص خشکسالی در این منطقه در وضعیت "خشکسالی اولیه" بود و در زمان‌های آتی نیز تغییری نیافت.
نتیجه‌گیری: نتایج شاخص‌های ETDI و SPI بسیار با هم تفاوت داشت. علت آن نیز این بود که خشکسالی کشاورزی به کمبود تبخیر-تعرق وابسته است و به همین دلیل شاخص ETDI نتایج بهتری به دست داد. مقایسه نتایج بین این دو شاخص با استفاده از آماره RMSE تفاوت زیادی در دوره‌های آتی نشان داد. علاوه بر این، شاخص ETDI و SPI همبستگی زیادی نسبت به هم (براساس آماره R2) نداشتند. وجود این تفاوت‌ها منطقی است زیرا شاخص SPI از داده‌های بارش و شاخص ETDI از داده‌های تبخیر-تعرق استفاده می‌کنند. براساس نتایج این تحقیق، شاخص SPI به عنوان یک شاخص برای تعیین خشکسالی کشاورزی پیشنهاد نمی‌شود.

کلیدواژه‌ها


عنوان مقاله [English]

The evaluation of Effect of Climate Change on Agricultural Drought Using ETDI and SPI Indexes

چکیده [English]

Background and objectives: Due to absolute dependence of agriculture on water, determine of drought condition in each region is very useful in planning the food sourcing. Unfortunately, there is no same definition about the “drought condition”, so there are some indexes to determine it. Standardized Precipitation Index (SPI) is one the meteorological indexes, which widely used to determine agricultural drought conditions. Evapotranspiration Deficit Index (ETDI) was also designed for this purpose. This index is used to determine agricultural drought conditions in arid and semi-arid region. Although there were most research about other drought indexes such as SPI, but there is few studies in oversea countries about use of ETDI index. Thus in this study tried to determine drought by ETDI and SPI indexes in Neyshabur plain by used of climate change models

Materials and methods: This research was conducted to determine drought condition in Neyshabur plain located at longitude between 58˚ 13’-59˚ 30’ N and latitude between 35˚ 40’-36˚ 39’ E, Iran. Evapotranspiration Deficit Index (ETDI) was developed based on weekly evapotranspiration deficit to determine drought condition in this region. In order to comparison of the ETDI results to other drought indices, we used Standardized Precipitation Index (SPI) as one the most common drought index. The data were collected from Neyshabur meteorological station for irrigated farms (wheat in Soleymani and Faroub farms, barley and corn) and rain-fed farms (rain-fed wheat) during 1992-2011. In order to estimate weather data for each index in the irrigated farms during two future periods (2020-2039 and 2080-2099), HADCM3, ECHOAM and CGCM3 T47 models were used based on A2, B1 and A1B scenarios and the climate model that has been used in rain-fed farm is the HADCM3 based on A2 and B1 scenarios. Root mean square error (RMSE), mean absolute error (MAE) and coefficient of determination (R2) were used to comparison of the ETDI and SPI results.

Results: Results showed that average ETDI were in initial wet condition for Faroub farm during base period (1992-2011) while it will be in drought condition during future periods (2020-2039 and 2080-2099). ETDI index was in normal condition for Soleymani farm during base period. Average ETDI indexes for these farms were in normal and initial dry condition during 2020-2039 and 2080-2099 periods, respectively. For barley and corn, ETDI indexes were in normal and initial dry condition during base period, respectively. This index was in normal statute for both of them during future periods. The ETDI value for rain-fed wheat was less compared to irrigated wheat during base period, although, this index will be increased during future periods. In most of scenarios, ETDI indexes showed negative values. It means that high drought condition will be happened during future periods due to deficit evapotranspiration. Results according to SPI index revealed that this region was in moderately drought condition and this situation will not change.

Conclusion: High differences were obtained between ETDI and SPI results. Since agricultural drought depends on evapotranspiration deficits, ETDI is better index compared to SPI. The value of RMSE revealed poor adaptation between two indexes during future periods. In addition, ETDI were not correlated with SPI for all the scenarios in all scenarios. These differences are reasonable because SPI index only uses precipitation data and ETDI uses evapotranspiration. According to the results, it seems that SPI cannot be suggested as a good index in agricultural studies.

کلیدواژه‌ها [English]

  • Climate Change
  • Evapotranspiration Deficit Index
  • Real Evapotranspiration
  • Standardized Precipitation Index
  • SWAP Model
 1.Adhikari, U., and Nejadhashemi, A.P. 2016. Impacts of Climate Change on Water Resources
in Malawi. J. Hydr. Engin. 21: 11. 1084-0699.
2.Ahmadee, M., and Khashei Siuki, A. 2016. Comparison of the Different Equations to
Determine the Saffron Water Requirement (Case study: Birjand plain, Iran). Agroecology.
8: 4. In press. (In Persian)
3.Allen, R.G., Jensen, M.E., Wright, J.L., and Burman, R.D. 1987. Operational Estimates of
Reference Evapotranspiration. Agron. J. 81: 4. 650-662.
4.Barker, I.J., Hannaford, J., Chiverton, A., and Svensson, C. 2015. From meteorological to
hydrological drought using standardised indicators. Hydrology and Earth System Sciences
Discussions. 12: 12. 12827-12875.
5.Daniel, C.A., and Eugenia, S.O. 2012. Modeling the distribution of agricultural drought by
means of soil water deficit. Energy and Environmental Research. 2: 2. 1-12.
6.Dastoorani, M.T., Pourmohammadi, S., Massah Bavani, A., and Rahimian, M.H. 2011.
Estimating Drought under climate change during next three decade by using General
circulation models (Case study: Yazd station). 4th Iran Water Resources Management
Conference, Amirkabir University of Technology, Tehran. (In Persian)
7.Dehghan, H., Alizadeh, A., and Haghayeghi, S.A. 2011. Water balance components
estimating in farm scale using simulation model SWAP. J. Water Soil. 24: 6. 1265-1275.
(In Persian)
8.Dubrovsky, M., Svoboda, M.D., Trnka, M., Hayes, M.J., Wilhite, D.A., Zalud, Z., and Hlavinka,
P. 2009. Application of relative drought indices in assessing climate-change impacts on
drought conditions in Czechia. Theoretical and Applied Climatology. 96: 155-171.
9.Eden, U. 2012. Drought assessment by evapotranspiration mapping in Twente, the
Netherlands. MSc thesis, University of Twente, 79p.
10.Golmohammadi, M., and Massah Bavani, A. 2011. The perusal of climate change impacts on
drought intensity and duration. J. Water Soil. 25: 2. 315-326. (In Persian)
11.Hargreaves, G.H. 1994. Defining and Using Reference Evapotranspiration. Irrigation and
Drainage Engineering, ASCE. 120: 6. 1132-1139.
12.Heim, J. 2002. A Review of Twentieth-century Drought Indices Used in the United States.
Bulletin of American Meteorological Society. 83: 8. 1149-1165.
13.Hou, Z., Dai, X., Feng, Sh., Kang, Sh., and Huang, G. 2013. Effect of climate change on
reference evapotranspiration and aridity index in arid region of China. J. Hydrol. 492: 24-34.
14.Loukas, A., Vasiliades, L., and Tzabiras, J. 2008. Climate change effects on drought severity.
Advances in Geosciences. 17: 23-29.
15.McKee, T.B., Doesken, N.J., and Kleist, J. 1995. Drought monitoring with multiple time
scales. Preprints. 9th Conference on Applied Climatology, Dallas, TX, Pp: 233-236.
16.Mirzaie, M., Sohrabi, R.A., and Arab, D.R. 2011. Evaluation of climate change impacts on
drought characteristics in Kermanshah Province, 1st National Conference on Agrometeorology
and Agricultural Water Management, Tehran. (In Persian)
17.Mpelasoka, A.F., Hennessy, K., Jonesb, B.R., and Batesa, B. 2008. Comparison of suitable
drought indices for climate change impacts assessment over Australia towards resource
management. Inter. J. Climatol. 28: 1283-1292.
18.Narasimhan, B., and Srinivasan, R. 2005. Development and evaluation of soil moisture
deficit index (SMDI) and evapotranspiration deficit index (ETDI) for agricultural drought
monitoring. Agricultural and Forest Meteorology. 133: 69-88.
19.Peters, E., Bier, G., Van Lanen, H.A.J., and Torfs, P.J.J.F. 2006. Propagation and spatial
distribution of drought in a groundwater catchment. J. Hydrol. 321: 1. 257-275.
20.Peters, E., Torfs, H.A.J., Van Lanen, H.A.J., and Bier, G. 2003. Propagation of drought
through groundwater – a new approach using linear reservoir theory. Hydrological
Processes. 17: 15. 3023-3040.
21.Racsko, P., Szeidl, L., and Semenov, M. 1991. A serial approach to local stochastic weather
models. Ecological Modeling. 57: 27-41.
22.Randall, D.A., Wood, R.A., Bony, S., Colman, R., Fichefet, T., Fyfe, J., Kattsov, V., Pitman,
A., Shukla, J., Srinivasan, J., Stouffer, R.J., Sumi, A., and Taylor, K.E. 2007. Cilmate
Models and Their Evaluation. In: Climate Change 2007: The Physical Science Basis.
Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental
Panel on Climate Change [Solomon, S., D. Qin, M. Manning, Z. Chen, M. Marquis, K.B.
Averyt, M. Tignor and H.L. Miller (eds.)]. Cambridge University Press, Cambridge, United
Kingdom and New York, NY, USA.
23.Salih, A.M.A., and Sendil, U. 1984. Evapotranspiration under Extremely Arid Climates.
Irrigation and Drainage Engineering, ASCE. 110: 3. 289-303.
24.Sayari, N., Alizadeh, A., Bannayan Awal, M., Farid Hossaini, A., and Hesami Kermani,
M.R. 2011. Comparison of two GCM models (HadCM3 and CGCM2) for the prediction of
climate parameters and crop water use under climate change (Case study: Kashafrood basin).
J. Water Soil. 25: 4. 912-925.
25.Sayari, N., Bannayan, M., Alizadeh, A., and Farid, A. 2013. Using drought indices to assess
climate change impacts on drought conditions in the northeast of Iran (Case study:
Kashafrood basin). Meteorological Applications. 20: 115-127. (In Persian)
26.Semenov, M.A., and Barrow, E.M. 2002. LARS-WG: a stochastic weather generator for use
in climate impact studies (Version 3.0). User Manual.
27.Semenov, M.A., Brooks, R.J., Barrow, E.M., and Richardson, C.W. 1997. Comparison of the
WGEN and LARS-WG stochastic weather generators for diverse climates. Climate
Research. 10: 95-107.
28.Shahidi, A., and Ahmadee, M. 2014. Visual learning of SWAP software, Kelk Zarrrin,
Tehran, 168p. (In Persian)
29.Sheikholeslami, N., Ghahraman, B., Mosaedi, A., Davary, K., and Mohejerpour, M. 2014.
Estimating reference evapotranspiration by using principal component analysis (PCA) and
the development of a regression model (MLR-PCA) (Case study: Mashhad station). J. Water
Soil. 28: 2. 420-429. (In Persian)
30.Van Genuchten, M., and Yates, S.R. 1991. The RETC code for quantifying the hydraulic
functions of unsaturated soils. US Environmental Protection Agency, 85p.
31.Van Loon, A.F., and Laaha, G. 2015. Hydrological drought severity explained by climate
and catchment characteristics. J. Hydrol. 526: 3-14.
32.Wilhite, D.A. 1992. Planning for drought: a guidebook for developing countries. Climate
Unit, UN. Environment Program, Nairobi, Kenya.
33.Wilhite, D.A. 1996. A methodology for drought preparedness. Natural Hazards. 13: 229-252.