تحلیل روند و پیش‌نگری خشکسالی در دشت مغان با بهره‌گیری از شاخص‎ SPI ‎و مدل‌های اقلیمی ‎ CMIP6‎‎‏

نوع مقاله : کاربردی

نویسندگان

1 دانشجوی دکتری آب و هواشناسی، گروه جغرافیای طبیعی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران.

2 استاد آب و هواشناسی، گروه جغرافیای طبیعی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران.

3 دکتری اقلیم شناسی، دانشکده جغرافیا و برنامه ریزی محیطی، دانشگاه سیستان و بلوچستان، زاهدان، ایران.

چکیده

خشکسالی به‌عنوان یکی از چالش‌های مهم اقلیمی، تأثیرات گسترده‌ای بر منابع آب و کشاورزی دارد. هدف این پژوهش، پیش‌نگری وضعیت خشکسالی هواشناسی دشت مغان بر پایه تحلیل بارش در بازه‌ی ۲۰۵۰–۲۰۲۵ با استفاده از شاخص SPI و مدل‌های اقلیمی نسل ششم (CMIP6)، طبق دو سناریوی اقلیمی متوسط SSP2-4.5 و بدبینانه SSP5-8.5 است. در این مطالعه، داده‌‏‌های بارش مشاهده‌ای از ۱۵ ایستگاه هواشناسی منطقه جمع‌آوری شد. سپس، ۱۰ مدل از مدل‌های اقلیمی نسل ششم (CMIP6) انتخاب گردید. با توجه به بزرگ‌مقیاس بودن خروجی مدل‌ها، فرآیند ریز‌مقیاس‌نمایی آماری و تصحیح اریبی با استفاده از ابزار CMhyd انجام شد. این فرآیند با بهره‌گیری از چهار روش مختلف تصحیح بایاس شامل مقیاس‌بندی خطی، مقیاس‌بندی شدت محلی بارش، تبدیل توانی و نگاشت توزیع، داده‌ها را به مقیاس ایستگاهی تبدیل و خطاهای سیستماتیک مدل‌ها را کاهش داد. کارایی مدل‌ها با معیارهای ارزیابی ‏R2‎، ‏MSE، ‏RMSE‏ و ‏MAE‏ ارزیابی و از نتایج 5 مدل برتر (‏EC-Earth3‎، ‏GFDL-ESM4‎، ‏EC-Earth3-Veg، ‏MIROC6‎، ‏MRI-ESM2-0‎‏) در محاسبه میانگین وزنی همادی این مدل‌ها برای پیش‌نگری بارش ‏دوره آینده استفاده شد و خشکسالی در مقیاس‌های 6 و 12 ماهه بررسی گردید. نتایج نشان داد که روش مقیاس‌بندی خطی بارش ‏کارآمدترین روش برای تصحیح اریبی مدل‌های ‏CMIP6‎‏ بوده و مدل اقلیمی ‏EC-Earth3‎‏ بهترین عملکرد را دارد. در دوره پایه، بیش‌ترین ‏بارش در ایستگاه‌های باران‌سنجی زهرا و بیله‌سوار و کم‌ترین در بران مشاهده شد. تحلیل روند شاخص ‏SPI‏ با آزمون Mann-Kendall‏اصلاح شده نشان داد که تنها ‏ایستگاه بران در مقیاس شش‌ماهه با افزایش معنادار خشکسالی مواجه است. در افق آینده، بر اساس سناریوی ‏SSP2-4.5‎‏ خشکسالی در ‏ایستگاه‌های سینوپتیک گرمی و باران‌سنجی زهرا افزایش می‌یابد و تحت سناریوی ‏SSP5-8.5‎، ایستگاه‌های گرمی و پارس‌آباد با خشکسالی‌های شدیدتر ‏روبه‌رو خواهند شد. در مقیاس 12‌ ماهه، بهبود شاخص ‏SPI‏ در بیش‌تر ایستگاه‌ها مشاهده می‌شود، اگرچه در ‏SSP5-8.5‎‏ کاهش ‏شاخص در ایستگاه‌های متعددی پیش‌بینی شده است. با این حال، طبقه نرمال خشکسالی هم‌چنان در دوره‌های آتی حاکم خواهد بود.‏

کلیدواژه‌ها

موضوعات


منابع:
ارشادفتح، فرناز.، رائینی سرجاز، محمود.، شاهنظری، علی و ایویند اولسون، یورن (۱۴۰۱). کاربرد روش پس‌پردازش مقیاس‌دهی خطی برای تصحیح اریبی برونداد مدل‌های اقلیمی CMIP6. تحقیقات منابع آب ایران، ۱۸(۳)، ۱۳۱–۱۴۴.  dor: 20.1001.1.17352347.1401.18.3.9.1
ارشادفتح، فرناز، شاهنظری، علی، رائینی سرجاز، محمود و ایویند اولسون، یورن (1402). ترکیب روش‌های تصحیح اریبیِ برونداد دما و بارش مدل‌های اقلیمی گزارش ششم در دشت همدان-‌بهار. پ‍‍ژوهشنامه مدیریت حوزه آبخیز، ۱۴ (۲۷)، 75-85. ۱۰,۶۱۱۸۶/jwmr.۱۴.۲۷.۷۵
انصاری مهابادی، ثمین، دهبان، حسین، زارعیان، محمدجواد و فرخ‌نیا، اشکان (۱۴۰۱). بررسی روند تغییرات دما و بارش حوضه‌های آبریز ایران در افق ۲۰ سال آینده بر اساس برونداد مدل‌های CMIP6. پژوهش آب ایران، ۱۶(۱)، ۱۱–۲۴. doi: 10.22034/iwrj.2022.11204
آقاجانلو، کامله و فتحی المالو، حسین (۱۴۰۳). تحلیل منطقه‌ای خشکسالی و پیش‌نمایی تغییرات اقلیمی در دوره‌های آتی تحت مدل CMIP6 (مطالعه موردی: استان مازندران). پژوهشنامه مدیریت حوزه آبخیز، ۱۵(۲)، ۴۸-۳۲. doi: 10.61186/jwmr.15.2.32
بابائیان، ایمان.، گیولینی، گرازیانو.، مدیریان، راهله و کریمیان، مریم (۱۴۰۳). پیش‌نگری بارش ایران در دوره ۲۰۷۵–۲۰۲۶ با استفاده از مقیاس‌کاهی دینامیکی توسط مدل منطقه‌ای RegCM4.7 طبق سناریوهای SSP. هواشناسی کشاورزی، ۱۲(۱)، ۲۰–۳۴. doi: 10.22125/agmj.2023.405388.1155
بابائیان، ایمان، مدیریان، راهله، خزانه‌داری، لیلی، کریمیان، مریم، کوزه‌گران، سعیده، کوهی، منصوره، فلامرزی، یاشار و ملبوسی، شراره (۱۴۰۲). چشم‌انداز بارش ایران در قرن ۲۱ با به‌کارگیری مقیاس‌کاهی آماری برونداد مدل‌های منتخب CMIP6 توسط نرم‌افزار CMHyd. فیزیک زمین و فضا، ۴۹(۲)، ۴۳۱-۴۴۹. doi: 10.22059/jesphys.2023.332410.1007436
بذر‌افشان، جواد و حجابی، سمیه (1396). روش‌های پایش خشکسالی. چاپ دوم، انتشارات دانشگاه تهران.‏ صفحه 65.
بروغنی، مهدی، فهیمی‌نژاد، الهام و پژوهان، ایمان (۱۴۰۱). پیش‌بینی خشک‌سالی سواحل دریای خزر با تأثیر تغییر اقلیم. فصلنامه علوم محیطی، ۲۰(۲)، ۹۹-۱۱۶. doi: 10.52547/envs.2022.1038
جوان‌مردقصاب، مجید، دلاور، مجید، مرید، سعید (۱۳۹۷). ارزیابی پیش‌بینی میان‌مدت بارش مدل‌های عددی جهانی پایگاه TIGGE در حوضه کارون بزرگ. تحقیقات منابع آب ایران، سال ۱۴، شماره ۳، ۱-۱۴. https://www.iwrr.ir/article_54830.html
جهدی، رقیه، حنیفه‌پور، مهین و جلالی، سعیده (۱۴۰۳). ارزیابی آثار خشکسالی هواشناسی بر پویایی پوشش گیاهی در استان گلستان. جغرافیا و پایداری محیط، ۱۴(۳)، ۵۱–۳۹. doi: 10.22126/ges.2024.10786.2762
حیدرزاده، مریم و نوحه گر، احمد (1400). پایش خشکسالی هواشناسی آینده با استفاده از مدل تغییر اقلیم سری CMIP5 و زنجیره مارکوف. پژوهش های اقلیم شناسی، 1400(47)، 21-32. https://clima.irimo.ir/article_142799.html?lang=fa
خادم‌پور، فهیمه، امیرآبادی‌زاده، مهدی و فلامرزی، یاشار (۱۴۰۳). پیش‌بینی جریان تحت تأثیر تغییر اقلیم بر اساس خروجی ترکیبی مدل‌های CMIP6 (مطالعه موردی: سد دز). مدیریت جامع حوزه‌های آبخیز، ۴(۴)، ۳۲–۵۰. doi: 10.22034/iwm.2024.2022522.1133
دوستان، رضا (۱۳۹۴). تحلیلی بر خشکسالی‌های ایران در نیم قرن گذشته. پژوهش‌های اقلیم‌شناسی، ۱۳۹۴(۲۳)، ۱-۱۸. https://clima.irimo.ir/article_40460.html
رجائی، فاطمه (۱۴۰۱). پیش‌بینی خشکسالی تحت رویکرد تغییر اقلیم آینده (مطالعه موردی: قراخیل). مطالعات علوم محیط زیست، ۷(۲)، ۵۰۰۱–۴۹۹۰. doi: 10.22034/jess.2022.330098.1724
رضائی، حسن، پاشاپور، حجت‌اله و صادقی، فرشید (۱۴۰۳). ارزیابی عملکرد مدل‌های CMIP6 و پیش‌نگری تغییرات دما و بارش تحت سناریوهای خط سیر اجتماعی-اقتصادی مشترک (SSP) در ایران. فصلنامه آینده‌پژوهی راهبردی، ۳(۱۰)، ۷-۲۸. https://jsfs.sndu.ac.ir/article_2944.html
زادمهر، حسین و فرخیان فیروزی، احمد (۱۴۰۰). بررسی دمای خاک با استفاده از آزمون ناپارامتری من-کندال اصلاح‌شده در مناطق انتخابی استان خوزستان. پژوهش‌های خاک، ۳۵(۴)، ۴۲۹-۴۴۳. doi: 10.22092/ijsr.2022.355507.622
زارعی، عبدالرسول، مقیمی، محمدمهدی و بهرامی، مهدی (1396). پایش و پیش‌بینی خشکسالی ماهانه با استفاده از شاخص استاندارد بارش و زنجیره مارکوف (مطالعه موردی: جنوب شرق ایران). جغرافیا و پایداری محیط، 7(2)، 39–51. https://ges.razi.ac.ir/article_784.html
شعبان‌پور، فاطمه، بذرافشان، جواد و عراقی‌نژاد، شهاب (۱۳۹۹). ارزیابی تأثیر روش‌های تصحیح اریبی بر مهارت پیش‌بینی فصلی بارش مدل اقلیمی CFSv2. تحقیقات آب و خاک ایران، ۵۱(۱۲)، ۳۰۱۷-۳۰۳۲. doi: 10.22059/ijswr.2020.306717.668680 
صلاحی، برومند، گودرزی، مسعود و حسینی، سید‌اسعد (۱۳۹۵). پیش‌بینی تغییرات دما و بارش در دهه ۲۰۵۰ در حوزه آبخیز دریاچه ارومیه. مهندسی و مدیریت آبخیز، ۸(۴)، ۴۲۵-۴۳۸. doi: 10.22092/ijwmse.2016.107179
عبدالعلی‌زاده، فیروز، محمدخورشیددوست، علی و جهانبخش‌اصل، سعید (۱۴۰۲). پیش‌نگری و ارزیابی روند دما، بارش و خشکسالی حوضه آبریز دریاچه ارومیه. هیدروژئومورفولوژی، ۱۰(۳۶)، ۵۷-۳۹. doi: 10.22034/hyd.2023.56103.1687
عزیزی، علی‌اکبر، لیاقت، عبدالمجید، شهابی‌فر، مهدی، و سیدجلالی، سیدعلیرضا (1400). بررسی اثر تقویم زراعی بر پتانسیل بهره‌وری آب اقلیمی (PCWP) ذرت در دشت مغان. به‌زراعی کشاورزی، 23(4)، 713–726. doi: 10.22059/jci.2020.293896.2313
عسگری، الهه، نوروزی‌نظر، محمدصادق، باعقیده، محمد و انتظاری، علیرضا (۱۴۰۲). ارزیابی اثرات تغییر اقلیم بر خشکسالی‌های آینده حوضه آبخیز گرگانرود تحت مدل‌های CMIP6. پژوهش‌های تغییرات آب و هوایی، ۴(۱۴)، ۲۷-۴۲. doi: 10.30488/ccr.2023.397170.1134
گودرزی، محمدرضا، ذهبیون، باقر، مساح بوانی، علی‌رضا و کمال، علی‌رضا (۱۳۹۱). مقایسه عملکرد سه مدل هیدرولوژی SWAT، IHACRES و SIMHYD در شبیه‌سازی رواناب حوضه قره‌سو. مدیریت آب و آبیاری، ۲(۱)، ۲۵-۴۰. doi: 10.22059/jwim.2012.25090
مساعدی، ابوالفضل و قبائی‌سوق، محمد (۱۳۹۰). تصحیح شاخص بارش استانداردشده (SPI) بر اساس انتخاب مناسب‌ترین تابع توزیع احتمال. نشریه آب‌و‌خاک (علوم و صنایع کشاورزی)، ۲۵(۵)، ۱۲۰۶-۱۲۱۶. doi: 10.22067/jsw.v0i--.11258
مصباح زاده، طیبه، میراکبری، مریم، محسنی ساروی، محسن، خسروی، حسن و مرتضایی، قاسم (1398). بررسی وضعیت خشکسالی هواشناسی در حال و آینده با استفاده از مدل سری CMIP5 تحت سناریوهای.RCP  مجله علوم ومهندسی آبخیزداری ایران. ۱۳ (۴۶)، ۱۱-۲۱. dor: 20.1001.1.20089554.1398.13.46.4.0
نجفی، محمد‌سعید، دهبان، حسین و فرح‌نیا، اشکان (۱۴۰۲). پیش‌بینی بارش ماهانه در ایران بر اساس رویکرد همادی با استفاده از مدل WRF/CFSv.2 (مطالعه موردی: دوره اکتبر ۲۰۱۹ تا آوریل ۲۰۲۰). مجله ژئوفیزیک ایران، 17(1)، ۱۲۹-۱۴۵. doi: 10.30499/ijg.2022.349816.1440
نوده‌فراهانی، محمدعلی، راسخی، آنا، پرماس، بهنام و کشوری، عبدالرحمن (1397). بررسی اثرات تغییراقلیم بر دما، بارش و خشکسالی‌های دوره آتی حوضه شادگان. مجله تحقیقات منابع آب ایران، ۱۴ (۳)، ۱۲۵–۱۳۹.‏ https://www.iwrr.ir/article_59829.html?lang=fa
نیرومندفرد، فریبا، خاشعی سیوکی، عباس، هاشمی، سیدرضا و قربانی، خلیل (۱۴۰۱). بررسی پیش‌نگری تغییر اقلیم بر پارامترهای دما و بارش با استفاده از مدل‌های CMIP6 (مطالعه موردی: ایستگاه بیرجند). مجله تحقیقات آب‌و‌خاک ایران، ۵۳(۹)، ۲۰۰۹-۲۰۲۶. doi: 10.22059/ijswr.2022.343936.669284
وطن‌پرست قلعه‌جوق، فاطمه و صلاحی، برومند (۱۴۰۳). ارزیابی اثرات تغییر اقلیم بر خشکسالی‌های دهه‌های آتی در حوزه آبخیز ارس تحت مدل CMIP6. مهندسی و مدیریت آبخیز. 17(1)، 44-63.doi: 10.22092/ijwmse.2024.364619.2040
 
References
Abbas, A., Ullah, S., Ullah, W., Waseem, M., Dou, X., Zhao, C., Karim, A., Zhu, J., Hagan, D. F. T., Bhatti, A. S., & Ali, G. (2022). Evaluation and projection of precipitation in Pakistan using the Coupled Model Intercomparison Project Phase 6 model simulations. International Journal of Climatology, 42(13), 6665–6684. doi: 10.1002/joc.7602
Abdolalizadeh, F., Mohammad Khorshiddoust, A., & Jahanbakhsh, S. (2023). Projection and evaluation of the trend of temperature, precipitation and drought in Urmia Lake catchment. Hydrogeomorphology, 10(36), 39–57. doi: 10.22034/hyd.2023.56103.1687. [In Persian]
Afsari, R., Nazari-Sharabian, M., Hosseini, A., & Karakouzian, M. (2024). A CMIP6 multi-model analysis of the impact of climate change on severe meteorological droughts through multiple drought indices—Case study of Iran’s metropolises. Water, 16(5), 711. doi: 10.3390/w16050711
Aghajanloo, K., & Fathi Almalou, H. (2024). Local analysis of drought and climate change projection in future periods under the CMIP6 model (Case study: Mazandaran Province). Journal of Watershed Management Research, 15(2), 32–48. doi: 10.61186/jwmr.15.2.32. [In Persian]
Ansari Mahabadi, S., Dehban, H., Zareian, M. J., & Farokhnia, A. (2022). Investigation of temperature and precipitation changes in Iran's basins in the next 20 years based on the output of CMIP6 models. Iranian Water Resources Journal, 16(1), 11–24. doi: 10.22034/iwrj.2022.11204. ‎[In Persian]‎
Asgari, E., Norouzi Nazar, M. S., Baaghideh, M., & Entezari, A. (2023). Assessing the impacts of climate change on the future droughts in Gorganroud Watershed under CMIP6 models. Climate Change Research, 4(14), 27–42. doi: 10.30488/ccr.2023.397170.1134. [In Persian]
Azizi, A. A., Liaghat, A., Shahabifar, M., & Seyed Jalali, S. A. (2021). Investigation of the effect of crop calendar on the potential climatic water productivity (PCWP) of maize in Moghan Plain. Journal of Crops Improvement, 23(4), 713–726. doi: 10.22059/jci.2020.293896.2313. [In Persian]
Babaeian, I., Giuliani, G., Modirian, R., & Karimian, M. (2024). Projection of Iran’s precipitation during 2026–2075 by dynamical downscaling by RegCM4.7 under SSP scenarios. Journal of Agricultural Meteorology, 12(1), 20–34. doi: 10.22125/agmj.2023.405388.1155. ‎[In Persian]‎
Babaeian, I., Modirian, R., Khazanedari, L., Karimian, M., Kouzegaran, S., Kouhi, M., Falamarzi, Y., & Malbusi, S. (2023). Projection of Iran’s precipitation in 21st century using downscaling of selected CMIP6 models by CMHyd. Journal of the Earth and Space Physics, 49(2), 431–449. doi: 10.22059/jesphys.2023.332410.1007436. [In Persian]
Bazrafshan, J., & Hejabi, S. (2017). drought monitoring Methods (2nd ed.). University of Tehran Press, 65. [in Persian]
Boroughani, M., Fahiminejad, E., & Pazhouhan, I. (2022). Predicting drought impact on the Caspian Sea coast affected by climate change. Environmental Sciences, 20(2), 99–116. doi: 10.52547/envs.2022.1038. [In Persian]
Bustos Usta, D. F., Teymouri, M., Chatterjee, U., & Bandyopadhyay, N. (2022). Projections of atmospheric changes over Iran in 2014–2050 using the CMIP6-HighResMIP experiment. Arabian Journal of Geosciences, 15(1335). doi: 10.1007/s12517-022-10639-9
Deo, R.C., Kisi, O., & Singh, V.P. (2017). Drought forecasting in eastern Australia using multivariate adaptive regression spline, least square support vector machine, and M5Tree model. Atmospheric Research, 181, 149-175. doi: 10.1016/j.atmosres.2016.10.004
Desmet, Q., & Ngo-Duc, T. (2022). A novel method for ranking CMIP6 global climate models over the southeast Asian region. International Journal of Climatology, 42(1), 97–117. doi: 10.1002/joc.7234
Doostan, R. (2015). Analysis of the Iran droughts in the past half century. Journal of Climate Research, 1394(23), 1–18. https://clima.irimo.ir/article_40460.html. [In Persian]
Ershadfath, F., Raeini Sarjaz, M., Shahnazari, A., & Olesen, J. E. (2022). Application of linear scaling post-processing method for bias correction of climate models retrieved from CMIP6. Iran Water Resources Research, 18(3), 131–144. dor: 20.1001.1.17352347.1401.18.3.9.1. [in Persian]
Ershadfath, F., Shahnazari, A., Raeini Sarjaz, M., Eivind Olese, J. (2023). Combining Bias Correction Methods for Simulated Temperature and Precipitation by CMIP6 Models in Hamedan-Bahar Plain. J Watershed Manage Res. 14(27), 75-85. doi:10.61186/jwmr.14.27.75. [in Persian]
Fang, G. H., Yang, J., Chen, Y. N., & Zammit, C. (2015). Comparing bias correction methods in downscaling meteorological variables for a hydrologic impact study in an arid area in China. Hydrology and Earth System Sciences, 19(6), 2547–2559. doi: 10.5194/hess-19-2547-2015
Goodarzi, M. R., Zahabiyoun, B., Massah Bavani, A. R., & Kamal, A. R. (2012). Performance comparison of three hydrological models SWAT, IHACRES and SIMHYD for the runoff simulation of Gharesou basin. Water and Irrigation Management, 2(1), 25–40. doi: 10.22059/jwim.2012.25090. ‎[In Persian]‎
Hasan, N. A., Yang, D., & Al-Shibli, F. (2023). SPI and SPEI drought assessment and prediction using TBATS and ARIMA models, Jordan. Water, 15(20), Article 3598. doi: 10.3390/w15203598
Heydarzadeh, M., & Nohegar, A. (2021). ‎Future meteorological drought monitoring using CMIP5 series climate change model and Markov chain‎. Journal of Climate Research, ‎47‎, ‎21–32‎. https://clima.irimo.ir/article_142799.html?lang=en. [In Persian]
Iqbal, Z., Shahid, S., Ahmed, K., Ismail, T., Ziarh, G. F., Chung, E.-S., & Wang, X. (2021). Evaluation of CMIP6 GCM rainfall in mainland Southeast Asia. Atmospheric Research, 254, 105525. doi: 10.1016/j.atmosres.2021.105525
Jahdi, R., Hanifepour, M., & Jahdi, R. (2024). Analyzing the effects of meteorological drought on vegetation dynamics in the Golestan Province. Geography and Environmental Sustainability, 14(3), 39–51. doi: 10.22126/ges.2024.10786.2762. [In Persian]
Jvanmard Ghassab, M., & Morid, S. (2018). Evaluation of medium-term forecast of TIGGE numerical weather prediction models in Karun basin. Iran-Water Resources Research, 14(3), 1–12. https://www.iwrr.ir/article_54830.html. [In Persian]
Kamruzzaman, M., Shahid, S., Roy, D. K., Islam, A. R. M. T., Hwang, S., Cho, J., Zaman, M. A. U., Sultana, T., Rashid, T., & Akter, F. (2022). Assessment of CMIP6 global climate models in reconstructing rainfall climatology of Bangladesh. International Journal of Climatology, 42(7), 3928–3953. doi: 10.1002/joc.7452
Khadempour, F., Amirabadizadeh, M., & Falamarzi, Y. (2025). Streamflow forecasting under the impacts of climate change based on the combined output of CMIP6 models (Case study: Dez Dam). Integrated Watershed Management, 4(4), 32–50. doi: 10.22034/iwm.2024.2022522.1133 . [In Persian]
Lu, K., Arshad, M., Ma, X., Ullah, I., Wang, J., & Shao, W. (2022). Evaluating observed and future spatiotemporal changes in precipitation and temperature across China based on CMIP6-GCMs. International Journal of Climatology, 42(15), 7703–7729. doi: 10.1002/joc.7673
Madadgar, Sh., & Moradkhani, H. (2013). A Bayesian framework for probabilistic seasonal drought forecasting. Journal of Hydrometeorology, 14(6), 1685–1705. doi: 10.1175/JHM-D-13-010.1
Mesbahzadeh, T., Mirakbari, M., Mohseni Saravi, M., Khosravi, H., & Mortezaii, G. (2019). Study of current and future meteorological drought conditions using the CMIP5 model under RCP scenarios. Journal of Water and Environmental Science, 13(46), 11–21. dor: 20.1001.1.20089554.1398.13.46.4.0 . [In Persian] 
Mohammed, S., Arshad, S., Alsilibe, F., Ul Moazzam, M. F., Bashir, B., Ahmed Prodhan, F., Alsalman, A., Vad, A., Rátonyi, T., & Harsányi, E. (2024). Utilizing machine learning and CMIP6 projections for short-term agricultural drought monitoring in central Europe (1900–2100). Journal of Hydrology, 615, 130968. doi: 10.1016/j.jhydrol.2024.130968
Mosaedi, A., & Ghabaei Sough, M. (2011). Modification of standardized precipitation index (SPI) based on relevant probability distribution function. Water and Soil, 25(5). doi: 10.22067/jsw.v0i--.11258. [In Persian]
Najafi, M. S., Dehban, H., & Farokhnia, A. (2023). Forecasting of monthly precipitation based on ensemble approach using CFSv2-WRF model over Iran (Case study: October 2019 to April 2020). Iranian Journal of Geophysics, 17(1), 129–145. doi: 10.30499/ijg.2022.349816.1440. [In Persian]
Ngoma, H., Wen, W., Ayugi, B., Babaousmail, H., Karim, R., & Ongoma, V. (2021). Evaluation of precipitation simulations in CMIP6 models over Uganda. International Journal of Climatology, 41(9), 4743–4768. doi: 10.1002/joc.7098
Niroumandfard, F., Khashei, A., Hashemi, R., & Ghorbani, K. (2022). Investigation of climate change projection on temperature and precipitation parameters using CMIP6 models (Case study: Birjand station). Iranian Journal of Soil and Water Research, 53(9), 2009–2026. doi: 10.22059/ijswr.2022.343936.669284. [In Persian]
Node Farahani, M. A., Rasekhi, A., Parmas, B., & Keshvari, A. (2018). The effects of climate change on temperature, precipitation and drought in the future Shadegan basin. Iran-Water Resources Research, 14(3), 125–139. https://www.iwrr.ir/article_59829.html?lang=en . [In Persian] 
Rajaei, F. (2022). Drought forecasting under the approach of future climate change (Case study: Qarakhil). Journal of Environmental Science Studies, 7(2), 4990–5001. doi: 10.22034/jess.2022.330098.1724.  [In Persian]
Rezaei, H., Pashapour, H., & Sadeghi, F. (2024). Performance evaluation of CMIP6 models and forecasting of temperature and precipitation changes under Shared Socioeconomic Pathways (SSP) scenarios in Iran. Strategic Futures Studies, 3(10), 7–30. dor: 20.1001.1.28212592.1403.3.10.1.5. [In Persian]
Salahi, B., Goudarzi, M., & Hosseini, S. A. (2016). Predicting the temperature and precipitation changes during the 2050s in Urmia Lake Basin. Watershed Engineering and Management, 8(4), 425–438. doi: 10.22092/ijwmse.2016.107179. [In Persian]
Shabanpour, F., Bazrafshan, J., & Araghinejad, S. (2021). Evaluation of the effect of bias correction methods on the skill of seasonal precipitation forecasts of CFSv2 climate model. Iranian Journal of Soil and Water Research, 51(12), 3017–3032. doi: 10.22059/ijswr.2020.306717.668680. [In Persian]
Shrestha, A., Rahaman, M. M., Kalra, A., Jogineedi, R., & Maheshwari, P. (2020). Climatological drought forecasting using bias corrected CMIP6 climate data: A case study for India. Forecasting, 2(2), 241–258. doi: 10.3390/forecast2020004
Vatanparast Ghaleh Juq, F., & Salahi, B. (2025). Assessing the effects of climate change on droughts in the coming decades in Aras Watershed under the CMIP6 model. Watershed Engineering and Management, 17(1), 44–63. doi: 10.22092/ijwmse.2024.364619.2040. [In Persian]
Xu, F., Qu, Y., Bento, V. A., Song, H., Qiu, J., Qi, J., Wan, L., Zhang, R., Miao, L., Zhang, X., & Wang, Q. (2024). Understanding climate change impacts on drought in China over the 21st century: A multi-model assessment from CMIP6. npj Climate and Atmospheric Science, 7(32), 1-12. doi: 10.1038/s41612-024-00578-5
Yuanbin, S., Qamar, S., Ali, Z., Yang, T., Nazeer, A., & Fayyaz, R. (2023). A new ensemble index for extracting predictable drought features from multiple historical simulations of climate. Tellus A: Dynamic Meteorology and Oceanography, 75(1), 1-15. doi: 10.16993/tellusa.46
Zadmehr, H., & Farrokhian Firouzi, A. (2022). Investigation of soil temperature using the modified Mann-Kendall non-parametric test in selected regions of Khuzestan Province. Iranian Journal of Soil Research, 35(4), 429–443. doi: 10.22092/ijsr.2022.355507.622. [In Persian]
Zarei, A. R., Moghimi, M. M., & Bahrami, M. (2017). Monitoring and prediction of monthly drought using standardized precipitation index and Markov chain (Case study: Southeast of Iran). Geography and Environmental Sustainability, 7(2), 39–51. https://ges.razi.ac.ir/article_784.html. [In Persian]
Zhang, Y., Hu, X., Zhang, Z., Kong, R., Peng, Z., Zhang, Q., & Chen, X. (2023). The increasing risk of future simultaneous droughts over the Yangtze River Basin based on CMIP6 models. Stochastic Environmental Research and Risk Assessment, 37, 2577-2601. doi: 10.1007/s00477-023-02406-3