Charakterisierung und Ausblick klimatischer Gefahren in einem landwirtschaftlichen Gebiet Pakistans

Aug 17, 2023

Scientific Reports Band 13, Artikelnummer: 9958 (2023) Diesen Artikel zitieren

799 Zugriffe

8 Altmetrisch

Details zu den Metriken

Viele Bereiche des menschlichen Lebens und der Umwelt sind anfällig für den vom Menschen verursachten Klimawandel und die damit verbundenen Gefahren. Es gibt mehrere Indizes und Metriken zur Quantifizierung von Klimagefahren, die als Grundlage für die Vorbereitung und Planung auf verschiedenen Ebenen dienen können, z. B. auf globaler, regionaler, nationaler und lokaler Ebene. Diese Studie verwendet verzerrte korrigierte Klimaprojektionen von Temperatur und Niederschlag, um Merkmale potenzieller Klimagefahren zu berechnen, die im Gomal Zam Dam Command Area (GZDCA) – einem bewässerten landwirtschaftlichen Gebiet in der pakistanischen Provinz Khyber Pakhtunkhwa – ausgeprägt sind. Die Ergebnisse beantworten die Frage, was die Zukunft im GZDCA hinsichtlich der Klimagefahren durch Hitzewellen, starke Niederschläge und landwirtschaftliche Dürre bereithält. Die Folgen von Hitzewellen und landwirtschaftlicher Dürre stellen eine alarmierende Zukunft dar und erfordern sofortige Maßnahmen zur Vorbereitung und Anpassung. Das Ausmaß der Dürreindizes für die Zukunft korreliert mit der Reaktion der Ernteerträge auf der Grundlage von AquaCrop-Modellsimulationen, wobei beobachtete Klimadaten als Eingabe verwendet werden. Diese Korrelation liefert Einblicke in die Eignung verschiedener Dürreindizes für die Charakterisierung landwirtschaftlicher Dürreperioden. Die Ergebnisse erläutern, wie der Ertrag von Weizen, der in einer typischen Umgebung im südasiatischen Raum angebaut wird, auf das Ausmaß der Dürreindizes reagiert. Die Ergebnisse dieser Studie fließen in den Planungsprozess für den Klimawandel und die erwarteten Klimagefahren im GZDCA ein. Die Analyse zukünftiger Klimagefahren auf lokaler Ebene (Landkreise oder angrenzende landwirtschaftliche Gebiete) könnte aufgrund ihrer Spezifität und stärkeren Fokussierung auf den Kontext ein effizienterer Ansatz für die Klimaresilienz sein.

Der Zwischenstaatliche Ausschuss für Klimaänderungen (IPCC) betont, dass der vom Menschen verursachte Klimawandel, einschließlich häufigerer und intensiverer Extremereignisse, weitreichende negative Auswirkungen und damit verbundene Verluste und Schäden für Natur und Menschen verursacht hat, die über die natürliche Klimavariabilität hinausgehen1. Wissenschaftler2 weisen darauf hin, dass Extreme mit zunehmender Klimaaufzeichnung unvermeidlich sind, bestimmte Extreme im Zusammenhang mit der Erwärmung jedoch immer offensichtlicher werden. IPCC1 hat über das Auftreten extremer Klimaereignisse berichtet und dabei auf ein zunehmendes Zusammentreffen von Hitze- und Dürreereignissen hingewiesen, die zu Ernteverlusten und Baumsterben führen. Ebenso haben sich Hitzeextreme, einschließlich Hitzewellen, in Städten verstärkt. In der wissenschaftlichen Literatur wird häufig über Trends klimabedingter Extremereignisse auf lokaler Ebene berichtet. In den Vereinigten Staaten beispielsweise kommt es doppelt so häufig zu extremen Hochtemperaturen wie zu extremen Kälte3. Andererseits hat der Klimawandel die Wahrscheinlichkeit einer Hitzewelle in Südasien um das 30-fache erhöht4.

Der Begriff „Klimagefahr“ bezieht sich in der Regel auf klimabedingte physische Ereignisse oder Trends oder deren physische Auswirkungen, die zum Verlust von Menschenleben, Verletzungen oder anderen gesundheitlichen Auswirkungen sowie zu Schäden und Verlusten an Eigentum, Infrastruktur, Lebensgrundlagen, Dienstleistungserbringung, Ökosystemen usw. führen können. und Umweltressourcen5. Mora et al.6 kommen auf der Grundlage einer systematischen Überprüfung zu dem Schluss, dass Veränderungen der Klimagefahren mit wenigen Ausnahmen isoliert untersucht wurden, während sich Folgenabschätzungen üblicherweise auf bestimmte Aspekte des menschlichen Lebens konzentrierten. Mora et al.6 haben kürzlich einen kumulativen Index entwickelt, der auf zehn Klimagefahren (Erwärmung, Niederschlag, Überschwemmungen, Dürre, Hitzewellen, Brände, Meeresspiegel, Stürme, Veränderungen der natürlichen Landbedeckung und Ozeanchemie) basiert und sechs Aspekte umfasst menschlicher Systeme (Gesundheit, Ernährung, Wasser, Infrastruktur, Wirtschaft und Sicherheit). Sie haben den kumulativen Index auf globaler Ebene angewendet und die Ergebnisse sind online als interaktive Karte verfügbar.

Aufgrund der Vielfalt der geografischen Gebiete und menschlichen Siedlungen gelten einige Klimagefahren und ihre relevanten Aspekte des menschlichen Systems stärker für ein bestimmtes geografisches Gebiet als für ein anderes. Die Kluft zwischen ländlichen und städtischen Ballungsgebieten ist bekannt, aber ein ländliches oder städtisches Gebiet kann auch spezifische Ökosysteme aufweisen, die eine umfassendere Betrachtung relevanter Klimarisiken erfordern. Schneider et al.7 beschreiben die formellen und informellen Planungsinstrumente, die für eine ökosystembasierte Anpassung in Städten eingesetzt werden können.

Da Städte an vorderster Front des globalen Klimanotstands stehen, sind für große Metropolen systematische Bewertungen künftiger Klimagefahren und Anpassungsplanungen üblich. Angesichts des Klimawandels schlägt der kürzlich veröffentlichte Lancet-Bericht8 vor, dass Städte sich physisch anpassen, um die negativen Auswirkungen zunehmender meteorologischer Extreme abzumildern. Zu Beginn des letzten Jahrzehnts war sich die Führung großer Metropolen der Auswirkungen des Klimawandels bewusst und war darauf vorbereitet. Die Stadt New York war in dieser Hinsicht ein herausragendes Beispiel. Das New York City Panel (NPCC) zum Klimawandel hat seine Bewertungsberichte9,10 veröffentlicht, in denen die Bewertung künftiger Klimagefahren anhand mehrerer GCMs detailliert beschrieben wird. Laut Rosenzweig et al.11 scheinen Stadtführer willens und in der Lage zu sein, Maßnahmen zu ergreifen, um ihre Städte vor diesen Bedrohungen zu schützen und dazu beizutragen, einen globalen Unterschied zu bewirken. Der 2005 gegründete World Mayors Council on Climate Change (WMCCC) und die C40 Cities Climate Leadership Group sind klare Beispiele für Plattformen, auf denen Städte zusammenarbeiten, um die dringend erforderlichen Maßnahmen zur Bewältigung der Klimakrise zu ergreifen.

Es gibt mehrere Städte in Entwicklungsländern, in denen menschliche Siedlungen und Ökosysteme anfällig für Klimagefahren sind. In vielen Fällen sind Landwirtschaft und Viehzucht die Haupterwerbsquelle der Gemeinschaft. Das Fehlen systematischer Bewertungen des Klimawandels und seiner Auswirkungen aus verschiedenen Blickwinkeln, z. B. gesunde Ernährung, Wasser, Infrastruktur, Wirtschaft und Sicherheit, verschärft die Schwere der Herausforderung.

Pakistan gehört zu den acht Ländern, die zwischen 2000 und 2019 am stärksten von den Auswirkungen klimabedingter extremer Wetterereignisse (Stürme, Überschwemmungen, Hitzewellen usw.) betroffen waren12. Es gibt eine Fülle von Literatur zu Klimaprognosen und -auswirkungen in Pakistan eine nationale Skala. Die Literatur umfasst Studien, die von internationalen Entwicklungsagenturen13,14 und einzelnen Forschern durchgeführt wurden. Beispielsweise haben Hussain et al.15 die Auswirkungen des Klimawandels, die Anpassung und die Eindämmung von Umwelt- und Naturkatastrophen in Pakistan untersucht; und Fahad und Wang16 untersuchen den Klimawandel, die Verwundbarkeit und seine Auswirkungen auf das ländliche Pakistan. Es besteht jedoch eine große Wissenslücke, wenn es darum geht, die Auswirkungen des Klimawandels und die Widerstandsfähigkeit auf subnationaler Ebene zu berücksichtigen. In Pakistan gibt es nur sehr wenige Fälle, in denen die Klimaanfälligkeit für die Planung und Vorbereitung einer Stadt bewertet wird. Ein prominenter Fall scheint Islamabad zu sein17. Dies zeigt, dass Klimabewertungen und Planungsbemühungen häufig auf Großstädte ausgerichtet sind, was aufgrund der dort lebenden großen Bevölkerung manchmal verständlich ist, kleinere Städte (die manchmal gefährdetere Gebiete und Gemeinden haben) jedoch weiterhin unterrepräsentiert sind. Nach unserem besten Wissen gibt es keine Klimarisikobewertung für einen Agrarbezirk (in Südasien allgemein als „Kommandogebiet“ bezeichnet, das von einer Wasserinfrastruktur wie einem Staudamm oder einem Bewässerungskanal versorgt wird) in Pakistan. Diese Studie konzentrierte sich daher auf das Gomal Zam Dam Command Area (GZDCA), da es sich auf die am stärksten unterrepräsentierten Teile Pakistans erstreckt. In der Region kam es im letzten Jahrzehnt zu Gewalt und Aufständen in großem Ausmaß, und basierend auf dem Multidimensional Poverty Index18 gehören seine Teilbezirke (d. h. die Distrikte DI Khan und Tank) zu den obersten 30 % der Distrikte in Pakistan (insgesamt 114) mit der höchsten Armutsprävalenz . In den letzten 10 Jahren wurden enorme Entwicklungsinvestitionen getätigt, um die Bewässerungsinfrastruktur zur Verbesserung der Landwirtschaft und Lebensmittelproduktion in diesem marginalisierten Gebiet von GZDCA zu entwickeln. Die Auswirkungen des Klimawandels machen es jedoch schwierig, die beabsichtigten Dividenden dieser Entwicklungsinvestitionen zu erzielen.

Nur wenige Studien haben über Dürre- und Hitzewellenmerkmale berichtet, die auf dem prognostizierten Klima in Südasien (und seinen Unterregionen) basieren19,20. Diese Studien liefern nützliche Informationen über die erwartete Hitzestressbelastung und ihre zukünftigen sozioökonomischen Auswirkungen. Andererseits überwacht die staatliche Wetterbehörde in Pakistan auch Hitzewellen und Dürren und gibt auf der Grundlage ihrer Analyse auf Bezirksebene Hinweise, Warnungen und wöchentliche/monatliche Bulletins21 heraus. In einem landwirtschaftlich genutzten Gebiet wirkt sich Klimastress am stärksten auf die Gesundheit der Pflanzen aus. Frühere Forschungen untersuchten typischerweise nur die meteorologische Dürre, die den Niederschlag als einzige Variable für die Indexberechnung berücksichtigt und keine anderen Klimavariablen berücksichtigt. Die landwirtschaftliche Dürre berücksichtigt im Gegensatz zur meteorologischen Dürre die Merkmale der Kulturpflanze und der (betreffenden) landwirtschaftlichen Fläche, indem Dürrereaktionen mithilfe eines Modellierungsansatzes mit dem Ernteertrag korreliert werden.

Dieser Artikel untersucht beobachtete Zusammenhänge zwischen Dürre und ihren Folgen im Agrarsystem und geht auf die Quantifizierung ausgewählter klimabedingter Gefahren in zukünftigen Zeitabschnitten ein. Die spezifischen Ergebnisse können den GZDCA-Behörden dabei helfen, Planungs- und Vorbereitungsentscheidungen in Bezug auf Klimarisiken zu treffen. Das globale Publikum würde jedoch die weitreichenden Auswirkungen der Methoden attraktiver finden. Die in diesem Artikel verwendeten Methoden und Analysen haben eine breitere geografische Anwendbarkeit, daher werden die spezifischen Ergebnisse auch mit ähnlichen Studien in anderen Regionen der Welt verglichen. Die landwirtschaftlichen Dürreindizes wurden größtenteils in europäischen Ländern entwickelt und angewendet und korrelieren gut mit der Ertragsreaktion von Weizen, der unter mediterranen Bedingungen angebaut wird. Weizen ist die zweitgrößte Kulturpflanze in Südasien22, wo sich die klimatischen Bedingungen stark von denen der Mittelmeerländer unterscheiden. Dieser Artikel schließt diese Wissenslücke, indem er landwirtschaftliche Dürreindizes für die Zukunft berechnet und ihre Eignung durch Korrelation mit den Reaktionen des Weizenernteertrags in typischen Umgebungen Südasiens bewertet. Der analytische Ansatz in diesem Artikel unterstreicht die Bedeutung der Vorhersage von Klimagefahren auf lokaler Ebene, dh im Agrarbezirk. Planung und Vorbereitung auf lokaler Ebene sind möglicherweise ein intelligenterer Ansatz, da sie kontextspezifischer sind als die auf breiterer Ebene verfügbaren Richtlinien zur Klimaschutzplanung. Die Anwendung der Techniken wurde im geografischen Kontext und in der in dieser Studie verwendeten Umgebung noch nicht ausreichend getestet. Die vorliegende Studie bietet somit eine skalierbare Methodik zur Entwicklung eines Klimaausblicks für landwirtschaftliche Gebiete.

Die Bewertung und Bewertung der Klimagefährdung wird auf ein Gebiet angewendet, das von einem Bewässerungssystem in Pakistan versorgt wird, nämlich das Gomal Zam Dam Command Area (GZDCA). Die GZDCA ist eine Untergruppe zweier benachbarter Städte/Bezirke in der Provinz Khyber Pakhtunkhwa: (i) der Bezirk DI Khan mit einer Bevölkerung von 1,6 Mio. (Bevölkerungsdichte = 222 Personen/km2), von denen 77 % in Gebieten leben, die als ländlich gelten, und (ii) Tankbezirk mit 0,39 M (Bevölkerungsdichte = 233 Personen/km²), von denen 87 % in ländlichen Gebieten leben. Die Gesamtfläche von GZDCA beträgt 1030 km², wovon 57 % auf DI Khan und 43 % auf den Tank-Distrikt entfallen. In diesem Artikel verwendet die Analyse des Klimawandels beobachtete Daten von zwei meteorologischen Observatorien in GZDCA, nämlich DI Khan (31.863, 70.902) und Tank (32.2162, 70.3896), wie in Abb. 1 dargestellt. Das Bewässerungssystem besteht aus einem dendritischen Netzwerk offener Versorgungskanäle Wasser vom Gomal-Fluss zu den Farmen. Abbildung 1 zeigt auch die wichtigen Bewässerungsinfrastrukturen und Wasserversorgungssysteme. Die Landnutzung mit Vegetationsbedeckung (als Anbaufläche betrachtet) überwiegt die bebaute/besiedelte Fläche, wie in Abb. 1 dargestellt. Frühere Studien23,24 haben die Eigenschaften des Bewässerungssystems von GZDCA ausführlich erörtert.

Die Karte des Gomal Zam Dam Command Area. Bildnachweis der Grundkarte: Copyright:(c) 2014 Esri, World Shaded Relief.

Allgemeine Zirkulationsmodelle (GCMs) sind wesentliche Werkzeuge für Klimastudien und führende Mittel zur Prognose des zukünftigen Klimas und seiner möglichen Veränderungen unter verschiedenen Rückwirkungen von Treibhausgasemissionen25. Es besteht jedoch ein wachsendes Interesse an der Verwendung regionaler Klimamodelle (RCMs) für Studien zu den Auswirkungen des Klimawandels auf kleineren räumlichen Skalen26. Diese RCMS werden durch dynamisches Downscaling aus GCM-Ausgaben abgeleitet. Die GCM-Projektionen sind immer noch zu grob (ca. 200 km) für explizite Folgenabschätzungen und die Berechnung von Extremereignisindizes. Während der dynamische Ansatz üblicherweise eine Verkleinerung auf eine Auflösung von etwa 10–50 km ermöglicht. Großräumige Zirkulationen, z. B. Veränderungen im Muster der Monsunwinde; und lokale Faktoren wie die Topographie-, Küstenlinien- und Landnutzungsheterogenität beeinflussen die Signale des Klimawandels in großem Maßstab (siehe z. B. 27, 28, 29). Zu diesem Zweck sind RCMs eine rationale Wahl, insbesondere wenn die Forschungsmotivation nicht darin besteht, globale Klimamuster und -trends zu verstehen, für die GCMs die offensichtliche Option sind.

RCMs sind hochauflösende Modelle, die eine realistischere Darstellung wichtiger Oberflächenheterogenitäten (wie Topographie, Küstenlinien und Landoberflächeneigenschaften) und mesoskaliger atmosphärischer Prozesse ermöglichen26. Die Initiative „Coordinated Regional Climate Downscaling Experiment“ (CORDEX) war das erste internationale Programm, das einen gemeinsamen Rahmen zur Simulation des historischen und zukünftigen Klimas auf regionaler Ebene unter verschiedenen repräsentativen Konzentrationspfaden (RCPs)30 und über verschiedene Gebiete bot, die das gesamte Land abdecken Bereiche. Genauer gesagt liefert es Klimadaten, die von einem Ensemble von RCMs simuliert werden, die von mehreren Forschungszentren auf der ganzen Welt entwickelt wurden und durch GCMs aus der Phase 5 des Coupled Model Intercomparison Project (CMIP5)31 erzwungen werden. Peres et al.26 haben 14 Studien, die CORDEX-RCMs in verschiedenen Regionen einbeziehen, überprüft und ihre wichtigsten Ergebnisse aufgelistet. Insgesamt zeigen diese Studien, dass CORDEX-RCMs die wichtigsten Klimamerkmale auf regionaler Ebene reproduzieren können, es bleiben jedoch wichtige Vorurteile bestehen, insbesondere in Bezug auf Niederschläge oder Klimaextreme (abhängig vom Modell, der Region/Subregion, der Wahl der Modellkonfiguration, der internen Variabilität usw.). und Unsicherheiten der Beobachtungsreferenzdaten selbst). Zu einer ähnlichen Schlussfolgerung kommen Peres et al.26 auf der Grundlage ihrer Analyse, in der sie die Fähigkeit von 19 EURO-CORDEX-RCMs bei der Reproduktion des jährlichen und saisonalen Temperatur- und Niederschlagsregimes sowie mehrerer Dürremerkmale vergleichen. Die wichtigsten Ergebnisse der Analyse waren, dass die Modellkombinationen die Temperatur besser simulieren können als den Niederschlag, obwohl in beiden Variablen erhebliche Verzerrungen bestehen. Modelle, die bei der Simulation von Niederschlägen zuverlässig sind, stimmen hinsichtlich der Temperatur möglicherweise nicht mit denen überein.

In dieser Forschung wurden die Ergebnisse mehrerer RCMs aus dem CORDEX-South Asia-Framework verwendet. In Bezug auf die in der oben genannten Literatur diskutierten Einschränkungen wurde in diese Studie Folgendes einbezogen: eine Kombination mehrerer RCMs, um das Problem der Intervariabilität zuverlässiger Ergebnisse von RCMs für verschiedene Variablen anzugehen; und wandten einen statistischen Downscaling-Ansatz an, um die räumliche Auflösung zu verbessern und Verzerrungen zu minimieren. Der Grund für die statistische Herunterskalierung der CORDEX RCM-Ergebnisse besteht darin, Variationen von Klimavariablen auf lokaler Ebene zu erfassen, die in den RCM-Ergebnissen nicht gut dargestellt sind und daher ihre Nützlichkeit für die Entscheidungsfindung auf lokaler Ebene einschränken können. Wenn ein Stakeholder beispielsweise daran interessiert ist, die Auswirkungen des Klimawandels auf ein bestimmtes Wassereinzugsgebiet oder ein Pflanzenproduktionssystem zu verstehen, liefert die grobe Auflösung der RCM-Ausgaben möglicherweise nicht genügend Details, um fundierte Entscheidungen zu treffen. Ahmad und Rasul32 erläutern die Nützlichkeit der statistischen Downscaling-Technik und erklären: „Neue statistische Downscaling-Ansätze beruhen jedoch auf der Bereitstellung langfristiger Datensätze von Prädiktor- und Vorhersagevariablen, die statistisch signifikante Beziehungen erzeugen.“ Wenn diese Bestimmungen erfüllt sind, können statistische Herunterskalierungsansätze bessere Chancen für die Herunterskalierung auf bestimmte Orte oder Regionen bieten, in denen die Ergebnisse der dynamischen Herunterskalierung ungewiss sind.“

Die CORDEX RCM-Daten wurden aus der frei verfügbaren Ressource33 bezogen, die von Copernicus, dem Erdbeobachtungsprogramm der Europäischen Union, entwickelt wurde. Tabelle 1 enthält Merkmale der Klimadaten, einschließlich der Liste der globalen und regionalen Klimamodelle (RCMs) und ihrer räumlichen und zeitlichen Auflösung.

Unter Verwendung einer zusammengesetzten beobachteten Temperatur- und Niederschlagsaufzeichnung (abgeleitet durch Mittelung der täglichen Daten über die beiden GZDCA-Stationen) wurden die Ergebnisse von 5 regionalen Klimamodellen (RCMs) nach den Methoden von Teutschbein auf Projektvariablen (Prädiktoren) für zukünftige Zeitabschnitte korrigiert Seibert34. Zur Durchführung der Bias-Korrektur wurden Klimamodelldaten für die hydrologische Modellierung (CMhyd)35 verwendet. Dieses Tool wird in vielen hydrologischen Modellierungsstudien häufig eingesetzt36,37,38. Der Mittelwert und die Standardabweichung einer bestimmten Variablen wurden verwendet, um die Modellverteilung an die beobachtete Zielverteilung anzupassen.

Beobachtete Daten der minimalen und maximalen Temperatur und des Niederschlags werden von zwei Klimastationen (Observatorien) in GZDCA erfasst, nämlich DI Khan und Tank. Als Basiszeitraum wird der Zeitraum 1980–2005 betrachtet, in dem die beobachteten Daten zum Training des CMhyd-Modells und zur Generierung von Zeitreihen für die zukünftige Bias-Korrektur von RCMs verwendet werden. Die zukünftigen Daten werden von 2006 bis 2100 projiziert. Die Ergebnisse werden in drei zukünftigen Zeitabschnitten aggregiert: Nahe Zukunft oder 2020er Jahre (2011–2040); Mitte des Jahrhunderts oder 2050er Jahre (2041–2070); und Ende des Jahrhunderts oder der 2080er Jahre (2071–2100).

Wenn das Klima variiert oder sich verändert, verändern mehrere direkte Einflüsse die Niederschlagsmenge, -intensität, -häufigkeit und -art39,40. Die Erwärmung beschleunigt die Austrocknung der Landoberfläche, da Wärme in die Verdunstung von Feuchtigkeit übergeht, und dies erhöht das potenzielle Auftreten und die Schwere von Dürren, die an vielen Orten auf der Welt beobachtet wurden41.

Eine wichtige Arbeit zur Gestaltung der Analyse von Klimagefahren war der NPCC3-Bericht9, der die Klimagefahren und ihre Quantifizierungsmaße definiert: „Eine Klimagefahr ist ein Wetter- oder Klimazustand wie Hitzewelle, Überschwemmung, starker Wind, starker Regen, Eis.“ , Schnee oder Dürre, die Menschen, Eigentum, Infrastruktur, Land und Ökosystemen Schaden zufügen können. „Klimagefahren können in quantifizierten Maßen ausgedrückt werden, wie etwa der Überschwemmungshöhe in Fuß, der Windgeschwindigkeit in Meilen pro Stunde und den Zentimetern Regen, Eis oder Schneefall, die in einem bestimmten Zeitraum erreicht oder überschritten werden.“ In diesem Artikel werden ausgewählte Klimagefahren erörtert, die in GZDCA im Vordergrund stehen. Die Auswahl der Klimagefahren steht auch im Einklang mit den Ergebnissen von Mora et al.6 für GZDCA. In den folgenden Unterabschnitten wird die Methodik zur Analyse dieser Klimagefahren erläutert. Um ein extremes Klimaereignis in zukünftigen Zeitschritten zu erkennen, werden verzerrungskorrigierte, statistisch herunterskalierte Daten mithilfe von CMhyd verwendet, wie im Abschnitt „Klimawandelprojektion“ erläutert.

Hitzewellen sind eine wichtige Art extremer Klimaereignisse, die durch mehrere Merkmale und Kombinationen beschrieben werden, die verschiedene Ereignistypologien bilden. Es gibt keine allgemeingültige Definition für die Bedingungen, die eine Hitzewelle ausmachen. Shafiei Shiva et al.42 haben verschiedene Definitionen aus der Literatur zusammengestellt und sind zu dem Schluss gekommen, dass trotz der Vielfalt der Definitionen in den meisten Studien vier Haupteigenschaften zur Beschreibung der Auswirkungen von Hitzewellen verwendet werden, nämlich Häufigkeit, Intensität, Dauer und Zeitpunkt43,44,45 . Sharma et al.46 haben die Literatur überprüft, um die gesundheitlichen Auswirkungen von Hitzewellen im südasiatischen Raum zu erklären. Ihrer Überprüfung zufolge wurden Hitzewellen nicht explizit definiert, und es gibt viele Definitionen von Hitzewellen für Länder im südasiatischen Raum. Es muss unbedingt darauf hingewiesen werden, dass in der Literatur viele Indizes verfügbar sind, die unterschiedliche Hitzewelleneigenschaften erklären. Einige Indizes wurden beispielsweise vom Expertenteam für die Erkennung und Indizes von Klimawandel vorgeschlagen. Eine aktuelle Studie47 hat diese Indizes verwendet, um die Hitzewelleneigenschaften und die zukünftige Hitzebelastung der Bevölkerung in Afrika zu erklären. Wichtig ist, dass diese Studie47 auch berichtet, dass es keine Standarddefinition einer Hitzewelle gibt und die Definitionen früherer Forscher übernimmt.

Hitzewellen sind in vielen Teilen der Welt eine erhebliche Ursache für wetterbedingte Krankenhauseinweisungen und Todesfälle bei Menschen48,49,50,51,52. Die Hitzewellen beeinträchtigen auch die Landwirtschaft und die Wasserverteilungssysteme erheblich. Insbesondere wenn sie von meteorologischen Dürren begleitet werden, können Hitzewellen den Ernteertrag53 und die Ökologie54 erheblich beeinträchtigen. Viele Pflanzen reagieren empfindlich auf längere erhöhte Temperaturen55. Darüber hinaus belasten Hitzewellen Stromnetze und Wasserverteilungssysteme aufgrund des zusätzlichen Stromverbrauchs für Kühlung und Trinkwasser56,57,58.

Das Fehlen einer universellen Definition von Hitzewellen erfordert die Übernahme einer Definition zur Analyse von Hitzewellen in dieser Studie. Dies bringt die Autoren dazu, die vereinfachte Version der Definition von Ref. 48 zu übernehmen, die lautet: „Hitzewellen sind definiert als ≥ 2 Tage mit einer Temperatur ≥ 95. Perzentil für den Basiszeitraum.“ Diese Definition wurde in vielen Studien übernommen9,59,60. Um die Eigenschaften von Hitzewellenereignissen zu berechnen, die die übernommene Definition qualifizieren, wird der R-Code von Shafiei Shiva61 modifiziert. Die in diesem Artikel verwendeten Definitionen der Hitzewelleneigenschaften ähneln denen von Shafiei Shiva et al.42:

Anzahl heißer Tage (Tage): Ein heißer Tag ist ein Tag, an dem die durchschnittliche Tagestemperatur über dem Schwellenwert liegt.

Häufigkeit von Hitzewellen: Anzahl unabhängiger Hitzewellen in jedem Kalenderjahr.

Dauer der Hitzewellen (Gesamt): Die kumulierte Länge aller Hitzewellen in jedem Kalenderjahr.

Längstes Hitzewellenereignis (Longest): Das längste Hitzewellenereignis in jedem Kalenderjahr.

Die Schwere von Hitzewellen: Die Gesamtschwere der Hitzewelle ist der kumulative Wert der täglichen Durchschnittstemperatur über dem definierten Schwellenwert, ausgedrückt in Gl. (1).

Dabei ist \({T}_{avg,day \,i}\) die durchschnittliche Temperatur von \({day}_{i}\) während einer Hitzewelle basierend auf der übernommenen Definition. \({Threshold}_{avg}\) ist der Schwellenwert für die durchschnittliche Tagestemperatur gemäß der übernommenen Definition. \(m\) ist die Gesamtlänge der Tage während Hitzewellen.

Niederschlag ist das wichtigste Element unter den meteorologischen Variablen, die das Leben und die Zivilisation am unmittelbarsten beeinflussen, da seine extremen Schwankungen erhebliche Auswirkungen sowohl auf die menschliche Gesellschaft als auch auf die natürliche Umwelt haben könnten62. Art und Ausmaß der Schäden durch Überschwemmungen, die durch Niederschlagsextreme ausgelöst werden (Intensität und Häufigkeit), variieren jedoch je nach Standort und hängen weitgehend von der örtlichen Bereitschaft ab. Davenport et al.63 verknüpfen die durch starke Niederschläge verursachten Überschwemmungsschäden mit den Kosten des Klimawandels und analysieren mehr als 6600 Berichte über Überschwemmungsschäden auf Bundesstaatsebene, um den historischen Zusammenhang zwischen Niederschlägen und Überschwemmungsschäden in den Vereinigten Staaten zu quantifizieren. Sie kamen zu dem Schluss, dass historische Veränderungen der Niederschläge (1988–2017) der Grund für 36 % der Überschwemmungsschäden in den USA sind.

Bezüglich GZDCA liegen nur sehr wenige systematische Dokumentationen zu Schäden durch Sturzfluten vor. Informationen zu Überschwemmungsschäden werden häufig von den Katastrophenschutzbehörden der Provinzen (Provincial Disaster Management Authorities, PDMA) und lokalen Medien bereitgestellt64. Zehn Überschwemmungsflüsse im Tank-Distrikt werden während der Monsunzeit aufgrund starker Niederschläge von Sturzfluten heimgesucht. Die Hauptquelle für Sturzfluten sind die Bergbäche im Einzugsgebiet direkt stromaufwärts von GZDCA. Diese Sturzfluten der jüngsten Vergangenheit haben zum Verlust von Menschenleben und Viehbestand, zum Durchbrechen von Kanalabschnitten, zur Überschwemmung landwirtschaftlicher Gebiete und Wohngebiete sowie zu wirtschaftlichen Schäden an der Ernte geführt. DI Khan ist aufgrund der Beschaffenheit des Geländes relativ weniger anfällig für Sturzfluten als Tank.

Dürre ist ein Klimaextrem und eine Gefahr. Es handelt sich um ein wiederkehrendes Phänomen mit schwerwiegenden Auswirkungen auf viele Bereiche im Zusammenhang mit der Umwelt und dem menschlichen Leben65. Viele Studien haben die Notwendigkeit einer effizienten Dürrecharakterisierung und -überwachung für ein proaktives Dürremanagement hervorgehoben, und es wurden auch Anstrengungen zur Dürrevorhersage unternommen66,67,68,69,70,71. Die Dürrecharakterisierung wird üblicherweise als Dürreindizes ausgedrückt.

Die Weltorganisation für Meteorologie (WMO) hat ein Handbuch72 veröffentlicht, das zahlreiche im Laufe der Zeit entwickelte Dürreindizes zusammenstellt. Der Standardized Precipitation Index (SPI) ist möglicherweise der am weitesten verbreitete Dürreindex und der weltweit akzeptierte Standard gemäß der Empfehlung der WMO73. Ein relativ neuer Index ist der Reconnaissance Drought Index (RDI)71,74. Dürre gilt als eine große Naturgefahr, die sich nachteilig auf die Agrarsysteme auswirkt und Probleme für die Ernährungssicherheit sowie daraus resultierende wirtschaftliche und soziale Auswirkungen mit sich bringt75,76,77. Daher wurden in letzter Zeit viele landwirtschaftliche Varianten von Dürreindizes entwickelt, die im Allgemeinen die Substitution des Gesamtniederschlags durch den effektiven Niederschlag berücksichtigen und die potenzielle Evapo-Transpiration (PET) in die Berechnung einbeziehen. Beispiele für landwirtschaftliche Dürreindizes sind der Agricultural Standardized Precipitation Index (aSPI)65 und der Effective Reconnaissance Drought Index (eRDI)78.

Diese Studie berechnet SPI, RDI und ihre Varianten für landwirtschaftliche Dürre (d. h. aSPI und eRDI). Wir verwenden ein spezielles Softwarepaket namens Drought Indices Calculator (DrinC Version 1.7)79, das entwickelt wurde, um eine einfache Schnittstelle für die Schätzung von Dürreindizes bereitzustellen. Die Leser werden auf das Benutzerhandbuch von DrinC verwiesen, um die Datenanforderungen und Formate für die Berechnung ausgewählter Dürreindizes in dieser Studie zu verstehen. In unseren Berechnungen haben wir die Hargreaves-Methode zur Schätzung der PET gewählt; bevorzugte Gammaverteilung und USDA (CROPWAT-Version) als Methode zur effektiven Niederschlagsschätzung. Im Allgemeinen weist ein negativer Wert des SPI- oder RDI-Werts auf die Prävalenz eines Dürrejahres hin, während ein positiver Wert auf ein Regenjahr hinweist. Diese Studie übernimmt die Dürreklassifizierungskriterien basierend auf eRDI von Tigkas et al.78.

Die pakistanische Regierung80 betrachtet Weizen als strategische Kulturpflanze. Der Mangel an Weizenproduktion führt zu politischer Unsicherheit, einer erheblichen Entleerung der Währungsreserven, einem Anstieg der Preise für Weizenmehl und Taschenknappheit in gefährdeten Gebieten. Als wichtigstes Grundnahrungsmittel in Pakistan gewährleistet Weizen die Ernährungssicherheit des Landes. Es ist über 22 Millionen Hektar gewachsen und macht 7,8 Prozent der Wertschöpfung in der Landwirtschaft und 1,8 Prozent des BIP aus. Die Selbstversorgung mit Weizen war ein Ziel jeder Regierung und stellt daher immer eine Herausforderung für Agrarexperten und politische Entscheidungsträger dar.

Dürre ist einer der Hauptfaktoren, die sich auf die Ernteerträge auswirken. Um die Auswirkungen verschiedener Dürrearten auf die Ernteerträge zu bestimmen, sind jedoch Beobachtungsdaten erforderlich. Während viele Studien auf den Zusammenhang zwischen der Schwere von Dürren und den Ernteerträgen im Zusammenhang mit den Nutzpflanzen in Pakistan hinweisen, berichten vier neuere Studien81,82,83,84 häufig über SPI- und SPIE-Indizes für die letzten zwei Jahrzehnte, wobei sowohl Satelliten- als auch Bodenbeobachtungen zum Einsatz kamen meteorologische Datensätze. Die Ertragsschätzung und die statistischen Ansätze unterscheiden sich jedoch zwischen diesen Studien, z. B. stützen sich die Referenzen 81, 82, 83 auf Regierungszahlen für ausgewählte Nutzpflanzen, die von der Regierungsbehörde auf Bezirksebene gemeldet werden; while84 wendet einen Ertragssensitivitätsindex an, um die Ernteertragssensitivität und empirische Beziehungen zu analysieren, um Ertragsverluste abzuschätzen. Alle vier Studien kamen gemeinsam zu dem Schluss, dass die Dürreindizes stark mit der Ertragsvariabilität in verschiedenen Erntestadien korrelieren. In unserer Analyse sind wir noch einen Schritt weiter gegangen und haben den Dürreindex (der die stärkste Korrelation mit Ertragsverlusten aufweist) anhand prognostizierter Daten berechnet.

Die Nutzpflanzenmodellierung in diesem Artikel konzentriert sich auf die Weizenernte, da diese eine enorme Bedeutung hat und einen hohen Stellenwert in der Regierungspolitik hat. In dieser Studie wird das wassergetriebene Simulationspflanzenmodell AquaCrop verwendet, das eine Winterweizenpflanze berücksichtigt, die in einem typischen Bewässerungsgebiet in Pakistan angebaut wird. Detaillierte Informationen zum AquaCrop-Modell und zum Ansatz der Ernteertragssimulation finden Sie in den Studien65,71,85,86. Es ist zu beachten, dass Winterweizen in GZDCA im November gesät und Ende April geerntet wird, was eine typische Weizenerntesaison in Südasien ist. Die Eingabeparameter für AquaCrop wurden größtenteils von87 übernommen, mit Ausnahme der Informationen zur Boden- und Bewässerungsanwendung, die auf beobachteten Praktiken in GZDCA basieren. Die Modellsimulationen wurden in einem jährlichen Zeitschritt unter Verwendung täglich beobachteter Niederschlags- und Temperaturdaten in DI Khan für den Zeitraum 1980 bis 2014 durchgeführt, während andere Eingaben in das Modell bei jedem Durchlauf nicht geändert wurden. Die simulierten Ergebnisse (dh Trockenertrag; \({Y}_{dry}\) in Tonne/ha) wurden mit dem durchschnittlichen Ertrag der Weizenernte in DI Khan verglichen, wie von der Regierungsbehörde88 gemeldet, um die Modelleffizienz zu berechnen. Da die beobachteten Daten jedoch nicht für den gesamten Simulationszeitraum verfügbar waren, wurde nur für diese Jahre ein Vergleich mit den verfügbaren Daten durchgeführt. Der jährliche Ertragsverlust wird wie in Gl. berechnet. (2):

wobei: \({Y}_{loss}\) =Jährlicher Ertragsverlust (%) im \({i}^{th}\) Jahr. \({Y}_{dry}\) = Der Trockenertrag ist der simulierte Weizenertrag aus dem AquaCrop-Modell im \({i}^{th}\) Jahr. \({Y}_{pot}\) = Potenzielle Rendite im \({i}^{th}\) Jahr. Die Regierungsbehörde meldet potenzielle Erträge für verschiedene Weizensorten. Diese Studie hat einen Durchschnittswert für die im Untersuchungsgebiet angebauten Sorten angenommen.

Das eingereichte Werk ist ein Original und wurde in keiner Form oder Sprache anderswo veröffentlicht. Das Manuskript wird in keiner anderen Zeitschrift gleichzeitig berücksichtigt.

Abbildung 2a zeigt die jährlich gemittelte mittlere täglich beobachtete Temperatur von zwei Klimastationen in GZDCA und die zukünftigen Projektionen der mittleren Temperatur, die auf einer auf 5 RCMs angewendeten Bias-Korrektur unter Berücksichtigung von zwei Klimapfaden (4,5 und 8,5) basieren. Beobachtete Trainingsdaten für den Basiszeitraum 1980–2005 werden als durchgehende Linien dargestellt, während beobachtete Daten über den Basiszeitraum hinaus als gestrichelte Linien dargestellt werden, die mit der prognostizierten Temperatur verglichen werden können. Aktuelle Temperaturdaten der Klimastation Tank waren nicht verfügbar und werden daher in Abb. 2a nicht dargestellt.

Beobachtungen im Gomal Zam Dam Command Area (1980–2005) im Vergleich zur zukünftigen Zeitscheibe für (a) durchschnittliche Jahrestemperatur und (b) durchschnittliche jährliche Niederschlagsmenge. Farbige Linien stellen das 10., 25., 75. und 90. Perzentil der Modellprojektionen über die RCPs 4,5 und 8,5 für 5RCMs dar. Die Schattierung zeigt den zentralen Projektionsbereich zwischen dem 25. und 75. Perzentil. Vertikale gepunktete Linien stellen den Bereich der beobachteten und projizierten Zeitscheibe dar. Die beobachteten Daten stammen vom Pakistan Meteorological Department (für DI Khan) und der Water and Power Development Authority (für Tank Station), und die Klimaprojektionen stammen vom Coupled Model Intercomparison Project Phase 5 (CMIP5). Diese Vergleiche sollten aufgrund der kurzfristigen Rolle natürlicher Schwankungen mit Vorsicht betrachtet werden.

Die Zukunftsprognosen in Abb. 2a werden als 10., 25., 75. und 90. Perzentil der Ergebnisse von 5 ausgewählten RCMs und zwei Klimapfaden dargestellt. Der Bereich zwischen dem 25. und 75. Perzentil ist schattiert und wird als Zentralbereich bezeichnet. Außerdem wird eine Trendlinie basierend auf dem 50. Perzentil eingezeichnet, um den Trend anzuzeigen. Die Trendlinie (R2 = 0,95) zeigt, dass GZDCA bei durchschnittlichen Temperaturbedingungen eine Erwärmung von 0,38 °C pro Jahrzehnt erfahren würde. Der schattierte vertikale Bereich hebt einen Zeitabschnitt der 2020er Jahre hervor, der die nahe Zukunft umfasst und im Hinblick auf Planung und Vorbereitung wichtiger ist.

Abbildung 2b zeigt den Jahresniederschlag und folgt dem gleichen Darstellungsschema wie für die mittlere Temperatur in Abb. 2a. Beobachtete Niederschlagsdaten über den Basiszeitraum hinaus stimmen gut mit den prognostizierten Daten überein. Allerdings ist das R2 der Trendlinie für das 50. Perzentil sehr schwach (R2 = 0,17) und zeigt keinen klaren Trend der Zunahme oder Abnahme der Niederschläge. Daher lohnt es sich, die täglichen Niederschlagsdaten zur Erkennung von Niederschlagsereignissen oberhalb bestimmter Schwellenwerte zu analysieren.

Tabelle 2 gibt die Anzahl der Tage an, an denen die Niederschlagsmenge die Schwellenwerte von 12,7 mm bis 50,8 mm übersteigt. Der Niederschlag in GZDCA fällt hauptsächlich während der Monsunzeit (Juli-September). Niederschlagsereignisse bis zu 25 mm werden von Landwirten als vorteilhaft für die Landwirtschaft wahrgenommen. Anekdotisch lösen Niederschlagsereignisse von mehr als 25 mm Sturzbäche und Erdrutsche im Einzugsgebiet direkt oberhalb des GZDCA aus. Die Sturzflut im Gomal-Fluss bringt auch große Mengen an Sedimenten mit sich, die, falls sie in das Bewässerungssystem gelangen, die Durchflusskapazität der Kanäle verringern und Baggerarbeiten erfordern. Interessanterweise unterscheidet sich die Anzahl der prognostizierten Regentage hoher Intensität für die ausgewählten Pfade (4,5 und 8,5) nicht wesentlich. Unter Berücksichtigung von RCP 8.5 ist häufiger mit Niederschlägen geringer Intensität zu rechnen. Die Niederschlagstage, die über den ausgewählten Schwellenwerten liegen, werden in drei Zeitabschnitte unterteilt. Wichtiger für die Planung und Vorbereitung sind die Ergebnisse der nahen Zukunft.

In Abb. 2b tendierten die beobachteten Niederschläge in den 2020er Jahren zu hohen zukünftigen Schätzungen, dh dem 90. Perzentil. Betrachtet man RCP8.5 in Tabelle 2, wäre die Anzahl der Regentage mit allen niedrigen Schwellenwerten (< 25,4 mm) größer als der Basisdurchschnitt. Ein Niederschlagsereignis von etwa 50 mm pro Tag kann zu Überschwemmungen mit verheerenden Auswirkungen auf GZDCA führen.

Tabelle 2 zeigt, dass in den 2020er Jahren im Vergleich zum Ausgangswert eine deutlich geringere Anzahl an Regentagen mit hoher Intensität erwartet wird. Dies ist auf den Mittelwert im Zeitraum 2011–2040 zurückzuführen. Die prognostizierte Anzahl an Tagen mit intensiven Niederschlägen für das Jahr 2022 betrug jeweils 1 Tag mit Niederschlagsmengen > 38,1 mm und 50,8 mm. Allerdings wurden im August 2022 in GZDCA drei starke Regenfälle beobachtet (siehe Abb. 3a). Die Niederschlagsintensität ist nicht außergewöhnlich hoch, hat jedoch verheerende Folgen wie die Überschwemmung von etwa 33 % der GZDCA, wie in Abb. 3b dargestellt. Die Überschwemmungen haben zum Verlust von Menschenleben, Vieh, Häusern sowie Kommunikations-, Bewässerungs- und landwirtschaftlicher Infrastruktur geführt. Die genaue Höhe der Überschwemmungsschäden ist derzeit nicht verfügbar, vorrangige Schätzungen der örtlichen Behörden gehen jedoch davon aus, dass im GZDCA 3.900 Häuser betroffen waren, 20 Menschen ums Leben kamen und Schäden in Höhe von 10 Milliarden PKR (46 Mio. USD) entstanden sind89.

(a) Niederschlag in DI Khan im August 2022; (b) Überschwemmungskarte von GZDCA basierend auf Sentinal-1-Bildern vom 29. August 2022 unter Verwendung eines modifizierten Google Earth Engine-Codes, der von United Nation-Spider entwickelt wurde. Die Karte wurde automatisch ohne Validierungsdaten abgeleitet. Bildnachweis der Grundkarte: Copyright:(c) 2014 Esri, World Shaded Relief.

Tabelle 3 bietet einen alarmierenden Ausblick auf Hitzewellen in allen zukünftigen Zeitabschnitten. Die Zahl der heißen Tage und Hitzewellen zeigt in Zukunft einen zunehmenden Trend. Basierend auf den prognostizierten Daten im 75. Perzentil wäre die Zahl der heißen Tage 4,5-mal höher als im Ausgangswert, während 5,3-mal mehr Hitzewellen als im Ausgangswert erwartet werden. Auch die Merkmale anderer Hitzewellen wie Schwere und Länge liegen besorgniserregend über dem Ausgangswert, wenn man Daten für das 75. und 90. Perzentil zugrunde legt. Ähnliche Ergebnisse wurden von González et al.9 für New York City berichtet, wo sie Daten für 26 GCMs für die Prognose verwendeten und mit einer Basislinie von 1971–2000 verglichen.

Um die Empfindlichkeit der Hitzewelleneigenschaften gegenüber Szenarien mit mittlerer und hoher Emission hervorzuheben, ist die Reaktion in Abb. 4a bis f separat dargestellt. Die maximale Temperatur für GZDCA (Abb. 4a) zeigt weitaus geringere Abweichungen zwischen den beiden Emissionsszenarien, bis die Abweichung im Jahr 2060 ausgeprägter wird. Die Anzahl der heißen Tage pro Jahr (Abb. 4b) zeigt einen steigenden Trend, aber auch hier ist die Abweichung zwischen den beiden Emissionsszenarien nicht erkennbar. Die Steigung der linearen Trendlinie würde bei Auswahl eines Achsenabschnitts gleich Null eine Steigung von 0,97 für Serien mit hohen Emissionen und 0,93 für Serien mit mittleren Emissionen aufweisen. Die Anzahl der Hitzewellen pro Jahr (Abb. 4c) zeigt für beide Emissionsszenarien keinen klaren Trend. Dies ist möglicherweise darauf zurückzuführen, dass aufeinanderfolgende Hitzewellen zu sehr langen Hitzewellen zusammenwachsen, was umso wahrscheinlicher wird, je länger die Hitzewellen dauern (Abb. 4d) und schwerer werden (Abb. 4e). Die Abweichung zwischen den Emissionsszenarien ist bei der Dauer und Schwere der Hitzewelle sichtbar. Es ist auch ein Artefakt der verwendeten Definition von Hitzewelle, die auf der Grundlage des 95. Perzentils der Daten aus dem Basiszeitraum einen unveränderlichen Temperaturschwellenwert über das gesamte Jahrhundert hinweg festlegt. Mit steigenden Durchschnittstemperaturen wird es wahrscheinlicher, dass der Schwellenwert an aufeinanderfolgenden Tagen erreicht wird. Die Logik des umgekehrten Effekts lang anhaltender (kumuliert für jedes Jahr) Hitzewellen auf die Anzahl von Hitzewellenereignissen pro Jahr wird durch Abb. 4f gestützt, die die Ergebnisse für die längste Hitzewelle in jedem Jahr und die Trends beider Emissionsszenarien detailliert zeigt ähneln denen von Abb. 4d.

Ergebnisse aus verzerrungskorrigierten Projektionen für zukünftige Bewertungen von (a) der mittleren täglichen Höchsttemperatur, (b) der Anzahl heißer Tage über dem Schwellenwert, (c) der Anzahl der Hitzewellen, (d) der Dauer der Hitzewellen, (e) der Schwere der Hitzewellen und (f) längste Hitzewelle im Vergleich zum Basiszeitraum. Durchgezogene Linien stellen den multimodalen Mittelwert eines Ensembles aus fünf regionalen Klimamodellen dar, während schattierte Bänder 95 %-Konfidenzintervalle zeigen. Schwarze Linien zeigen Beobachtungen von zwei Stationen innerhalb des GZDCA – DI Khan und Tank – zwischen 1980 und 2005 als Basiszeitraum.

Vier ausgewählte Dürreindizes (SPI, aSPI, RDI und eRDI) werden anhand monatlicher Temperatur- und Niederschlagsdaten für DI Khan berechnet. Die Indizes wurden anhand beobachteter Daten von 1980 bis 2014 als Eingabe in die DrinC-Software berechnet. Die Indizes werden für verschiedene Referenzzeiträume berechnet, wie in Tabelle 4 aufgeführt.

Das AquaCrop-Modell wird im jährlichen Zeitschritt für Weizen unter Verwendung von Eingabedaten und Einstellungen ausgeführt, wie im Abschnitt „Pflanzenmodellierung“ beschrieben. Als Eingabe für AquaCrop werden die gleichen Temperatur- und Niederschlagsdaten verwendet wie für die Berechnung der Dürreindizes. Mit Ausnahme der Temperatur und des Niederschlags blieben alle anderen Eingaben in AquaCrop während der jährlichen Läufe konstant, einschließlich der Oberflächenwasserversorgung durch das Bewässerungssystem. Dies kann begründet werden, da das Bewässerungssystem in GZDCA aus einem Reservoir hinter einem Damm gespeist wird. Das stromabwärts gelegene Kanalbewässerungssystem ist konstruktionsbedingt darauf beschränkt, eine bestimmte Wassermenge bereitzustellen, und eine Verbesserung der Tragfähigkeit des Systems ist in der Zukunft höchst unwahrscheinlich. Jegliche Schwankung der Wasserversorgung des Gomal-Flusses im oberen Einzugsgebiet hätte nur Auswirkungen auf die Speicherung im Stausee und nicht auf die Wasserversorgung der Felder in den Kommandogebieten.

Die simulierten und beobachteten Erträge korrelieren gut (R2 = 0,65, n = 12 Jahre) und zeigen weitgehend ähnliche Trends. Aufgrund der Einschränkungen beider Datensätze sollte ein solcher Vergleich nicht als Maßstab für die Effizienz des Modells betrachtet werden. Der von der Regierungsbehörde gemeldete durchschnittliche Ertrag umfasst Probenahme und Aggregation. Daher spielen die Probengröße, der Standort und die Größe der beprobten Parzellen eine wichtige Rolle bei der Bestimmung des durchschnittlichen Ertrags in einem großen Gebiet. Darüber hinaus spielen auch andere Faktoren als Wetter, Boden und Wasserversorgung eine wichtige Rolle bei der Bestimmung des Ertrags einer bestimmten Feldparzelle. Zu diesen Faktoren gehören die Wahl der Saatgutsorte durch die Landwirte, die Bodenvorbereitung, der Dünger, das Pestizid sowie der Zeitpunkt und die Methode zur Bewässerung des Feldes. Als Gesamteffekt kann der Ertrag auf einer Parzelle stark von dem auf anderen Feldern in der Umgebung abweichen. Diese Ertragsheterogenität kann in der Berechnung des durchschnittlichen Ertrags einer zufällig ausgewählten großen Fläche widergespiegelt werden. Andererseits können die oben genannten Entscheidungen der Landwirte nicht präzise in das Simulationsmodell integriert werden und die Eingaben in das Modell beinhalten auch viele Näherungen und Aggregationen für das gesamte Untersuchungsgebiet.

Zu den Ergebnissen des AquaCrop-Modells gehören die Wasserproduktivität in kg (Ertrag)/m3 verdunstete Verdunstung, Biomasse und Trockenertrag. In diesem Artikel wurde der jährliche Ertragsverlust (berechnet mit Gleichung (2)) als Indikator verwendet, um zu analysieren, wie gut verschiedene Dürreindizes mit dem Ernteertrag korrelieren. Die Korrelationskoeffizienten werden dann durch Vergleich der jährlichen Zeitreihen der Ertragsverluste und ausgewählter Dürreindizes für den Zeitraum (1980–2014) berechnet. Ausgewählte Dürreindizes für jedes Jahr werden für verschiedene Referenzzeiträume separat berechnet, wie in Tabelle 4 gezeigt, um Korrelationskoeffizienten zu berechnen.

Die Ergebnisse zeigen, dass der höchste Korrelationskoeffizient 0,67 beträgt, wenn ein Referenzzeitraum von 5 Monaten (November–März) zur Berechnung der Dürreindizes verwendet wird. Dieser Referenzzeitraum zeigt die gesamte Weizenerntelänge in GZDCA. Die Referenzzeiträume wurden dann auf 4, 3 und 2 Monate und dann um einzelne Monate verkürzt, um die Sensitivität zu analysieren. Basierend auf dem Korrelationskoeffizienten ist der Januar der kritischste Monat hinsichtlich der Lebensdauer von Pflanzen, in dem die Wetterbedingungen eine entscheidende Rolle spielen. Der schwächste Korrelationskoeffizient besteht für November und Dezember, wenn die Kultur gesät wird und sich in einem sehr frühen phänologischen Stadium befindet. Auch die für das Gesamtjahr berechneten Indizes zeigen eine schwache Korrelation.

Tabelle 4 zeigt auch, dass alle vier ausgewählten Dürreindizes recht ähnlich mit Ertragsverlusten korrelierten. Beispielsweise ist der Korrelationskoeffizient bei der Wahl eines 5-monatigen Referenzzeitraums für alle Dürreindizes gleich. Insgesamt weisen RDI und eRDI eine stärkere Korrelation mit Ertragsverlusten auf als SPI und aSPI. Es gibt keinen signifikanten Unterschied zwischen den Korrelationskoeffizienten für RDI und eRDI, was die Verwendung dieser Dürreindizes unempfindlich macht. Der kleine Vorteil von eRDI gegenüber RDI besteht jedoch darin, dass es die Substitution des Gesamtniederschlags durch effektiven Niederschlag berücksichtigt und die potenzielle Evapotranspiration in die Berechnung einbezieht. In einigen Fällen korrelieren die Dürreindizes in ihrer Standardform besser mit dem jährlichen Ertragsverlust als ihre landwirtschaftliche Variante. Beispielsweise zeigen für einen 4-monatigen Referenzzeitraum sowohl SPI als auch RDI eine bessere Korrelation als aSPI und eRDI, für einen Monat ( Jan) RDI zeigen eine bessere Korrelation als eRDI. Diese Ergebnisse bestätigen die Erkenntnisse von Tigkas et al.65, die SPI und aSPI in Teilen Griechenlands berechnen und Korrelationskoeffizienten mit einem jährlichen Ertragsverlust von Winterweizen finden. In einer ähnlichen Studie78 berechneten sie Korrelationskoeffizienten für RDI und eRDI. In unserer Studie haben wir vier Dürreindizes verglichen, indem wir sie mit dem jährlichen Ertragsverlust korrelierten. Die Merkmale der Weizenernte in Griechenland und im Untersuchungsgebiet sind nicht gleich und daher unterscheidet sich auch der Bereich der Korrelationskoeffizienten.

Da Dürrebedingungen von Natur aus schwanken, ist es hilfreich, die erwartete Dürreprävalenz über mehrere Jahre in der Zukunft zu betrachten, um herauszufinden, wie sie mit dem Klimawandel zusammenhängt. Der Korrelationskoeffizient zwischen Dürreindizes und Ertragsverlusten legt nahe, dass für Studien über die Auswirkungen von Dürre auf die Landwirtschaft die Dürreindizes für bestimmte Referenzzeiträume im Zusammenhang mit lokalen Kulturen berechnet werden sollten. Insbesondere wenn voreingenommene, korrigierte Zukunftsdaten zur Berechnung von Dürreindizes verwendet werden, wird es immer wichtiger, für jede lokale Kultur einen separaten Referenzzeitraum auszuwählen. Die bloße Auswahl eines Dürreindex für einen 12-monatigen Referenzzeitraum kann zu einer irreführenden Prognose führen.

Chen et al.90 haben einen ähnlichen Ansatz verwendet, um die Beziehung zwischen simulierten Wintererträgen (unter Verwendung des DSSAT-CERES-Weizenmodells) an 108 Standorten in China und SPEI in verschiedenen Zeiträumen zu ermitteln. Chen et al.90 fanden eine starke Korrelation zwischen dem 4-Monats-SPEI und dem Ertrag, der durch Dürrebedingungen während der Übergangsphase von Winterweizen zur Milch beeinflusst wird. Diese Ergebnisse bestätigen die Ergebnisse unserer Analyse.

Der physikalische Mechanismus der Dürre in Pakistan ist für Meteorologen und die wissenschaftliche Gemeinschaft von größerer Bedeutung. Die positiven Phasen der zirkumglobalen Fernkonnektivität und der sommerlichen Nordatlantischen Oszillation hängen mit übermäßigen Niederschlägen während der Sommersaison über Pakistan zusammen. Der mit der Monsunrinne verbundene Wasserdampftransport (Arabisches Meer nach Südasien) ist entscheidend für trockene und feuchte Bedingungen über Pakistan während der Sommersaison91,92. Andererseits sind Niño4, die Meeresoberflächentemperatur und der multivariate El Niño-Southern Oscillation (ENSO4.0)-Index die einflussreichsten Faktoren für saisonale Dürren in ganz Pakistan93.

Die in diesem Abschnitt vorgestellten Ergebnisse werden durch die Ergebnisse neuerer Studien zu Klimawandelprognosen und den sozioökonomischen Auswirkungen von Hitzewellen und Dürren in Südasien19,20 bestätigt, die darauf hindeuten, dass sich die Häufigkeit historischer Dürren der letzten 50 Jahre auf 80 % der südasiatischen Landfläche verdoppeln könnte Bereich unter 1,5 °C Erwärmung. Die Analyse der Ergebnisse auf subregionaler Ebene zeigt, dass die Exposition der Bevölkerung gegenüber extremen Hitzeereignissen im Südosten Indiens und im Süden Pakistans am höchsten ist und dort mehr als 75 % der Gesamtexposition in Südafrika ausmacht. Das Untersuchungsgebiet in diesem Artikel liegt im südlichen Teil Pakistans, wo die Bevölkerung besonders gefährdet ist, Hitzeereignissen ausgesetzt zu sein.

Die Abbildungen 5 und 6 zeigen den 5-Monats-eRDI unter Verwendung verzerrter korrigierter Temperatur- und Niederschlagsdaten für die Distrikte DI Khan und Tank. Die Ergebnisse werden für die beiden Emissionsszenarien getrennt dargestellt, um die Sensitivität der Dürreindizes gegenüber den Emissionsszenarien 4.5 und 8.5 hervorzuheben. Der Plotbereich ist in den Abbildungen durch farbige Bänder schattiert. 5 und 6, um die subjektive Interpretation von Dürreindizes hervorzuheben. Außerdem werden zusammenfassende Statistiken, dh die Anzahl der trockenen und nassen Jahre in jedem zukünftigen Zeitabschnitt, unter der Abszisse angezeigt. Wir haben gestrichelte Rechtecke verwendet, um langfristige Dürrebedingungen darzustellen, die hier als Fälle definiert sind, in denen drei oder mehr aufeinanderfolgende Jahre Dürrebedingungen in der Landwirtschaft (Weizenanbau) auf der Grundlage des eRDI-5-Monats auftreten würden.

Effective Reconnaissance Drought Index (eRDI) für DIKhan. Die Berechnung basiert auf vorhergesagten Daten der minimalen und maximalen Temperatur und des Niederschlags, die für einen Referenzzeitraum von fünf Monaten (November–März) berechnet wurden, der der Weizenerntesaison entspricht.

Effektiver Aufklärungsdürreindex (eRDI) für Panzer. Die Berechnung basiert auf vorhergesagten Daten der minimalen und maximalen Temperatur und des Niederschlags, die für einen Referenzzeitraum von fünf Monaten (November–März) berechnet wurden, der der Weizenerntesaison entspricht.

Abbildung 5 zeigt, dass in DI Khan im 21. Jahrhundert unter Emissionsszenario 4.5 mit 53 landwirtschaftlichen Dürrejahren und 6 langfristigen landwirtschaftlichen Dürrezuständen zu rechnen ist. Andererseits wird im Fall des Emissionsszenarios 8.5 mit einer etwas geringeren Anzahl von Dürrejahren (49) gerechnet, was als Gegeninitiative erscheint. Bei näherer Betrachtung zeigt sich jedoch, dass das Ausmaß der Dürre im Emissionsszenario 8,5 deutlich größer ist als im Emissionsszenario 4,5. Im Emissionsszenario 8,5 gibt es mehr Jahre mit mäßiger Dürre oder mehr als im Emissionsszenario 4,5.

Abbildung 6 zeigt, dass in Tank die erwarteten Dürrejahre in der Landwirtschaft unter den Emissionsszenarien 8,5 bzw. 4,5 51 bzw. 49 betragen würden. Darüber hinaus weist das Emissionsszenario 8.5 mehr langfristige Dürrebedingungen in der Landwirtschaft auf, insbesondere in der Mitte und am Ende des Jahrhunderts. Im Gegensatz dazu liegt der Zeitpunkt langfristiger Dürrebedingungen in naher Zukunft, wenn Emissionsszenario 4.5 berücksichtigt wird.

Insgesamt sind die Dürreaussichten für DI Khan und Tank in Bezug auf zusammenfassende Statistiken ähnlich, was verständlich ist, da beide Städte recht vergleichbare klimatische Bedingungen haben.

Dieser Artikel konzentrierte sich auf ein bei Klimaprognosen unterrepräsentiertes landwirtschaftliches Gebiet in Pakistan und die damit verbundenen Gefahren. Die Analyse umfasst die Berechnung von Indizes und Metriken potenzieller klimabedingter Gefahren (z. B. Hitzewellen, Niederschlagsextreme und Dürren), die negative Folgen für die Bewohner, die Infrastruktur und die Landwirtschaft in GZDCA haben können.

Das GZDCA ist eine repräsentative Stichprobe typischer landwirtschaftlicher Gebiete in Südasien, in denen Bewässerungssysteme entwickelt werden. Das Agrarsystem und damit die Nahrungsmittelproduktion sind stark anfällig für Klimagefahren. Insbesondere starke Regenfälle während des Monsuns (Juli bis September) lösen Überschwemmungen aus, die die Sommerkulturen (Reis, Zuckerrohr, Baumwolle) schädigen. Im August 2022 kam es in der GZDCA zu heftigen Regenfällen, die dazu führten, dass ein Drittel der Fläche von der Überschwemmung betroffen war. Die Winterkulturen, insbesondere Weizen, sind anfälliger für Dürren und Hitzewellen. Die Ergebnisse des AquaCrop-Modells unter Verwendung beobachteter Klimadaten (1980–2005) haben die jährliche Reaktion des in GZDCA angebauten Weizenertrags gezeigt. Die Ertragsreaktion korreliert recht gut mit den landwirtschaftlichen Dürreindizes, insbesondere dem eRDI. Daher ist eRDI unter den anderen in dieser Studie berücksichtigten Optionen der am besten geeignete landwirtschaftliche Dürreindex. Die Ergebnisse legen nahe, dass die Größe des eRDI besser mit der Reaktion auf den Weizenertrag korreliert, wenn Klimadaten für 5 Monate (November–März) als Eingabe für Dürreindizes und das Erntemodell verwendet wurden. Die Dürreindizes werden üblicherweise auf jährlicher Basis berechnet (unter Verwendung von 12-Monats-Klimadaten), was möglicherweise einen breiteren Ausblick bietet, aber nicht die Charakterisierung landwirtschaftlicher Dürren für bestimmte Kulturpflanzen erklärt. Daher sollten landwirtschaftliche Dürreindizes für Hauptkulturen separat berechnet werden, wobei ein ähnlicher Ansatz verwendet wird, der in diesem Artikel verwendet wird, insbesondere wenn sie mit prognostizierten Klimadaten berechnet werden und für die Planung und Vorbereitung verwendet werden sollen. Die Ergebnisse des eRDI-5-Monats für GZDCA zeigen die Wahrscheinlichkeit einer langfristigen (drei oder mehr ununterbrochene Dürrejahre) landwirtschaftlichen Dürre in naher Zukunft. Dies bedeutet, dass die Weizenproduktion sehr anfällig für Dürre ist und sorgfältige Pläne zur Bewältigung dieser Herausforderung für die Nahrungsmittelproduktion erforderlich sind.

Die Hitzewellencharakteristika und landwirtschaftlichen Dürreindizes für die Zukunft zeigen, dass die GZDCA mit häufigen Klimabelastungen rechnet. Die Ergebnisse dieser Studie wären insbesondere für die Bezirksverwaltung und die Regierungsbehörden für Katastrophenmanagement, Landwirtschaft und Viehzucht von Interesse. In Pakistan steuert die Bezirksverwaltung in der Regel die Bemühungen zur Katastrophenvorsorge und übernimmt eine Koordinierungsrolle zwischen verschiedenen Behörden, darunter Landwirtschaft und Viehzucht.

Eine politische Empfehlung aus dieser Studie lautet, dass die Klimarisikobewertungen auf Bezirksebene durchgeführt werden sollten, die sich auf Klimagefahren konzentrieren können, die ein größeres Potenzial haben, Menschenleben und die zivile Infrastruktur zu beeinträchtigen. Gleichzeitig könnte ein eher pragmatischer Ansatz darin bestehen, landwirtschaftliche Gebiete (die nicht unbedingt den Verwaltungsgrenzen von Bezirken folgen) für Klimarisikobewertungen zu berücksichtigen, wobei der Schwerpunkt auf Klimagefahren liegt, die sich auf landwirtschaftliche Systeme auswirken. Die Erkenntnisse aus GZDCA als Schwerpunktbereich dieser Studie stützen dieses Argument. Die nationale Klimaschutzpolitik Pakistans94 legt den Schwerpunkt auf die Katastrophenvorsorge auf nationaler Ebene. Ein effizienterer Weg, dies zu erreichen, besteht jedoch wahrscheinlich darin, sie auf die Ebene von Bezirken/Landwirtschaftsgebieten zu delegieren. Dies würde den Planungsprozess verbessern, wenn es auf lokalen Bewertungen von Klimarisiken basiert, die fokussierter und kontextspezifischer sind. Zukünftige Forschungen können mehr Nutzpflanzen und entsprechende Referenzzeiträume berücksichtigen, um landwirtschaftliche Dürreindizes zu berechnen.

In dieser Studie wurden nur RCM-Ausgaben von CORDEX-South Asia-Frameworks verwendet und die Ausgaben anderer Modelle nicht berücksichtigt. Eine Einschränkung dieser Studie ist die in den statistischen Downscaling-Ansätzen eingebaute Annahme, dass sich die Beziehungen zwischen den großräumigen und lokalen Variablen in Zukunft nicht ändern – diese Annahme der statistischen Stationarität bleibt in einem instationären/verändernden Klima möglicherweise nicht gültig95. Zum Zeitpunkt des Abschlusses der in diesem Dokument vorgestellten Analyse waren die Daten der erforderlichen räumlichen und zeitlichen Auflösung aus Phase sechs des Coupled Model Inter-comparison Project (CMIP6) nicht allgemein zugänglich. Es wird daher empfohlen, dass zukünftige Studien die neuesten Datensätze verwenden und geeignete gemeinsame sozioökonomische Pfade (SSPs)96 auswählen, die von der Klimaforschungsgemeinschaft entwickelt wurden. Die Autoren schlagen für zukünftige Studien vor, SSPs für Klimaprojektionen zu verwenden und eRDI für bestimmte Nutzpflanzen im landwirtschaftlichen Interessengebiet zu berechnen.

Die im Rahmen der aktuellen Studie analysierten Datensätze sind von der Erhebungsbehörde in Pakistan nicht öffentlich zugänglich, können aber auf begründete Anfrage beim entsprechenden Autor angefordert werden.

IPCC. Zusammenfassung für politische Entscheidungsträger. im Klimawandel 2022: Eindämmung des Klimawandels. Beitrag der Arbeitsgruppe III zum sechsten Sachstandsbericht des Zwischenstaatlichen Ausschusses für Klimaänderungen (Hrsg. Shukla, PR et al.) (Cambridge University Press, 2022).

Trenberth, KE Festlegung eines Zusammenhangs zwischen Klimaextremen und Klimawandel. Aufstieg. Änderung 115, 283–290 (2012).

Artikel ADS Google Scholar

Meehl, GA, Tebaldi, C., Walton, G., Easterling, D. & McDaniel, L. Relativer Anstieg der rekordhohen Höchsttemperaturen im Vergleich zu rekordtiefen Tiefsttemperaturen in den USA. Geophys. Res. Lette. https://doi.org/10.1029/2009GL040736 (2009).

Artikel Google Scholar

Coleman, J. Der Klimawandel machte eine Hitzewelle in Südasien 30-mal wahrscheinlicher. Natur https://doi.org/10.1038/d41586-022-01444-1 (2022).

Artikel PubMed Google Scholar

IPCC. Klimawandel 2014: Auswirkungen, Anpassung und Verwundbarkeit. im Beitrag der Arbeitsgruppe II zum fünften Sachstandsbericht des Zwischenstaatlichen Ausschusses für Klimaänderungen (Hrsg. Field, CB et al.) (Cambridge University Press, 2014).

Mora, C. et al. Umfangreiche Bedrohung für die Menschheit durch kumulative Klimagefahren, die durch Treibhausgasemissionen verstärkt werden. Nat. Aufstieg. Änderung 8, 1062–1071 (2018).

Artikel ADS CAS Google Scholar

Schneider, P., Walz, A., Albert, C. & Lipp, T. Ökosystembasierte Anpassung in Städten: Einsatz formeller und informeller Planungsinstrumente. Landnutzungspolitik 109, 105722 (2021).

Artikel Google Scholar

Watts, N. et al. Der Bericht von The Lancet Countdown aus dem Jahr 2019 über Gesundheit und Klimawandel: Sicherstellen, dass die Gesundheit eines heute geborenen Kindes nicht durch einen Klimawandel bestimmt wird. Lancet 394, 1836–1878 (2019).

Artikel PubMed Google Scholar

González, JE et al. Bericht des New York City Panel on Climate Change 2019, Kapitel 2: Neue Methoden zur Bewertung extremer Temperaturen, starker Regenfälle und Dürre. Ann. NY Acad. Wissenschaft. 1439, 30–70 (2019).

Artikel ADS PubMed Google Scholar

Rosenzweig, C. & Solecki, W. Vorwort zum Aufbau der Wissensbasis für Klimaresilienz: Bericht des New York City Panel on Climate Change 2015. Ann. NY Acad. Wissenschaft. 1336, 7–7 (2015).

Artikel ADS PubMed Google Scholar

Rosenzweig, C., Solecki, W., Hammer, SA und Mehrotra, S. Städte sind führend bei Klimaschutzmaßnahmen. Natur 467, 909–911 (2010).

Artikel ADS CAS PubMed Google Scholar

Eckstein, D., Künzel, V. & Schäfer, L. Globaler Klimarisikoindex 2021: Wer leidet am meisten unter extremen Wetterereignissen? https://www.germanwatch.org/sites/default/files/Global%20Climate%20Risk%20Index%202021_2.pdf (2021).

Weltbankgruppe und Asiatische Entwicklungsbank. Länderprofil des Klimarisikos: Pakistan. (Weltbank, 2021). doi:https://doi.org/10.1596/36372.

IFRC. Auswirkungen des Klimawandels auf Gesundheit und Lebensunterhalt: Bewertung Pakistans. https://www.climatecentre.org/wp-content/uploads/RCRC_IFRC-Country-assessments-PAKISTAN-V4.pdf (2021).

Hussain, M. et al. Eine umfassende Übersicht über die Auswirkungen des Klimawandels, die Anpassung und die Eindämmung von Umwelt- und Naturkatastrophen in Pakistan. Umgebung. Überwachen. Bewerten. 192, 48 (2020).

Artikel Google Scholar

Fahad, S. & Wang, J. Klimawandel, Verwundbarkeit und seine Auswirkungen im ländlichen Pakistan: Ein Rückblick. Umgebung. Wissenschaft. Umweltverschmutzung. Res. 27, 1334–1338 (2020).

Artikel Google Scholar

UN-Habitat. Islamabad, Pakistan – Bewertung der Anfälligkeit für den Klimawandel. https://unhabitat.org/sites/default/files/download-manager-files/Islamabad%2C%20Pakistan%20-%20Climate%20Change%20Vulnerability%20Assessment.pdf (2014).

GoP, OPHI und UNDP. Multidimensional-Armut-in-Pakistan.pdf. https://www.ophi.org.uk/wp-content/uploads/Multidimensional-Poverty-in-Pakistan.pdf (2016).

Ullah, I. et al. Prognostizierte Veränderungen der sozioökonomischen Exposition gegenüber Hitzewellen in Südasien unter dem Einfluss des Klimawandels. Die Zukunft der Erde 10, e2021EF002240 (2022).

Artikel ADS Google Scholar

Ullah, I. et al. Prognostizierte Veränderungen des erhöhten Dürrerisikos über Südasien in einem wärmeren Klima. Die Zukunft der Erde 10, e2022EF002830 (2022).

Artikel ADS Google Scholar

Nationales Dürreüberwachungszentrum, Islamabad. Dürre-Bulletins. Pakistan Meteorological Department https://ndmc.pmd.gov.pk/new/bulletins.php.

Chatrath, R., Mishra, B., Ortiz Ferrara, G., Singh, SK & Joshi, AK Herausforderungen für die Weizenproduktion in Südasien. Euphytica 157, 447–456 (2007).

Artikel Google Scholar

Bhatti, MT, Ashraf, M. & Anwar, AA Bodenerosion und Sedimentfrachtmanagementstrategien für eine nachhaltige Bewässerung in Trockengebieten. Nachhaltigkeit 13, 3547 (2021).

Artikel Google Scholar

Anwar, AA & Bhatti, MT Leiten von Feldkanälen durch eine tertiäre Einheit mit heterogenen Feldern. J. Irrig. Entleeren Eng. 147, 04021040 (2021).

Artikel Google Scholar

Mechoso, CR & Arakawa, A. NUMERISCHE MODELLE | Allgemeine Zirkulationsmodelle. In Encyclopedia of Atmospheric Sciences, 2. Auflage (Hrsg. North, GR et al.), 153–160 (Academic Press, 2015). https://doi.org/10.1016/B978-0-12-382225-3.00157-2.

Kapitel Google Scholar

Peres, DJ et al. Auswertung historischer EURO-CORDEX-Simulationen (Coordinated Regional Climate Downscaling Experiment for the Euro-Mediterranean Area) anhand hochwertiger Beobachtungsdatensätze in Süditalien: Einblicke in die Dürrebewertung. Nat. Gefahrenerdsystem. Wissenschaft. 20, 3057–3082 (2020).

Artikel ADS Google Scholar

Modellierung des Einflusses von Landnutzungsänderungen auf biophysikalische und biochemische Wechselwirkungen auf regionaler und globaler Ebene – DEVARAJU – 2015 – Pflanze, Zelle und Umwelt – Wiley Online Library. https://doi.org/10.1111/pce.12488.

Zappa, G. Regionale Klimaauswirkungen zukünftiger Veränderungen in der atmosphärischen Zirkulation mittlerer Breiten: Eine Storyline-Ansicht. Curr. Aufstieg. Change Rep. 5, 358–371 (2019).

Artikel Google Scholar

USGCRP. Sonderbericht zur Klimawissenschaft. 1–470 https://science2017.globalchange.gov/chapter/5/.

Van Vuuren, DP et al. Die repräsentativen Konzentrationswege: Ein Überblick. Aufstieg. Änderung 109, 5–31 (2011).

Artikel ADS Google Scholar

Taylor, KE, Stouffer, RJ & Meehl, GA Ein Überblick über CMIP5 und das Experimentdesign. Stier. Bin. Meteor. Soc. 93, 485–498 (2012).

Artikel ADS Google Scholar

Ahmad, B. & Rasul, G. Statistisch verkleinerte Projektionen von CORDEX Südasien mithilfe eines Quantilkartierungsansatzes für die Region Pakistan. IJGW 16, 435 (2018).

Artikel Google Scholar

Klimadatenspeicher. Daten des regionalen CORDEX-Klimamodells auf einzelnen Ebenen. Copernicus Earth Observ. Programm. https://doi.org/10.24381/cds.bc91edc3 (2019).

Artikel Google Scholar

Teutschbein, C. & Seibert, J. Bias-Korrektur regionaler Klimamodellsimulationen für hydrologische Folgenabschätzungen zum Klimawandel: Überprüfung und Bewertung verschiedener Methoden. J. Hydrol. 456–457, 12–29 (2012).

Artikel Google Scholar

Rathjens, H., Bieger, K., Srinivasan, R., Chaubey, I. & Arnold, JG CMhyd-Benutzerhandbuch: Dokumentation zur Vorbereitung simulierter Klimawandeldaten für hydrologische Wirkungsstudien. 17 (2016).

Haider, H. et al. Bewertung des Klimawandels und seiner Auswirkungen auf die Wasserressourcen Pakistans: Eine Fallstudie zum Mangla Watershed. Atmosphäre 11, 1071 (2020).

Artikel ADS Google Scholar

Musie, M., Sen, S. & Srivastava, P. Anwendung von CORDEX-AFRICA- und NEX-GDDP-Datensätzen für hydrologische Projektionen unter dem Klimawandel im Unterbecken des Lake Ziway, Äthiopien. J. Hydrol. Reg. Zucht. 31, 100721 ​​(2020).

Artikel Google Scholar

Saade, J., Atieh, M., Ghanimeh, S. & Golmohammadi, G. Modellierung der Auswirkungen des Klimawandels auf die Verfügbarkeit von Oberflächenwasser mithilfe des SWAT-Modells in einem semiariden Becken: Fall des Flusses El Kalb, Libanon. Hydrologie 8, 134 (2021).

Artikel Google Scholar

Trenberth, KE Veränderungen der Niederschläge mit dem Klimawandel. Aufstieg. Res. 47, 123–138 (2011).

Artikel Google Scholar

Trenberth, KE, Dai, A., Rasmussen, RM & Parsons, DB Der sich verändernde Charakter des Niederschlags. Stier. Bin. Meteor. Soc. 84, 1205–1218 (2003).

Artikel ADS Google Scholar

Dai, A. Dürre unter globaler Erwärmung: Ein Rückblick. DRÄHTE Clim. Änderung 2, 45–65 (2011).

Artikel Google Scholar

Shafiei Shiva, J., Chandler, DG & Kunkel, KE Lokalisierte Veränderungen der Hitzewelleneigenschaften in den Vereinigten Staaten. Die Zukunft der Erde 7, 300–319 (2019).

Artikel ADS Google Scholar

Anderson, GB, Bell, ML & Peng, RD Methoden zur Berechnung des Hitzeindex als Expositionsmetrik in der Umweltgesundheitsforschung. Umgebung. Gesundheitsperspektive. 121, 1111–1119 (2013).

Artikel PubMed PubMed Central Google Scholar

Habeeb, D., Vargo, J. & Stone, B. Steigende Hitzewellentrends in großen US-Städten. Nat. Gefahren 76, 1651–1665 (2015).

Artikel Google Scholar

Robinson, PJ Zur Definition einer Hitzewelle. J. Appl. Meteor. 40, 762–775 (2001).

2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0450%282001%29040%3C0762%3AOTDOAH%3E2.0.CO%3B2" aria-label="Article reference 45" data-doi="10.1175/1520-0450(2001)0402.0.CO;2">Artikel ADS Google Scholar

Sharma, A., Andhikaputra, G. & Wang, Y.-C. Hitzewellen in Südasien: Charakterisierung, Folgen für die menschliche Gesundheit und Anpassungsstrategien. Atmosphäre 13, 734 (2022).

Artikel ADS Google Scholar

Iyakaremye, V. et al. Bis zur Mitte des 21. Jahrhunderts nehmen die extremen Temperaturen und die damit verbundene Belastung der Bevölkerung in Afrika zu. Wissenschaft. Gesamtumgebung. 790, 148162 (2021).

Artikel ADS CAS PubMed Google Scholar

Anderson, GB & Bell, ML Hitzewellen in den Vereinigten Staaten: Sterblichkeitsrisiko während Hitzewellen und Effektmodifikation durch Hitzewellenmerkmale in 43 US-Gemeinden. Umgebung. Gesundheitsperspektive. 119, 210–218 (2011).

Artikel PubMed Google Scholar

Huynen, MM, Martens, P., Schram, D., Weijenberg, MP & Kunst, AE Die Auswirkungen von Hitzewellen und Kälteperioden auf die Sterblichkeitsraten in der niederländischen Bevölkerung. Umgebung. Gesundheitsperspektive. 109, 463–470 (2001).

Artikel CAS PubMed PubMed Central Google Scholar

Manyuchi, AE, Vogel, C., Wright, CY und Erasmus, B. Die selbstberichteten Auswirkungen der Hitzeeinwirkung auf die menschliche Gesundheit im Unterbezirk Agincourt in Südafrika. Humanit. Soc. Wissenschaft. Komm. 9, 50 (2022).

Artikel Google Scholar

Mitchell, D. et al. Die menschliche Sterblichkeit während extremer Hitzewellen wird auf den anthropogenen Klimawandel zurückgeführt. Umgebung. Res. Lette. 11, 074006 (2016).

Artikel ADS Google Scholar

Zhang, L. et al. Die Auswirkungen von Hitzewellen auf die Sterblichkeit variieren je nach Alter und Gebiet: Eine gebietsübergreifende Studie in China. Umgebung. Gesundheit 17, 54 (2018).

Artikel PubMed PubMed Central Google Scholar

van der Velde, M., Tubiello, FN, Vrieling, A. & Bouraoui, F. Auswirkungen extremer Wetterbedingungen auf Weizen und Mais in Frankreich: Auswertung regionaler Erntesimulationen anhand beobachteter Daten. Aufstieg. Änderung 113, 751–765 (2012).

Artikel ADS Google Scholar

Peterson, TC et al. Überwachung und Verständnis von Veränderungen bei Hitzewellen, Kältewellen, Überschwemmungen und Dürren in den Vereinigten Staaten: Stand des Wissens. Stier. Bin. Meteor. Soc. 94, 821–834 (2013).

Artikel ADS Google Scholar

Schlenker, W. & Roberts, MJ Nichtlineare Temperatureffekte deuten auf schwere Schäden an US-Ernteerträgen durch den Klimawandel hin. Proz. Natl. Acad. Wissenschaft. 106, 15594–15598 (2009).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Hansen, C., McDonald, S., Nabors, A. & Shafiei Shiva, J. Verwendung der Vorhersagen des Nationalen Wassermodells zur Planung und Bewältigung ökologischer Abflüsse und geringer Abflüsse während der Dürre. in (Hrsg. Johnson, JM et al.) 66–74 (National Water Centers Innovators Program Summer Institute Report 2017, 2017).

Ramamurthy, P. & Bou-Zeid, E. Beitrag versiegelter Oberflächen zur städtischen Verdunstung. Wasserressource. Res. 50, 2889–2902 (2014).

Artikel ADS Google Scholar

Smoyer-Tomic, KE, Kuhn, R. & Hudson, A. Gefahren durch Hitzewellen: Ein Überblick über die Auswirkungen von Hitzewellen in Kanada. Nat. Hazards 28, 465–486 (2003).

Artikel Google Scholar

Nori-Sarma, A. et al. Die Auswirkungen von Hitzewellen auf die Sterblichkeit im Nordwesten Indiens. Umgebung. Res. 176, 108546 (2019).

Artikel CAS PubMed Google Scholar

Wang, Y., Nordio, F., Nairn, J., Zanobetti, A. & Schwartz, JD Berücksichtigung von Anpassung und Intensität bei der Prognose der hitzewellenbedingten Mortalität. Umgebung. Res. 161, 464–471 (2018).

Artikel PubMed Google Scholar

Shafiei Shiva, J. R Code zur Berechnung der Hitzewelleneigenschaften unter Verwendung der Umgebungstemperatur (v1.0). (2018). 10.5281/zenodo.1314762.

Limsakul, A. & Singhruck, P. Langfristige Trends und Variabilität der Gesamt- und Extremniederschläge in Thailand. Atmosphäre. Res. 169, 301–317 (2016).

Artikel Google Scholar

Davenport, FV, Burke, M. & Diffenbaugh, NS Beitrag historischer Niederschlagsänderungen zu Überschwemmungsschäden in den USA. Proz. Natl. Acad. Wissenschaft. USA 118, e2017524118 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

PDMA. Sintflutartige Regenfälle und Überschwemmungen richten in Sindh, KP, verheerende Schäden an. Neueste Nachrichten – The Nation (2022).

Tigkas, D., Vangelis, H. & Tsakiris, G. Dürrecharakterisierung basierend auf einem landwirtschaftsorientierten standardisierten Niederschlagsindex. Theor. Appl. Klimatol. 135, 1435–1447 (2019).

Artikel ADS Google Scholar

Bonaccorso, B., Cancelliere, A. & Rossi, G. Probabilistische Vorhersage von Dürreklassenübergängen in Sizilien (Italien) unter Verwendung des standardisierten Niederschlagsindex und des Nordatlantischen Oszillationsindex. J. Hydrol. 526, 136–150 (2015).

Artikel ADS Google Scholar

Bordi, I., Fraedrich, K., Petitta, M. & Sutera, A. Extremwertanalyse von Regen- und Trockenperioden in Sizilien. Theor. Appl. Klimatol. 87, 61–71 (2007).

Artikel ADS Google Scholar

Bordi, I., Fraedrich, K., Gerstengarbe, F.-W., Werner, PC & Sutera, A. Mögliche Vorhersagbarkeit von Trocken- und Regenperioden: Sizilien und Elbebecken (Deutschland). Theor. Appl. Klimatol. 77, 125–138 (2004).

Artikel ADS Google Scholar

Cancelliere, A., Mauro, GD, Bonaccorso, B. & Rossi, G. Dürrevorhersage unter Verwendung des standardisierten Niederschlagsindex. Wasserressource. Geschäftsführer 21, 801–819 (2007).

Artikel Google Scholar

Michaelides, S. & Pashiardis, S. Überwachung der Dürre in Zypern während des Hydrometeorologischen Jahres 2007–2008 mithilfe des Standardized Precipitation Index (SPI). 9 (2008).

Tigkas, D. & Tsakiris, G. Frühe Schätzung der Auswirkungen von Dürre auf den Ertrag von Regenweizen im mediterranen Klima. Umgebung. Verfahren. 2, 97–114 (2015).

Artikel Google Scholar

Svoboda, MD et al. Handbuch der Dürreindikatoren und -indizes (CRC Press, 2016).

Google Scholar

Weltorganisation für Meteorologie. Benutzerhandbuch zum standardisierten Niederschlagsindex. (2012).

Tsakiris, G., Pangalou, D. & Vangelis, H. Regionale Dürrebewertung basierend auf dem Reconnaissance Dürreindex (RDI). Wasserressource. Geschäftsführer 21, 821–833 (2007).

Artikel Google Scholar

Hameed, M., Ahmadalipour, A. & Moradkhani, H. Dürre und Ernährungssicherheit im Nahen Osten: Ein analytischer Rahmen. Landwirtschaft. Für. Meteorol. 281, 107816 (2020).

Artikel ADS Google Scholar

Holden, S. & Shiferaw, B. Landdegradation, Dürre und Ernährungssicherheit in einem benachteiligten Gebiet im äthiopischen Hochland: Ein bioökonomisches Modell mit Marktmängeln. Landwirtschaft. Wirtschaft. 30, 31–49 (2004).

Artikel Google Scholar

Kogan, F., Guo, W. & Yang, W. Vorhersage von Dürre und Ernährungssicherheit durch die neue Generation betriebsbereiter Satelliten der NOAA. Geomat. Nat. Gefahr. Risiko 10, 651–666 (2019).

Artikel Google Scholar

Tigkas, D., Vangelis, H. & Tsakiris, G. Ein verbesserter effektiver Aufklärungs-Dürreindex zur Charakterisierung landwirtschaftlicher Dürre. Umgebung. Verfahren. 4, 137–148 (2017).

Artikel Google Scholar

Tigkas, D., Vangelis, H. & Tsakiris, G. DrinC: Eine Software zur Dürreanalyse basierend auf Dürreindizes. Erdwissenschaft. Informieren. 8, 697–709 (2015).

Artikel Google Scholar

GoP. Pakistan Economic Survey 2021–22. https://www.finance.gov.pk/survey/chapter_22/PES02-AGRICULTURE.pdf (2022).

Waseem, M., Khurshid, T., Abbas, A., Ahmad, I. & Javed, Z. Auswirkungen der meteorologischen Dürre auf die landwirtschaftliche Produktion auf verschiedenen Ebenen in Punjab, Pakistan. J. Wasserklima. Änderung 13, 113–124 (2021).

Artikel Google Scholar

Hussain, A. et al. Analyse der Auswirkungen von Dürre auf die Landwirtschaft: Erkenntnisse aus Pakistan unter Verwendung eines standardisierten Niederschlags-Evapotranspirationsindex. Nat. Gefahren 115, 389–408 (2023).

Artikel Google Scholar

Rahman, KU et al. Analyse der Produktions- und wirtschaftlichen Verluste von Cash Crops bei unterschiedlicher Dürre: Eine Fallstudie aus der pakistanischen Provinz Punjab. Int. J. Reduzierung des Katastrophenrisikos. 85, 103507 (2023).

Artikel Google Scholar

Saleem, F. et al. Beobachtete Veränderungen im Ernteertrag im Zusammenhang mit der Ausbreitung von Dürren über natürliche und vom Menschen gestörte agrarökologische Zonen Pakistans. Remote Sens. 14, 2152 (2022).

Artikel ADS Google Scholar

Raes, D., Steduto, P., Hsiao, TC & Fereres, E. AquaCrop – Das FAO-Pflanzenmodell zur Simulation der Ertragsreaktion auf Wasser: II. Hauptalgorithmen und Softwarebeschreibung. Agron. J. 101, 438–447 (2009).

Artikel Google Scholar

Steduto, P., Hsiao, TC & Fereres, E. Reaktion des Ernteertrags auf Wasser. https://www.fao.org/3/i2800e/i2800e.pdf (2012).

Ansari, R. et al. Simulation der Auswirkungen von Aussaatmethoden und Wasserdefiziten auf den Weizenertrag in semiariden Umgebungen. Pak. J. Life Soc. Wissenschaft. 17, 68–77 (2019).

Google Scholar

Statistikamt. Agrarstatistik. KP-Datenportal: Offizielles Daten-Repository von Khyber Pakhtunkhwa http://kpbos.gov.pk (2023).

Pakistan heute. Überschwemmung tötete 20 Menschen und verursachte Verluste in Höhe von 10 Mrd. Rupien in DI Khan. Pakistan Today https://www.pakistantoday.com.pk/2022/08/30/flooding-in-di-khan-leaves-20-killed-damages-estimated-at-rs-10-billion/ (2022).

Chen, X. et al. Auswirkungen von mehrzeitskaligen SPEI- und SMDI-Variationen auf Winterweizenerträge. Landwirtschaft. Syst. 185, 102955 (2020).

Artikel Google Scholar

Hina, S., Saleem, F., Arshad, A., Hina, A. & Ullah, I. Dürren über Pakistan: Mögliche Zyklen, Vorläufer und damit verbundene Mechanismen. Geomat. Nat. Gefahr. Risiko 12, 1638–1668 (2021).

Artikel Google Scholar

Bollasina, M. & Nigam, S. Das sommerliche „Hitze“-Tief über Pakistan/Nordwestindien: Entwicklung und Ursprung. Aufstieg. Dyn. 37, 957–970 (2011).

Artikel Google Scholar

Ullah, I. et al. Beobachtete Veränderungen der saisonalen Dürremerkmale und ihrer möglichen potenziellen Ursachen für Pakistan. Int. J. Climatol. 42, 1576–1596 (2022).

Artikel Google Scholar

GoP. Nationale Klimaschutzpolitik. https://www.mocc.gov.pk/Policies (2012).

Lanzante, JR, Dixon, KW, Nath, MJ, Whitlock, CE & Adams-Smith, D. Einige Fallstricke bei der statistischen Herunterskalierung des zukünftigen Klimas. Stier. Bin. Meteor. Soc. 99, 791–803 (2018).

Artikel ADS Google Scholar

Riahi, K. et al. Die gemeinsamen sozioökonomischen Pfade und ihre Auswirkungen auf Energie, Landnutzung und Treibhausgasemissionen: Ein Überblick. Globus. Umgebung. Chang. 42, 153–168 (2017).

Artikel Google Scholar

Referenzen herunterladen

Das International Water Management Institute (IWMI) erhält finanzielle Unterstützung von der United States Agency International Development (USAID) durch die Kooperationsvereinbarung Nr. 72039118 IO 00003, die zur Unterstützung dieser Studie verwendet wurde. Das Studiendesign, die Datenerhebung, die Analyse und die Interpretation der Ergebnisse obliegen ausschließlich den Autoren und spiegeln nicht die Ansichten oder Meinungen von USAID oder IWMI wider.

International Water Management Institute, 12 km Multan Road Chowk Thokar Niaz Baig, Lahore, Pakistan

Muhammad Tousif Bhatti und Kashif Hussain

Universität Birmingham, Dubai, Vereinigte Arabische Emirate

Arif A. Anwar

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Alle Autoren haben zur Konzeption und Gestaltung der Studie beigetragen. Die Materialvorbereitung, Datenerfassung und Analyse wurden von MTB, AAA und KH durchgeführt. Der erste Entwurf des Manuskripts wurde von MTB verfasst und alle Autoren kommentierten frühere Versionen des Manuskripts. Alle Autoren haben das endgültige Manuskript gelesen und genehmigt.

Korrespondenz mit Muhammad Tousif Bhatti.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Bhatti, MT, Anwar, AA & Hussain, K. Charakterisierung und Ausblick klimatischer Gefahren in einem landwirtschaftlichen Gebiet Pakistans. Sci Rep 13, 9958 (2023). https://doi.org/10.1038/s41598-023-36909-4

Zitat herunterladen

Eingegangen: 05. September 2022

Angenommen: 12. Juni 2023

Veröffentlicht: 20. Juni 2023

DOI: https://doi.org/10.1038/s41598-023-36909-4

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.