Evaluation of Agricultural Sustainability Indicators Under Climate Change and Water Resources Management Scenarios in Aji Chay Basin

Document Type : Research Paper

Authors

1 University of Tabriz

2 university of Tabriz

3 university of Tarbiz

Abstract

Background and Objective: This study investigated the basin sustainability in the baseline and climate change status. Then the effects of water resources management scenarios such as agricultural water reducing, increasing irrigation efficiency and increasing the water price on sustainability indicators were investigated.
Materials and Methods: A hydro-economic model was used to evaluate the effects of climate change on hydrological and economic variables. Modeling of hydrologic behavior was performed by WEAP-MABIA model and economic behavior using quadratic risk programming. The LARS-WG downscaling model was used to simulate climate change under three future emission scenarios (A2, A1B and B1), for the period 2020-2050. Agricultural sustainability was evaluated using performance criteria such as reliability, resilience, vulnerability and the irrigation water deficit index.
Results: Evaluation of the sustainability indicators in the current situation indicates the instability of water resource and under climate change conditions, the hydrological basin status will be more critical that it goes from 0.86 in the basin situation to 0.72 under A2 climate change scenario. Implementing water resource management scenarios improves the sustainability indicators compared to climate change and the largest increase is related to the increasing irrigation efficiency scenario. In this scenario, the average of agricultural sustainability compared to climate change increases by 11.1% and irrigation water deficit index decreases by 26.6%, which It indicates the improvement of the region sustainability.
Conclusion: Due to the high effectiveness of the increasing irrigation efficiency scenario, it was recommended to increase irrigation efficiency by changing irrigation technology and using modern irrigation methods.

Keywords


مقدمه

رشد روز افزون جمعیت، خشکسالی، تغییر اقلیم و سیاست­های نادرست مدیریتی، منابع آب موجود را به شدت تحت تأثیر قرار داده و آن­ها را در برخی از مناطق جهان با بیلان منفی مواجه کرده است که این امر مغایر با بهره­برداری پایدار از منابع آب می­باشد (عباسی و همکاران 2020). در این میان توجه به امر پایداری و مدیریت منابع آب به عنوان یک منبع بسیار حیاتی، در سال­های اخیر از موضوعی فرعی، به مسأله­ای محوری و پراهمیت تبدیل شده است (بریم­نژاد و یزدانی 2004). این مسدله به اندازه­ای حیاتی است که سیاست­گذاران کشور ناچار به اتخاذ سیاست­های مناسب برای مدیریت منابع آب می­باشند.

 مدیریت آب به عنوان اصلی­ترین راهکار ممکن برای رفع مشکلات ناشی از کمیت و افت کیفیت آب مطرح است. مدیریت پایدار منابع آب وظیفه دارد هم­زمان دو هدف را مد نظر قرار دهد: کشاورزی آبی پایدار برای تضمین امنیت غذایی و حفاظت از محیط­زیست. لازم است که بین این دو هدف، تعاملی پایدار در حال و آینده برقرار گردد و در عین حال تعارضات بالقوه بین این دو هدف با کمک روش­هایی مانند به­کارگیری روش­های نوین آبیاری، جلوگیری از اتلاف آب در مسیرهای انتقال، تغییر الگوی کشت به سوی محصولات کم­مصرف، توسعه کشت گلخانه­ای تخفیف داده شود (کای و همکاران  2003).

امروزه کمبود آب یکی از مشکلات عمده در اکثر کشورها است (وانگ و همکاران 2008) و برآورد می­شود که حدود 8/2 میلیارد نفر از جمعیت جهان در 43 کشور تحت تأثیر کمبود آب باشند که از این تعداد 2/1 میلیارد نفر حتی به آب شرب کافی نیز دستری ندارند (UNWWAP 2015). علت اصلی این مشکلات نیز افزایش تقاضای آب در اثر افزایش جمعیت، توسعه اقتصادی کشورها، آلودگی منابع آبی، کاهش کیفیت آب­های زیرزمینی و به­ویژه منابع آب سطحی (دیواکار 2011) و همچنین کاهش عرضه آب در اثر تغییر اقلیم و مدیریت ناپایدار منابع آب می­باشد. ایران نیز از این قاعده مستثنی نبوده و منابع آبی همواره به عنوان یکی از کمیاب­ترین منابع و به­ویژه به عنوان محدودترین عامل تولید در بخش کشاورزی مطرح بوده است.

افت سطح تراز دریاچه­ها و بحرانی شدن وضعیت آب در بیش از 120 دشت از دشت­های مستعد کشور که هر ساله بر این تعداد اضافه می­شود، یکی از بزرگ­ترین مشکلات بخش کشاورزی است. در حال حاضر تعداد زیادی از دشت­های ایران با کسری مخزن و بحران آب مواجه هستند (فرج­زاده و بیگم حسینی 2007). آجی­چای یکی از مهم­ترین و اصلی­ترین رودخانه­های جاری در تأمین آب دریاچه ارومیه است که در طول سال­های اخیر با چالش­های جدی از قبیل بیلان منفی آبخوان­ها، افزایش سطح زیرکشت اراضی آبی و باغی و تغییر الگوی کشت از سمت محصولات کم مصرف به محصولاتی با نیاز آبی بالا مواجه شده است (ستاد احیای دریاچه ارومیه 2018). در این حوضه، شهرستان سراب با دارا بودن سرشاخه­های اصلی آجی­چای، نسبت به شهرستان­های دیگر نقش بیش­تری در تولیدات زراعی و باغی و در نتیجه مصرف آب کشاورزی دارد. این شهرستان حدودا دارای 48100 هکتار اراضی زراعی آبی (حدود 38 درصد اراضی آبی حوضه آبریز آجی­­چای)، 2670 هکتار باغ آبی (حدود 16 درصد باغات حوضه آبریز آجی­چای) و 62200 هکتار اراضی دیم (حدود 32 درصد از اراضی دیم حوضه آبریز آجی­چای) می­باشد. الگوی کشت زراعی این منطقه شامل گندم، جو، یونجه و اسپرس، سیب­زمینی، انواع جالیز (خیار، گوجه­فرنگی و ...) و حبوبات (نخود، لوبیا و عدس) می­باشند. در بین محصولات زراعی گندم و جو با اختصاص 58 درصد ترکیب کشت به خود، بیش­ترین سهم را داشته­اند. یونجه، اسپرس و سیب­زمینی به ترتیب با اختصاص 16، 1/13 و 5 درصد ترکیب کشت، در رتبه­های بعدی قرار گرفته­اند (سازمان جهاد کشاورزی استان آذربایجان شرقی 2018). با توجه به تنوع محصولات منطقه، مدل­سازی کلیه آن­ها میسر نمی­باشد. لذا در این تحقیق محصولات زراعی عمده منطقه که در ترکیب کشت به کار می­روند، شامل گندم، جو، سیب­زمینی، یونجه و لوبیا مورد بررسی قرار می­گیرند.

براساس نتایج بررسی­های انجام شده در قالب مطالعات مدیریت ریسک خشکسالی در حوضه، دشت سراب نه تنها عمده منابع تجدیدشونده را مصرف می­نماید، بلکه بخش اصلی بیلان منفی حوضه نیز از آن منشاء می­گیرد، لذا به منظور حفظ و بقای آب­خوان­ها ارزیابی پایداری آن­ها براساس شاخص­های پایداری منابع آب در برابر تغییر اقلیم، امری ضروری تلقی می­گردد.

در راستای مدیریت منابع آب به منظور حفظ پایداری، تعادل و بقای آبخوان­ها مطالعاتی در سطح دنیا برای حل چالش­ها با استفاده از شاخص­های پایداری و همچنین بررسی وضعیت مناطق مختلف صورت گرفته است. اینگول-بلاکو و مکینی (2011) سناریوهای سازگاری با تغییر اقلیم را با استفاده از مدل WEAP در حوضه آبریز ریو کانچوس مورد تحلیل قرار دادند. نتایج حاکی از آن است که در سناریوی حفظ تقاضای آب آبیاری فعلی به همراه افزایش تقاضای آب خانگی اطمینان­پذیری و تاب­آوری سیستم کاهش یافته و آسیب­پذیری در طول زمان افزایش می­یابد. در سناریو افزایش کارایی مصرف آب نیز اطمینان­پذیری سیستم بیشتر و آسیب­پذیری کمتر خواهد بود. پورزند و بخشوده (2012) با بکارگیری رهیافت برنامه­ریزی توافقی، پایداری کشاورزی شهرستان­های منتخب استان فارس را بررسی نمودند. براسای یافته­های ایشان، گروه پایدار دارای ویژگی­هایی از جمله پایین بودن بیلان آب زیرزمینی، تنوع بیشتر در گیاهان زراعی و نیز درصد کمتری از اراضی شهرستان­ها دارای ماده آلی کمتر ااز یک درصد را دارا بودند.

سانتیکایاسا و همکاران (2014) با استفاده از مدل WEAP پایداری مصرف آب در حوضه آبریز سیتاروم در کشور اندونزی را مورد ارزیابی قرار دادند. نتایج بیانگر آن بود که تحت سناریوهای تغییر اقلیم A2 و B2 نیاز آب آبیاری و شاخص پایداری (اطمینان­پذیری، تاب­آوری و آسیب­پذیری) نسبت به دوره پایه در آینده کاهش خواهد یافت. نایاک و همکاران (2015) در تحقیقی به منظور بررسی اثرات تغییر اقلیم بر ذخیره آب زیرزمینی در هند از رویکرد بیلان آبی استفاده نمودند. تخمین ذخیره آب­های زیرزمینی از مدل WEAP صورت گرفت. یافته­ها حاکی از آن بود که تغییر الگوی کشت و بهبود راندمان آبیاری می­تواند پایداری مصرف آب زیرزمینی را بهبود بخشد، به گونه­ای که کاهش 25 درصدی سطح زیرکشت برنج باعث پایداری منابع آب زیرزمینی می­گردد.  فرانسیسکو و همکاران (2016) پایداری را در حوضه رودخانه سگورا در جنوب شرقی اسپانیا بررسی کردند. نتایج نشان داد که استفاده از آب آبی در نتیجه بهره­برداری بیشتر از سفره­های آب، پایدار نیست. ارزیابی سناریوهای آینده نیز موید آن بود که اگر اقدامات سازگاری انجام نشود وضعیت حوضه بدتر خواهد شد.

کارآموز و محمدپور (2017) پایداری منابع و مصارف آب در حوضه آبریز اهرچای را مورد مطالعه قرار دادند. بدین منظور شاخص پایداری ترکیبی تامین و تقاضای آب با ترکیب سه شاخص پایداری محاسبه گردید. متوسط شاخص پایداری کشاورزی 59/0 بدست آمد که هر چند وضعیت متوسطی را نشان می­دهد، ولی بیانگر تعادل چندان پایداری بین آب موجود و آب مصرفی نمی­باشد. امین و همکاران (2018) به بررسی اثرات  سناریوهای سازگار با تغییر اقلیم در حوضه رود سند پاکستان با استفاده از مدل هیدرو-اقتصادی پرداختند. نتایج حاکی از آن بود که ادامه وضع موجود باعث افزایش تقاضای آب گردیده و تقاضای برآورد نشده به 134 میلیون مترمکعب خواهد رسید. همچنین اجرای سیاست­های کاهش تلفات انتقال آب، کاهش نیاز آب سرانه و تکمیل سدهای درحال ساخت باعث مقابله با کم­آبی خواهد شد.

امیرزاده مرادآبادی و همکاران (2019) با استفاده از شاخص ترکیبی پایدار، به ارزیابی پایداری کشاورزی ایران از طریق سنجه­های کشاورزی پایدار در پنج بعد اقتصادی، اجتماعی، زیست­محیطی، فنی و سیاسی پرداختند. یافته­ها نشان داد شاخص ترکیبی پایداری در ایران با میانگین 521/0 در وضعیت پایداری قرار دارد و روند این شاخص طی سال­های مورد بررسی از 41/0 تا 65/0 با نرخی معادل 15/4 افزایش یافته است. احمدآلی و همکاران (2019) به ارزیابی تاثیر تغییر اقلیم بر پایداری زیست­محیطی و کشاورزی در حوضه­های آبریز زرینه­رود و سیمینه­رود با استفاده از WEAP پرداختند. یافته­ها حاکی از آن بود که بیشترین مقادیر شاخص­های پایداری مربوط به سناریوی تغییر الگوی کشت با بهبود راندمان کل آبیاری است که به ترتیب 1292 و 351 میلیون مترمکعب ورودی سالانه به دریاچه ارومیه خواهند داشت. عباسی و همکاران (2020) به ارزیابی اثرات تغییر اقلیم بر پایداری منابع آب دریاچه طشک بختگان با استفاده از شاخص­های آب سبز، آب آبی، آب زیرزمینی و محیط­زیست پرداختند. بررسی شاخص­های پایداری در وضعیت فعلی حاکی از ناپایداری آب زیرزمینی در تامین نیاز زیست­محیطی دریاچه طشک بختگان می­باشد. همچنین نتایج نشان داد که در شرایط تغییر اقلیم حوضه شرایط وخیم­تری را تجربه خواهد نمود. اسماعیل­زاده و همکاران (2020) به سنجش پایداری بوم نظام­های زراعی حاشیه دریاچه ارومیه با استفاده از روش آنتروپی پرداختند. برابر یافته­های تحقیق میزان پایداری در ابتدای سال­های 85-1383 کاهشی بوده و بعد از یک افزایش موقت طی سال­های 92-1385، در ادامه مجددا کاهشی شده و شرایط پایداری کاهش یافته است.

مرور مطالعات مشابه انجام شده در داخل کشورنشان می­دهد که عمدتاً به بررسی اثر تغییر اقلیم بر شاخص­های پایداری از بعد هیدرولوژیک پرداخته و بعد اقتصادی چندان مورد توجه واقع نشده است. در حالی­که پایداری در بعد اقتصادی به­عنوان مفهومی کلیدی در ادبیات توسعه پایدار مطرح است و گذشته از این­که ویژگی­های پایداری اکولوژیک را حفظ خواهد کرد، بر جنبه­های اقتصادی سیستم نیز تاکید می­کند. رائو (2000) در توضیح مفهوم پایداری اشاره به تعریفی از توسعه پایدار اقتصادی دارد که آن را برنامه­ریزی صحیح منابع اقتصادی و اکولووژیک به­گونه­ای می­داند که ارزش اقتصادی منابع برای همیشه حفظ و اصل سرمایه همیشه باقی بماند (امینی فسخودی و نوری 2011). بر همین اساس و با توجه به کمبود تحقیقات در این خصوص، مطالعه حاضر با استفاده از مدل هیدرو-اقتصادی به بررسی اثرات تغییر اقلیم و سناریوهای سازگار با آن بر شاخص پایداری کشاورزی در شهرستان سراب می­پردازد.

مواد و روش­ها

منطقه مورد مطالعه

      رودخانه آجی­چای بزرگترین حوضه­ رود شرق دریاچه ارومیه است. سرچشمه آن از کوه سهند و رشته­کوه بزقوش در جنوب و کوه سبلان در شمال حوضه است. طول شاخه اصلی آن تا دشت تبریز 174 کیلومتر و از ابتدای دشت تا دریاچه ارومیه 94 کیلومتر است. با توجه به محدوده آبخوان­های واقع در حوضه آجی­چای و تمرکز بیشتر چاه­های کشاورزی در این مناطق و همچنین مدیریت­پذیری بیشتر این مناطق، بررسی دقیق­تر کاربری اراضی این مناطق ضروری می­باشد. حدود 61 درصد از تمرکز کشاورزی آبی حوضه آجی­چای مربوط به شهرستان­های تبریز و سراب بوده و بیشترین مساحت باغ نیز متعلق به شهرستان­های تبریز، آذرشهر، سراب و اسکو است که به ترتیب 28، 17، 16 و 15 درصد از مساحت کل باغ حوضه را تشکیل می­دهند (سازمان جهاد کشاورزی استان آذربایجان شرقی 2018). در شکل 1 هشت محدوده اصلی کشاورزی متناسب با آبخوان­های حوضه آجی­چای نشان داده شده است که از این تعداد آبخوان­های سراب، اسب فروشان، دوزدوزان و بخشی از آبخوان مهربان در شهرستان سراب واقع هستند.

 

 

 

 

شکل 1- هشت محدوده اصلی کشاورزی حوضه آبریز آجی­چای

 

 

مدل هیدرو-اقتصادی

مطالعات اخیر در زمینه توسعه الگوی­های مدیریت منابع آب و ارزیابی سیاست­ها به دنبال روش­های چندبعدی برای تصمیم­گیری می­باشند. در میان روش­های متعددی که برای یکپارچه­سازی منابع آب بکار رفته است، مدل­های هیدرو-اقتصادی به عنوان یک ابزار متفاوت برای ارزیابی سیاست و استراتژی­های مدیریت منابع آب معرفی گردید (هارو و همکاران 2009). در مجموع مدل­های هیدرو-اقتصادی دو جزء اصلی هیدرولوژیکی و اقتصادی را شامل می­شوند، به این صورت که هر کدام به صورت مستقل اجرا شده ولی خروجی یک مدل به عنوان ورودی در مدل دیگر بکارگرفته می­شود. در ادامه به ویژگی هر کدام از مدل­ها پرداخته خواهد شد.

مدل اقتصادی (برنامه­ریزی درجه دوم توأم با ریسک)

در علم اقتصاد، رفتار ریسک­گریزی نوعی رفتار عقلایی به­شمار می­آید. همچنین فرض بر این است که هدف اصلی تولیدکنندگان دستیابی به بیشترین سود می­باشد. بهره­برداران کشاورزی، افزون بر کوشش در کسب درآمد خالص قابل قبول، هدف­های دیگری نیز همچون کاهش نوسان­های درآمدی و در نتیجه ریسک و عدم حتمیت و تامین نیازهای غذایی خانوار دارند (دیلون و هارداکر 1980). پس منطقی است که در برنامه­ریزی­های اقتصاد کشاورزی به ریسک توجه شود. بنابراین گروهی از روش­های مرسوم در برنامه­ریزی ریاضی که در تهیه و تنظیم بهینه بهره­برداران به عدم قطعیت­های گوناگون از جمله ریسک تولید و ریسک قیمت­ها توجه دارد باید مورد استفاده قرار گیرد. در این بین روش برنامه­ریزی ریاضی توام با ریسک از نوع درجه دوم[1] (QRP) برای تصمیم­گیری­های همراه با مخاطره مورد توجه و استفاده محققان مختلف قرار گرفته است.

QRP بر این پایه است که تابع مطلوبیت را می­توان بر مبنای میانگین یا ارزش انتظاری (E) و واریانس (V) بیان کرد. در این مدل، ریسک به­وسیله واریانس درآمد رویدادهای گوناگون برآورد می­شود و تابع مطلوبیت مجموعه­ای است از ارزش­ انتظاری و واریانس متغیر تصادفی. تابع هدف در مدل QRP (رابطه 1) حداکثر مطلوبیت مورد انتظار کشاورزان را نشان می­دهد:

 

(رابطه 1)

 

(رابطه 2)

Subject to:

(رابطه 3)

 

 

 

الگوی برنامه­ریزی غیرخطی فوق با توجه به تابع هدف و محدودیت­های منابع و کالیبراسیون برآورد می­شود. در این رابطه j بیانگر نوع محصول  (در این مطالعه شامل گندم، جو، یونجه، سیب­زمینی و لوبیا)، gm بازده ناخالص هر هکتار محصول، کل سطح زیرکشت هر محصول، prc کل هزینه تولید و labc هزینه نیروی ­کار و میزان مصرف نهاده iام در تولید محصول jام است. ضریب ریسک­گریزی کشاورزان و انحراف­معیار ایجاد شده درآمد مزرعه در اثر تغییر عوامل خارج از کنترل کشاورز (تغییر اقلیم و بازار) می­باشد. جهت بدست آوردن ضریب ریسک­گریزی ابتدا مطلوبیت مورد انتظار را به روش QRP با توجه به محدودیت­های موجود و در سطح واریانس واقعی مزارع (V)، حداکثر نموده که تحت این شرایط درآمد خالص بهینه مزارع () مشخص می­شود. سپس در ادامه واریانس واقعی مزارع با توجه به محدودیت­ها و در سطح درآمد خالص مزارع (E)، حداقل می­گردد که تحت این شرایط نیز واریانس بهینه (V*) به دست می­آید. با مشخص بودن دو نقطه از منحنی مرزی کارا، ضریب ریسک­گریزی به صورت رابطه 4 محاسبه می­شود:

(رابطه 4)

 

نقطه  مقادیر بهینه نشده می­باشند، بنابراین کشاورزان می­توانند با همان سطح واریانس V، درآمد خالص انتظاری خود را تا سطح E* افزایش دهند و یا اینکه با همان درآمد خالص انتظاری، مقدار واریانس خود را تا سطح V* کاهش دهند.

مدل اقتصادی قبل از شبیه­سازی نسبت به ضریب ریسک­گریزی واسنجی شده تا یک ضریب ریسک­گریزی را پیدا کند که در آن الگوی کشت شبیه­سازی شده با الگوی کشت واقعی هم­خوانی داشته باشد. برای ارزیابی دقت مدل واسنجی­شده شده از معیار درصد انحراف مطلق[2] (PAD) استفاده می­گردد که براساس رابطه 5 بدست می­آید (استیو و همکاران 2015):

(رابطه 5)

 

که در آن  مقدار مشاهده شده و مقدار شبیه­سازی شده می­باشد. واسنجی مناسب زمانی است که مقدار PAD به صفر نزدیک شود.

 

مدل هیدرولوژیکی (WEAP-MABIA)

WEAP یک نرم­افزار جامع و پیشرفته­ساز منابع آب است که در مدیریت حوضه آبریز کاربرد گسترده­ای دارد. این مدل یک ابزار سودمند برای تحلیل سیاست­ها و برنامه­ریزی منابع آب می­باشد که براساس معادلات پایه بیلان آبی عمل کرده و آن را می­توان در سیستم­های شهری و کشاورزی، حوضه­های مستقل یا سیستم­های رودخانه­ای پیچیده به­کار برد و قابلیت شبیه­سازی و بهینه­سازی حقابه­ها با در نظر گرفتن اولویت­های تخصیص را دارا می­باشد (سانتیکایاسا و همکاران 2015). مدل WEAP برای شبیه‌سازی فرآیندهای هیدرولوژیک مانند تبخیر و تعرق، رواناب، نفوذ و آبیاری از ماژول‌های مختلفی استفاده می‌کند. MABIA، یکی از ماژول‌های درون مدل WEAP است که با استفاده از اطلاعات زراعی، تبخیر- تعرق روزانه، برنامه‌ریزی آبیاری، رشد و عملکرد محصول را شبیه‌سازی می‌کند. MABIA برای شبیه­سازی عملکرد محصولات گیاهان، از رابطه 6 استفاده می­کند:

(رابطه 6)

 

در رابطه 5،  عملکرد واقعی محصول،  عملکرد حداکثر، فاکتور واکنش-عملکرد، تبخیر و تعرق واقعی و  تبخیر و تعرق در شرایط مشابه واقعی ولی بدون محدودیت آبی می­باشد (چتینکایا و گوناکتی 2018). فاکتور واکنش-عملکرد در مدل MABIA برای مراحل رشد محصولات مختلف ارائه شده است. دقت مدل پس از واسنجی و اعتبارسنجی مدل هیدرولوژیکی با استفاده از ضریب نش-ساتکلیف[3] (Nash) و خطای اریب (BIAS) اندازه­گیری می­شود (بلانگو گوتیرز و همکاران 2013):

(رابطه 7)

 

(رابطه 8)

 

که در آن  و  به ترتیب برابر مقادیر مشاهداتی و شبیه­سازی در زمان t، n تعداد مشاهدات،  و  به ترتیب میانگین مقادیر مشاهداتی و شبیه­سازی می­باشد. BIAS نشان­دهنده بیشتر یا کمتر بودن جریان شبیه­سازی شده توسط مدل نسبت به جریان مشاهداتی بوده و NSE که برای ارزیابی توانایی شبیه­سازی به کار رفته، اگر برابر یک باشد، تناسب کاملی بین داده­های مشاهداتی و شبیه­سازی شده وجود دارد.

 

شاخص­های ارزیابی

یک شاخص پایداری کشاورزی مجموعه­ای از سنجه­های پایداری است که پایداری یک کشاورزی را به شکل کمی تعیین می­کند. به منظور ارزیابی وضعیت مناطق مورد مطالعه، دو شاخص پایداری کشاورزی و کمبود آب آبیاری برای دوره آماری 2050-2019 در نظر گرفته شد. روش شاخص پایداری ارائه شده براساس رویکرد لوکاس (1997) محاسبه شد که برای تسهیل ارزیابی یک سیاست مدیریت آب و مقایسه آن با سایر سیاست­های دیگر پیشنهاد شده است. این روش از طریق جمع سری­زمانی شاخص مربوطه با استفاده از معیارهای عملکرد اطمینان­پذیری، برگشت­پذیری و آسیب­پذیری محاسبه گردید. شاخص ارائه شده توسط لوکاس برای کشاورز iام را می­توان به­صورت رابطه 9  نوشت:

(رابطه 9)

 

که در آن ،  و به ترتیب اطمینان­پذیری، برگشت­پذیری و آسیب­پذیری برای کشاورز iام دارا می­باشد. شاخص پایداری از مقدار صفر، برای کمترین مقدار ممکن تا مقدار یک برای بیشترین و بهترین مقدار ممکن تغییر می­کند (احمدآلی و همکاران 2017)

اطمینان­پذیری نشان­دهنده تعداد دفعاتی است که نیاز کشاورز iام در طول دوره شبیه­سازی (2030-2050) به طور کامل تامین شده است () و به صورت رابطه 10 نشان داده می­شود (سندوال سولیس 2011):

 

(رابطه 10)

   

 

اطمینان­پذیری

که در آن  عدد مربوط به تعداد دفعاتی است که نیاز کشاورز iام به طور کامل تامین شده است
 (). N تعداد کل گام­های زمانی در طول دوره شبیه­سازی می­باشد.

برگشت­پذیری

برگشت­پذیری سیستم براساس تعداد دفعاتی که در طول دوره شبیه­سازی (2030-2050)، سیستم از حالت شکست به حالت مطلوب برگشته به تعداد کل گام­های زمانی که در آنها سیستم با کمبود مواجه بوده است
()، مطابق رابطه 11 تعریف می­شود:

 

 

(رابطه 11)

 

 

 

 

آسیب­پذیری

آسیب­پذیری یک معیار آماری اندازه (بزرگی) یا طول مدت شکست­ها در یک سری زمانی می­باشد (احمدآلی و همکاران 2017). آسیب­پذیری به صورت نسبت مجموع کل کمبودها به تعداد دفعاتی که در آنها کمبود اتفاق افتاده، تقسیم بر کل نیاز کشاورز iام در طول دوره مورد بررسی تعریف گردیده است.

 

 

 

(رابطه 12)

 

 

 

 

 

 

اعمال سناریوهای اقلیمی در مدل WEAP با تغییرات در داده­های ورودی مدل (بارندگی، دما) شبیه­سازی می­شود. جهت بررسی تغییر اقلیم نیاز به تولید سری زمانی روزانه سناریوی اقلیمی می­باشد. به این صورت که با ریزمقیاس نمایی داده­های اقلیمی تولید شده توسط مدل­های گردش عمومی جو تحت سناریوهای انتشار مختلف، داده­های اقلیمی تولید شده و وارد مدل می­گردد. در حال حاضر معتبرترین ابزار جهت تولید سناریوهای اقلیمی، مدل­های سه بعدی جفت­شده اقیانوس-اتمسفر گردش عمومی جو (AOGCM)  می­باشد. در این پژوهش از خروجی مدل HadCM3 از نوع مدل­های AOGCM تحت سه سناریوی انتشار A2، B1 و A1B مربوط به گزارش چهارم IPCC استفاده گردید. هر کدام از این سناریوها مسائل مختلف سیاسی-اجتماعی، اقتصادی، جمعیتی، تکنولوژیکی و زیست­محیطی را متفاوت از دیگری در نظر می­گیرند و مبتنی بر میزان انتشار دی­اکسید کربن و سایر گازهای گلخانه­ای در اتمسفر کره­زمین تا پایان قرن حاضر می­باشند. موضوع سناریوی A2  رشد زیاد جمعیت، وابستگی کمتر به پیشرفت سریع اقتصادی و سرعت پایین رشد اقتصادی می­باشد. از فرضیات سناریو B1 این است که جمعیت جهان در سال 2100 به هفت میلیارد نفر می­رسد. این سناریو بیشتر به استفاده از انرژی­های پاک و محیط­زیست و پایداری اقتصادی محیط­زیست و اقتصاد در سطح جهانی تاکید دارد. مفروضیات سناریو A1B نیز شامل رشد سریع اقتصادی، رشد جمعیت پایین، همگرایی اقتصادی فرهنگی در سطح جهان و کاهش قابل توجهی در اختلاف­های منطقه­ای در درآمد سرانه می­باشد.

شکاف موجود بین قدرت تفکیک مدل­های اقلیمی و فرایندهای منطقه­ای، مشکل جدی برای ارزیابی اثرات تغییر اقلیم از جمله کاربرد سناریوهای تغییر اقلیم برای مدل­های هیدرولوژیکی ایجاد کرده است. این مشکل از طریق مجموعه روش­هایی حل می­شود که به روش ریزمقیاس­سازی معروف است (فولر و همکاران، 2007). در این پژوهش از مدل LARS-WG برای کوچک مقیاس کردن داده­های مدل جهانی HadCM3 استفاده خواهد شد. داده­های استفاده شده در این پژوهش از طریق پرسشنامه در سال 1397 از شهرستان سراب گرد­آوری شد. با استفاده از فرمول کوکران، 210 نفر از کشاورزان به عنوان حجم نمونه انتخاب شدند. در این پرسشنامه همه متغیرهای مورد نیاز از جمله اطلاعات مقدار و قیمت نهاده­ها و محصولات گندم آبی، جو آبی، سیب­زمینی، یونجه و لوبیا جمع­آوری شد.

 

نتایج

مهم­ترین نکته در استفاده از مدل­های پیش­بینی اقلیمی، بررسی توان مدل در شبیه­سازی داده­های اقلیمی است که این­کار از طریق صحت­سنجی و واسنجی مدل انجام می­شود. هر کدام از دو دوره 1970-1990 و 2019-1971 به ترتیب برای واسنجی (شبیه­سازی دوره پایه) و صحت­سنجی متغیرهای اقلیمی شامل دمای حداقل و حداکثر و بارش انتخاب شدند. نتایج مربوط به دوره صحت­سنجی و واسنجی مدل LARS-WG برای متغیرهای اقلیمی مورد بررسی در جدول 1 ارائه شده است. بررسی صحت مدل ساخته شده با معیارهای آماری ضریب نش-ساتکلیف و خطای اریب بیان­گر شناسایی مناسب الگوی پارامترهای اقلیمی توسط مدل شبیه­سازی شده می­باشد.



جدول 1- مقادیر شاخص­های ارزیابی مدل برای دوره­های واسنجی و اعتبارسنجی

ایستگاه هیدرومتری

سهزاب

میرکوه حاجی

ارزنق

مهربان

 

دوره واسنجی

NASH

81/0

85/0

78/0

71/0

BIAS

15/0

13/0

17/0

18/0

 

دوره اعتبارسنجی

NASH

78/0

83/0

74/0

68/0

BIAS

17/0

14/0

18/0

19/0

           

 

 

نتایج متوسط سالیانه بارش، کمترین و بیشترین دما در دوره­ی آینده (2019-2050) نشان داد بارش ایستگاه­های مطالعه شده در دوره­ آتی برای تمام سناریوهای انتشار A2، B1 و A1B نسبت به دوره پایه کاهش نشان می­دهد. بیشترین کاهش برای سناریو انتشار A1 بوده، به گونه­ای که تحت این سناریو بارش 38 درصد کاهش خواهد یافت. همچنین کمترین و بیشترین دمای ایستگاه­های مطالعه شده در دوره آتی برای تمامی سناریوهای انتشار نسبت به دوره پایه افزایش نشان داد. در دوره آتی 2050-2018 تحت سناریوی A2 مقدار متوسط دمای سالانه 5/2 درجه سانتی­گراد نسبت به دوره پایه 2018-1987 افزایش خواهد یافت. این مقادیر برای سناریو B1 وA1B اندکی کمتر می­باشد. به طوریکه تحت این سناریوها مقدار متوسط دمای سالانه به ترتیب 7/1 و 4/2 درجه سانتی­گراد نسبت به سال پایه افزایش خواهد یافت. با بررسی سناریوهای انتشار گازهای گلخانه­ای در دوره آتی، سناریوی A2 به عنوان وخیم­ترین سناریوی انتشار (حساسیت بالا در دوره­های آتی) شناخته شد.

در جدول 2 مقادیر شاخص­های اطمینان­پذیری، برگشت­پذیری و آسیب­پذیری در حالت پایه گزارش ‌شده است. با توجه به میانگین شاخص پایداری آب در این ناحیه (86/0)، می‌توان نتیجه گرفت که در حالت پایه نیز منطقه مورد مطالعه با تنش آبی مواجه است و تغییر اقلیم موجب تشدید و پیچیده‌تر شدن تنش آبی در این منطقه خواهد شد. بیشترین کاهش شاخص پایداری کشاورزی مربوط به منطقه اسبفروشان 2 بوده که برابر 78/0 است. راندمان آبیاری هر یک از مناطق کشاورزی مورد مطالعه در ستون دوم جدول 2 گزارش گردیده است. میانگین راندمان آبیاری در مناطق مورد مطالعه برابر 42 درصد و بیشترین آن با 44 درصد مربوط به منطقه دوزدوزان است. براساس میانگین کشور متوسط راندمان سامانه­های آبیاری تحت فشار و سطحی به ترتیب حدود 6/66 و 6/53 درصد است. مقایسه راندمان آبیاری حوضه با مقدار متوسط کشور بیانگر پایین بودن راندمان آبیاری در این حوضه می­باشد. ازاین‌رو استفاده از روش‌های آبیاری نوین با راندمان بالاتر مانند توسعه سامانه­های آبیاری تحت ‌فشار می‌تواند به‌عنوان راهکاری جهت مقابله با تغییر اقلیم موثر واقع شود. بر این اساس، سناریو بهبود راندمان آبیاری در تمامی مناطق کشاورزی

به‌عنوان یک استراتژی تطبیقی برای کاهش آثار تغییر اقلیم انتخاب شد.

 

جدول 2-  مقادیر شاخص پایداری کشاورزی مناطق کشاورزی در حالت پایه

آبخوان

راندمان آبیاری

آب در دسترس (میلیون مترمکعب)

Rel

Res

Vul

ASI

سراب

41

57/132

93/0

86/0

06/0

9/0

اسبفروشان 1

41

6/66

89/0

88/0

05/0

9/0

اسبفروشان 2

41

9/21

71/0

77/0

11/0

78/0

دوزدوزان

44

6/45

83/0

81/0

09/0

84/0

مهربان 1

43

43/34

87/0

85/0

08/0

88/0

میانگین

52

22/60

85/0

84/0

078/0

86/0

 

 

در گام بعد اثر سناریوهای مدیریت منابع آب بر سود کشاورزان منطقه بدست آمد. شکل 2 درصد تغییرات شاخص سود کشاورزان در اثر تغییر اقلیم (S0) و همین سناریوهای مدیریت منابع آب را نشان می­دهد. مقدار شاخص سود در حالت پایه 100 در نظر گرفته شده و تغییرات شاخص در سناریوهای مورد مطالعه نسبت به آن سنجیده می­شود.  با توجه به شکل ملاحظه می­شود با اعمال سناریو کاهش سهم آب بخش کشاورزی (S1) و افزایش قیمت آب آبیاری  (S3)، شاخص سود در هر یک از مناطق کمتر از 100 بوده که بیانگر کاهش سود کشاورزان نسبت به سال پایه می­باشد. بیشترین میزان کاهش سود مربوط به سناریو کاهش سهم آب بخش کشاورزی همراه سناریو انتشار A2 می­باشد. به عنوان مثال سود منطقه کشاورزی دوزدوزان با اجرای سناریو کاهش سهم آب بخش کشاورزی حدود 5/42 درصد نسبت به حالت پایه کاهش می­یاید. بیشترین میزان کاهش سود ناشی از اجرای این سناریو مربوط به منطقه اسبفروشان 2 با 1/58 درصد کاهش نسبت به پایه می­باشد. در کلیه زیرحوضه­های تحت بررسی با افزایش راندمان آبیاری (سناریو S2) میزان سود آن زیرحوضه افزایش یافته است. در منطقه کشاورزی اسبفروشان 1 مقدار سود به اندازه 1/8 درصد نسبت به حالت پایه افزایش نشان می­دهد. بیشترین میزان افزایش سود در این سناریو مربوط به مهربان با 1/14 درصد و کمترین آن مربوط به اسبفروشان 2 با 8/1 درصد بوده است. از این­رو با افزایش راندمان آبیاری رفاه کشاورزان هر یک از مناطق با توجه به سود مناسب­تر، حفظ خواهد شد.

معیارهای اطمینا­ن­پذیری، برگشت­پذیری و آسیب­پذیری برای حوضه­های کشاورزی طی دوره آتی (2019-2050) تحت سناریو­های انتشار و سیاست مدیریت منابع آب از جمله کاهش 40 درصدی مصرف آب کشاورزی، افزایش 35 درصدی راندمان آب آبیاری و افزایش 40 درصدی قیمت آب آبیاری در جدول 3 ارائه

 

 

 

 

شکل 2- شاخص سود کشاورزان منطقه تحت سناریوهای اقلیمی و مدیریت منابع آب

 

 

شده است. مقادیر درصد اطمینان­پذیری سیستم در برآورد تقاضای هر کدام از آبخوان­ها طی سناریو تغییر اقلیم (A2) نشان می­دهد چنانچه در تمام سال­های پیش­رو در یک افق بلندمدت مقدار آب موجود در اثر کاهش بارندگی و افزایش دما کاهش داشته باشد، احتمال اینکه تقاضای آبخوان سراب به طور کامل تامین شود 74 درصد است. همچنین با احتمال 76 درصد تقاضا در منطقه کشاورزی اسبفروشان 1 تامین خواهد شد. این نتیجه حاکی از پایین بودن احتمال تامین آب در بخش کشاورزی می­باشد و تایید می­کند که در اثر تغییر اقلیم شدید بیشترین فشار بر بخش کشاورزی وارد خواهد شد. معیار برگشت­پذیری به معنای احتمال رخ دادن یک دوره عدم شکست پس از یک دوره شکست می­باشد. بنابراین؛ مقدار هر چه بیشتر این معیار بیانگر وقوع شکست­های متوالی کمتر در سیستم بهره­برداری است. مطابق جدول 3، با اتخاذ سناریوهای مدیریت آب معیار برگشت­پذیری نسبت به سناریو تغییر اقلیم افزایش یافته است و بیشترین میزان افزایش این معیار مربوط به سناریو افزایش راندمان آب آبیاری می­باشد. معیار آسیب­پذیری تحت سناریوهای مدیریتی کاهش یافته است، بدین معنا که با اجرای این سناریوها میانگین شکست یا کمبود در طول دوره بهره­برداری کاهش می­یابد. میزان این معیار تحت سناریو A1B و در منطقه مهربان از 12/0 به 09/0 تحت سناریو S1 رسیده است. مقایسه این معیار نیز نشان می­دهد بیشترین میزان کاهش آسیب­پذیری مربوط به سناریو افزایش راندمان آب آبیاری می­باشد. بنابراین می­توان نتیجه گرفت که احتمال وقوع شکست­های متوالی و میانگین شکست در اثر تغییر اقلیم در سناریو S2 کمتر از سایر سناریوهای مدیریتی می­باشد. از این­رو سناریو S2 به عنوان یک سناریو موفق باعث سهولت در تصمیم­گیری و تهیه نظام بهره­برداری از منایع آب، برای نهادهای ذیربط می­شود. چراکه با استفاده از این نتایج می­توان با مدیریت تخصیص­ها و به­کار گیری سناریوی موفق، کمبودها را در اثر وقوع تغییر اقلیم به حداقل ممکن رساند. کمترین میزان معیارهای اطمینان­پذیری و برگشت­پذیری مربوط به منطقه اسبفروشان 2 بوده است، لذا می­توان گفت که این منطقه یک منطقه آسیب­پذیر در اثر وقوع تغییر اقلیم خواهد بود.

به منظور ارزیابی وضعیت منطقه به لحاظ پایداری، دو شاخص پایداری کشاورزی و کمبود آب آبیاری[4] (تقاضای برآورد نشده) برای دوره زمانی مورد مطالعه 2050-2019 در نظر گرفته شد. شاخص پایداری کشاورزی (ASI) بین صفر و یک متغیر بوده و مقادیر آن زمانی مناسب است که به عدد یک متمایل گردد. مطابق جدول 4 مقدار شاخص پایداری کشاورزی تحت سناریوهای تغییر اقلیم کمتر از یک بوده که بیانگر آن است که همه مناطق کشاورزی با تنش روبرو می­شوند. بیشتر میزان کاهش شاخص پایداری در اثر تغییر اقلیم مربوط به سناریوی انتشار A2 است، چراکه این سناریو به عنوان وخیم­ترین سناریوی تغییر اقلیم شناخته شد. بهبود ASI تحت سیاست­های مختلف می­تواند بدست آید. مقدار ASI برای تمام سناریوهای مدیریتی در نظر گرفته شده افزایش نشان می­دهد، اما بیشترین میزان افزایش شاخص پایداری کشاورزی مربوط به سناریو افزایش راندمان آب آبیاری تحت سناریوی انتشار B1 است. با توجه به اینکه منطقه اسبفروشان 2 به علت راندمان آبیاری پایین پتانسیل بیشتری برای بهبود پایداری دارد، در این منطقه افزایش مقدار ASI بیشتر می­باشد؛ به­طوری که از 61/0 تحت سناریو A1، به 71/0 تحت سناریو افزایش راندمان آب آبیاری می­رسد که حدود 17 درصد افزایش را نشان می­دهد. با توجه به جدول 4 تحت سناریوهای اقلیمی، مقادیر کمبود آب آبیاری (IWD) یا تقاضای برآورد نشده برای تمامی مناطق کشاورزی در حد قابل توجهی می­باشد. این کمبود در بسیاری از مناطق می­تواند باعث کاهش عملکرد و کاهش درآمد کشاورز گردد. میانگین شاخص کمبود آبیاری (IWD) در سناریو انتشار A2 برابر 43/10 بوده که بیانگر آن است که در اثر تغییر اقلیم حدود 43/10 میلیون مترمکعب از تقاضای کشاورزی تامین نمی­گردد اما با راهکارهای پیشنهاد شده (سناریوهای S1 تا S3) می­توان مقدار IWD را تا

 

جدول 3- معیارهای اطمینان­پذیری، برگشت­پذیری و آسیب­پذیری برای مناطق کشاورزی

سناریوها

تغییر اقلیم (S0)

سناریو کاهش سهم آب کشاورزی  (S1)

سناریو افزایش راندمان آب آبیاری (S2)

سناریو افزایش قیمت آب آبیاری (S3)

Rel

Res

Vul

Rel

Res

Vul

Rel

Res

Vul

Rel

Res

Vul

A2

 

سراب

74/0

69/0

11/0

78/0

71/0

09/0

85/0

77/0

07/0

81/0

74/0

08/0

اسبفروشان 1

76/0

71/0

11/0

79/0

73/0

11/0

84/0

78/0

08/0

82/0

75/0

09/0

اسبفروشان 2

55/0

54/0

24/0

61/0

57/0

19/0

67/0

62/0

15/0

66/0

6/0

17/0

دوزدوزان

75/0

70/0

15/0

77/0

73/0

13/0

79/0

78/0

11/0

79/0

75/0

12/0

مهربان

62/0

60/0

13/0

67/0

63/0

12/0

75/0

69/0

1/0

72/0

68/0

11/0

B1

 

سراب

79/0

71/0

08/0

85/0

75/0

07/0

88/0

8/0

06/0

86/0

82/0

06/0

اسبفروشان 1

81/0

74/0

08/0

84/0

76/0

07/0

86/0

82/0

05/0

85/0

8/0

06/0

اسبفروشان 2

64/0

60/0

18/0

68/0

65/0

14/0

7/0

69/0

11/0

7/0

68/0

32/12

دوزدوزان

82/0

78/0

1/0

82/0

79/0

1/0

84/0

81/0

08/0

83/0

8/0

09/0

مهربان

7/0

65/0

09/0

73/0

68/0

08/0

78/0

73/0

07/0

75/0

21/72

08/0

A1B

 

سراب

76/0

7/0

09/0

81/0

74/0

08/0

86/0

79/0

07/0

84/0

79/0

07/0

اسبفروشان 1

78/0

72/0

1/0

83/0

75/0

09/0

85/0

8/0

07/0

84/0

79/0

08/0

اسبفروشان 2

6/0

58/0

2/0

65/0

63/0

18/0

68/0

65/0

13/0

67/0

64/0

14/0

دوزدوزان

78/0

75/0

13/0

79/0

77/0

12/0

81/0

79/0

1/0

8/0

78/0

11/0

مهربان

66/0

64/0

12/0

71/0

65/0

09/0

75/0

71/0

08/0

73/0

69/0

09/0

 

 

حدود زیادی بهبود بخشید. در میان سناریوی اقلیمی کمترین میزان IWD مربوط به سناریوی B1  که تحت این سناریو 9/8 میلیون مترمکعب از تقاضا تامین نخواهد شد. با توجه به جدول مقدار IWD در سناریو S1 به 65/7 میلیون مترمکعب خواهد رسید که حدود 6/26 درصد نسبت به سناریو تغییر اقلیم (A2) بهبود می­یابد. بیشترین بهبود برای IWD مربوط به سناریوی افزایش راندمان آب آبیاری می­باشد که طی آن تقاضای برآورد نشده به 74/6 میلیون مترمکعب خواهد رسید که کاهش 3/35 درصدی نسبت به سناریو تغییر اقلیم A2 را نشان می­دهد و بیانگر بهبود وضعیت پایداری منابع نسبت به تغییر اقلیم می­باشد. شکل 3 به مقایسه شاخص پایداری کشاورزی تحت سناریو اقلیمی A2 و سناریوهای مدیریت منابع آب نسبت به حالت پایه می­پردازد. بررسی مقادیر شاخص پایداری کشاورزی برای مناطق کشاورزی مورد مطالعه در حالت پایه حاکی از شرایط ناپایدار در این مناطق می­باشد. کمترین میزان شاخص پایداری کشاورزی در سناریوهای تغییر اقلیم مربوط به منطقه اسبفرشان 2 می­باشد. در واقع قرار گرفتن ناحیه کشاورزی اسبفروشان 2 در پایین‌دست حوضه آبریز آجی­چای، موجب تشدید اثرات تغییر اقلیم بر پایداری منابع آب منطقه شده است. همچنین اسبفروشان یک به علت وابستگی شدید به منابع آبی بالادست و راندمان آبیاری کمتر، پتانسیل بیشتری برای بهبود پایداری داشته و لذا مقدار افزایش ASI در این منطقه زیادتر است. با توجه به شکل ملاحظه می­شود که در میان سناریوهای مدیریتی درنظر گرفته شده جهت سازگاری با تغییر اقلیم، بیشترین مقدار ASI برای تمامی حوضه­های مورد مطالعه مربوط به سناریو افزایش راندمان آب آبیاری (A2-S2) می­باشد. نتایج فوق نشان می­دهد که می­توان با اتخاذ راهکارهای مدیریتی مناسب پایداری کشاورزی و کمبود آب آبیاری در اثر تغییر اقلیم را بهبود داد. نتایج مطالعه بریم­نژاد و یزدانی (2004)، ییلماز و هارمانسیگولو (2010)، مهتا و همکاران (2013) و ریچتر و همکاران (2017) همسو با یافته­های پژوهش نشان داد که بهبود راندمان آب آبیاری سبب افزایش پایداری کشاورزی و صرفه­جویی در مصرف آب می­شود.

 

 

جدول 4- ارزیابی شاخص پایداری کشاورزی و کمبود آب آبیاری برای مناطق کشاورزی

سناریوها

ASI

IWD

S0

S1

S2

S3

S0

S1

S2

S3

A2

 

 

 

 

 

 

 

 

سراب

77/0

80/0

85/0

82/0

18/25

4/16

6/14

9/17

اسبفروشان 1

78/0

79/0

85/0

83/0

8/9

45/8

31/7

89/8

اسبفروشان 2

61/0

66/0

71/0

69/0

5/6

1/5

3/4

4/5

دوزدوزان

77/0

79/0

82/0

81/0

8/5

6/4

2/4

1/5

مهربان

69/0

72/0

78/0

76/0

9/4

73/3

31/3

54/4

میانگین

72/0

75/0

8/0

78/0

43/10

65/7

74/6

36/8

B1

 

 

 

 

 

 

 

 

سراب

80/0

84/0

88/0

87/0

3/21

78/14

42/13

3/16

اسبفروشان 1

82/0

83/0

87/0

86/0

34/8

56/7

85/6

93/7

اسبفروشان 2

68/0

73/0

76/0

75/0

91/5

83/4

1/4

05/5

دوزدوزان

83/0

84/0

86/0

85/0

11/5

25/4

77/3

77/4

مهربان

75/0

77/0

81/0

79/0

2/4

21/3

03/3

54/3

میانگین

77/0

8/0

83/0

82/0

9/8

9/6

2/6

5/7

A1B

 

 

 

 

 

 

 

 

سراب

79/0

82/0

86/0

85/0

3/23

6/15

76/13

63/16

اسبفروشان 1

80/0

83/0

86/0

79/0

95/8

96/7

11/7

11/8

اسبفروشان 2

65/0

7/0

73/0

72/0

22/6

06/5

19/4

43/5

دوزدوزان

8/0

81/0

83/0

82/0

43/5

33/4

95/3

85/4

مهربان

72/0

75/0

79/0

77/0

44/4

6/3

2/3

78/3

میانگین

75/0

78/0

81/0

79/0

6/9

3/7

4/6

7/7

شکل 3- مقایسه شاخص پایداری کشاورزی تحت سناریوهای اقلیمی و مدیریت منابع آب

 

 

کمبود آب آبیاری (IWD) یا تقاضای برآورد نشده یک شاخص ارزشمند برای ارزیابی پایداری منابع آب می­باشد. با توجه به شکل 4 در سناریو تغییر اقلیم (A2)، مقادیر IWD برای تمامی مناطق کشاورزی درخور توجه است، چرا که در اثر وقوع تغییر اقلیم و عدم اتخاذ سیاست­های مدیریتی مناسب در سال 2032 حدود 40 میلیون مترمکعیب از تقاضا، برآورده نخواهد شد. با توجه به شکل 4 مقادیر این شاخص نشان می­دهد که تقاضای آبیاری منطقه طی دوره 2050-2019 به طور کامل تامین نشده است. این مسئله بیانگر این است که در دوره مورد مطالعه همه مناطق آبیاری با کمبود آب مواجه بوده و تحت تنش آبی بوده­اند. این کمبود سبب کاهش عملکرد و کاهش درآمد کشاورز می­شود، اما با توجه به سناریوهای مدیریتی درنظر گرفته شده می­توان مقدار IWD را تا حدودی بهبود بخشید. طبق شکل 4 سناریوهای مدیریت منابع آب  (S1 تا S3) در دوره آتی مقدار IWD را بهبود داده و منجر به کاهش تقاضا و افزایش عرضه آب می­گردد. از میان سناریوهای مدیریتی، افزایش راندمان آب آبیاری بیشتر از سایر سناریوها تقاضای برآورد نشده را کاهش داده و در نتیجه باعث کاهش اثرات منفی تغییر اقلیم بر پایداری منابع آب می­گردد. نتایج مطالعه احمدآلی و همکاران (2019) نیز این امر را تایید می­کند. آنان به این نتیجه رسیدند که افزایش راندمان آبیاری بیشتر از سایر سناریوها، کمبود آب آبیاری را کاهش می­دهد.

 

 

شکل 4- اثر سناریوهای مدیریت منابع آب بر شاخص کمبود آب آبیاری تحت تغییر اقلیم

 

 

 

 

نتیجه­گیری و پیشنهادها

در این مطالعه شاخص­ پایداری کشاورزی با استفاده از معیارهای اطمینان­پذیری، برگشت­پذیری و آسیب­پذیری در اثر تغییر اقلیم بررسی شد. همچنین شاخص کمبود آب آبیاری نیز برای مناطق کشاورزی مورد تحلیل قرار گرفت. میانگین شاخص پایداری کشاورزی در شهرستان سراب تحت سناریوهای انتشار A2، B1 و A1B به ترتیب برابر 72/0، 77/0 و 75/0 بدست آمد. از آنجایی که مقادیر ASI نزدیک به یک دلالت بر عملکرد خوب دارد، بنابراین همه مناطق کشاورزی در اثر تغییر اقلیم با تنش روبرو بوده و با اتخاذ سیاستهای مناسب، ASI می­تواند بهبود یابد. یافته­ها نشان داد که در سناریوهای مدیریتی S1، S2 و S3 میزان ASI به ترتیب 1/4، 1/11 و 3/8 درصد نسبت به سناریو تغییر اقلیم (A2)  افزایش یافته است. در این شرایط بیش­ترین میزان افزایش مربوط به سناریوی S2 است که بیشترین بهبودی در وضعیت پایداری کشاورزی منطقه را ایجاد می­کند. همچنین در اثر تغییر اقلیم شاخص کمبود آب آبیاری (IWD) تحت سناریوهای انتشار A2، B1 و A1B افزایش یافته و بیشتر از آستانه پایداری می­باشد. بیشترین میزان IWD مربوط به سناریوی A2  با 43/10 میلیون مترمکعب می­باشد که بدترین حالت را داشته و حاکی از ناپایداری منابع آبی و نشان­دهنده تشدید بهره­برداری ناپایدار در صورت عدم اتخاذ سیاست مدیریتی مناسب در دوره زمانی 2050-2019 می­باشد. اعمال سناریوهای مدیریتی باعث کاهش میزان IWD گردیده و اجرای سناریوهای S1، S2 و S3 به ترتیب 6/26، 3/35 و 8/19 درصد از تقاضای برآورد نشده را کاهش می­دهند.

مقایسه میزان اثربخشی هر یک از سناریوهای مدیریت منابع آب نشان می­دهد که اتخاذ سناریوی افزایش راندمان آب آبیاری نسبت به سناریوهای دیگر در این منطقه کاراتر است. سناریوی افزایش راندمان آب آبیاری ضمن آنکه باعث  افزایش شاخص پایداری کشاورزی و کاهش تقاضای برآورد نشده آب می­شود، بازده اقتصادی آن نسبت به سناریوهای دیگر بیشتر بوده است. نتایج بررسی­های برینگار و وارد (2009)، نیکویی و زیبایی (2012) و وارد (2014) نیز این امر را تایید می­کند. یعنی توسعه سیستم­های آبیاری و افزایش راندمان آن یکی از روش­های مدیریت منابع آبی جهت مصرف بهینه منابع آبی می­باشد. با توجه به اثربخشی بیشتر سناریوی افزایش راندمان آب آبیاری نسبت به دو سناریوی دیگر، پیشنهاد می­شود با بالا بردن راندمان آبیاری که با تغییر تکنولوژی آبیاری همراه می­باشد، می­توان به کاهش شاخص کمبود آب و افزایش شاخص پایداری کشاورزی  کمک کرد. با توجه به آسیب‌پذیری بالای منطقه اسبفروشان 2 نسبت به تغییر اقلیم، پیشنهاد می‌شود که منابع مالی پیش‌بینی‌شده برای بهبود راندمان آبیاری بخش کشاورزی به‌گونه‌ای تخصیص داده شوند که این منطقه از اولویت بالاتری نسبت به سایر مناطق برخوردار باشند.

 

سپاسگزاری

این مقاله برگرفته از طرح پژوهشی به شماره 002-TU-1399 است که با حمایت ستاد احیای دریاچه ارومیه از رساله دکتری انجام شده است. نویسندگان مقاله از ستاد احیای دریاچه ارومیه سپاسگزاری می­نمایند.

 

[1] Quadratic Risk Programming

[2] Percentage Absolute Deviation

[3] Nash Sutcliffe

[4] Irrigation Water Deficit (IWD)

Abbasi A, Delavar M and Bigdeli Naalbandan R.  2020. Evaluation of the effects of climate change on water resource sustainability in basins using water footprint scarcity indicators. Iran-Water Resources Research, 15(4): 229-272. (In Persian).
Agriculture Jihad Organization of East Azarbaijan. 2018. Agricultural statistics and the information center, Tabriz, Iran. (In Persian).
Ahmadaali J, Barani GA, Qaderi K and Hessari B. 2017. Calibration and validation of model WEAP21 for Zarrinehrud and Siminehrud river basins. Iranian Journal of Soil and Water Research, 48(4): 823-839. (In Persian).
Allen RG, Pereira LS, Raes D and Smith M. 1998. Crop evapotranspiration-guidelines for computing crop water requirements-FAO irrigation and drainage paper 56. FAO, Rome. 300(9): D05109.
Amin A, Iqbal J, Asghar A and Ribbe L. 2018. Analysis of current and future water demands in the upper Indus Basin under IPCC Climate and socio-economic scenarios using a hydro-economic WEAP model. Water, 10(5): 1-20.
Amirzaeh Moradabadi S, Ziaee S, Mehrabi Boshrabadi H and Keykha AA. 2019. Agricultural sustainability assessment in Iran by using sustainability composite index. Iranian Journal of Agricultural Economics and Development Research, 49(4): 661-674. (In Persian).
Blanco- Gutiérrez I, Varela-Ortega C and Purkey D. 2013. Integrated assessment of policy interventions for promoting sustainable irrigation in semi-arid environments: a hydro-economic modeling approach. Journal of Environmental Management, 128:144–160.
 Borimnezhad V and Yazdani S. 2004. Sustainability analysis in water resources management in agricultural sector using fractional programming, case study: Kerman province. Pajouhesh- Va- Sazandegi, 17(2): 2-16. (In Persian).
Brinegar HR and Ward FA. 2009. Basin impacts of irrigation water conservation policy. Ecological Economics, 69 (2): 414–426.
Cai X, McKinney DC and Rosegrant MW. 2003. Sustainability analysis for irrigation water management in the Aral Sea region. Agricultural systems, 76(3): 1043-1066.
Cetinkaya, CP and Gunacti MC. 2018. Multi-Criteria analysis of water allocation scenarios in a water scarce basin. Journal of Water Resources Management, 32(8): 2867-2884.
Dillon JL and Hardaker JB. 1980. Farm management research for small farmer development. FAO, Rome.
Divakar L, Babel MS, Perret SR and Gupta AD. 2011. Optimal allocation of bulk water supplies to competing use sectors based on economic criterion- an application to the Chao Phraya River Basin. Journal of Hydrology, 401: 22-35.
East Azerbaijan Province Agricultural Jihad Organization. 2018. Available at https://eaj.ir.
Esmaeilzadeh J, Asgharipour  MR, Dahmardeh M, Sirousmehr A Dabbagh Mohammadi Nassab A. 2020. Evaluation of Agro-ecosystems sustainability in Coastal Lake Urmia (Case study: Azarshahr). Journal of Agricultural Science and Sustainable Production, 30(2): 303-318. (In Persian).
Esteve P, Varela-Ortega C, Blanco-Gutiérrez H and Downing TE. 2015. A Hydro-economic model for the assessment of climate change impacts and adaptation in irrigated agriculture. Ecological Economics, 120: 49-58.
Farajzadeh Asl M and Beigam Hosseini A. 2007. Analysis of water crisis in Nishabor plain. The Journal of Spatial Planning, 11 :215-238. (In Persian).
Fowler HJ, Blenkinsop S and Tebaldi C. 2007. Linking climate change modelling to impacts studies: recent advances in downscaling techniques for hydrological modelling. International Journal of Climatology, 27(12): 1547-1578.
Harou J, Pulido-Vela´ zquez M, Rosenberg DE, Medellı´n-Azuara J, Lund JR and Howitt RE. 2009. Hydro-economic models: Concepts, design, applications, and future prospects. Journal of Hydrology, 375: 627–643.
Hazell PB and Norton RD. 1986. Mathematical Programming for Economic Analysis in Agriculture. Macmillan, New York.
Ingol-Blanco E and McKinney DC. 2011. Analysis of scenarios to adapt to climate
change impacts in the Rio Conchos Basin. World Environmental and Water Resources Congress 2011: Bearing Knowledge for Sustainability.
Karamouz M and  Mohamadpour P. 2017. Water balance-based sustainability analysis of supply and demand, towards developing a hybrid index (case study: Ahar chay Watershed) Iran-Water Resources Research, 12(4), 1-11. (In Persian).
Locks DP. 1997. Quantifying trends in system sustainability. Hydrological Science Journal, 42(4): 513-530.
Mehta VK, Haden VR, Joyce BA, Purkey DR and Jackson LE. 2013. Irrigation demand and supply, given projections of climate and land-use change, in Yolo County, California. Agricultural Water Management, 1170: 70-82.
Nayak PC, Wardlaw R and Kharya AK. 2015. Water balance approach to study the effect of climate change on groundwater storage for Sirhind command area in India. International Journal of River Basin Management, 13(2):243-261.
Nikouei A and Zibaei M. 2012. Water resources management and food security in Zayandeh Rud basin: an integrated river basin analysis. Agricultural Economics and Development, 26(3): 183-196. (In Persian).
Pourzand F and Bakhshoudeh M. 2012. Evaluating agricultural sustainability of Fars province with compromise programming approach. Agricultural Economics Research, 4(13)1-26. (In Persian).
Rao PK. 2000. Sustainable development: economics and policy. Blackwell Publishers.
Richter BD, Brown JD, DiBenedetto R, Gorsky A, Keenan E, Madray C, Morris M, Rowell D and Ryu S. 2017. Opportunities for saving and reallocating agricultural water to alleviate water scarcity. Water Policy, 19(5):886-907.
Sandoval-Solis S, McKinney DC and Loucks DP. 2011. Sustainability index for water resources planning and management. Journal of Water Resources Planning and Management, 137(5:( 381-390.
Santikayasa IP, Babel MS and Shrestha S. 2015. Assessment of the impact of climate change on water availability in the Citarum River basin, Indonesia: The use of statistical downscaling and water planning tools. Managing Water Resources under Climate Uncertainty, Springer, 45–64.
Santikayasa IP, Babel MS, Shrestha S, Jourdain D and Clemente RS. 2014. Evaluation of water use sustainability under future climate and irrigation management scenarios in Citarum River Basin, Indonesia. International Journal of Sustainable Development & World Ecology, 21(2): 181-194.
Sieber J and Purkey D. 2011. User guide for WEAP21 (water evaluation and planning system). Stockholm Environment Institute. Available online from: www. weap21.org.
UNWWAP (United Nations World Water Assessment Programmer). 2015. Facing the challenges. Case studies and indicators. Paris, UNESCO.
Urmia Lake Restoration National Committee. 2018.  Available at www. http://www.ulrp.ir.
Ward FA. 2014. Economic impacts on irrigated agriculture of water conservation programs in drought. Journal of Hydrology, 508: 114-127.
Yilmaz B and Harmancioglu NB. 2010. An indicator-based assessment for water resources management in Gediz river basin, Turkey. Water Resources Management, 24(15): 4359-4379.