توسعه و پیش‌بینی شاخص خشکسالی‌ مرکب با استفاده از توابع کاپولا تحت سناریوهای انتشار آینده: کاربرد مدل‌های اقلیمی CMIP6 در حوضه‌آبخیز سد استقلال میناب

کشاورز, حجت الله; بذرافشان, ام البنین; شکاری, مرضیه; زمانی, حسین

doi:10.22077/jdcr.2025.10226.1180

توسعه و پیش‌بینی شاخص خشکسالی‌ مرکب با استفاده از توابع کاپولا تحت سناریوهای انتشار آینده: کاربرد مدل‌های اقلیمی CMIP6 در حوضه‌آبخیز سد استقلال میناب

نوع مقاله : مقاله پژوهشی

نویسندگان

حجت الله کشاورز ¹

ام البنین بذرافشان ²

مرضیه شکاری ³

حسین زمانی ³

¹ دانشجوی دکتری علوم و مهندسی آبخیزداری، گروه مهندسی مناب عطبیعی، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس، ایران.

² استاد گروه مهندسی مناب عطبیعی، دانشکده کشاورزی و منابع طبیعی ، دانشگاه هرمزگان، بندرعباس، ایران.

³ استادیار گروه آمار، دانشکده علوم، دانشگاه هرمزگان، بندرعباس، ایران.

https://doi.org/10.22077/jdcr.2025.10226.1180

چکیده

این پژوهش با هدف مدل‌سازی خشکسالی‌ها تحت سناریوهای تغییر اقلیم آینده و با استفاده از توابع کاپولا انجام شد. در این مطالعه، از داده‌های تاریخی (2020-۱۹۸۹) و خروجی‌های ریزمقیاس‌شده مدل اقلیمی CanESM5 تحت سناریوهای SSP126، SSP370 و SSP585 در دوره آینده (2040-۲۰۲۱) استفاده گردید. رواناب حوضه با مدل IHACRES شبیه‌سازی شد. بارش و رواناب در مقیاس 12 ماهه محاسبه و سپس با کمک توابع کاپولا، شاخص ترکیبی خشکسالی هیدرو-هواشناسی توسعه داده شد و ویژگی‌های خشکسالی و روند آن در دوره‌های تاریخی و آینده مورد تحلیل قرار گرفت. نتایج نشان داد الگوی خشکسالی در آینده به‌سمت رویدادهای کوتاه‌مدت‌تر اما پرشمارتر تغییر می‌کند. اگرچه میانگین تداوم و شدت در برخی سناریوها کاهش یافت، اما «بزرگی» کلی خشکسالی و فراوانی خشکسالی‌های شدید در تمامی سناریوها افزایشی قابل توجه خواهد داشت. این چارچوب می‌تواند مبنای علمی مناسبی برای تدوین سیستم‌های هشدار زودهنگام و مدیریت پایدار منابع آب درحوضه ها مقابل تغییرات اقلیمی فراهم آورد.

کلیدواژه‌ها

خشکسالی مرکب

توابع کاپولا

تغییر اقلیم

شاخص JDHMI

حوضه میناب

موضوعات

خشکسالی

Abbaszadeh, M., Bazrafshan, O., Mahdavi, R., Sardooi, E. R., & Jamshidi, S. (2023). Modeling future hydrological characteristics based on land use/land cover and climate changes using the SWAT model. Water Resources Management, 37(10), 4177-4194. https://doi.org/10.1007/s11269-023-03545-6

Amiri, A., Baharvand, S., & Rad, M. (2024). Evaluation of Different Drought Indices to Find the Mos t Applicable Index (Case Study: Aleshtar Plain). Journal of Drought and Climate change Research, 4(4), 71-86 (In Persia). https://doi.org/10.22077/jdcr.2023.6775.1043

Azhdari, Z., Bazrafshan, O., Shekari, M., & Zamani, H. (2020). Three-dimensional risk analysis of hydro-meteorological drought using multivariate nonlinear index. Theoretical & Applied Climatology, 142. 1311–1327. https://doi.org/10.1007/s00704-020-03365-3

Bazrafshan, O., Teimourri, F., Golami, H., Shekari, M., & Zamani, H. (2025). Application of the Vine Copula-Based Integrated Drought Index in Multivariate Risk Analysis. Journal of Drought and Climate Change Research, 3(12), 97-120. [In Persian] https://doi.org/10.22077/jdcr.2025.9917.1161

Bazrafshan, O., Mahmudzadeh, F., & Bazrafshan, J. (2017). Evaluation of temporal trends of the drought indices SPI and SPEI in the Southern Coast of Iran. Desert Management, 4(8), 54-69. https://doi.org/10.22034/jdmal.2017.24662

Bazrafshan, O., Shekari, M., Zamani, H., Dehghanpir, S., & Singh, V. P. (2021). Assessing hydrologic drought risk using multi-dimensional copulas: case study in Karkheh River basin. Environmental Earth Sciences, 80(17), 538.- 552. (In Persia) https://doi.org/10.1007/s12665-021-09870-6

Bazrafshan, O., Zamani, H., & Shekari, M. (2020). A copula‐based index for drought analysis in arid and semi‐arid regions of Iran. Natural Resource Modeling, 33(1), e12237. https://doi.org/10.1111/nrm.12237

Bazrafshan, O., Zamani, H., Mozaffari, E., Azhdari, Z., & Shekari, M. (2023). Trivariate risk analysis of meteorological drought in Iran under climate change scenarios. Meteorology and Atmospheric Physics, 135(6), 52. https://doi.org/10.1007/s00703-023-00988-9

Bevacqua, A.G., Chaffe, P.L.B., Chagas, V.B.P., & AghaKouchak, A., (2021). Spatial and temporal patterns of propagation from meteorological to hydrological droughts in Brazil. Journal of Hydrology. 603, 126-155. https://doi.org/10.1016/j.jhydrol.2021.126902

Das, P. K., Das, R., Das, D. K., Midya, S. K., Bandyopadhyay, S., & Raj, U. (2020). Quantification of agricultural drought over Indian region: a multivariate phenology-based approach. Natural Hazards, 101(1), 255-274. https://doi.org/10.1007/s11069-020-03872-6

Das, S., Das, J., & Umamahesh, N.V., (2022). A non-stationary based approach to understand the propagation of meteorological to agricultural droughts. Water Resources Management 37, 2483–2504. https://doi.org/10.1007/s11269-022-03297-9

Dehghani, A., Mortazavizadeh, F., & Dehghani, A., (2025). Multi-model assessment of climate change impacts on drought characteristics. Nathral Hazards 121, 6069–6084. https://doi.org/10.1007/s11069-024-07015-z

Doostan, R. (2015). Analysis of the Iran droughts in the Past half century. Journal of Climate Research, 1394(23), 1-18. https://clima.irimo.ir/article_40460_85e5038af49f8d0c329a04dad19d35fc.pdf

Du Plessis, J. A., & Smith, E. (2025). Methodology for Developing Severity‐Duration‐Frequency Curves for Drought Assessment in South Africa. Hydrological Processes, 39(6), e70185. https://doi.org/10.1002/hyp.70185

Du, C., Chen, J.S., Nie, T.Z., & Dai, C.L. (2022). Spatial-temporal changes in meteorological and agricultural droughts in Northeast China: change patterns, response relationships and causes. Natural Hazards 110, 155–173. https://doi.org/10.1007/s11069-021-04940-1

Hafezparast, M., & Marabi, S. (2021). Prediction of discharge using artificial neural network and IHACRES models due to climate change. Journal of Renewable Energy and Environment, 8(3), 75-85. https://doi.org/10.30501/jree.2021.257941.1162

Hasan, I. F., Abdullah, R., Taymoor, A. A., and Nurul Hana, M. K., (2023). Bivariate Frequency Analysis of Hydrological Drought Using Copula: A Case Study of Northern Iraq. Jordan Journal of Civil Engineering 1 (3), 430–442. https://doi.org/10.14525/jjce.v17i3.06

Hajarian, A. (2025). Meteorological Drought Risk Monitoring and Zoning Using Random Forest Model. Journal of Drought and Climate Change Research, 3(1): 83-91. (In Persia). https://doi.org/10.22077/jdcr.2025.8551.1093

Huang, X., Yang, X., Wu, F., & Zhang, J. (2025). Future propagation characteristics of meteorological drought to hydrological drought in the Yellow River basin. Journal of hydrology, 649, 132-155. https://doi.org/10.1016/j.jhydrol.2024.132443

Kendall, M.G., & Stuart, A., (1976). The Advanced Theory of Statistics, Vol. I: Distribution Theory. Griffin, London.

Leng, G., Tang, Q., & Rayburg, S. (2015). Climate change impacts on meteorological, agricultural and hydrological droughts in China. Global and Planetary Change, 126, 23-34. https://doi.org/10.1016/j.gloplacha.2015.01.003

Mann, H.B. (1945). Nonparametric tests against trend. Econometrica, 13, 245-259.

Meimandi, J. B., Bazrafshan, O., Esmaeilpour, Y., Zamani, H., & Shekari, M. (2024). Risk assessment of meteo-groundwater drought using copula approach in the arid region. Stochastic Environmental Research and Risk Assessment, 38(4), 1523-1540. https://doi.org/10.1007/s00477-023-02641-8

Milly, P. C., Dunne, K. A., & Vecchia, A. V. (2005). Global pattern of trends in streamflow and water availability in a changing climate. Nature, 438(7066), 347-350. https://doi.org/10.1038/nature04312

Pourhaghverdi, F. , Bazrafshan, O. , Gholami, H. , Shekari, M. and Zamani, H. (2023). Application of copula function in multivariate analysis of stream flow drought index (case study: Minab Esteghlal Dam Basin). Journal of Arid Biome, 13(1), 97-110. http:/doi.org/10.29252/aridbiom.2023.20698.1962

Pourhagverdi, F., Pakdaman, Z., & Bazrafshan, O. (2025) . Uncertainty quantification in drought severity-duration-frequency analysis: a maximum entropy copula framework for arid region. Theoretical and Applied Climatology, 156, 450-468. https://doi.org/10.1007/s00704-025-05675-w

Rasco P., Szeidl L., & Semenov M. A., (1991) A serial approach to local stochastic models. Ecol Model 57(1–2):27–41. https://doi.org/10.1016/0304-3800(91)90053-4

Requena, A. I., Flores, I., Mediero, L., & Garrote, L. (2016). Extension of observed flood series by combining a distributed hydro-meteorological model and a copula-based model. Stochastic Environmental Research and Risk Assessment, 30(5), 1363-1378. https://doi.org/10.1007/s00477-015-1138-x

Semenov, M. A., Brooks, R. J., Barrow, E. M., & Richardson, C. W. (1998). Comparison of the WGEN and LARS-WG stochastic weather generators for diverse climates. Climate research, 10(2), 95-107. https://doi.org/10.3354/cr010095

Shukla, S. R., & Kamdem, D. P. (2009). Properties of laboratory made yellow poplar (Liriodendron tulipifera) laminated veneer lumber: effect of the adhesives. European Journal of Wood and Wood Products, 67(4), 397-405. https://doi.org/10.1007/s00107-009-0333-1

Sklar, A. (1996). Random variables, distribution functions, and copulas: a personal look backward and forward. Lecture notes-monograph series, 1-14. https://doi.org/10.1214/lnms/1215452606

Tchiguirinskaia, I., Thein, K. N. N., & Hubert, P. (Eds.). (2006). Frontiers in flood research (No. 305). IAHS/IHP-UNESCO.

Tosan, M., Shamshirgaran, R., & Falaki, M. (2025). A review of participatory management’s role in reducing vulnerability and enhancing resilience to climate change and drought (2006-2024). Journal of Drought and Climate Change Research, 2(4), 164-184. (In Persia). https://doi.org/10.22077/jdcr.2025.8565.1095

Varol, T., Atesoglu, A., Ozel, H. B., & Cetin, M., (2023). Copula-Based Multivariate Standardized Drought Index (MSDI) and Length, Severity, and Frequency of Hydrological Drought in the Upper Sakarya Basin, Turkey. Natural Hazards 116, 3669–3683. https://doi.org/10.1007/s11069-023-05830-4

Wang, Y., Li, J., Zhang, T., & Wang, B. (2019). Changes in drought propagation under the regulation of reservoirs and water diversion. Theoretical and Applied Climatology, 138(1), 701-711. https://doi.org/10.1007/s00704-019-02839-3

Wu, H., Su, X., Singh, V. P., Feng, K., & Niu, J. (2021). Agricultural drought prediction based on conditional distributions of vine copulas. Water Resources Research, 57(8), 21-39. https://doi.org/10.1029/2021WR029562

Xu, Y., Zhang, X., Hao, Z.C., Hao, F.H., Li, C., (2022). Systematic assessment of the development and recovery characteristics of hydrological drought in a semi-arid area. Science of The Total Environment, 836, 155-189. https://doi.org/10.1016/j.scitotenv.2022.155472

Yang, F., Duan, X.W., Guo, Q.K., Lu, S.J., Hsu, K.L., (2022). The spatiotemporal variations and propagation of droughts in Plateau Mountains of China. Science of The Total Environment, 805, 150-175. https://doi.org/10.1016/j.scitotenv.2021.150257