پایان نامه بررسی اثرات تغییر اقلیم بر منحنی فرمان بهره برداری سدها (مطالعه ی موردی سد دز)

پایان نامه جهت دریافت درجه کارشناسی ارشد

در رشته ی مهندسی عمران/ مهندسی آب

سرمای 1392

1-1- مقدمه

در این فصل مروری بر مفهوم تغییر اقلیم و علل ایجاد آن و تاثیر این پدیده بر منابع طبیعی و منابع آب انجام می­شود و در ادامه به ضرورت و هدف انجام این مطالعه اشاره می­شود.

1-2- مفهوم تغییر اقلیم و اهمیت بررسی مدیریت مخزن سد

تغییر اقلیم عبارتست از تغییرات رفتار آب و هوایی یک منطقه نسبت به رفتاری که در طول یک افق زمانی بلند مدت از اطلاعات مشاهده یا ثبت شده در آن منطقه مورد انتظار است. تغییر اقلیم یک پدیده پیچیده اتمسفری‌- اقیانوسی در مقیاس جهانی و دراز مدت است. این پدیده متأثر از افزایش گازهای گلخانه‌ای در اتمسفر می‌باشد که منجر به دگرگونی در وضع آب و هوا، تغییر توزیع مکانی و زمانی بارش و نوع آن (جامد یا مایع)، جریان آب­های سطحی، تبخیر، تغذیه سفره آب‌زیرزمینی و کیفیت آب شده و به طور کلی روند جدیدی را در اقلیم جهانی موجب می‌گردد. تغییر اقلیم باعث می‌شود که برخی مناطق، مرطوب‌تر و برخی مناطق، خشک‌تر گردند و شدت و تواتر حوادث حدی مانند سیلاب و خشکسالی افزایش یابد. بطور کلی توزیع زمانی و مکانی بارش و الگوهای آن دچار تحول گردیده و میزان تبخیر نیز افزایش می‌یابد. تغییراقلیم بدون تردید یکی از چالش‌های بسیار مهم دوران فعلی آب‌و‌هوایی است که در مقیاس جهانی رخ می‌دهد و دارای اثرات مهمی بر کشورها و به ویژه در بخش منابع آب می‌باشد (IPCC, 2001).

گسترش روزافزون فعالیت­های صنعتی به دلیل افزایش جمعیت جهان، استفاده بی‌رویه از سوخت‌های فسیلی و تغییر کاربری اراضی موجب افزایش انتشار گازهای گلخانه­ای به خصوص CO2 شده است. انتشار روزافزون گازهای گلخانه­ای، توازن انرژی زمین را بر هم زده و موجب گرم شدن کره زمین می­گردد. پدیده گرمایش جهانی و تغییر اقلیم حاصل از آن، اثرات قابل توجهی بر سامانه‌های مختلف نظیر منابع آب، کشاورزی و محیط‌زیست دارد. تغییرات حاصل از رشد سریع اقتصادی و صنعتی، از یک سو، و گذر بسیاری از کشورهای جهان‌سوم به جامعه صنعتی در دهه­های 1970 و 1980، از سوی دیگر، باعث گسترش تغییرات زیست‌محیطی شده است. گرچه بهبود سریع در تکنولوژی کالاهای صنعتی و تدوین قوانین مناسب در حفظ و کنترل محیط‌زیست و آب سالم تدریجاً زمینه کاهش آلاینده­های موثر در تغییر اقلیم را فراهم نموده است، ولی سنجش­های مستقیم گازهای دی‌اکسیدکربن، منواکسیدکربن، متان و کاهش غلظت اوزن در طی سه چهار دهه گذشته تصویری نگران کننده از تخریب محیط‌زیست و ناهنجاری­های اقلیمی بدست داده است (Baede et al., 2001).

با توجه به گزارشات IPCC، اگر انتشار گازهای گلخانه­ای کاهش نیابد، متوسط دمای زمین تا سال 2100 می­تواند 1/1 تا 6/4 درجه سانتیگراد افزایش یابد. همچنین، بررسی­ها نشان از بالا آمدن سطح آب دریاها، ذوب شدن یخ­های قطبی، کاهش پوشش برف و افزایش پدیده­های شدید اقلیمی مانند سیل‌ها و خشکسالی­ها دارد که این تغییرات در پی افزایش متوسط دمای سطح زمین رخ داده است (IPCC، 2007).

از زمانی که موضوع امکان گرم شدن زمین مطرح شد، مسئله بررسی تغییرات در چرخه آب بین زمین، دریا و هوا به عنوان یک عامل مهم اثرگذار بر روی مسائل اقتصادی، اجتماعی و زیست محیطی مطرح گردید. تغییراقلیم نه تنها اثرات مستقیمی بر محیط‌زیست بطور عام خواهد داشت بلکه سبب می‌گردد که داده‌ها و اطلاعات جمع‌آوری شده در گذشته که مبنای طراحی سازه‌های آبی و سایر سازه‌ها می‌باشند، دیگر شاخص مطمئنی برای رفتارسنجی منابع آب و اهمیت سازه در آینده نباشد (Lane et al., 1999).

     تا دو دهه‌ی گذشته بیشتر کارشناسان و متخصصان صنعت آب در دنیا سعی و کوشش خود را در جهت دستیابی به تکنیک‌های ساخت سازه‌های آبی به کار می‌برند و اکثر پروژه‌ها منتهی به ساخت سد و شبکه‌ی انتقال و توزیع آب می‌شد. در این راستا تحقیقات گسترده‌ایی انجام شد که منجر به تهیه‌ی استانداردهای جهانی گردید.

    با اینکه تکنولوژی ساخت یک سازه‌ی آبی و ضمائم آن نقش مهمی در بالا بردن راندمان پروژه در یک سیستم منابع آب[1]  دارد ولی به تنهایی قادر به مدیریت آن سیستم نمی‌باشد.

     از سال 1980 پس از گذر از مرز ساخت و ساز تاسیسات آبی در اکثر کشورهای دنیا به دلیل به وجود آمدن مسائل مختلفی از قبیل افزایش نیاز آبی، وقوع سیلاب و خشکسالی‌های شدید و به خصوص مطرح شدن مسائل زیست‌محیطی، آلودگی و تغییراقلیم، مدیریت ‌منابع ‌آب به عنوان یک مسئله‌ی مهم در رأس امور تحقیقاتی و مطالعاتی قرار گرفت.

    مدیریت منابع آب به خصوص از دیدگاه ریاضی در سال‌های اخیر با توجه به تحقیقات گسترده‌ایی که در این زمینه می‌شود، منجر به دستاوردهای ارزشمندی شده است. گرچه ارتباط بین مراکز تحقیقاتی و اجرایی و یا از تئوری به کاربردی کردن تحقیقات به سادگی میسر نیست، ولی با این وجود پس از سال‌ها تلاش برای متصل کردن این دو، در حال حاضر مدیریت منابع آب با استفاده از ابزار و روش‌های نوین انجام می‌شود.

   یکی از بحث‌های مدیریت ‌منابع ‌آب به خصوص در کشورهایی که تعداد زیادی سدهای مخزنی دارند، مربوط به مدیریت مخازن سدها می‌باشد.

     در ایران با بیش از 80 سد در حال بهره‌برداری و ده‌ها سد در حال مطالعه، در اکثر موارد مشاهده می‌شود که حجم آب ذخیره شده‌ی پشت سد به مراتب کمتر از حجم طراحی می‌باشد.

    محدودیت‌های رودخانه‌های پرآب و دائمی و عدم دارا بودن یک سیستم منسجم مدیریت حوضه‌ی آبریز، مدیریت منطقی، اصول و واقع بینانه‌ایی را در بهره‌برداری از سدها ایجاب می‌کند.

    در این راستا با استفاده از تکنیک و علوم پیشرفته و ابزاری چون سیستم ماهواره‌ایی، اطلاعات جغرافیایی، بانک داده‌ها و روش‌های جدید محاسباتی، میتوان سیستمی را به وجود آورد که با استفاده از آن مدیر سد با توجه به نتایج حاصل از سیستم بتواند وضعیت سد را در هر لحظه ارزیابی کند و تصمیم[2] مقتضی را جهت مدیریت بهتر اتخاذ کند.(3)

    بهره‌برداری بهینه[3] از مخازن سدها نیازمند مدیریت در نواحی ذخیره که برای جریان‌های ورودی آتی پیش‌بینی شده‌اند، می‌باشد. بهینه‌سازی[4] یک مفهوم اساسی برای افزایش مدیریت و بهره‌وری تاثیرات متقابل[5] پروژه‌های سد‌سازی می‌باشد. مفهوم بهره‌‌برداری بهینه وقتی اهمیت بیشتری پیدا کرد که قواعد بهره‌برداری[6] از مخازن کامل تر گردید.

   بهینه‌سازی بهره‌برداری به نرم‌افزارهای موثری برای پیش‌بینی جریان ورودی به مخازن، از پیش‌بینی‌های قطعی در زمان واقعی تا پیش‌بینی‌های طولانی مدت مبتنی بر احتمال، نیاز دارد. این نرم‌افزارها همچنین باید دستورالعمل‌های راهنمایی (قواعد بهره‌برداری) را برای اتخاذ تصمیمات بهره‌برداری، تأمین  نمایند.(65)

قواعد بهره‌برداری مخزن، راهنمایی‌هایی برای مسئولان بهره‌برداری مخزن می‌باشند. این قواعد برای مخازن در حال بهره‌برداری در شرایط ماندگار (و نه برای مخازنی که بلافاصله بعد از ساخت پر شده و یا برای تأمین مجموعه‌ایی از اهداف جدید موقت بهره‌برداری می‌شوند) کاربرد دارند.

    قواعد بهره‌برداری از مخازن در واقع انتقال اطلاعات طراح به متصدیان بهره‌برداری می‌باشد که به طور مکرر باید بهنگام‌سازی[7] شوند. چند نوع از قواعد وجود دارند، اما هر یک به حجم‌های ذخیره یا خروجی مخزن مطلوب یا لازم، در هر زمان خاص از سال اشاره می‌کنند. برخی از این قواعد، حجم‌های ذخیره‌ی مورد نظر را تعیین می‌کنند که از آن به عنوان منحنی‌های‌فرمان[8] یاد می‌کنند. (18)

   یک منحنی فرمان شرح می‌دهد که چه مقدار ذخیره در اوقات مختلف سال باید در مخزن وجود داشته باشد تا آب مورد نیاز را همواره یا با حداقل کمبود[9] بتوانیم تامین نماییم.

   مدیریت مخازن با استفاده از منحنی‌های‌فرمان، موضوع پیچیده‌ایی است، چرا که این منحنی‌ها از یک سری دقیق جریان که شاید دوباره اتفاق نیفتد، به دست می‌آیند.

    بهره‌برداری از سد‌ها گاهی اوقات تنها به مدیریت تأمین آب[10] محدود می‌شود، اما کمبود آب هنگامی اتفاق میفتد که تقاضای[11] آب از عرضه‌ی[12] آن تجاوز می‌نماید، بنابراین در طرح‌های مدیریتی بهینه‌سازی آب، باید هر دوی آنها مورد محاسبه قرار گیرند.(65)

    مدل‌های شبیه‌سازی[13] ، روش‌های مؤثری را برای ارزیابی کارآیی سیاست‌های بهره‌برداری[14]، در اختیار قرار داده و با جزئیات بیشتری نسبت به مدل بهینه‌سازی سیستم مورد مطالعه را بررسی می‌کنند، اما ابزار مؤثری جهت انتخاب و یا تعریف بهترین سیاست بهره‌برداری نمی‌باشند. آنها در واقع برای پیش‌بینی عملکرد سیستم تحت یک سری شرایط خاص که شخص استفاده کننده از مدل آنها را اعمال می‌کند، به کار می‌روند و در نهایت شخص بعد از چندین بار اجرای مدل، حالت بهینه را انتخاب می‌کند. مدل‌های شبیه‌سازی با اینکه در جهت شناخت پدیده و فیزیک مسئله بسیار مفید هستند، ولی قادر به انجام مدیریت بهینه مخزن نمی‌باشند. بر این اساس با تلفیق مدل‌های شبیه‌سازی و بهینه‌سازی و تعریف تابع هدف[15] (تابعی که باید بهینه‌سازی شود) و قیودات[16] (محدودیت های فیزیکی، فنی، قانونی و مالی مقادیر متغییرهای تصمیم[17]) میتوان در یک زمان هم متغیر‌حالت[18] و هم متغیر‌تصمیم (در متغیر طراحی و بهره‌برداری ما به دنبال تعیین بهترین مقادیر آنها هستیم) را در نظر گرفت. با توجه به این مزیّت مدل‌های بهینه‌سازی، کاربرد آن به طور گسترده‌ایی در اکثر مدیریت‌ها به خصوص مدیریت منابع آب و مخازن، مرسوم می‌باشد.

همچنین گرایش محققین در سال‌های اخیر به استفاده بیشتر از اطلاعات تغییرات اقلیمی در مدیریت منابع آب عمدتاً به دلیل زیر است:

 افزایش آگاهی و اطلاعات در زمینه پدیده­های بزرگ مقیاس اقلیمی و ارتباط آن ها با فرآیندهای محلی هیدرولوژیکی

مسجل شدن وقوع پدیده تغییراقلیم (climate change) و تاثیرات آن بر منابع آب

 وقوع پدیده‌های سیل و خشکسالی با فرکانس کمتر و شدت­های زیادتر در بسیاری از مناطق دنیا در سالیان اخیر

عدم توانایی برنامه ریزی­ها و پیش بینی­های مبتنی بر روند تاریخی اقلیم یک منطقه در مدیریت منابع آب

بدین ترتیب در سال‌های اخیر، بررسی رخداد تغییر اقلیم و سازگاری با آن، به عنوان موضوعی مهم مورد بررسی مجامع علمی جهان می‌باشد.

   بنابراین به واسطه‌ی افزایش نیاز آبی به خاطر رشد جمعیت، مهاجرت و افزایش مصرف آب به خاطر بهتر شدن استانداردهای زندگی، کمبود آب به مرور زمان افزایش یافته است. کمبود درتأمین آب، موجب تنش‌های اجتماعی و بی‌ثباتی سیاسی خواهد شد لذا برای هر اجتماعی حفاظت از این منابع آبی برای کاهش تلفات تا جایی که امکان داشته باشد، ضروری است.

1-3- ضرورت انجام تحقیق

    پدیده تغییر اقلیم و اثرات آن،‌ به عنوان یکی از مهم‌ترین چالش‌های پیش رو در مدیریت ‌منابع‌‌آب و انرژی شناخته شده ‌است. بخش عمده‌ای از تحقیقات انجام شده و در حال انجام در زمینه آب و انرژی از دهه آخر قرن بیستم تاکنون،‌ معطوف به بررسی این پدیده و اثرات آن بوده ‌است. بررسی مطالعات صورت گرفته در این زمینه در چند دهه اخیر نشان می‌دهد که تغییرات اقلیم تاثیر قابل توجهی بر وضعیت بارش و دما و پارامترهای متاثر از آنها همچون رواناب و رطوبت خاک داشته است. این تغییرات در مناطقی مانند ایران منجر به محدودیت منابع آب موجود و تشدید بحران‌های کم‌آبی می‌گردند. از دیگر پیامدهای پدیده تغییر اقلیم و افزایش دمای کره زمین تبدیل الگوی بارش برف به باران می‌باشد که این مسئله باعث کاهش آورد رودخانه‌های وابسته به ذوب برف در فصل‌های بهار و تابستان و افزایش رواناب در فصل‌های پائیز و زمستان می‌شود. این مسئله باعث می‌شود که آبدهی مطمئن سدها با آنچه در زمان طراحی در نظر گرفته شده تطابق نداشته باشد که از جمله چالش‌های پیش‌رو در برنامه‌ریزی و مدیریت منابع آب خواهد بود (استیل دان و همکاران، 2008).

       بنابراین نمی­توان بدون توجه به اثرات این پدیده، به برنامه‌ریزی مطمئن برای مدیریت منابع آب در آینده پرداخت. در واقع در گذشته این برنامه­ریزی­ها با توجه به این فرض صورت می­گرفت که شرایط اقلیمی آینده، خصوصیات و تغییرپذیری مشابه شرایط گذشته خواهند داشت. سدها بر اساس داده‌های در دسترس از جریان­های موجود در رودخانه­ها و با توجه به مقدار و فرکانس مورد انتظار خشکسالی و سیلاب، طراحی و ساخته می­شدند. مخازن با استفاده از آمار هیدرولوژیکی گذشته برای تامین اهداف مختلف، سیاست­های بهره‌برداری را اتخاذ می­نمودند. اما در حال حاضر اعتماد به آمار گذشته ممکن است منجر به اتخاذ تصمیمات ناصحیح و به طور بالقوه خطرناک یا گران گردد. از این رو بررسی اثرات تغییر اقلیم بر منابع آب از ضروریات برنامه‌ریزی و مدیریت سیستم‌های منابع آب کشورها، به ویژه کشورهای نیمکره شمالی (از جمله ایران)، می‌باشد و بدین ترتیب نیاز به بررسی اثرات تغییر اقلیم بر مخازن سدها و مشاهده عملکرد مخازن احساس می‌شود، تا با اتخاذ سیاست‌هایی از افت عملکرد مخازن تحت تاثیر تغییر اقلیم جلوگیری شود.

     در تحقیق پیش­رو به بررسی اثر تغییر اقلیم بر رواناب ورودی به مخزن سد دز و نیز چگونگی تاثیر این پدیده بر نحوه بهره­برداری از مخزن و تأمین نیاز پائین دست پرداخته می‌شود. حوضه مورد مطالعه جزو مناطق خشک ایران از نظر آب‌و‌هوایی محسوب می­شود، با توجه به خشک و کم آب بودن منطقه و اهمیت مدیریت منابع آب موجود در این حوزه آبریز، اهمیت بررسی اثرات احتمالی تغییر اقلیم در آینده در این حوضه بیشتر احساس می‌شود. در واقع نتایج این تحقیق می‌تواند در بهبود برنامه­ریزی منابع آب منطقه تحت تاثیر پدیده تغییر اقلیم مفید و موثر ­باشد.

1-4- فرضیات تحقیق

در این تحقیق فرض میکنیم:

1-  دمای منطقه در دوره آتی افزایش و بارش کاهش خواهد یافت.

به کارگیری مدل‌های AOGCM در شبیه‌سازی رواناب و داده‌های بارش و دما دارای عدم قطعیت است.

رواناب منطقه در دوره آتی کاهش یافته و مخزن سد دز با کاهش حجم روبرو خواهد شد.

منحنی فرمان کنونی سد دز جوابگوی وضعیت شرایط آتی بهره‌برداری از سد نخواهد بود.

1-5- پرسش‌های اصلی تحقیق

پرسش‌هایی که درنهایت و در فصل نتیجه‌گیری باید به آنها پاسخ داد به شرح زیر است:

مؤلفه‌های اقلیمی حوضه سد دز چه تغییراتی های در دوره‌آتی خواهند داشت؟

این تغییرات در  مؤلفه‌ها چه تأثیری بر منحنی فرمان بهره‌برداری سد دز دارد؟

1-6- اهداف تحقیق

با توجه به ریسک­های موجود در سیستم­های منابع آب، یکی از مهمترین راه‌کارهای مدیریتی تلاش برای درک این موضوع است که مؤلفه­های تغییر اقلیم چه تاثیری بر منابع آب در دوره­های آتی می‌گذارند. در واقع هدف از انجام این تحقیق ارائه یک مدل جامع ارزیابی اثرات تغییر اقلیم بر عملکرد مخزن سد دز با هدف تأمین نیاز کشاورزی، شرب، صنعت، ماهیگیری و زیست محیطی در آینده می­باشد. برای تحقق هدف مورد نظر مراحل زیر انجام میگیرد:

بررسی اثرات تغییر اقلیم بر پارامترهای هواشناسی منطقه با استفاده از مدل گردش عمومی و نیز مدل ریزمقیاس نمایی LARS-WG

بررسی میزان حساسیت پارامترهای هیدرولوژیکی منطقه (مانند رواناب ورودی به مخزن) نسبت به تغییر اقلیم

بررسی اثر تغییر اقلیم بر عملکرد مخزن و شاخص تامین آب

Abstract:

This research evaluates hypothesis of  need of changing reservoirs rule curve under climate change condition. For adapting to climate change, an integrated model is proposed which is consisting of three sub model: LARS-WG Model is used to downscale the outputs of CGCM Model under three emissions scenarios, A1B,  A2 and B1 to local scale; and artificial neural network is used to simulate inflow to the reservoir in the futureperiod (2017-2030), which has been calibrated by data of 1993-2006 baseline period and Evolutionary methods, Genetic Algorithms (GA) as is used to optimize reservoir operation. operation rule curves of Dez dam for the next period, under three scenarios A1B, A2, B1 and the past are calculated.

Results of reservoir operation’s model show that inconsistent curves reduce the water supply security in which about 1.7 to 7.5% reduction under scenarios A2, A1B and B1. Finally, it should mention that ignoring the effects of climate change on reservoir’s operation will reduce water supply security.

Keywords: Climate change, downscaling, Dez dam, reservoir operation 

فهرست منابع پارسی :

1. بابائیان، ا.، مدیریان، ر. و کریمیان، م. (1387)، " ارزیابی تغییرات اقلیمی ایران در دوره 2100-2071 با استفاده از مدل اقلیمی PRECIS" ، سومین کنفرانس مدیریت منابع آب ایران، تبریز

2. جمالی، ف.س.، 1388، "مدل شبکه عصبی مصنوعی پیش بینی جریان ورودی به مخزن سدشاهچراغی به کمک داده­های سطح پوشش برف"، پایان نامه کارشناسی ارشد، گروه مهندسی آبیاری و زهکشی، پردیس ابوریحان، دانشگاه تهران.

3. حبیبی نوخندان، م.، عباسی، ف.، بابائیان، ا. و گلی مختاری، ل. (1387)، " مطالعه تغییراقلیم ایران در دهه‌های آینده با استفاده از مدل MAGICC SCENGEN" ، سومین کنفرانس مدیریت منابع آب ایران، تبریز.

4. بلوری یزدی، ی. 1387، "ناثیر استخراج منحنی فرمان سیستم­های چند مخزنی با اهداف مختلف در بازده کلی طرح"، پایان نامه کارشناسی ارشد. گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی آب و خاک، دانشگاه تهران.

5.حسنی،خ.،1391،" ارائه راهکارهای سازگاری با اثرات تغییر اقلیم بر مدیریت مخزن سد در دوره های آتی، مطالعه موردی: سد شاهچراغی"،. پایان نامه کارشناسی ارشد، گروه مهندسی آبیاری و زهکشی، پردیس ابوریحان، دانشگاه تهران.

6. علیمحمدی، س.، 1376، "مدل­های استوکستیک بهره برداری از مخازن چند منظوره"، پایان نامه کارشناسی ارشد، دانشکده مهندسی عمران، دانشگاه خواجه نصیرالدین طوسی.

7. کارآموز، م. و عراقی نژاد، ش. (1384)، "هیدرولوژی پیشرفته"، انتشارات دانشگاه صنعتی      امیرکبیر(تهران)، 464 ص.

8.  کارآموز، م.، امامی، ف.، احمدی، آ.، مریدی، ع.، 1388، "تدوین الگوی بهره برداری از مخزن با در نظر گرفتن تغییر اقلیم"، هشتمین کنگره بین المللی مهندسی عمران.

9. کمال، ع.ر.، 1388، "ارزیابی اثر تغییر اقلیم بر رواناب، تحت تاثیر عدم قطعیت مدل­های AOGCM-AR4 و روش­های ریز مقیاس کردن، مطالعه موردی زیر حوضه قره سو"، پایان نامه کارشناسی ارشد مهندسی آب، دانشگاه تهران.

10. مساح بوانی.ع.ر.، مرید،س.، (1384 الف). "اثرات تغییر اقلیم بر جریان رودخانه زاینده رود اصفهان"، مجله علوم و فنون کشاورزی و منابع طبیعی. سال نهم. شماره چهارم.

11. مساح بوانی.ع.ر، مرید،س.، (1384 ب)، "تااثیر تغییر اقلیم بر روی منابع آب و محصولات کشاورزی". تحقیقات منابع آب ایران، جلد 1: 47-40.

12.مساح‌بوانی، ع. ر.، مرید، س، محمدزاده، م، و گودس، ک.، 1385، " وضعیت آینده اقلیم حوضه زاینده‌رود تحت تأثیر تغییراقلیم: مقایسه بین سناریوهای مدل‌های مختلف AOGCM" ، دومین کنفرانس مدیریت منبع آب.

13. مساح‌بوانی، ع. ر.، مرید، س، محمدزاده، م.، 1389، "مقایسه روشهای ریز مقیاس کردن و مدل­های AOGCMدر بررسی تاثیر تغییر اقلیم در مقیاس منطقه ای"، مجله فیزیک زمین و فضا، دوره 36، شماره 4، ص 99-110.

14. نیک‌قوجق، ی. و یارمحمدی، م.، 1387، ""ارزیابی تغییراقلیم و بررسی تأثیر آن بر منابع آب سطحی(مطالعه موردی: رودخانه زیارت در استان گلستان)" ، سومین کنفرانس مدیریت منابع آب ایران، تبریز.

فهرست منابع غیر پارسی :

15. Akhtar, M., Ahmad, N., and Booij, M. J. (2008). “The impact of climate change on the water resourses of Hindukush- Karakorum- Himalaya region under different glacier coverage scenarios.” J. Hydrology., 355, 148-163.

16. Arnell, N.,  Liu, Chunzhen., Compagnucci, R.,et al.2001 “Climate Change 2001: Impacts, Adaptation, and Vulnerability”. pp. 191-234.

17. ASCE Task Committee on Application of Artificial Neural Network in Hydrology, (2000). Artificial neural networks in hydrology, I: preliminary concepts. Journal of Hydrologic Engineering, 5(2): 115-123.

18. Monthly Weather Review 127, 1941-1953, “The skill of prediction systems”, Atger, F., 1999.

19. Baede, A.P.M., Ahlonsou, E., Ding, Y. and Schimel, D. (2001): The Climate System: an Overview. In: Climate Change 2001: The Scientific Basis. Contribution of Working Group I to the Third Assessment Report of the Intergovernmental Panel on Climate Change [Houghton, J.T., Y. Ding, D.J. Griggs, M. Noguer, P.J. van der Linden, X. Dai, K. Maskell, and C.A. Johnson (eds.)]. Cambridge University Press, Cambridge and New York, 525-582.

20. Cai, X. , Mckinney, D.C., and Lasdon, L. S. (2001). “Solving Nonlinear Water Management Models Using a Combined Genetic Algorithm and Linear Programming Approach.” J. Advanced in Water Resources, 24, 667-676.

21. Chen, L. (2003). “Real Coded Genetic Algorithm Optimization of Long Term Reservoir Operation.” J. American Water Resources Association (JAWRA) , 39(5), 1157-1165.

22. Christensen, N.S., Wood, A.W., Visin, N., Lettenmaier, O.P., Palmer, R.N., (2005), “The effects of Climate Change on the Hydrology and Water Resources of the Colorado River Basin”.

23. Christensen. N, Lettenmaier. D. P. (2006). “A multimodel ensemble approach to assessment of climate change impacts on the hydrology and water resources of the Colorado River basin,J”. Hydrol.Earth Syst.Sci.Discuss.,3, 3727-3770.

24. Coulibaly. et al (2005), “Downscaling Precipitation and Temperature with Temporal Neural Networks”, American Meteorological Society,2005, volume 6, 483-496.

25. Coulibaly, P., Anctil, F. and Bobee, B., (2000). “Daily reservoir inflow forcasting using artificial neural networks with stopped training approach”, Journal of  Hydrology, 230: 244-257.

26. Deepashree Raje, P.P. Mujumdar, (2010), “Reservoir performance under uncertainty in hydrologic impacts of climate change”, Journal of Advances in water Resources 33 (2010) 312-326.

27. Dettinger, M. D., Cayan, D. R., Meyer, M. K., and Jeton, A. E. (2004). “Simulated Hydrologic responses to climate variations an change in the Merced, Carson, and American river basins, Sierra Nevada, California. 1900-2099.” J. Climatic Change., 62, 283-317.

28. Dibike, B.Y., and Coulibaly, P. (2004). “Hydrological impact of climate change in the Saguenay watershed: Comparison of downscaling methods and hydrolic models.” J. Hydrology., 307, 145-163.

29. Dibike, B. Y., and Coulibaly, P. (2006). “Temporal neural networks for downscaling climate variability and extremes.” J. Neural Networks., 19, 135-144.

30. Divya, Mehrotra, R, 1995. “climate change and hydrology with emohasis on the Indian subcontinent”. Hydrology Science Jornal 40, 231-241.

31. Donald H. Burn and Slobodan P. Simonovic (1996).”Sensitivity of Reservoir Operation Performance to Climatic Change”. Water Resources Management 10: 463478, 1996.

32. Draper, A. J., Lund, J.R., (2004). “Optimal hedging and carryover storage value”, G. water Res. Plng. And Mgmt., Vol. 130(1), 83-87.

33. Draper, A. J., and Vicuna, S. (2005). “An overview of Hydrology and Water Resources Studies on Climate change: the California Experience”. Proc. EWRI 2005: Impacts of Global Climate Change.

34. Dowson, C.W., Abrahart, R.J., Shamseldin, A.Y. and Wibly, R.L., (2006). “Flood estimation at ungauged sites using artificial neural networks”, Journal of Hydrology, 319: 391-409.

35. Ekstrom, M., Fowler, H. J., Kilsby, G. G., and Jones, P. D. (2003). “New estimates of future changes in extreme rainfall across the UK using regional climate model integrations.2. Future estimations and use in impact studies.” J. Hydrology., 300, 234-251.

36. Georgakakos, A.P., Yao, H., Y., 1997a. “A control model for dependable hydropower capacity optimization”.Water Resources Research 33(10), 2349-2365.

37. Goasian, A.K.,Rao, S., Basuray, D., 2003. “Assessment of vulnerability and adaptation for water sector”. NATCOM Vulnerability and Adaptation Workshop on Water Resources, Coastal Zones and Human Health, Ministry of Enviroment, New Delhi.

38. Hashimoto, T., Stedinger, J., Loucks, D. P., (1982), “Reliabilitr, resilience, and vulnerability criteria for water resource system performance evaluation”, Water Resour. Res, Vol.18, No.1,14-20.

39. H. Yao, A. Georgakakos,(2001). “Assessment of Folsom response to historical and potential future climate scenarios 2. Reservoir management”. Journal of  Hydrology249(2001):176-196.

40. Hyung-Il Eum· Slobodan P. Simonovic, “Integrated Reservoir Management System for Adaptation to Climate Change: The Nakdong River Basin in Korea”. Water Resour Manage (2010) 24:3397–3417.

41. IPCC, (1992). “Climate Change: The Scientific Assessment”. Contribution of Working Group I to the First Assessment Report of the Intergovermental Panel on Climate Change. WMO.

42. IPCC, 2001. In: Houghton, et al. (Eds.) and WMO/UNEP, Climate Change 2000. The Science of Climate Change, Assessment Report of the IPCC Working Group, Cambridge University Press, Cambridge.

43. IPCC, (2001a). “Climate Change 2001: IPCC special Report Emissions Scenarios:. A Special Report of IPCC Working Group III, Intergovermental Panel on Climate Change”, ISBN: 92-9169, 113-115.

44. IPCC (2007), Climate Change 2007:The Synthesis Report, Observed changes in climate and their effects,1, 30.

45. IIPCC-AR4-2007, “General Guidelines on the use of cenario data for climate impact and adaptation assessment”, V2,june 2007,TGICA, T.R.Carter.

46. Jakeman, A. J., Hornberger, G. M., 1993. “How much complexity is warranted in a Rainfall-Runoff model?”, Water resources research., 29(8): 2637-2649.

47. Jiang. T, Chen. Y.D, Chong-yu, Xiaohong Chen, Xi Chen, Vijay P. Singh. (2007). “Comparison of hydrological impacts of climate change simulated by six hydrological modes in the Dongjiang Basin, South China”, Jornal of Hydrology(2007) 336, 316-333.

48.Jones P.D, Hulme M (1996). “calculating regional climate change time series for temperature and precipitation: methods and illustrations”. International journal of climatology 16:361-377. Pages 75.

49. Kang, Boosik, Yang, Jeong-Seok, “Downscaling CGCM climate change output scenario usingthe Artificial Neural Network model”, 33rd IAHR Congress: Water Engineering for a Sustainable Environment, 2008, 1636-1642.

50. Karamouz, M., and h. V. Vasiliadis, (1992), “Baysian stochastic optimization of reservoir operation using uncertain forcasts”, water Resour.Res, 28(5), 1221-1232. M. H., (1982), “Annual and monthly reservoir operating rules”, Water resour.Res, 18(5), 1337-1344.

51. Klemes, V., (1977), “Discrete representation of storage for stochastic reservoir optimization”, Water Resour.Res., 13(1), 149-158.

52. Lambert, F. H., Gillett, N. P., Stone, D. A., Huning ford, C. (2005). “Attribution studies of observed land precipitation  changes with nine coupled models”. Geophys. Res. Lett., 32(18).

53. Labadie, J. W., (2004), “Optimal operation of multi-reservoir system: State of the art review”, J. Water Res. Plng. And Mgmt., 130(2), 93-111.

54. Lane, M.E., Kirshen, P.H. and Vogel, R.M. (1999). Indicators of impact of global climate change on U.S. water resources. ASCE, Journal of Water Resources Planning and Management. 125(4): 194-204.

55. Lanhai Li. Honggang Xu. Wi Chen. S.P. Simonovic (2010),”Streamflow forcast and reservoir operation performance assessment under climate change”, J. of water resource manage (2010) 24:83-104.

56. Loucks, D. P., stedinger, J. R., Haith, D. A. H, (1981), “Water Resources syatems and Planning and Analysis”, Prentice-Hall, Englewood Cliffs, N.J., Hydrological Science, 41(5), 697-913.

57. Loganathan, G. V., and Bhattacharya, D., (1990), “Goal-programming technigues for optimal reservoir operations”, J. Water Res. Plng. And Mgmt., 116(6), 820-839.

58. Matondo, J.I, Peter. G. and Msibi, K.M.(2004). “Evaluation of climate change on hydrology and water resources in Swaziland: part II. Physics and Chemistry of the Earth”, 29:1193-1202.

59. Maurer, E. P., Adam, J. C., and Wood, A. W. (2007). “Climate Model based consensus on the hydraulic impacts of climate change to the Rio Lampa basin of Central America.” J. Climatic Change., 82, 9180-9189.

60. Mays, L. W., and Tung, Y. K., (1992), “Hydrosystems Engineering and Management”, McGraw-Hill Book Company, New York, N.Y.

61. J. Medellin-Azuara, J.J.Harou, M.A.Olivares, K.Madani, et al,. (2007). “adaptability and adaptations of California’s water supply system to dry climate warming”. climate change DOI 10.1007/s10584-007-9355-z.

62. Mitchell T.D. (2003) Pattern Scaling: An Examination of the Accuracy of the Technique for Describing Future Climates. Climatic Change 60: 217-242.

63. Motiee, H., McBean, E., (2009), “An assessment of long-term trends in hydrologic components and implications for water levels in Lake Superior”, J. Hydrology Research, 564-579.

64. Mujumdar.P.P, (2008), “Implication of climate change for sustainable water resources management in India”, Physics and Chemistry of the Earth 33 (2008) 354-358.

65. M. Karamouz, M. Fallahi, S. Nazif and M. Rahimi Farahani,( 2009) “Long Lead Rainfall Prediction Using Statistical Downscaling and Artificial Neural Network Modeling”, Transaction A: Civil Engineering Vol. 16, No. 2, pp. 165-172.

66. Oliveira, R., and Loucks, D. P. (1997) “Operating Rules for Multireservoir Systems.” J. Water Resour. Res., 33(4), 839-852.

67. Rasco P., Szeidi L. & Semenov M. (1991), "A serial approach to local stochastic weather models", Water Resources Research, 17,182-190.

68. Rosenberg, N.J., R.A. Brown, R.C. Izaurralde, and A.M. Thomson. (2003). “Integrated Assessment of Hadley Centre (HadCM2) Climate Change Projections on Agricultural Productivity and Irrigation Water Supply in the Conterminous United States,” Part I: “Climate Change Scenarios and Impacts on Irrigation Water Supply Simulated with the HUMUS Model.” Agricultural and Forest Meteorology 117(1-2): 73-96.

69.Sajikumar, N. and Thandaveswara, B.S., (1999). “A non-linear rainfall-runoff model using an artificial neural network”. J. of Hydrology, 216: 32-55.

70. Semenov M.A, & Barrow E.M. (2002). LARS-WG a stochastic weather generator for use in climate impact studies (Version 3.0). User’s manual.

71. Schemidt GA et al., (2006). “Present day atmospheric simulations GISS Model: comparison to in-situ, satellite and reanalysis data.” J Clim 19: 153-192.

72 Shih, J. S., and Revelle, C., (1994), “Water-Supply Operations Drought: Continuos Hedging Rule”, J. Water Resources planning and management. 120(5). 613-629.

73. Shih, J. S., and Revelle, C., (1995), “Water supply operation during drought: A discrete hedging rule”, Eur. J. Oper. Res., 82-163-175.

74. Steele-Dunne S, Lynch P, McGrath R, Semmler T, et al., The impacts of climate change on hydrology in Ireland. Journal ogf Hydrology. 356: 28-45.

75. Stacy K. Tanaka, Tingju zhu, Jay R. lund, et al., (2006). “climate warming and water management adaptation for California”. Springer. DOI: 10.1007/s10584-006-9079-5

76. Tung, C., Hsu, S. Liu. C. M., and Li. Jr. Sh.(2003). “Application of the Genetic Algorithm for Optimizing Operation Rules of the LiYuTan Reservoir in Taiwan.” J. of American water Resources Association (JAWRA), 39(3), 649-657.

77. Wang, W., Van Gelderp, H.A.J.M., Vrijiling, J.K. and Ma, J., (2006). “Forcasting daily streamflow using hybrid ANN models”. J. Hydrology, 324:383-399.

78. Wilby, R. L., Dawson, C. W., and Barrow, E. M. (2001). “SDSM-a decision support tool for the assessment of regional climate change impacts.” Environmental Modeling & Softhware., 17, 147-159.

79. Wilby R.L. and Harris, I. (2006)A framework for assessing uncertainties in climate change impacts: low flow scenarios for the River Thames, UK.Water Resources Research (in press)

80. Wolock, D. M., and G. J. McCabe (1999), “Effects of potential climatic change on annual runoff in the conterminous United States”, J. Am. Water Resour. Assoc., 35, 1341–1350.

81. Wood, A.W., Lettenmaier, D.P. and Palmer R.N. (1997). “Assessing Climate Change implications for water resources planning”, Climate Change, 37, 203-228.

82. Xu, C. y. (1999). “From GCMs to river flow: A review of downscaling methods and hydrologic modeling approaches.” Progress in physical Geography., 23, 2, 229-249.

83. Zealand, C.M., Burn, D.H., Simonovic, S.P., (1999). “Short term streamflow forcasting using artificial neural networls”, J. Hydrology, 214: 32-48.

84. Zhao, Y. Camberlin, P. and Richard, Y.(2005). “Validation of coupled GCM and projection of summer rainfall change over south Africa, using a statistical downscaling method”, Climate research, 28: 109-122.

85.  http://www.semnan-aj.ir/

86. http://ipcc-data.org/