بررسی تغییرپذیری بارش در کلانشهرهای ایران با استفاده از تبدیل موجک پیوسته | ||
| پژوهشهای دانش زمین | ||
| دوره 16، شماره 4 - شماره پیاپی 55، بهمن 1404، صفحه 195-212 اصل مقاله (1.75 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.48308/esrj.2025.238884.1262 | ||
| نویسندگان | ||
| محمود احمدی* ؛ جمال کرمی؛ محمد کمانگر | ||
| گروه جغرافیای طبیعی، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران | ||
| چکیده | ||
| مقدمه در سالهای اخیر، اثرات تغییر اقلیم بر امنیت آبی بهطور گسترده مورد بررسی قرار گرفته است. شواهد نشان میدهد که تغییر اقلیم الگوهای بارش و دما را تغییر داده و بهتبع آن دسترسی به منابع آب را تحت تأثیر قرار داده است (Ahmed and Akter, 2024). این تغییرات نهتنها کمیت، بلکه کیفیت آب را نیز تحت تأثیر قرار میدهند (Van Vliet et al, 2023) بهویژه در مناطق شهری، تغییرپذیری بارش ماهانه و نوسانات اقلیمی، یکی از چالشهای کلیدی قرن حاضر محسوب میشود. در ایران، با توجه به اقلیم خشک و نیمهخشک، مدیریت منابع آب و تحلیل الگوهای بارش اهمیت ویژهای دارد (Modarres and Sarhadi, 2009). مطالعات بینالمللی نشان دادهاند که شاخصهای مرتبط با دسترسی به آب بیشترین حساسیت را نسبت به تغییرات بارش دارند (Barbosa et al, 2023). همچنین، تغییرات در تبخیر و تعرق میتواند تولید خالص اولیه را کاهش داده و بر امنیت آبی اثرگذار باشد (Gao et al, 2023). اهمیت تابآوری سیستمهای آبی نیز مورد توجه پژوهشگران قرار گرفته است؛ افزایش تنوع منابع و مدیریت تقاضا میتواند تابآوری سیستمها را در برابر تغییر اقلیم بهبود دهد (Kharrazi et al, 2024). در زمینه تحلیل سناریو، مطالعات اخیر با استفاده از یادگیری ماشین نشان دادهاند که حتی تغییرات اندک اقلیمی میتواند تأثیرات قابلتوجهی بر شاخصهای امنیت آبی داشته باشد (Chen et al, 2024). در ایران، پژوهشهای متعددی به تحلیل تغییرات بارش پرداختهاند. طبری و طلایی (Talaee and Tabari, 2011) روند بارش سالانه و فصلی را در ۴۱ ایستگاه طی سالهای ۱۹۶۶ تا ۲۰۰۵ بررسی کردند و نشان دادند که در حدود ۶۰ درصد ایستگاهها کاهش بارش مشاهده شده است. همچنین، مدرس و سرحدی (Modarres and Sarhadi, 2009) با بررسی ۱۴۵ ایستگاه بارانسنجی، روند کاهشی بارش سالانه در بیش از نیمی از ایستگاهها و افزایش حداکثر بارش ۲۴ ساعته در نیمی دیگر را گزارش کردند. این روندها نشاندهنده تأثیرات اولیه تغییر اقلیم در ایران هستند. از منظر نظری، امنیت آبی مفهومی چندبعدی است که دسترسی، کیفیت و تابآوری منابع آبی را شامل میشود و نیازمند تحلیلهای بینرشتهای و یکپارچه است. روشهای نوین آماری و محاسباتی مانند مدلهای هیدرولوژیکی، یادگیری ماشین و تبدیل موجک، بینشهای دقیقتری درباره تغییرات اقلیمی و الگوهای بارش ارائه میدهند، اما استفاده از تبدیل موجک در تحلیل دادههای اقلیمی ایران، به ویژه در مناطق شهری، هنوز محدود است. هدف این پژوهش بررسی تغییرپذیری بارش ماهانه در مناطق شهری ایران با استفاده از تبدیل موجک پیوسته است. مطالعه حاضر با رویکرد چندمقیاسی، روندهای زمانی- مکانی بارش را تحلیل، الگوهای پنهان را شناسایی و تغییرات دورهای را در مقیاسهای مختلف زمانی بررسی میکند. نوآوری تحقیق در بهرهگیری از تکنیک موجک برای تحلیل دقیق دادههای بارش و ارائه بینشی عمیقتر از تأثیرات تغییر اقلیم بر رفتار بارش در ایران نهفته است. مواد و روشها این پژوهش به تحلیل تغییرپذیری بارش ماهانه در ایران با تمرکز بر ۹ ایستگاه سینوپتیک تهران، مشهد، اصفهان، تبریز، کرج، کرمانشاه، اراک، شیراز و اهواز میپردازد. انتخاب این ایستگاهها بر اساس در دسترس بودن دادههای بلندمدت و پیوسته، پراکندگی جغرافیایی مناسب و نمایندگی اقلیمهای مختلف کشور انجام شده است. دوره مورد مطالعه 1980 تا 2020 در نظر گرفته شد تا نوسانات شدید اقلیمی شامل سالهای خشک و تر را پوشش دهد و روندهای بلندمدت بارش قابل بررسی باشد. اقلیم ایستگاهها متفاوت است: تهران، کرج، کرمانشاه و اراک در اقلیم نیمهخشک با بارش سالانه 250 تا 500 میلیمتر قرار دارند و بارش عمدتاً در زمستان و بهار است. مشهد و تبریز با اقلیم کوهستانی و نیمهخشک، بارش زمستانه بیشتری دارند و نوسانات بارش در این مناطق به دلیل ارتفاع و جغرافیا بیشتر است. اصفهان اقلیم خشک و کمبارش دارد، در حالی که اهواز واقع در منطقه نسبتا خشک و کم ارتفاع این تنوع اقلیمی امکان بررسی تأثیرات متفاوت اقلیم بر الگوهای بارش را فراهم میکند. دادههای بارش ماهانه از سازمان هواشناسی کشور جمعآوری و پیشپردازش شدند. پیشپردازش شامل شناسایی و جایگزینی دادههای مفقود، حذف دادههای پرت، بررسی ناهمگنی و نرمالسازی دادهها بود. اعتبارسنجی دادهها با آزمونهای آماری مانند Pettitt، Mann-Kendall و SNHT انجام شد تا کیفیت و پیوستگی دادهها تضمین شود. تحلیل دادهها با استفاده از تبدیل موجک پیوسته (CWT) و موجک Morlet انجام شد تا نوسانات همزمان در حوزه زمان و فرکانس بررسی شود. طیف قدرت موجک برای شناسایی دورههای زمانی با انرژی بارش بالا تولید و محدوده Cone of Influence (COI) برای حذف اثرات مرزی مشخص شد. نتایج تحلیلهای موجک با دادههای مستقل و مطالعات پیشین اعتبارسنجی شدند تا از صحت الگوهای استخراج شده اطمینان حاصل شود. این مطالعه با بهرهگیری از روش موجک، امکان تحلیل دقیق روندهای زمانی- مکانی بارش در مناطق شهری ایران را فراهم کرده و یافتهها بینش کاربردی برای مدیریت منابع آب در شرایط تغییر اقلیم ارائه میدهد. افزون بر این، نتایج پژوهش میتواند به تصمیمگیری در حوزه مدیریت ریسک خشکسالی و سیلاب در مناطق مختلف کشور کمک کند. همچنین شناسایی چرخههای بارش در بازههای میانمدت و بلندمدت میتواند در برنامهریزی کشاورزی، مدیریت سدها و طرحهای توسعه منابع آب نقش کلیدی ایفا کند. در نهایت، رویکرد موجکی این تحقیق الگویی برای مطالعات مشابه در سایر مناطق ایران و حتی کشورهای با شرایط اقلیمی مشابه محسوب میشود. نتایج و بحث تحلیل موجک دادههای بارش در ایستگاههای اصفهان، اهواز، اراک، تهران، مشهد، کرج، تبریز و کرمانشاه نشان داد که الگوهای فصلی و چندساله بارش با نوسانات مشخصی همراه هستند. در ایستگاه اصفهان، الگوهای فصلی کوتاهمدت حدود یکساله دارای نوسانات قوی بودند؛ کمینه نوسان در تابستان و بیشینه نوسان فصلی در زمستان و پاییز مشاهده شد. در چرخههای چندساله، بیشترین نوسان در دورههای ۳ تا ۴ ساله و ۸ تا ۱۰ ساله رخ داده است. شدت ضرایب موجک در مقیاسهای مختلف از سال ۱۹۸۰ تا ۲۰۰۵ نوسان داشت و از سال ۲۰۰۸ تا ۲۰۲۰، شدت و قدرت بیشتری در مقیاسهای کوتاه (فصلی) و بلند (چندساله) دیده شد، که نشاندهنده تغییر اقلیم در چند دهه اخیر است. در ایستگاه اهواز، الگوهای فصلی و چندساله بارش دارای بینظمی بودند، اما دامنه نوسانات نسبت به ایستگاههای مرتفع کمتر بود. بررسی تغییرات زمانی در بازه ۱۹۸۰ تا ۲۰۲۰ نشان داد که شدت ضرایب موجک در نیمه دوم دوره مورد مطالعه افزایش یافت و نوسانات در چرخههای فصلی، سالانه و چندساله همچنان با تغییرات همراه بود، که بازتابی از تغییر اقلیم نیست، اما با الگوهای بارشی مشابه سایر ایستگاهها همخوانی دارد. ایستگاه اراک نیز الگوهای فصلی با تناوبهای قوی و نوسانات مکرر در دورههای کوتاهمدت داشت. چرخههای چندساله این ایستگاه با شدت بالا رخ داده و تحت تأثیر الگوهای بزرگمقیاس جوی بوده است. بررسی بازه زمانی ۱۹۸۰ تا دهه اول قرن حاضر نشان داد که ضرایب موجک در مقیاسهای مختلف به طور معناداری با تغییرات بارشی همراه بوده و تغییرات کوتاهمدت و چندساله تحت تأثیر دگرگونی اقلیمی در دهه دوم قرن حاضر محسوستر بوده است. در ایستگاه تهران، الگوهای فصلی یکساله با چرخههای چندساله دیده شد و مناطق زرد و سبز روشن در نمودار نشانگر نوسانات فصلی بودند. چرخههای چندساله بین ۲ تا ۴ سال و ۵ تا ۱۰ سال با قدرت بالا مشاهده شد که احتمالاً با پدیدههای بزرگمقیاس آب و هوایی مانند ENSO مرتبط است. تغییرات دههای از اوایل ۱۹۸۰ تا ۲۰۱۰ نشان داد که شدت ضرایب موجک نوسانات قویتر یا ضعیفتر را منعکس میکند و پس از ۲۰۱۰ افزایش قابل توجهی در شدت مقیاسهای کوتاه و بلند رخ داده است. در ایستگاه مشهد، الگوی فصلی و سالانه بارش نشاندهنده نوسانات مشخص در فصلهای پاییز و زمستان بود. چرخههای چندساله ۲ تا ۵ ساله و ۶ تا ۱۰ ساله نیز نوسانات قابل توجه داشتند. شدت ضرایب موجک از سال ۱۹۸۰ تا ۲۰۱۰ افزایش یافته و نشاندهنده تأثیر عوامل متعدد اقلیمی و تغییر اقلیم بر رفتار بارش است. ایستگاه کرج با اقلیم خشک و نیمهخشک، کمینه نوسان فصلی در تابستان و بیشینه نوسان در پاییز و زمستان داشت. چرخههای چندساله طولانیتر، به ویژه ۲ تا ۳ ساله و ۵ تا ۱۰ ساله، با شدت بالا رخ دادند. از سال ۲۰۱۰ تا ۲۰۲۰، شدت نوسانات کاهش یافته است. در ایستگاه تبریز، بارشها در زمستان و پاییز با شدت و تناوب بالاتر و در تابستان کمنوسان بودند. چرخههای چندساله ۲ تا ۴ و ۶ تا ۱۰ ساله نوسانات بارش قابل توجهی داشتند و شدت ضرایب موجک از سال ۱۹۸۰ تا ۲۰۲۰ افزایش یافته است. ایستگاه کرمانشاه دارای نوسانات قوی در زمستان و پاییز و ضعیف در تابستان و بهار بود. چرخههای چندساله بین ۲ تا ۵ و ۶ تا ۱۰ ساله مشاهده شد و شدت ضرایب موجک پس از سال ۲۰۱۰ افزایش یافته است. مقایسه با مطالعات پیشین نشان داد که پژوهش حاضر با استفاده از تحلیل موجک، چرخههای زمانی بارش را با دقت بیشتری بررسی کرده و نوسانات فصلی و چندساله را در چندین کلانشهر ایران تحلیل کرده است. علاوه بر ENSO، شاخصهای اقلیمی NAO و MO نیز بررسی شدند. نتایج با مطالعات بینالمللی مشابه در اروپا، چین و شبهقاره هند همخوانی دارد، اما تمرکز بر اقلیم خشک ایران و تنوع مکانی کلانشهرها رویکردی نوآورانه ارائه میدهد. به طور کلی، تحلیل موجک نشان داد که در بیشتر ایستگاهها، نوسانات کوتاهمدت و بلندمدت بارش با شدت متفاوت مشاهده میشود. ایستگاههایی مانند کرمانشاه، تبریز و مشهد دارای شدت بالای ضرایب موجک در چرخههای ۲ تا ۱۰ ساله هستند و تحت تأثیر شاخصهای اقلیمی بزرگمقیاس قرار دارند، در حالی که ایستگاههایی مثل اهواز و کرج رفتار نسبتاً یکنواخت دارند. افزایش شدت ضرایب موجک در بازه ۲۰۰۸ تا ۲۰۲۰ نشاندهنده تأثیر تغییرات اقلیمی اخیر بر الگوهای بارش است. همچنین، نتایج این تحقیق نشان داد که شدت و گستره نوسانات بارش در دهههای اخیر با تغییرپذیری بیشتری همراه بوده است. بررسی تطبیقی بین ایستگاهها بیانگر آن است که موقعیت جغرافیایی و ارتفاع نقش تعیینکنندهای در شدت چرخههای فصلی و چندساله ایفا میکند. علاوه بر آن، روندهای مشاهده شده میتواند در مدیریت منابع آب شهری و روستایی و تدوین برنامههای سازگاری اقلیمی به کار گرفته شود. یافتهها نشان داد که ترکیب تحلیل موجک با شاخصهای اقلیمی بزرگمقیاس دقت بالاتری در شناسایی چرخههای بارش ایجاد میکند. در مجموع، پژوهش حاضر تصویری جامع از رفتار بارش در ایران ارائه داده و بستر مناسبی برای مطالعات آینده در زمینه تغییر اقلیم فراهم میسازد. نتیجهگیری این پژوهش با استفاده از تبدیل موجک پیوسته 1(CWT) تغییرپذیری زمانی بارش ماهانه در کلانشهرهای ایران را در بازه ۱۹۸۰ تا ۲۰۲۰ بررسی کرد و الگوهای فصلی و چندساله بارش را شناسایی نمود. نتایج نشان داد که الگوهای بارشی تحت تأثیر چرخههای فصلی (حدود یک سال) و چندساله (۳ تا ۱۰ ساله) قرار دارند و دورههای تناوبی با شدت بالا بهویژه در ایستگاههای تهران، کرمانشاه و مشهد مشاهده شد که با تغییرات شاخصهای اقلیمی بزرگمقیاس مانند ENSO و NAO همزمانی دارند. در مقابل، ایستگاههایی مانند اهواز با ارتفاع کمتر و شرایط گرمتر، شدت ضرایب موجک پایینتر و نظم نوسانات کمتری داشتند، که نشاندهنده نقش مهم عوامل جغرافیایی نظیر ارتفاع، دما و عرض جغرافیایی در رفتار زمانی بارش است. تحلیلها همچنین نشان داد که از سال ۲۰۱۰ به بعد، شدت نوسانات بارشی در مقیاسهای فصلی و چندساله در بسیاری از ایستگاهها افزایش یافته و این روند میتواند شاهدی بر تأثیرات فزاینده تغییر اقلیم باشد. نتایج تحقیق کاربردی است و شناخت دقیق الگوهای زمانی بارش را برای مدیریت منابع آب، آمادگی در برابر خشکسالی و سیلاب، تصمیمگیری شهری و کشاورزی ضروری میسازد. همچنین، پیوند یافتهها با شاخصهای اقلیمی بزرگمقیاس، قابلیت استفاده از آنها در مدلهای پیشبینی بارش و هشدارهای زودهنگام را فراهم میآورد. | ||
| کلیدواژهها | ||
| تغییر اقلیم؛ امنیت آبی؛ تغییرپذیری بارش؛ تبدیل موجک؛ ایران | ||
| عنوان مقاله [English] | ||
| Analyzing precipitation variability in major cities of Iran using continuous wavelet transform | ||
| نویسندگان [English] | ||
| Mahmoud Ahmadi؛ jamal karami؛ Mohammad Kamangar | ||
| Department of Geography, Faculty of Earth Sciences, Shahid Beheshti University, Tehran, Iran | ||
| چکیده [English] | ||
| Introduction In recent years, the impacts of climate change on water security have been extensively investigated. Evidence suggests that climate change alters precipitation and temperature patterns, thereby affecting access to water resources (Ahmed and Akter, 2024). These changes influence not only the quantity but also the quality of water (Van Vliet et al, 2023). Particularly in urban areas, variability in monthly precipitation and climatic fluctuations is considered one of the key challenges of the 21st century. In Iran, due to its arid and semi-arid climate, water resource management and precipitation pattern analysis hold special importance (Modarres and Sarhadi, 2009). International studies have shown that water accessibility indicators are most sensitive to precipitation variability (Barbosa et al, 2023). Moreover, changes in evapotranspiration can reduce net primary production, thereby influencing water security (Gao et al, 2023). The resilience of water systems has also gained attention; increasing resource diversity and managing demand can enhance resilience against climate change (Kharrazi et al, 2024; Srinivasan et al, 2024). In terms of scenario analysis, recent studies using machine learning reveal that even minor climate variations can significantly impact water security indices (Chen et al, 2024). In Iran, numerous studies have examined precipitation trends. Talaei and Tabari (2011) analyzed annual and seasonal precipitation at 41 stations between 1966 and 2005, reporting a decreasing trend in about 60% of them. Similarly, Modarres et al. (2009), based on 145 rain gauge stations, identified decreasing annual precipitation in more than half of the stations and increasing 24-hour maximum precipitation in others. These findings indicate early manifestations of climate change in Iran. Theoretically, water security is a multidimensional concept encompassing access, quality, and resilience of water resources, requiring interdisciplinary and integrated analyses. Advanced statistical and computational methods such as hydrological modeling, machine learning, and wavelet transforms provide deeper insights into climate variability and precipitation patterns. However, the application of wavelet transform in climate data analysis in Iran, especially in urban areas, remains limited. The aim of this study is to investigate the variability of monthly precipitation in urban areas of Iran using continuous wavelet transform (CWT). Adopting a multiscale approach, the study analyzes temporal-spatial precipitation trends, identifies hidden patterns, and explores periodic variations across different time scales. The novelty of the research lies in employing wavelet analysis for detailed examination of precipitation data, thereby offering deeper insights into the impacts of climate change on precipitation behavior in Iran. Materials and Methods This study analyzes the variability of monthly precipitation in Iran with a focus on nine synoptic stations located in Tehran, Mashhad, Isfahan, Tabriz, Karaj, Kermanshah, Arak and Ahvaz. The selection of these stations was based on the availability of long-term and continuous data, appropriate geographical distribution, and representation of the country’s diverse climatic conditions. The study period from 1980 to 2020 was considered in order to cover extreme climatic fluctuations, including both dry and wet years, and to enable the assessment of long-term precipitation trends. The stations represent different climatic regimes: Tehran, Karaj, Kermanshah, and Arak are situated in a semi-arid climate with annual precipitation ranging from 250 to 500 mm, with rainfall occurring mainly in winter and spring. Mashhad and Tabriz, characterized by mountainous and semi-arid climates, experience higher winter precipitation, and precipitation variability in these regions is greater due to elevation and geographical factors. Isfahan has an arid and low-rainfall climate, while Ahvaz, located in a relatively dry and lowland region, further enriches the climatic diversity and allows for examining the influence of different climates on precipitation patterns. Monthly precipitation data were obtained from the Iran Meteorological Organization and underwent preprocessing, including the identification and replacement of missing data, removal of outliers, assessment of inhomogeneities, and normalization. Data validation was performed using statistical tests such as Pettitt, Mann-Kendall, and SNHT to ensure quality and continuity. Data analysis was carried out using Continuous Wavelet Transform (CWT) with the Morlet wavelet to explore simultaneous variations in the time–frequency domain. Wavelet power spectra were generated to identify periods with high precipitation energy, and the Cone of Influence (COI) was used to minimize boundary effects. The wavelet analysis results were validated against independent datasets and previous studies to ensure the reliability of the identified patterns. By applying the wavelet approach, this study provides a detailed temporal–spatial analysis of precipitation trends in urban areas of Iran and offers practical insights for water resources management under climate change conditions. Furthermore, the results can support decision-making in drought and flood risk management across different regions of the country. Identifying precipitation cycles at medium- and long-term scales can also play a crucial role in agricultural planning, dam management, and water resources development projects. Ultimately, the wavelet-based methodology presented here can serve as a model for similar studies in other regions of Iran and countries with comparable climatic conditions. Results and Discussion Wavelet analysis of precipitation data at the Isfahan, Ahvaz, Arak, Tehran, Mashhad, Karaj, Tabriz and Kermanshah stations showed that seasonal and multi-year precipitation patterns are accompanied by distinct fluctuations. At the Isfahan station, short-term seasonal patterns of about one year exhibited strong fluctuations; the minimum variability occurred in summer, while the maximum seasonal variability was observed in winter and autumn. In the multi-year cycles, the highest fluctuations occurred in the 3–4 year and 8–10 year periods. The intensity of the wavelet coefficients fluctuated across different scales from 1980 to 2005, and from 2008 to 2020 greater intensity and strength were observed at both short (seasonal) and long (multi-year) scales, indicating climate change in recent decades. At the Ahvaz station, the seasonal and multi-year precipitation patterns were irregular, but the amplitude of the fluctuations was smaller compared to high-altitude stations. The temporal analysis over the period 1980–2020 showed that the intensity of the wavelet coefficients increased in the second half of the study period, and fluctuations in seasonal, annual, and multi-year cycles continued, which is not a direct reflection of climate change but is consistent with precipitation patterns at other stations. At the Arak station, seasonal patterns exhibited strong periodicity with frequent short-term fluctuations. Multi-year cycles occurred with high intensity and were influenced by large-scale atmospheric patterns. The analysis of the period from 1980 to the first decade of the 21st century showed that the wavelet coefficients at different scales were significantly associated with precipitation variability, and short-term and multi-year variations became more pronounced under climatic transformations in the second decade of the century. At the Tehran station, one-year seasonal patterns coexisted with multi-year cycles, and the yellow and light green areas on the wavelet spectrum indicated seasonal fluctuations. Multi-year cycles of 2–4 years and 5–10 years were observed with high power, likely associated with large-scale climatic phenomena such as ENSO. Decadal changes from the early 1980s to 2010 reflected stronger or weaker variability in the intensity of the wavelet coefficients, and after 2010 a marked increase in the strength of both short- and long-term scales was observed. At the Mashhad station, seasonal and annual precipitation patterns showed distinct fluctuations during autumn and winter. Multi-year cycles of 2–5 years and 6–10 years also exhibited significant variability. The intensity of the wavelet coefficients increased from 1980 to 2010, reflecting the influence of multiple climatic factors and climate change on precipitation behavior. The Karaj station, with its arid and semi-arid climate, showed minimum seasonal variability in summer and maximum in autumn and winter. Longer multi-year cycles, especially those of 2–3 years and 5–10 years, occurred with high intensity. From 2010 to 2020, however, the intensity of fluctuations decreased. At the Tabriz station, precipitation was more intense and frequent in winter and autumn, while summer showed weaker variability. Multi-year cycles of 2–4 and 6–10 years displayed considerable fluctuations, and the intensity of the wavelet coefficients increased from 1980 to 2020. The Kermanshah station had strong fluctuations in winter and autumn and weaker ones in summer and spring. Multi-year cycles between 2–5 and 6–10 years were observed, and the intensity of the wavelet coefficients increased after 2010. Comparison with previous studies indicated that this research, by applying wavelet analysis, examined precipitation cycles with greater accuracy and analyzed seasonal and multi-year fluctuations in several major Iranian cities. In addition to ENSO, the NAO and MO climate indices were also investigated. The results are consistent with similar international studies in Europe, China, and the Indian subcontinent, but the focus on Iran’s arid climate and the spatial diversity of large cities provides an innovative perspective. Overall, wavelet analysis showed that short- and long-term precipitation fluctuations with varying intensities are evident in most stations. Stations such as Kermanshah, Tabriz, and Mashhad exhibited high-intensity wavelet coefficients in 2–10 year cycles and were influenced by large-scale climatic indices, while stations such as Ahvaz and Karaj displayed relatively uniform behavior. The increase in wavelet coefficient intensity during 2008–2020 indicates the impact of recent climate changes on precipitation patterns. Furthermore, the results of this study revealed that the intensity and extent of precipitation variability in recent decades have been accompanied by greater fluctuations. Comparative analysis among stations demonstrated that geographical location and elevation play a decisive role in the strength of seasonal and multi-year cycles. In addition, the observed trends can be applied in the management of urban and rural water resources and in the development of climate adaptation strategies. The findings also showed that integrating wavelet analysis with large-scale climate indices increases the accuracy of identifying precipitation cycles. In conclusion, this study provides a comprehensive picture of precipitation behavior in Iran and establishes a valuable foundation for future research on climate change. Conclusion This study applied continuous wavelet transform (CWT) to analyze temporal variability of monthly precipitation in Iranian metropolitan areas from 1980 to 2020, identifying both seasonal and multi-annual cycles. Results showed precipitation patterns were influenced by annual cycles (~1 year) and multi-annual cycles (3–10 years). Strong oscillations were particularly evident in Tehran, Kermanshah, and Mashhad, coinciding with large-scale climate indices such as ENSO and NAO. In contrast, stations like Ahvaz, characterized by lower altitude and warmer conditions, showed weaker intensities and less regular oscillations, underscoring the importance of geographic factors such as elevation, temperature, and latitude in precipitation variability. The analysis further indicated that after 2010, precipitation variability intensified at both seasonal and multi-annual scales across most stations, serving as evidence of the increasing impacts of climate change. The findings are practically valuable for water resource management, drought and flood preparedness, as well as urban and agricultural planning. Furthermore, linking results to large-scale climate indices enhances the potential for predictive modeling and early warning systems. | ||
| کلیدواژهها [English] | ||
| Climate change, Water security, Precipitation variability, Wavelet transformation, Iran | ||
| مراجع | ||
|
Ahmed, K.R. and Akter, S., 2024. Climate change and water security: A comprehensive review of impacts, adaptation strategies, and policy implications. Water Resources Management, v. 38(2), p. 245-270. Azizi, Q., Rosta, I. and Mohammadi, H., 2018. Analysis of precipitation and temperature trends in Khorasan Razavi. Iranian Journal of Water Resources Research, v. 14(4), p. 221-236 (In Persian). Barbosa, L.M. and Santos, C.A.G., 2023. Evaluating the sensitivity of water security indicators to climate variability in semi-arid regions. Journal of Hydrology, v. 618, 129001. Chen, X., Wang, D. and Tian, F., 2024. Machine learning approaches for assessing climate change impacts on regional water security. Environmental Modelling & Software, v. 161, 105568. Gao, H., Birkel, C., Hrachowitz, M., Teuling, A.J., Troch, P.A. and Hugenschmidt, C., 2023. Reconciling hydrological model structures with process understanding for improved water security assessments. Hydrology and Earth System Sciences, v. 27(5), p. 1457-1476. Grinsted, A., Moore, J.C. and Jevrejeva, S., 2004. Application of the cross wavelet transform and wavelet coherence to geophysical time series. Nonlinear Processes in Geophysics, v. 11(5/6), p. 561-566. Kharrazi, A., Akiyama, T., Yu, Y. and Li, J., 2024. Evaluating the resilience of urban water systems under climate change scenarios. Sustainable Cities and Society, v. 96, 104435 (In Persian). Khoshakhlagh, F., Safari, B. and Mahmoodi, P., 2020. Investigating the relationship between the ENSO pattern and precipitation in western Iran. Geography and Environmental Hazards, v. 9(2), p. 17-35 (In Persian). Kumar, A., Raman, S. and Rajeevan, M., 2018. Spatiotemporal characteristics of precipitation variability over the Indian monsoon region. Climate Dynamics, v. 51(7-8), p. 2595-261. Labat, D., Ababou, R. and Mangin, A., 2004. Rainfall-runoff relations for karstic springs: Part II–Continuous wavelet and discrete orthogonal multiresolution analyses. Journal of Hydrology, v. 286(1-4), p. 59-88. Modarres, R. and Sarhadi, A., 2009. Rainfall trends analysis of Iran in the last half of the twentieth century. Research: Atmospheres, v. 114(D3) (In Persian). Rodriguez-Fonseca, B., Suarez-Moreno, R. and Barroso, J., 2016. Oceanic and atmospheric variability in the Mediterranean region: A review of recent advances. Climate Dynamics, v. 47(3-4). Srinivasan, V., Konar, M. and Sivapalan, M., 2024. A dynamic framework for water security. Water Security, v. 15, 100112. Taie Semiromi, M. and Koch, M., 2024. Statistical downscaling of precipitation in northwestern Iran using a hybrid model of discrete wavelet transform, artificial neural networks, and quantile mapping. Theoretical and Applied Climatology, v. 155(7), p. 6591-6621. Talaee, P.H. and Tabari, H., 2011. Analysis of trends in temperature data in arid and semi-arid regions of Iran. Global and Planetary Change, v. 79(1-2), p. 1-10 (In Persian). Torrence, C. and Compo, G.P., 1998. A practical guide to wavelet analysis. Bulletin of the American Meteorological Society, v. 79(1), p. 61-78. Torrence, C. and Webster, P.J., 1999. Interdecadal changes in the ENSO–monsoon system. Journal of Climate, v. 12(8), p. 2679-2690. Van der Zaag, P. and Gupta, J., 2024. Water security in times of global change: Bridging science, policy and practice. Water Security, v. 16, 100121. Van Vliet, M.T., Thorslund, J., Strokal, M., Hofstra, N., Flörke, M., Ehalt Macedo, H. and Mosley, L.M., 2023. Global river water quality under climate change and hydroclimatic extremes. Nature Reviews Earth & Environment, v. 4(10), p. 687-702. Zhang, Y., Feng, Q., Liu, X. and Chen, J., 2020. Wavelet analysis of precipitation variability in the Yangtze River basin. Water, v. 12(3), 798 p.
a | ||
|
آمار تعداد مشاهده مقاله: 378 تعداد دریافت فایل اصل مقاله: 224 |
||