Predicting maximum temperatures using global climate models under RCP scenarios and microscaling LARS-WG and SDSM models in the west of the country

Subject Areas : Climatology

Mohmmad Lotfi ¹ , Gholam Ali Kamali ² , Amirhosin Meshkati ³ , Vahid Varshavyan ⁴

1 - PhD Student in Agricultural Meteorology, Department of Earth Sciences, Islamic Azad University, Science and Research Branch, Tehran, Iran
2 - Associate Professor of Agrometeorology, Department of Earth Sciences, Science and Research Branch, Islamic Azad University, Tehran, Iran
3 - Associate Professor of Agricultural Meteorology, Department of Earth Sciences, Islamic Azad University, Science and Research Branch, Tehran, Iran
4 - Assistant Professor, Department of Water Science and Engineering, Bu Ali Sina University, Hamadan, Iran

Received: 2021-01-13 Accepted : 2021-04-16 Published : 2020-03-20

Keywords: Iran, LARS-WG, Global Warming, SDSM, Maximum temperature, RCP,

Abstract :

Rising global warming is one of the greatest challenges facing humanity in the 21st century. Therefore, it is very important to predict the maximum temperatures in order to know the amount of changes and, as a result, to take the necessary measures to adapt and moderate the adverse effects caused by it. Therefore, in this study, maximum temperatures were predicted in three provinces of Kurdistan, Kermanshah and Ilam in the west of the country. For this purpose, the data of two global models HadGEM2 and CanESM2 were used under three scenarios: RCP2.6, RCP4.5 and RCP8.5, as well as two microscale models of LARS-WG and SDSM, and changes in maximum temperatures on a monthly and annual basis in the future 2050-2021) compared to the base period (2018-1989) were examined in 17 meteorological stations. MAE, MSE, RMSE and R2 indices were used to calibrate and validate SDSM and LARS-WG models. The results showed that both models have a high ability to simulate the maximum temperatures of the study area. However, the SDSM model is more accurate than the LARS-WG model, with the lowest and highest accuracy for Bijar and Tazehabad stations with RMSE of 0.02 and 0.18, respectively. The results of maximum temperature forecasting also showed that according to both models, the maximum temperature in the future period will increase compared to the base period, which is the average of the studied models between 0.8 to 1.9 degrees Celsius in the region. Will be studied. The highest rate is estimated based on the RCP8.5 scenario. Spatially, the most changes are related to the northern and eastern areas of the study area and the least changes are related to the western areas of the study area.

References:

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.