پیش‌نگری دماهای بیشینه با استفاده از مدل‌های جهانی اقلیم تحت سناریوهای RCP و ریزمقیاس گردانی مدل‌های LARS-WG و SDSM در غرب کشور

الموضوعات :

محمد لطفی ¹ , غلامعلی کمالی ² , امیرحسین مشکوتی ³ , وحید ورشاویان ⁴

1 - دانشجوی دکتری هواشناسی کشاورزی، گروه علوم زمین، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران، ایران
2 - - دانشیار گروه هواشناسی کشاورزی، گروه علوم زمین، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران، ایران
3 - دانشیار هواشناسی کشاورزی، گروه علوم زمین، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران، ایران
4 - استادیار گروه علوم و مهندسی آب، دانشگاه بوعلی سینا، همدان، ایران

تاريخ الإرسال : 29 الأربعاء , جمادى الأولى, 1442 تاريخ التأكيد : 04 الجمعة , رمضان, 1442 تاريخ الإصدار : 25 الجمعة , رجب, 1441

الکلمات المفتاحية: ایران, LARS-WG, گرمایش جهانی, SDSM, RCP, دمای بیشینه,

ملخص المقالة :

افزایش دما و گرمایش جهانی از بزرگ‌ترین چالش‌هایی است که بشر در قرن بیست و یکم با آن مواجه است. بنابراین پیش‌نگری دماهای بیشینه جهت اطلاع از میزان تغییرات و در نتیجه ارائه تمهیدات لازم جهت سازگاری و تعدیل اثرات سوء ناشی از آن از اهمیت زیادی برخوردار است. لذا در این پژوهش به پیش‌نگری دماهای بیشینه در سه استان کردستان، کرمانشاه و ایلام در غرب کشور پرداخته شد. بدین منظور از داده‌های دو مدل جهانی HadGEM2 و CanESM2 تحت سه سناریوی RCP2.6، RCP4.5 و RCP8.5 و همچنین دو مدل ریزمقیاس گردانی LARS-WG و SDSM بهره گرفته شد و تغییرات دماهای بیشینه به‌صورت ماهانه و سالانه در دوره آتی (2050-2021) نسبت به دوره پایه (2018-1989) در 17 ایستگاه هواشناسی مورد بررسی قرار گرفت. جهت واسنجی و صحت‌سنجی مدل‌های SDSM و LARS-WG از شاخص‌های MAE، MSE، RMSE و R2 استفاده شد. نتایج حاصل نشان داد که هر دو مدل در شبیه‌سازی دماهای بیشینه منطقه مورد مطالعه از توانایی بالایی برخوردارند. با این وجود مدل SDSM از دقت بیشتری نسبت به مدل LARS-WG برخوردار است که کمترین و بیشترین دقت آن به ترتیب مربوط به ایستگاه‌های بیجار و تازه‌آباد با RMSE برابر با 02/0 و 18/0 است. نتایج حاصل از پیش‌نگری دماهای بیشینه نیز نشان داد که بر اساس هر دو مدل مورد بررسی میزان دمای بیشینه در دوره آینده نسبت به دوره پایه افزایش می‌یابد که این میزان به‌طور متوسط مدل‌های مورد بررسی بین 8/0 تا 9/1 درجه سلسیوس در سطح منطقه مورد مطالعه خواهد بود. بیشترین میزان آن نیز بر اساس سناریوی RCP8.5 برآورد شده است. از نظر مکانی نیز بیشترین تغییرات مربوط به نواحی شمالی و شرقی منطقه مورد مطالعه و کمترین تغییرات مربوط به نواحی غربی منطقه مورد مطالعه است.

المصادر:

1- آقا شاهی، محسن.، مجتبی اردستانی.، نیک سخن، محمدحسین.، طهماسبی، بهشته. (1391): معرفی و مقایسه مدل‌های LARS-WG و SDSM به‌منظور ریزمقیاس سازی پارامترهای زیست‌محیطی در مطالعات تغییر اقلیم. ششمین همایش ملی و نمایشگاه تخصصی مهندسی محیط‌زیست. تهران.

2- حسینی، سید اسعد.، احمدی، حمزه. (1395): چشم‌انداز تغییرات دما با استفاده از ریزمقیاس نمایی آماری خروجی‌های مدل HadCM3. نشریه هواشناسی کشاورزی، ش 1، صص 73-68.

3- صداقت کردار، علی.، فتاحی، ابراهیم، (1387): شاخص‌های پیش‌آگاهی خشک‌سالی در ایران، مجله جغرافیا و توسعه، دانشگاه سیستان و بلوچستان، ج 6، ش 11، صص 76-59.

4- صمدی، سیده زهرا.، مساح‌بوانی، علیرضا. (1387): معرفی روش‌های شبکه عصبی مصنوعی و SDSM به‌منظور کوچک‌مقیاس کردن آماری داده‌های دما و بارندگی، سومین کنفرانس مدیریت منابع آب ایران، دانشگاه تبریز، 9 ص.

5- طباطبایی، سید علی.، حسینی، مهرداد. (1382): بررسی تغییر اقلیم در شهر سمنان بر اساس پارامترهای بارش ماهیانه و متوسط دمای ماهیانه، سومین کنفرانس منطقه‌ای و اولین کنفرانس ملی تغییر اقلیم اصفهان.

6- عزیزی، قاسم.، احمدی، محمد.، کردوانی، پرویز. (1398): چشم‌انداز تغییرات دمای هوا دوره آینده بر اساس مدل‌های CMIP5 و سناریوهای واداشت تابشی (مطالعه موردی: ایستگاه‌های منتخب استان ایلام)، فصلنامه جغرافیای طبیعی، سال 12، ش 43، صص 88-71.

7- عزیزی، قاسم.، روشن، محمود. (1387): مطالعه تغییر اقلیم در سواحل جنوبی دریای خزر به روش من- کندال، مجله، پژوهش‌های جغرافیایی، شماره 63، صص 28-13.

8- کارآموز، محمد.، رمضانی، فرید.، رضوی، سامان. (1385): پیش‌بینی بلند مدت بارش با استفاده از سیگنال‌های هواشناسی: کاربرد شبکه‌های عصبی مصنوعی. هفتمین کنگره بین‌المللی مهندسی عمران، تهران.

9- کثیری, مریم, گودرزی, مسعود, جانباز قبادی, غلامرضا, متولی, صدرالدین. (1399): چشم‌انداز آینده تغییرات دما و بارش در سواحل جنوبی دریای خزر. جغرافیای طبیعی، دوره 13، ش 47، صص 1-15.

10- گودرزی، مسعود.، حسینی، سید اسعد.، مسگری، ابراهیم. (1394): مدل‌های آب و هواشناسی، چاپ اول، انتشارات آذر کلک، زنجان.

11- نادری، سهراب.، گودرزی، مسعود.، قدمی دهنو، محمد. (1396): اثر تغییر اقلیم بر پارامترهای اقلیمی در حوزه سیمره، علوم و مهندسی آبخیزداری، سال یازدهم، ش 39، صص 76-69.

12- هوشیار، محمود، سبحانی، بهروز.، حسینی، سید اسعد. (1397): چشم‌انداز تغییرات دماهای حداکثر ارومیه با استفاده از ریزگردانی آماری خروجی مدل CanESM2، جغرافیا و برنامه‌ریزی، دوره 22. ش 63. صص 325-305.

  

13- Dimri., A.P., Kumar, D., Choudhary, A., Maharana, P. (2018): Future Changes Over The Himalayas: Maximum And Minimum Temperature, Global And Planetary Change, (162), 212-234.

14- Dracup, J.A. & Vicuna, S. (2005): An Overview Of Hydrology And Water Resources Studies On Climate Change: The California Experience. Proc. World Water And Environmental Resources Congress 2005: Impacts Of Global Climate Change.

15- Fowler, H J., Blenkinsop, S., Tebaldi, C. (2007): Linking Climate Change Modelling To Impacts Studies: Recent Advances In Downscaling Techniques For Hydrological Modeling. International Journal Of Climatology, 27: 1547-1578.

16- Heydari, Sh., Hosseini, S.A., Heydari, A. (2020): Investigating The Effects Of Climate Change On Stream Flows Of Urmia Lake Basin In Iran, Modeling Earth Systems And Environment, 1: 329-339.

17- Hu, T.S., Lam, K.C., Ng, S.T. (2001): River Flow Time Series Prediction With A Range Dependent Neural Network. Hydrological Science Journal, 46: 729-745.

18- IPCC. (2001): In: Watson, R.T., Zinyowera, M.C., Moss, R.H., Dicken, D.J. (Eds.), Special Report On The Regional Impacts Of Climate Change, An Assessment Of Vulnerability. Cambridge University Press, UK.

19- Lin, J.Y., Cheng, C. T., Chau, K.W. (2006): Using Support Vector Machines For Long-Term Discharge Prediction. Hydrological Science Journal, 51: 599-612.

20- Liu, J., Chen, S., Li, L., Lij. (2017): Statistical Downscaling And Projection Of Future Air Temperature Changes In Yunnan Province, China, Advances In Meteorology, 2017: 1-11.

21- Nilawar, A P., Waikar, M L. (2019): Impacts Of Climate Change On Stream Flow And Sediment Concentration Under RCP 4.5 And 8.5: A Case Study In Purna River Basin, India. Science Of The Total Environment, 2: 2685-2696

22- Racsko, P., L. Szeidl And M. Semenov. (1991): A Serial Approach To Local Stochastic Weather Models. Ecological Modeling, 57. 27-41.

23- Semenov, M., Brooks, R., Barrow, E., Richardson, C. (1998): Comparison Of The WGEN And LARS-WG Stochastic Weather Generators For Diverse Climates. Climate Resarche, 10. 95-107.

24- Semonov, M. A., Stratonovitch, P. 2010. Use Of Multi-Model Ensembles From Global Climate Models For Assessment Of Climate Change Impacts. Climate Research. 41: 1-14.

25- Sharma, D., Gupta, A. D., Babel, M. S. (2007): Spatial Disaggregation Of Bias-Corrected GCM Precipitation For Improved Hydrologic Simulation: Ping River Basin, Thailand. Hydrol. Earth Syst. Sci., 11: 1373-1390, DOI: 10.5194/Hess-11-1373-2007.

26- Wilby R.L., Dawson C.W, Barrow E.M. (2002): SDSM- A Decision Support Tool For The Assessment Of Regional Climate Change Impacts, Environmental Modeling & Software, 17: 147-159.

27- Wilby R.L., Harris. I. (2006): A Frame Work For Assessing Uncertainties In Climate Change Impacts: Low Flow Scenarios For The River Thames, UK. Water Resour. Res. 42:10 P.