Simulation and prediction some of climate variable by using multi line SDSM and Global Circulation Models (Case study: Bar Watershed Nayshabour)

Subject Areas : Water and Environment

Siavash Taei Semiromi ¹ , Hamid Reza Moradi ² , Morteza Khodagholi ³

1 - MS Student, Department of Watershed Management Engineering. Tarbiat Modares University
2 - Associate of Department of Watershed Management Engineering. Tarbiat Modares University
3 - Assistant Isfahan Center for Research of Agricultural Science and Natural Resources

Received: 2012-04-27 Accepted : 2012-12-20 Published : 2014-03-21

Keywords: Climate Change, Global circulation model, Downscaling Model, LARS-WG, Nayshabor bar watershed,

Abstract :

One of the weaknesses of GCMs model are large spatial scale in  simulated of climatic variables that for hydrological studies and water resources in the range of watershed area are not sufficiently accurate. So should by using the different techniques that downscale. Then downscaled outputs are used for assessing the impact of climate change on hydrological studies. Among downscaling approaches, statistical methods are of great importance among hydrologists due to their easy and quick performance. In this study, statistical model (SDSM) was evaluated for simulating and predicting minimum and maximum temperature, precipitations in the bar Nayshabur watershed. For executing SDSM model outputs of CGCM1 and Hadcm3 models were applied. Daily data of minimum and maximum temperatures precipitations for the basic period (1970-2000) were simulated under three A1, A2 and B1 scenarios. Based on Statistical parameters, outputs of Hadcm3 model under A2 more compatible with the basic period. Obtained results showed that during 2010-2039, 2040-2069and 2070-2099, the average temperature 0.01, 0.3 and 0.6, the average minimum temperature 0.3, 0.5 and1. 4 and the average maximum temperature 0.7, 1.4 and 2.7 ° C will increase compared to the basic period in the studied basin. Also, the results showed that within three studied periods, the average rainfall will decrease 6, 10 and 17 mm respectivity comparing to the basic period.

References:

1. Stocker, T. F., Qin, D., Plattner, G. K., Tignor, M., Allen, S. K., Boschung, J., ... & Vasconcellos de Menezes, V. (2013). Climate Change 2013. The Physical Science Basis. Working Group I Contribution to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change-Abstract for decision-makers. Groupe d'experts intergouvernemental sur l'evolution du climat/Intergovernmental Panel on Climate Change-IPCC, C/O World Meteorological Organization, 7bis Avenue de la Paix, CP 2300 CH-1211 Geneva 2 (Switzerland).


2. Xu CY (1999) From GCMs to river flow: a review of downscaling methods and hydrologic modelling approaches. Prog Phys Geogr 23:229–249.


3. Hewitson BC, Crane RG (1996) Climate downscaling: techniques and application. Clim Res 7:85–95.


4. Fowler HJ, Blenkinsop S, Tebaldi C (2007) Linking climate change modelling to impacts studies: recent advances in downscaling techniques for hydrological modelling. Int J Climatol 27:1547–1578.


5. Wilby RL, Charles SP, Zorita E, Timbal B, Whetton P, Mearns LO (2004) Guidelines for use of climate scenarios developed from statistical downscaling methods. Supporting material of the Intergovernmental Panel on Climate Change, available from the DDC of IPCC TGCIA 27.


6. Kilsby CG, Jones PD, Burton A, Ford AC, Fowler HJ, Harpham C, James P, Smith A, Wilby RL (2007) A daily weather generator for use in climate change studies. Environ Model Softw 22:1705–1719


7. Kim BS, Kim HS, Seoh BH, Kim NW (2007) Impact of climate change on water resources in Yongdam Dam Basin, Korea. Stoch Environ Res Risk Assess 21:355–373


8. Dibike YB, Coulibaly P (2005) Hydrologic impact of climate change in the Saguenay watershed: comparison of  ownscaling methods and hydrologic models. J Hydrol 307:145–163.


9. Semenov MA (2008) Simulation of extreme weather events by a stochastic weather generator. Clim Res 35(3):203–212.


10. Zhang, X.B. Harvery, K.D. Hogg, W.D., and Yuzyk T.R. (2001). Trends in Canadian streamflow. Water Resour. Res. 37:4. 987-998


11. Wilby RL, Wigley TML (2000) Precipitation predictors for downscaling: observed and general circulation model relationships. IntJ Climatol 20:641–661.


12. Beersma JJ, Buishand TA (2003) Multi-site simulation of daily precipitation and temperature conditional on the atmospheric circulation. Clim Res 25:121–133.


13. Ragab, R. and C. Prudhomme (2002). "Sw—soil and Water: climate change and water resources management in arid and semi-arid regions: prospective and challenges for the 21st century." Biosystems Engineering 81(1): 3-34.


14. Hashmi, M. Z., Shamseldin, A. Y., & Melville, B. W. (2011). Comparison of SDSM and LARS-WG for simulation and downscaling of extreme precipitation events in a watershed. Stochastic Environmental Research and Risk Assessment, 25(4), 475-484.


15. Koch, M., & Cherie, N. (2013). Mono-and multi-modal statistical downscaling of GCM-climate predictors for the Upper Blue Nile River basin, Ethiopia. In Proceedings of the 6 th International Conference on Water Resources and Environment Research, ICWRER (pp. 3-7).


16. Tatsumi, K., Oizumi, T., & Yamashiki, Y. (2013). Introduction of daily minimum and maximum temperature change signals in the Shikoku region using the statistical downscaling method by GCMs. Hydrological Research Letters, 7(3), 48-53.


17. Etemadi, H., Samadi, S., & Sharifikia, M. (2013). Uncertainty analysis of statistical downscaling models using general circulation model over an international wetland. Climate Dynamics, 1-22.


18. فرزانه، محمدرضا، و همکاران. 1389. معرفی پیش بینی کننده های منتخب جهت کوچک مقیاس کردن آماری-رگرسیونی در زیر حوضه بهشت آباد کارون شمالی، نخستین کنفرانس پژوهشهای کاربردی منابع آب ایران، کرمانشاه، دانشگاه صنعتی کرمانشاه، http://www.civilica.com/Paper-INCWR01-INCWR01_081.html.

19. آقاشاهی. محسن. 1391. معرفی و مقایسه مدل های LARS-WG  و SDSM به منظور ریز مقیاس سازی پارامترهای زیست محیطی در مطالعات تغییر اقلیم. مجموعه مقالات ششمین همایش ملی مهندسی محیط زیست. تهران، دانشگاه تهران، دانشکده محیط زیست، http://www.civilica.com/Paper-CEE06-CEE06_569.html.

1. توسلی. احد. 1389: شبیه سازی تغییرات درون رگباری ضریب روان آب با استفاده از مولفه­های  بارشی در حوزه­ی آبخیز بار نیشابور، مجله علوم و مهندسی آبخیزداری ایران، جلد 10. شماره 4. ص 33-21.


2. طائی سمیرمی، س. مرادی، ح.ر. خداقلی،. م. 1392. انتخاب مدل گردش عمومی جو و سناریو مناسب به­منظور مطالعه اثرات تغییر اقلیم در حوزه آبخیز بار نیشابور. دومین همایش ملی تغییر اقلیم وتاثیر آن بر کشاورزی و محیط زیست. ارومیه. مجموعه مقالات34-28.
   
   
   1. Zarghami, M., Abdi., Babaeian, I., Hassanzadeh, Y., Kanani, R., (2011). Impacts of Climate Change on runoffs in East Azerbaijan, Iran. Global and Plantary Change. 78 (2011) 137–146.
   
   

 

1. Moriasi D N., Arnold JG., Van Liew, M. W., Bingner, R. L., Harmel, R. D., & Veith, T. L. Model evaluation guidelines for systematic quantification of accuracy in watershed simulations. Transactions of the ASABE. 2007; 50(3), 885-900.


2. صمدی، س.ز.، مساح بوانی، ع.، مهدوی، م.، .1388 انتخاب  متغیر پیش­بینی­کننده بمنظور کوچک مقیاس کردن آماری داده­های دما و بارندگی درحوزه آبخیز کرخه. مجموعه مقالات پنجمین همایش ملی علوم و مهندسی آبخیزداری(مدیریت پایدار بلایای طبیعی). 2و 3 اردیبهشت ماه 1388. دانشگاه علوم کشاورزی و منابع طبیعی ساری.


3. کتیرایی، پرویز، 1386. سهم تغییرات فراوانی و شدت بارش روزانه در روند بارش در ایران طی دوره 1960 تا 2001، مجله فیزیک زمین و فضا. جلد 1. شماره 33. ص 67 - 83.


4. صبوحی، راضیه، و سلطانی، سعید، 1387. تحلیل روند عوامل اقلیمی در شهرهای بزرگ ایران، مجله علوم . فنون کشاورزی و منابع طبیعی. جلد 12 شماره 46 ص 303 - 321.


5. آذرانفر، آرش، و همکاران. 1385. ارزیابی اثرات تغییر اقلیم بر بارش و دما در حوضه آبریز زاینده رود با استفاده از خروجی مدل های چرخش عمومی. دومین همایش ملی منابع آب ایران. اصفهان.


6. الهی گل، علی، و سهراب حجام، 1385، بررسی اثر تغییرات دما و بارش بر رواناب در حوضه آبریز امامه (استان تهران)، دومین کنفرانس مدیریت منابع آب، اصفهان، دانشگاه صنعتی اصفهان، انجمن علوم و مهندسی منابع آب ایران، http://www.civilica.com/Paper-WRM02-WRM02_004.html


7. خلیلی اقدم، نبی. 1391. ارزیابی توانایی مدل LARS-WG در پیش­بینی برخی از پارامترهای جوی سنندج. مجله پژوهش­های حفاظت آب و خاک.  جلد 19. شماره 4. ص 19-85.
   
   
   1. Elo, A. R., Huttula, T., Peltonen, A., & Virta, J. (1998). The effects of climate change on the temperature conditions of lakes. Boreal environment research, 3, 137-150.
   
   
   2. Etemadi, H. (2012). Statistical Downscaling of Climatic Variables in Shadegan Wetland, Iran.
   
   

24. Wilby, R.L., Tomlinson, O, J., Dawson, C.W., (2007). Multi-site simulation of precipitation by condition resampling. Journal of climate Research, 23: 183-194.


25.  گل محمدی، محمد.، مساح بوانی، علیرضا.، 1389. بررسی تغییرات شدت و دوره بازگشت خشکسالی حوضه قره سو در دوره­های آتی تحت تاثیر تغیر اقلیم. نشریه آب و خاک. (2)25: 326-315.