واسنجي روابط بارش- جريان رودخانه براي ارزيابي و امكان پيش‌بيني خشكسالي آب‌شناختي در حوضه آبريز كوير لوت (ايران)

Calibration of Rainfall-Stream flow Relationship for Assessing and Forecasting Hydrological Drought in Kavir-e Lut Basin, Iran

خشكسالي‌ آب شناختي با اثرات دوره‌هاي كمبود بارش(شامل باران، برف و غيره) بر منابع آب‌هاي سطحي زيرسطحي(جريان رودخانه، تراز درياچه و مخازن آب و آب زيرزميني) در ارتباط مي‌باشد. فراواني و شدت خشكسالي آب‌شناختي اغلب در مقياس حوضه رودخانه و آبخيز تعريف مي‌گردد. شاخص‌ها و روش هاي گوناگوني براي توصيف خشكسالي آب شناختي معرفي شده اند. در اين بررسي، يك روش‌شناسي براي توصيف شدت خشكسالي‌هاي آب‌شناختي استفاده شده است و شاخص خشكسالي جريان رودخانه‌ ناميده مي‌شود. ارزيابي امكان پيش بيني خشكسالي آب شناختي به دو شيوه انجام گرفته است. روش نخست برپايه فرض فراهم بودن داده‌هاي واقعي از جريان رودخانه و روش ديگر برپايه فرض فراهم نبودن داده‌هاي واقعي از جريان رودخانه و با امكان بهره‌گيري از متغير هواشناختي (بارش) مي باشد. در روش‌شناسي نخست از زنجيره ماركوف و در روش شناسي ديگر از توسعه يك تابع خطي از متغير خشكسالي هواشناسي براي پيش‌بيني متغير خشكسالي آب شناختي استفاده شده است. روش شناسي اخير كه بخش اساسي پژوهش را تشكيل مي دهد بوسيله كاليبراسيون روابط بارش- جريان رودخانه در شاخص‌هاي خشكسالي هواشناسي(متغير مستقل) و شاخص خشكسالي جريان رودخانه(متغير وابسته) در يك معادله رگرسيون مي‌باشد. اين روش‌شناسي با استفاده از داده‌هاي قابل اعتماد رودخانه‌هاي دائمي نساء و فاشكوه(تلنگو) در حوضه آبريز كوير لوت (ايران) اعتبار سنجي گرديده است. نتايج بيانگر آنست كه كاليبراسيون روابط بارش-جريان رودخانه به خوبي امكان پيش بيني خشكسالي آب شناختي را در موارد عدم موجوديت داده‌هاي جريان رودخانه فراهم مي‌سازد. يك واقعيت مهم در اين حوضه آبريز آنست كه پيش بيني خشكسالي براي تمام دوره مرطوب (اكتبر تا مارس) بسيار موفق است و كمبود بارش مي تواند به خوبي خشكسالي هيدرولوژيكي را مورد پيش‌بيني قرار دهد. علاوه بر آن، به دليل كمبود انبارش و ماندگاري برف در حوضه‌ آبريز مورد مطالعه كه كسري بارش در دوره خشك را جبران و بر فعاليت‌هاي هيدرولوژيكي مؤثر است، پيش بيني حالت‌هاي خشكسالي براي ساير دوره‌ها نيز با روش شناسي زنجيره ماركوف موفق است.

Hydrological drought is defined as a significant decrease in the availability of water in all its forms appearing in the land phase of the hydrological cycle. These forms are reflected in various hydrological variables such as stream flow (including snowmelt and spring flow), lake and reservoir level, and groundwater level. A variety of indices and methods for characterizing hydrological drought have been devised. In this study, an index called Streamflow Drought Index (SDI) have been used for characterizing the severity of hydrological droughts. Investigation of the forecasting possibility of hydrological droughts has been carried out by two approaches. First, when the appropriate historical data are available, Markov chain method have been used. The main output of the methodology is the matrix of state transition frequency for a selected pair of reference periods under the hypothesis of a Markov chain for the underlying state process. In other words, the output is a single value of drought state while the probabilities of remaining in the same state or passing to other states in the next reference period are withdrawn from tables which have been obtained off-line. Since, in general, streamflow data are difficult to obtain in real-time, the possibility of using a meteorological drought index was investigated. More specifically, a linear function of SPI was found to predict SDI to an accuracy level which is sufficient for characterizing drought severity. This involves prior calibration of a simple regression equation with modified SPI as the explanatory variable and SDI as the explained variable. The methodology is validated using reliable data from the Nesa and Fashkoh rivers basin in the southwestern margin of Kavir-e Lut (Iran). The results indicate that calibration of rainfall and streamflow relations provides a good opportunity to forecasting of hydrological droughts states in the lack of river flow data. A key consideration is that in this basin, a high degree of successful prediction is observed for the wet period of October to March. In addition, due to lack of storage snow in this basin, which can compensate the deficit rainfall in dry period, drought states predicting for other periods is also possible by using Markov chain methodology.