تحلیل مکانی و زمانی تغییر اقلیم در سال‌های آینده و مقایسۀ روش‌های ریزمقیاس‌نمایی SDSM، LARS-WG و شبکۀ عصبی مصنوعی (مطالعۀ موردی: استان خوزستان)

خشک‏سالی خطر پیچیده‏ای است که سبب برهم‌خوردن تعادل آبی می‏شود؛ بنابراین بررسی تغییرات اقلیمی و پیش‏بینی آنها می‏تواند در امر مدیریت و برنامه‏ریزی مربوط به آن تأثیر زیادی داشته باشد. در تحقیق حاضر برای پایش و پیش‏بینی خشک‏سالی منطقۀ خوزستان و نیز بررسی عملکرد مدل‏های ریزمقیاس در این منطقه، ابتدا داده‏های بارش و دما به‏صورت روزانه طی دورۀ 1985-2010 از هشت ایستگاه منتخب در منطقه دریافت شد. سپس، نمایۀ خشک‏سالی دورۀ مشاهداتی به‏وسیلۀ دو شاخص SPI و SPEI محاسبه و نقشۀ 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 شبکۀ عصبی مصنوعی ریزمقیاس شدند. نتایج نشان داد توانایی مدل ریزمقیاس‏ شبکۀ عصبی مصنوعی در شبیه‏سازی بارش نسبتاً قابل ‏قبول‏تر از سایر مدل‏ها‌ست. نتایج آمارۀ من-کندال نشان داد همواره مقادیر پیش‏بینی‏شده توسط مدل LARS-WG برای نمایه‏های SPI و SPEI شیب بیشتری در جهت منفی شدن دارد. با مشاهدۀ نقشۀ 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.