Drought Trend Analysis and Forecasting in the Moghan Plain Using the SPI Index and Cmip6 Climate Models

Document Type : Applied Article

Authors

1 Ph.D. Student of Climatology, Department of Physical Geography, Faculty of Social Sciences, University of Mohaghegh Ardabili, Ardabil, Iran

2 Professor of Climatology, Department of Physical Geography, Faculty of Social Sciences, University of Mohaghegh Ardabili, Ardabil, Iran.

3 Department of Physical Geography, Faculty of Geography and Environmental Planning, University of Sistan and Baluchestan, Zahedan, Iran

Abstract

Introduction

Drought is a complex and gradual climatic phenomenon that has widespread environmental, ‎economic, and social impacts due to long-term reductions in rainfall and scarcity of water ‎resources. As global climate change intensifies, resulting in warmer and drier conditions, both the frequency and severity of ‎droughts are escalating, thereby necessitating more precise monitoring systems and comprehensive quantitative ‎analyses. Indices such as SPI are used to identify and assess the severity and ‎frequency of droughts. Droughts are typically categorized into three distinct types, meteorological, agricultural, and hydrological, each ‎of which exerts unique impacts on natural resources and anthropogenic activities. ‎Meanwhile, the Moghan Plain, as one of the country's important agricultural regions, has been ‎severely affected by recent droughts. Diminished precipitation, declining groundwater levels, and sparse vegetation cover collectively compromise the ‎livelihood sustainability of thousands of rural and nomadic households throughout the region.

‎

Materials and Methods

This study used the Standard Precipitation Index (SPI) and CMIP6 climate models to predict ‎future drought in the Moghan Plain. Precipitation data from 15 meteorological and rain gauge ‎stations were received from the Iranian Meteorological Organization ‎(IRIMO.IR) and the Ardabil Regional Water Company. Then, 10 valid models from the sixth CMIP6 report, which are known for their superior performance in simulating precipitation parameters based on previous studies, were selected and their historical data were collected. The CMhyd downscaling model and four bias correction ‎methods were used to correct the data bias. In order to evaluate the efficiency of the models, the ‎corrected data were compared with observational data and the top five models were selected. ‎Then, using the Hamadi weighted average method for the top models, precipitation changes ‎were predicted for two moderate (SSP2-4.5) and pessimistic (SSP5-8.5) climate scenarios. ‎Finally, the drought situation was examined at 6 and 12-month time scales and the trend of ‎changes was analyzed using the modified Mann-Kendall test.

‎

Results and Discussion

The performance of CMIP6 models with four bias correction methods showed that the linear ‎precipitation scaling method has the best results. The EC-Earth3 model was recognized as the ‎superior model, followed by the GFDL-ESM4, EC-Earth3-Veg, MIROC6, and MRI-ESM2-0 ‎models. Spatio-temporal analysis of annual precipitation in the Moghan Plain shows a decrease in ‎the precipitation pattern from the southeast to the northwest. Projections indicate an increase in annual precipitation and a decrease in precipitation in warm months under SSP2-4.5 (medium emission) and SSP5-8.5 (high emission) scenarios, which could jeopardize the sustainability of agriculture in the Moghan Plain by affecting water availability during the growing season. Analysis of the six-month SPI ‎index during the observation period shows an increasing trend and a decrease in drought ‎intensity in most stations. However, in the SSP2-4.5 scenario, Garmi and Zahra stations and in ‎SSP5-8.5, Garmi, Dasht and Parsabad stations experience a decrease in SPI and an increase in ‎drought. The results of the 12-month SPI analysis also confirm an increasing trend in most ‎stations and a decrease in drought intensity during the observation period. In SSP2-4.5, no significant changes are observed, indicating a relatively stable climate. However, under SSP5-8.5, some stations such as Agha Mohammad Biglo and Dasht show a significant decreasing trend, pointing to more severe and prolonged droughts. The analysis of the frequency of the six-month SPI index (period ‎‎1985–2014) shows that the normal condition was the most frequent, followed by drought and ‎mild and moderate wetness, while severe events were observed less frequently. In the period 2025–2050, under SSP2-4.5, the frequency of drought and mild wetness events is expected to increase, while severe events are projected to decrease. In SSP5-8.5, despite the increase in precipitation, the ‎concentration of mild and moderate droughts will increase in autumn. The climatic sequence ‎during the observation period shows that the normal class has the most stable condition and ‎droughts are mainly short-term. In the future, long-term normal sequences will continue, but ‎some areas of the Moghan Plain will face a higher risk of drought. In the statistical and spatial ‎analysis of the observation period with a 12-month scale, the normal class has the highest ‎frequency, indicating the relative stability of the climate. The stations of Qarakhan Biglo and ‎Parsabad are known as unstable centers, and the Zahra station is known as highly stable. In the ‎SSP2-4.5 scenario, the normal class continues to dominate, but seasonal fluctuations increase, ‎especially in summer. Stations such as Oslandoz and Shourestan will have more severe ‎fluctuations. In SSP5-8.5, similar conditions are also seen with greater intensity. The months of ‎June and September are relatively more stable, while March and August show the peak of ‎drought and wetness. The drought classification time series shows that the normal class tends to persist for longer periods, especially in five-month and long-term durations. Meanwhile, short-term mild and moderate droughts are frequently observed in most stations. In the future, although the pattern of frequency ‎and sequence will be relatively stable, the severity of extreme conditions will increase at some ‎stations.‎



Conclusion

In this study, the linear precipitation scaling method was identified as the most effective ‎technique for bias correction of CMIP6 climate models in simulating the rainfall of the Moghan ‎Plain. The EC-Earth3 model showed superior performance and was used together with four ‎other models to build the Hamadi model. The results of the base period (1985–2014) confirmed ‎the spatial pattern of precipitation with maximum in the east and southeast and minimum in the ‎west of the region. Climate projections for the period 2025–2050 indicate an increase in annual precipitation in most areas, especially in the west of the region, while summer precipitation is expected to decrease. The Standardized Drought Index (SPI) at six-month and twelve-month scales showed ‎that in the SSP2-4.5 scenario, relative climate stability is maintained, but in SSP5-8.5, the ‎probability of more severe droughts increases. Despite the continued dominance of the normal ‎class, seasonal fluctuations and the intensity of extreme phenomena will increase at some ‎stations.‎

Keywords

Main Subjects

References

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
 
 
Water and Soil Management and Modelling
Volume 5, Issue 3
September 2025
Pages 230-260

Files

History

  • Receive Date: 02 May 2025
  • Revise Date: 09 June 2025
  • Accept Date: 09 June 2025

Share

How to cite

Statistics