بررسی تغییرات دمایی سواحل جنوبی دریای خزر با استفاده از سه مدل LARSWG،SDSM و مدل شبکه عصبی مصنوعی
محورهای موضوعی : اقلیم شناسی
الهام قاسمی فر
1
(دانشجوی دکترا آب و هواشناسی ماهواره ای، دانشگاه تربیت مدرس،تهران،ایران.)
بهلول علیجانی
2
(استادآب و هواشناسی و مدیر قطب علمی تحلیل فضایی مخاطرات محیطی، دانشگاه خوارزمی،تهران،ایران.)
محمد سلیقه
3
(دانشیارآب و هواشناسی و عضو قطب علمی تحلیل فضایی مخاطرات محیطی، دانشگاه خوارزمی،تهران،ایران.)
کلید واژه: سواحل جنوبی دریای خزر, تغییرات اقلیمی, دمای‌حداقل, دمای‌حداکثر, مدل های ریزمقیاس سازی,
چکیده مقاله :
تغییرات اقلیمی که عمدتا منشأ انسانی دارد، پدیده‌ای است که طی 150سال اخیر بشر را تهدید می‌کند. سواحل دنیا یکی از آسیب پذیرترین نقاطی هستند که از این پدیده به شدت دگرگون شده اند. تحقیق حاضر میزان تغییرات دمای حداقل و حداکثر برای پنج ایستگاه سواحل جنوبی دریای خزر شامل انزلی، رشت، بابلسر، رامسر و گرگان را با استفاده از دو مدل LARS_WG, SDSM و یک مدل شبکه عصبی مصنوعی، طی دوره اقلیمی پایه 1990-1961 و آینده 2039- 2010 با استفاده از سه سناریوی A2,B2 وB1 مورد بررسی قرار داده است. نتایج حاصل از این پژوهش نشان داد دما طی دوره آماری 1990-1961 افزایش داشته است و هر پنج ایستگاه مورد بررسی دستخوش این تحول و دگرگونی شده اند. بر اساس نتایج مدل LARS_WG ، طی دوره آماری آینده، افزایش دما تا یک درجه سانتیگراد برای همه ی ماهها و هر پنج ایستگاه تشخیص داده شد اما مدل SDSM علاوه بر افزایش دما طی دوره ی آینده (حدود یک درجه سانتیگراد و گاهی بیشتر)، حاکی از کاهش دما برای ایستگاهها در ماههای آوریل، می و نوامبر بود. مدل شبکه عصبی مصنوعی همانند مدل SDSM نشان داد دما برای ایستگاهها و همه‌ی ماهها به جز ماههای آوریل، می و نوامبر افزایش خواهد داشت. مقایسه ی نتایج مدل ها نشان داد که خطای مدل SDSM ( 01/0تا 06/0 درجه سانتیگراد) کمتر از مدل های دیگر است، مدل LARS_WG بعد از مدل SDSM کمترین خطا را داشته است و سپس مدل شبکه عصبی مصنوعی قرار می گیرد. همچنین دو آزمون ویلککسون و کلموگروف اسمیرنوف که به ترتیب برای میانگین و واریانس دو سری بکار گرفته شد مشخص کرد مدل SDSM مقادیر P بالای سطح معنی دار 0.05 دارد. در نتیجه صحت محاسبات مدل SDSM بیشتر است و با اطمینان بیشتری می‌توان به نتایج آن اعتماد کرد.
Introduction Average surface temperatures of the Northern Hemisphere have risen in response to climate change by 0.76°C over the past 150 years (IPCC, 2007) .These temperature increases have been accompanied by a reduction in snow and ice cover, retreat of sea ice and mountain glaciers, a longer growing season and earlier arrival of spring, increased frequency of extreme rainfall events, and more than 25,000 other changes in physical and biological indicators of global warming (Rosenzweig et al., 2008). Numerical models have used in such research after the late of year 1970s. The downscaling software such as SDSM,LARS_WG and ANN (Artificial Neural Network) became very common in the recent decades(e.g. Khan, et al., 2006).The results have showed that the SDSM is the most capable of reproducing various statistical characteristics of observed data in its downscaled results with 95% confidence level, the ANN is the least capable in this respect, and the LARS-WG is in between SDSM and ANN. According to Lopes et al (2008) in Assessment of climate change in Lisbon, the SDSM tool was able to better represent the minimum and maximum temperature whereas LARS-WG simulations is slightly better for precipitation. Material and methods This research has used downscaled methods for the minimum and maximum temperatures of five stations including Anzali, Rasht, Babolsar, Ramsar and Gorgan in the southern coastal of the Caspian sea by three models namely LARS-WG, SDSM and ANN during 1961-90 and 2010-2039 period under three scenarios of A1 , A2 , And B2 . For this purpose, first the observed data of 1961-90 period were obtained from Meteorological Organization of Iran. Since GCMs are restricted in their usefulness for local impact studies with their coarse spatial resolution (typically 50,000 km2) and inability to resolve important sub–grid scale features such as clouds and topography, the three downscaling models namely SDSM, LARS_WG and ANN were used to downscaling these coarse data. Two GCM data were obtained from the website: http://www.cics.uvic.ca/scenarios/index.cgi?Scenarios. Root Mean square error (RMSE), Mean absolute error (MAE) and Coefficient of determination ( ) were used to assessing the capability of the models. Result and discussions SDSM model results showed very small error ( 0.01 to 0.06°C) between observed and generate data using NCEP predictors-based data with a little more discrepancy using HADCM3 predictors-based data . The model output showed minimum and maximum temperature will rise during the future period with the exception of the months including April ,May and November. This warming trend was same for ANN with error range of 0.2 to 0.8°C. LARS-WG simulation showed temperature will rise for all months of the year with the error range of 0.1 to 0.2°C. The comparison betweem three models showed that the SDSM tool was able to better represent the minimum and maximum temperature. Conclusion According to this study the temperature increased during the target period. Temperature will increase during future period too.The SDSM and ANN model showed decrease in the temperature of the months including April, May and November. But the LARS_WG showed increase in the temperature in all month and all stations. The comparison of the models showed that the SDSM model has recorded the lowest error in the predicting of future temperatures.
_||_