Modeling and Predicting Climatic Elements of Temperature and Precipitation (Case Study: Ahar Synoptic Station)

Subject Areas : Climatology

shahram lotfi gharanchai ¹ , Alireza shakiba ² , amene dashtbozorghi ³ , Fatima rabbani ⁴ , Tayyaba akbari Azirani ⁵

1 - PhD Student in Synoptic Meteorology, Faculty of Earth Sciences, Shahid Beheshti University, Tehran, Iran
2 - Associate Professor, Faculty of Remote Sensing and GIS, Shahid Beheshti University, Tehran
3 - Responsible for the laboratory of the Faculty of Remote Sensing and GIS of Shahid Beheshti University of Tehran
4 - Tarbiat Modares University of Tehran
5 - Assistant Professor, Faculty of Earth Sciences, Shahid Beheshti University

Received: 2021-06-02 Accepted : 2021-10-25 Published : 2021-10-23

Keywords: Climate Change, Scenarios, exponential microscale, CanESM2 model,

Abstract :

Today, climate change is considered a serious challenge to human societies and the environment and has caused anomalies in the Earth's climate system. According to scientists, an increase in the average global temperature is inevitable. In this study, the climatic elements of temperature and precipitation of Ahar synoptic station for the near future (2026-2045), middle future (2046-2065) and distant future (2066-2085) using the outputs of the CanESM2 climate change model. Based on RCP2.6, RCP4.5 and RCP8.5 with SDSM exponential microscale model and also the annual trend of these changes was investigated using Mann-Kendall test. Based on the output of the model, it was determined that in the near future, precipitation will occur in February and November, and in the next two periods, mid and distant, in October, the greatest decrease will occur, and for April, May and August, the precipitation will increase. On average, the minimum temperature will increase to 0.38 degrees Celsius, the average temperature to 0.52 degrees Celsius and the maximum temperature to 0.82 degrees Celsius. Based on the results of Mann-Kendall test, the annual trend of precipitation in the future will be decreasing, the average temperature in the three scenarios will have an increasing and significant trend and the temperature elements (minimum, medium and maximum temperature) in RCP8.5 will be increasing and significant.

References:

1- احمدی، محمود؛ داداشی رودباری، عباسعلی؛ اکبری ازیرانی، طیبه؛ کرمی، جمال (1398): کارایی مدل HadGEM2-ES در ارزیابی نابهنجاری فصلی دمای ایران تحت سناریوهای واداشت تابشی، مجله فیزیک زمین و فضا، شماره 45, صص. 625-644.

2- خالدی، شهریار؛ رضویان، محمد. تقی؛ جمالی، فریماه. سادات (1398): شناسایی تغییر دما و بارش تهران در 20 سال آینده و سازگاری با این تغییر، کنفرانس بین‌المللی تغییر اقلیم، تهران دانشگاه خوارزمی، خرداد 1398.

3- ذهبیون، باقر. حصیرچیان، مهراوه. خزائی، محمد. رضا (1397): ارزیابی عملکرد مدل SDSM در بررسی اثر تغییر اقلیم بر بارش و دما، فصل­نامه علمی پژوهشی مهندسی آبیاری و آب. سال نهم، شماره 34.

4- روحی پناه، فاطمه؛ میررکنی، سید مجید؛ مساح بوانی، علیرضا (1394): بررسی توانمندی مدل SDSM در ریزمقیاس نمایی دما و بارش در اقلیم گرم و خشک (بررسی موردی: ایستگاه‌های یزد و طبس). مجله ژئوفیزیک ایران، جلد 9، شماره 4، صص. 125-104.

5- صــداقت کــردار، عبدا...؛ فتــاحی، ابراهیم (1387): شاخص‌های پیش‌آگاهی خشک‌سالی در ایـران، مجلـه جغرافیا و توسعه، شماره 11.

6- عباس نیا، محسن؛ طاووسی، تقی؛ خسروی، محمود (1396): ارزیابی جامع تغییرات فصلی آینده دمای بیشینه ایران طی دوره گرم بر اساس مدل‌های گردش عمومی جو، مجله آمایش جغرافیای فضا، فصل­نامه علمی – پژوهشی گلستان، آل هفتم، شماره مسلسل 25.

7- عساکره، حسین؛ شاه منصوری، بهرام (1395): بررسی و پیش‌بینی تغییرات دمای ایستگاه اراک بر اساس مدل ریزمقیاس نمایی آماری، پژوهش‌های جغرافیای طبیعی، دوره 48، شماره 2، تابستان 1395، صص. 212-193.

8- عساکره، حسین؛ کیانی، حدیث (1396): ارزیابی کارایی مدل SDSM در شبیه‌سازی میانگین دمای شهر کرمانشاه، فصلنامه علمی- پژوهشی اطلاعات جغرافیایی، دوره 27، شماره 105.

9- علیزاده چوبری، امید و نجفی، محمد سعید (1396): روند تغییرات دمای هوا و بارش در مناطق مختلف ایران، فیزیک زمـین و فضـا، 43(3): 569-584.

10- کردوانی، پرویز؛ علیجانی، بهلول؛ جوادی زاده، فرشاد؛ اسدیان، فریده (1397): کارایی الگوهای مدل ریزمقیاس نمایی آماری SDSM در پیش‌بینی پارامترهای دمایی در حوضه آبریز میناب، فصل­نامه جغرافیای طبیعی، سال 11، شماره 42.

11- گل محمدی، مریم؛ مساح بوانی، علیرضا (1390): بررسی تغییرات شدت و دوره بازگشت خشک‌سالی حوضه قره‌سو در دوره‌های آتی تحت تأثیر تغییر اقلیم. نشریه آب و خاک (علوم و صنایع کشاورزی)، جلد 25، شماره 2، صص. 326-315.

12- گودرزی، مسعود؛ نادری، سهراب؛ قدمی دهنو، محمد (1396): اثر تغییر اقلیم بر پارامترهای اقلیمی در حوزه سیمره، انجمن آبخیزداری ایران، سال 11، شماره 39.

13- محمدی، حسین؛ زارعی، کبری؛ بازیگر، سعید (1398): پیش‌بینی عناصر اقلیمی دما و بارش ایستگاه سینوپتیک گرگان بر اساس سناریوهای RCP. پژوهش‌های جغرافیای طبیعی، دوره 51، شماره 4، صص. 579-563.

 

14- Canada, (2017): Canesm2 Predictors: CMIP5 Experiments. Http://Www.Cccsn.Ec.Gc.Ca/?Page=Pred- Canesm2.

15- Collins, M. Knutt, R. Arbalester, I. Dufresne, L. Fichefet, T. Fried Ling Stein, P. Gao, X. Gutowski, W.J. Johns, T. Krinner, G. Shongwe, M. Tebaldi, C. Weaver, A.J. Wehner, M, (2013): Long-Term Climate Change: Projections, Commitments And Irreversibility.

16- Cunderlik, J M. Ouarada, B. M. J, (2009): Trends In The Timing And Magnitude Of Floods In Canada, J. Of Hydrology, No. 375, Pp. 471- 480.

17- Fallah-Ghalhari, G. Shakeri, F. & And Dadashi-Roudbari, A. (2019): Impacts Of Climate Changes On The Maximum And Minimum Temperature In Iran. Theoretical And Applied Climatology, 138(3-4): 1539-1562.

18- IPCC, 2001, Climate Change (2001): The Scientific Basis, Cambridge Univ, Perss, And New York. In Intense Precipitation In The Climate Record, J. Climate Change, 18. Pp. 1326- 1350.

19- IPCC, 2013, In Climate Change (2013): The Physical Science Basic Contribution Of Working Group 1 To The. Fifth Assessment Report Of The Intergovernmental Panel On Climate Change. Cambridge University Press, Cambridge, United Kingdom And New York, USA.

20- IPCC, (2018): Special Report: Global Warming Of 1.5 ºc.

Https://Www.Ipcc.Ch/Sr15/

21- Kendall, M.G, (1948): Rank Correlation Methods.

22- Koch, M. Cherie, N, (2013): Mono And Multi-Model Statistical Downscaling Of GCM-Climate Predictors For The Upper Blue Nile River Basin, Ethiopia. In Proceedings Of The 6th International Conference On Water Resources And Environment Research, ICWRER (Pp. 3-7)

23- Kurdish, P. Alijani, B. Javadizadeh, F. Asadian, F, (2018): Efficiency Of SDSM Statistical Exponential Microscale Model Models In Predicting Temperature Parameters In Minab Catchment, Quarterly Journal Of Natural Geography, Volume11. Number 42.

24- Mann, H. B, (1945): Nonparametric Tests Against Trend. Econometrical. Journal Of The Econometric Society, 245-259.

25- Metekiya, M.G. Deogratias M. M, (2017): Generation Of Climate Change Scenarios For Precipitation And Temperature At Local Scales Using SDSM In Wami-Ruvu River Basin Tanzania. Physics And Chemistry Of The Earth. 100, Pp. 62-72.

26- Rashid Mahmood, M. Babel, S, (2014): Future Changes In Extreme Temperature Events Using The Statistical Downscaling Model )SDSM( In The Transboundary Region Of The Jhelum River Basin، Weather And Climate Extremes 5-6: Pp. 56–66

27- Salon, S. Cossarini, G. Libralato, S. Gao, X. Solidoro, C. Giorgi, F, (2008): Downscaling Experiment For The Venice Lagoon. I. Validation Of The Present-Day Precipitation Climatology. Clim. Res. 38, Pp. 41-31.

28- Saraf, V. R. Regular, D. G, (2016): Assessment Of Climate Change For Precipitation And Temperature Using Statistical Downscaling Methods In Upper Godavari River Basin, India. Journal Of Water Resource And Protection, No. 8, Pp. 31-45.

29- Sarwar, R. Irwin, S.E. King, L.M. Simonovic, S.P, (2010): Assessment Of 8.

30- Schimidli, H, Goodess, C. M. Frei, C. Haylouk, M.R. Schmith, S, (2007): Statistical And Dynamical Downscaling Precipitation: An Evaluation And Camparison Of Scenario For The European Alps, Jurnal. Geophysical Research, 112. Pp. 1-20.

31- Serrano, A. Mateos, V. L. Garcia, J. A, (1999): Trend Analysis Of Monthly Precipitation Over The Iberian Peninsula For The Period 1921-1995. Phys. Chem EARTH (B), VOL. 24, NO. 1- 2, Pp. 85-90.

32- Tan, M. L, Ibrahim, A.B, Latif, Y, Zulkifli, Ch, Vivien, P, Chan, N.W, (2017): Climate Change Impacts Under CMIP5 RCP Scenarios On Water Resources Of The Kelantan River Basin, Malaysia Atmospheric Research. 189, Pp. 1–10.

33- Theil, H, (1950): A Rank Invariant Method Of Linear And Polynomial Regression Analysis, Part3. Netherlands Akademie Vanwettenschappen, Proceedings. 53. Pp. 1397–1412

34- Venkatarman, K, (2016): 21st Century Drought Outlook For Major Climate Divisions Of Texas Based On Texas Based On CMIP5 Multimodal Ensemble: Implications For Water Resource Management. Journal Of Hydrology. 534, Pp. 300-316.

35- Wetter Hall, F, (2005): Statistical Downscaling Of Precipitation From Large –Scal Atmospheric Circulation – Comparison Of Methods And Climate Region. Msc Dissertation, Faculty Of Sceince And Technology, UPPSALA University.

36- Wilby, R. L. Dawson, C.W, (2007): Using SDSM Version 4.2 –A Decision Support Tool From Assessment Of Regional Climate Change Impacts, User Manual.

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

38- Xu, C.Y, (1999): From Gcms To River Flow: A Review Of Downscaling Methods And Hydrologic Modeling Approaches, Journal. Physical Geography. 23, Pp. 203-228.

39- Yue, T. X. Zhao, N. Zemeng, F. Jing, L. Chuanfa, Ch. Yimin, L, Chenliang, W. Bing, X. Wilson, J, (2016): CMIP5 Downscaling And Its Uncertainty In China. Global And Planetary Change.414, Pp. 30–37.