شبیه سازی و پیش نگری اثرات تغییر اقلیم با استفاده از برخی سناریوهای جدید SSP و مدل‌های CMIP6 بر تغییرات بارش شهرستان اردبیل

محورهای موضوعی : اقلیم شناسی

برومند صلاحی ¹ , مهناز صابر ² , فاطمه وطن پرست قلعه جوق ³

1 - استاد آب و هواشناسی،گروه جغرافیای طبیعی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی
2 - دانشگاه محقق اردبیلی، دانشکده علوم اجتماعی، گروه آموزشی جغرافیای طبیعی
3 - دانشگاه محقق اردبیلی، دانشکده علوم اجتماعی، گروه آموزشی جغرافیای طبیعی

تاریخ دریافت : 1402/06/21 تاریخ پذیرش : 1402/08/02 تاریخ انتشار : 1402/08/02

کلید واژه: پیش‌بینی, اردبیل, بارش, CanESM5, SSP,

چکیده مقاله :

در این پژوهش، تغییرات بارش سالانه شهرستان اردبیل بر اساس ریزگردانی برونداد برخی مدل‌های CMIP6 تحت سناریوهای انتشار گازهای گلخانه‌ای در نرم افزار SDSM6.1 مدل‌سازی و تحلیل شده است. بدین منظور، بارش روزانه ایستگاه سینوپتیک اردبیل از سال 1979 تا 2014 به‌عنوان داده‌های مشاهداتی در نظر گرفته شد و تغییرات آن برای دهه‌‌های آینده تا سال 2043 مورد بررسی قرار گرفت. نتایج ریزمقیاس‌نمایی در دوره پایه تحت مدل‌های گردش عمومی CanESM5 و NorESM2-MM عملکرد نسبتاً خوبی را در تخمین بارش ماهانه ایستگاه اردبیل نشان داد. نتایج نشان داد که در مارس، آوریل و می، کم‌برآوردی، در جولای بیش‌برآوردی و در بقیه ماه‌ها انطباق نسبتاً خوبی با داده‌های مشاهداتی دارد. میانگین سالانه بارش دوره آینده بر اساس خروجی مدل CanESM5 تحت سناریوهای SSP1-2.6 و SSP5-8.5به‌ترتیب 245 و 243 میلی‌متر محاسبه شد که در مقایسه با میانگین دوره تاریخی، کاهشی حدود 38 و 40 میلی‌متری را نشان می‌دهد. نتایج شبیه‌سازی بارش شهرستان اردبیل با مدل CanESM5 نشان داد در مقیاس ماهانه، بارش در 20 سال آینده در آوریل و می تحت سناریوی SSP1-2.6 بین 14 تا 15 میلی‌متر و تحت سناریوی SSP5-8.5 بین 16 الی 17 میلی‌متر کاهش و در جولای تا سپتامبر و دسامبر حداقل 5 میلی‌متر نسبت به دوره پایه افزایش خواهد یافت.

چکیده انگلیسی:

In this research, the annual rainfall changes of Ardabil City have been modeled and analyzed based on the downscaling of the output of some CMIP6 models under the greenhouse gas emission scenarios in the SDSM6.1 software. For this purpose, the daily precipitation of the Ardabil synoptic station from 1979 to 2014 was considered as observational data, and its changes were analyzed for the next decades until 2043. The downscaled results in the base period under CanESM5 and NorESM2-MM general circulation models showed relatively good performance in estimating the monthly precipitation of Ardabil station. The results showed that in March, April, and May, there is an underestimation, in July there is an overestimation and in the other months there is a relatively good performance with the observational data. The annual average precipitation of the future period based on the output of the CanESM5 model under the SSP1-2.6 and SSP5-8.5 scenarios was calculated as 245 and 243 mm respectively, which shows a decrease of about 38 and 40 mm compared to the average of the historical period. The results of the Ardabil rainfall simulation with the CanESM5 model showed that on a monthly scale, the rainfall in the next 20 years in April and May under the SSP1-2.6 scenario is between 14 and 15 mm and under the SSP5-8.5 scenario between 16 and 17 mm will decrease and in July to September and December, it will increase by at least 5 mm compared to the base period.

متن کامل:



شبیه­سازی و پیش­نگری اثرات تغییر اقلیم با استفاده از برخی سناریوهای جدید SSP و مدل­های CMIP6 بر تغییرات بارش شهرستان اردبیل

 

چکیده

در اين پژوهش، تغییرات بارش سالانه شهرستان اردبیل بر اساس ریزگردانی برونداد برخی مدل‌های CMIP6 تحت سناریوهای انتشار گازهای گلخانه­ای در نرم افزار SDSM6.1 مدل‌سازی و تحلیل شده است. بدین منظور، بارش روزانه ایستگاه سینوپتیک اردبیل از سال 1979 تا 2014 به‌عنوان داده­های مشاهداتی در نظر گرفته شد و تغییرات آن برای دهه­­های آینده تا سال 2043 مورد بررسی قرار گرفت. نتایج ریزمقیاس­نمایی در دوره پایه تحت مدل‌های گردش عمومی CanESM5 و NorESM2-MM عملکرد نسبتاً خوبی را در تخمین بارش ماهانه ایستگاه اردبیل نشان داد. نتایج نشان داد که در مارس، آوریل و می، کم­برآوردی، در جولای بیش­برآوردی و در بقیه ماه‌ها انطباق نسبتاً خوبی با داده‌های مشاهداتی دارد. میانگین سالانه بارش دوره آینده بر اساس خروجی مدل CanESM5 تحت سناریوهای SSP1-2.6 و  SSP5-8.5به­ترتیب 245 و 243 میلی­متر محاسبه شد که در مقایسه با میانگین دوره تاریخی، کاهشی حدود 38 و 40 میلی­متری را نشان می­دهد. نتایج شبیه­سازی بارش شهرستان اردبیل با مدل CanESM5 نشان داد در مقیاس ماهانه، بارش در 20 سال آینده در آوریل و می تحت سناریوی SSP1-2.6 بین 14 تا 15 میلی­متر و تحت سناریوی SSP5-8.5 بین 16 الی 17 میلی­متر کاهش و در جولای تا سپتامبر و دسامبر حداقل 5 میلی­متر نسبت به دوره پایه افزایش خواهد یافت.

کلیدواژه: اردبیل، بارش، پیش­بینی، CanESM5، SSP.

 

بیان مسأله

پیشرفت صنعت و به تبع آن، گسترش استفاده از سوخت‎های فسیلی و ازدیاد جمعیت جهان و دگرگونی کاربری اراضی سبب شده بعد از انقلاب صنعتی، رفته رفته دگرگونی آشکاری در آب‌وهوای کرده زمین پدیدار شود که مشهودترین آن، افزایش میانگین دمای کره زمین، فزونی وقایع حدی اقلیمی مانند طوفان، بالا آمدن سطح آب دریاها، تگرگ، افزایش دوره گرما، کاهش منابع آب شیرین، ذوب یخ‌های قطبی، کاهش دامنه شبانه روزي دما، خشک‌سالی و ... است (بابائيان و همکاران، 1388: 137). اقليم سیستم پيچيده­اي است كه طبق گزارش­های IPCC¹، به جهت فزونی غلظت جوی گازهاي گلخانه­­اي در اثر رشد شتابان فعالیت‌های آدمی رو به دگرگونی است (مشکواتی و همکاران، 1389: 81). به همین دلیل بررسی و ارزیابی روند آن برای انسان بایسته است، از این رو شبیه سازی این متغیر اقلیمی برای فهم آیند بشر می‌تواند کمک کننده باشد (عساکره و کیانی، 1397: 49). بر همین اساس، مدل­هاي شبیه­سازي گردش عمومی جو² توسعه یافته­اند. این مدل‌ها معتبرترین ابزار براي بررسی اثرات پدیده تغییر اقلیم بر سیستم­هاي مختلف محسوب می­شوند و يكي از متداول‌ترین روش­ها براي ارزيابي اقليم آينده هستند.

پیشینه تحقیق

مطالعات متعددی در خصوص بررسی تغییرات عناصر اقلیمی تحت سناریوهای انتشار گازهای گلخانه­ای و خروجی مدل‌های گردش عمومی جو انجام گرفته است. وینکلر³ و همکاران (1997) رابطه تغییرات دما با میزان دی­اکسید­کربن موجود در جو را با استفاده از مدل­های گردش عمومی جو بررسی نموده­اند و مطالعات وسیعی را در خصوص گرمایش جهانی انجام دادند. آلن⁴ و همکاران (2000) در ارزیابی تغییرات آب و هوایی انسانی برای سال 1860 تا 2100 با استفاده از مدل HADCM3 و سناریوهای انتشار گازهای گلخانه­ای به شبیه­سازی و پیش‌بینی تغییرات آب و هوایی چنددهه­ای پرداختند. آن‌ها دریافتند که تحت این مدل و سناریو، میانگین درجه حرارت جهانی در دهه 2046- 2036 دما 1-5/2 درجه کلوین افزایش پیدا خواهد کرد. چانگ⁵ و همکاران (2000) دمای سالانه کره جنوبی را در دوره آماری 1997- 1974 بررسی کردند. آن‌ها نشان دادند که دمای این منطقه در این سال‌ها 96/0 درجه سلسیوس افزایش داشته است. مقدار این افزایش در شهرها 1/5 و در روستاها 58/0 درجه سلسیوس بوده همچنین میزان افزایش دما در فصل زمستان دارای بیشترین مقدار می‌باشد. در پژوهش یوکینگ⁶ و همکاران (2016) بررسی تغییرات آب و هوایی جریان‌های حوضه رودخانه شین واقع در چین با مدل SDSM و سناریوهای (RCP) نشان داده شد که درجه حرارت در منطقه به‌طور مداوم افزایش خواهد یافت، اما متوسط بارش‌های آتی نشان‌دهنده روند نزولی در سناریوهای RCP2.6 و RCP4.5 بوده، ولی افزایش چشمگیر در سناریو RCP8.5 داشته است. یتام و همکاران⁷ (2018) تغییرات بارش در منطقه شرقی هیمالیا با گزارش 5 CMIP5)) مدل‌های آب‌وهوایی جهانی (GCMs) و سناریوهای(RCPs)  و مدل SDSM نشان داد که بارش و شدت آن در طول سال‌های 2006 تا 2100 افزایش می‌یابد. توکیمات⁸ و همکاران (۲۰۱۹) پیش‌بینی دگرگونی بارش با استفاده از مدل SDSM برای دوره (۲۰۳۰ – ۲۰۱۱) نشان داد که میزان بارش در دهه آتی ۱۴ درصد کاهش می‌یابد. چیم⁹ و همکاران (۲۰۲۰) ارزیابی تغییرات دما و بارش در منطقه کامبوج با استفاده از مدل SDSM تحت سناریوی (RCP2.6، RCP4.5 و RCP8.5) نشان داد که در آینده مقدار بارش کاهش و مقدار دما زیاد می‌شود. کوبولی¹⁰ و همکاران (۲۰۲۱) ضمن پیش‌بینی تغییرات دما و بارش در منطقه دانگارا در دوره آماری (۲۰۵۰-۲۰۲۱ و‌‌ ۲۰۸۰-۲۰۵۱) تحت سه سناریو (RCP2.6، RCP4.5 و RCP8.5) مدل CanESM2 به این نتیجه رسیدندکه دما و بارش در دوره‎های آتی افزایش می‌یابد. موابمبا¹¹ و همکاران (۲۰۲۲) بررسی تغییرات دما و بارش برای دوره (۲۰۵۰-۲۰۲۱) بر اساس دوره پایه (۲۰۱۱-۱۹۸۲) با سناریوهای (RCP4.5 و RCP8.5) مدل SDSM و LARS-WG در تانزانیا نشان‌دهنده افزایش دما و بارش برای دهه آتی بود.  

روشنی و حمیدی (1400) با استفاده از مجموعه مدل­های اقلیمی CMIP6 تحت سناریوی SSP2-4.5 و SSP5-8.5 به ارزیابی اثر تغییر اقلیم بر دما و بارش ساری پرداختند. نتایج حاکی از آن بود دما بین 6/1 تا 09/4 درجه و بارش سالانه بین 24 تا 36 درصد در دوره آینده نسبت به دوره پایه افزایش خواهد داشت. فلاح کلاکی و همکاران (1400) به شبیه­سازی اثر تغییر اقلیم با استفاده از مدل­های اقلیمی CMIP5 و CMIP6 بر رواناب حوضه آبریز طشک-بختگان در آینده نزدیک پرداختند. نتایج شبیه­سازی روند رواناب حوضه را تحت سناریوهای SSP کاهشی و تحت سناریوهای RCP افزایشی نشان داد. ارشاد فتح و همکاران (1401) در پیش­یابی تغییرات دما و بارش دشت همدان-بهار تحت سناریوهای SSP دریافتند بارش در فصل بهار افزایش و در تابستان و پاییز کاهش خواهد یافت. دمای کمینه و بیشینه نیز روند افزایشی را نشان دادند. خواجه امیری خالدی و همکاران (1401) از برونداد 11 مدل اقلیمی CMIP6 برای شبیه­سازی داده­های مشاهداتی سواحل مکران و برآورد دقت آن‌ها استفاده نموده و 6 مدل بهتر را از بین آن‌ها با خطای کمتر انتخاب کردند. انصاری مهابادی و همکاران (1401) در ارزیابی تغییرات دما و بارش حوضه­های آبریز ایران طی دو دهه آینده بر مبنای برونداد مدل­ها و سناریوهای مختلف به این نتیجه رسیدند تغییرات بارش بین 19+ تا 12- درصد و دما بین 1/0 تا 6/0 درجه سلسیوس خواهد بود. ایرانشاهی و همکاران (1401) اثرات تغییر اقلیم بر دما و بارش الشتر و خرم­آباد را ارزیابی نموده و تغییرات بارش را کاهشی و دما را افزایشی برآورد کردند. رضایی زمان و همکاران (1401) اثرات سناریوهای SSP بر منابع آب و کشاورزی منطقه هشتگرد را بررسی نموده و برونداد مدل NorESM2-MM نشان داد افزایش تنش آبی و کاهش عملکرد محصولات به‌جز ذرت در این منطقه پیش­بینی می­شود. زارعیان (1401) با ریزگردانی مدل­های CanESM5 و BCC-CSM2-MR تحت سناریوهای SSP در لارس به این نتیجه دست یافتند که دمای سالانه در یزد افزایش و بارش آن کاهش خواهد یافت. عبدالعلی­زاده و همکاران (1401) دقت مدل­های CMIP6 در شبیه­سازی دمای حوضه آبریز دریاچه ارومیه را خوب و در شبیه­سازی بارش، ضعیف ارزیابی نمودند. شجاع و شمسی­پور (1402) با ریزمقیاس­نمایی برونداد مدل­های MIROC6، CanESM5، MRI-ESM2-0 و CNRM-CM6-1 تحت سناریوهای SSP5-8.5 و SSP2-4.5 به ارزیابی تغییرات بارش دوره آینده حوضه­های آبخیز تهران پرداختند. نتایج پیش‌یابی نشان­دهنده کاهش حجم آب حوضه­ها بین 5 تا 59 درصد است. شیخ ربیعی و همکاران (1401) ارزیابی کارایی مدل‌های تغییر اقلیم در شبیه سازی مولفه‌های دما و بارش در حوضه آبخیز کرگانرود پرداختند.

در تداوم پژوهش­های انجام گرفته توسط محققان در نقاط مختلف جهان، این مطالعه براي آشکارسازي چگونگی تغییرات بارش شهرستان اردبیل با کمک مدل SDSM و خروجی برخی مدل‌های CMIP6 صورت گرفته است تا با بهره‌گیری از نتایج این پژوهش بتوان با اتخاذ تدابیر لازم، اثرات اقلیمی بر این منطقه را کاهش داده و سازگاری بیشتري را با شرایط جدید به خصوص از نظر تاریخ کشت و سایر اقدامات مدیریتی به انجام رساند.

 

محدوده مورد مطالعه

منطقه مورد مطالعه در این پژوهش شهرستان اردبیل است. شکل (1) جایگاه جغرافیایی ایستگاه مورد مطالعه را در کشور و استان اردبیل نشان می­دهد.

---

[1]  - International Panel of Climate Change

[2]  - GCM

[3] - Winkler

[4] - Allen

[5] -Chung

[6]  - Yuqing

[7]  - Uttam et al

[8]  - Tukimat

[9]  - Chim

[10]  - Kobuliev

[11]  -Mwabumba

شکل (1) موقعیت جغرافیایی شهرستان و ایستگاه اردبیل در کشور ایران و استان اردبیل

 

 

داده­ها، مواد و روش تحقیق

 مدل‌های گردش عمومی اسباب شناخته شده‌ای برای

پژوهش اقليم آتی هستند (خو، 199) این مد‌ل‌ها می‌توانند متغيرهای اقليمی را برای مدت طولانی با استفاده از سناريوهای گوناگون مدل‌سازی نمايند. مدل‌های گردش عمومی قدرت آشکارسازی رفتار اقليم در قاعده کوچک را ندارند، لذا بايستی خروجی اين گونه مدل‌ها را به واحد کوچک و منطقه‌ای مبدل نمود (سمنوف¹ و بارو²، 1998: 95). از برجسته‌ترین نقاط توانمندی اين مدل‌ها می­توان به اقتصادی بودن، شتاب بالا در فرایند ریزمقیاس نمایی و توانایی بهره‌جویی از آن‌ها بدون احتیاج به ابررایانه‌ها و يا رايانه­هاي پرشتاب اشاره کرد.

در این تحقیق، به مدل‌سازی، پیش­یابی و بررسی تغییرات بارش شهرستان اردبیل در شرایط افزایش گازهای گلخانه­ای پرداخته شد. این کار با ریزمقیاس نمایی آماری خروجی برخی مدل­های گردش عمومی از مجموعه مدل­های اقلیمی فاز ششم (CMIP6) شامل:NorESM2  و CanESM5 تحت سناریوهای خوش‌بینانه و بدبینانهSSP1-2.6 ­ و SSP5-8.5 در مدل SDSM6.1 انجام شد. برای این منظور، داده بارش روزانه ایستگاه سینوپتیک اردبیل از سال 1979 تا 2014 به‌عنوان داده­های مشاهداتی در نظر گرفته شد و تغییرات بارش برای دهه­­های آینده تا سال 2043 مورد بررسی قرار گرفت. مقادیر به دست آمده با داده­های بارش اردبیل بین سال‌های 1995 تا 2014 (دوره پایه) و سال­های 1979 تا 2014 (دوره تاریخی) مقایسه و بررسی شدند.

یافته­های تحقیق

در مدل SDSM از روش‌های رگرسيون خطی چندگانه برای کاهش مقياس فضايی پیوند متغيرهای روزانه پيش‌بينی‌کننده و پيش‌بينی‌شونده بهره‌جویی می‌شود. در این پژوهش، ابتدا با استفاده از پارامترهای بزرگ‌مقیاس مشاهداتی NCEP و مدل SDSM نسخه 6.1 به انتخاب پیش‌بینی­کننده‌های منتخب پارامترهای اقلیمی موردنیاز پرداخته شد. در جدول (۱) پیش‌بینی­کننده‌های منتخب نهایی که قوی­ترین ارتباط معنادار را با متغیرهای ایستگاه اردبیل داشتند، به همراه متغیرهای پیش‌بینی­شونده که تحت گزارش ششم تغییر اقلیم (AR6) و از سری مدل‌های فاز ششم CMIP6 بوده، ارائه‌ شده است. شکل (2) نمودار پراکنش داده‌ها و متغیر پیش‌بینی­کننده NCEP را نشان می‌دهد. با توجه به این‌که مقادیر باقیمانده اطراف محور X و نزدیک آن پراکنده‌ شده‌اند بیانگر کارایی مناسب مدل SDSM جهت ریزمقیاس نمایی متغیر اقلیمی مورد بررسی با استفاده از داده‌های  NCEP است.

 

 

 

شکل 2- الف) نمودار پراکنش بارش با متغیر پیش‌بینی کننده مدل CanESM5 و ب) نمودار پراکنش بارش با متغیر پیش‌بینی کننده مدل NorESM2-MM

 

جدول ۱: متغیرهای پیش‌بینی کننده بزرگ‌مقیاس منتخب برای پیش‌بینی پارامتر بارش در ایستگاه اردبیل

مدل	متغیر پیش‌بینی کننده	P-value
CanESM5	باد مداری تراز سطح زمین	۰۳/۰
	واگرایی سطحی	۰۵/۰
	باد مداری تراز ۸۵۰ هکتوپاسکال	۰۵/۰
NorESM2-MM	جهت باد تراز سطح زمین	۰/۰
	رطوبت ویژه در تراز ۵۰۰ هکتوپاسکال	۰/۰
	رطوبت ویژه در نزدیک سطح زمین	۰۳/۰
	میانگین دما در ارتفاع دو متری	۰/۰

 

مطابق شکل (3 و 4)، نتایج ریزمقیاس نمایی در دوره پایه با مدل‌های گردش عمومی CanESM5 و NorESM2-MM عملکرد نسبتاً خوبی را در تخمین بارش ماهانه ایستگاه اردبیل نشان داده است و نمودار سری زمانی بارش ماهانه توسط این دو مدل در مقایسه با مقادیر بارش ماهانه مشاهداتی ایستگاه اردبیل نشان دهنده وجود مقداری خطای کاهشی در ماه‌های مارس، آوریل و می بوده است و این مدل‌ها در ماه جولای مقدار بارش ماهانه را بیشتر از مقادیر مشاهداتی برآورد کرده‌اند و در بقیه ماه‌ها مدل‌های شبیه‌سازی‌شده انطباق نسبتاً خوبی با داده‌های مشاهداتی داشته‌اند. لذا خطای مدل در تخمین و شبیه­سازی بارش تاریخی ژانویه، فوریه، ژوئن، سپتامبر خیلی کمتر بوده و مقادیر مشاهداتی و شبیه­سازی به هم نزدیک است.

 

---

[1]  - Semenov

[2]  - Barrow

 

شکل 3- سری زمانی مقادیر بارندگی ماهانه مشاهداتی و مدل CanESM5 ایستگاه اردبیل طی دوره آماری (1985-2014)

 

شکل 4- سری زمانی مقادیر بارندگی ماهانه مشاهداتی و مدل NorESM2-MM ایستگاه اردبیل طی دوره آماری (1985-2014)

 

بارش سالانه دوره گذشته: شکل (5) سری زمانی و روند بارش سالانه ایستگاه سینوپتیک اردبیل را طی دوره گذشته (1979-2014) نشان می­دهد. مطابق شکل روند کلی بارش این ایستگاه در مقیاس سالانه کاهشی است. میانگین سالانه بارش در کل دوره برابر 283 میلی­متر بوده که در 15 سال انتهایی دوره میزان آن به میزان قابل توجهی کاهش یافته و به 265 میلی­متر تنزل پیدا کرده درحالی‌که میانگین بارش از 1979 تا 1998 حدود 298 میلی­متر بوده است.

 

شکل 5- سری زمانی بارش سالانه ایستگاه اردبیل در دوره گذشته (1979-2014) 

 

پیش­یابی میزان بارش سالانه اردبیل: نتایج شبیه­سازی بارش سالانه اردبیل برای 20 سال آینده با مدل CanESM5 تحت سناریوی SSP1-2.6 این متغیر را بدون روند و تحت سناریوی  SSP5-8.5 روند کاهشی را نشان می­دهد (شکل 6). برآورد دو سناریو در برخی سال­ها همسو و گاهی متفاوت از هم هستند و در کل افت و خیز سال‌به‌سال بارش تحت هر دو سناریو زیاد است. در سناریو خوش‌بینانه بیشترین و کمترین میزان بارش دوره آینده به­ترتیب مربوط به سال­های 2035 و 2040 است و در سناریو بدبینانه بیشترین میزان بارش در سال 2035 قابل مشاهده است درحالی‌که سال 2030 در این سناریو کاهش چشمگیر بارش تا 200 میلی­متر پیش­بینی شده است. میانگین سالانه بارش دوره آینده در این سناریوها به ترتیب 245 و 243 میلی­متر محاسبه شد که در مقایسه با میانگین دوره تاریخی کاهشی حدود 38 و 40 میلی­متری را تخمین می­زند.

 

 

شکل 6- شبیه­سازی میزان بارش سالانه اردبیل با استفاده از مدل CanESM5 تحت سناریوهای SSP1-2.6 و  SSP5-8.5برای سال­های 2043-2024

بارش سالانه اردبیل در افق 20 سال آینده بر مبنای برونداد مدل NorESM2 تحت سناریوی SSP1-2.6 روند افزایشی و تحت سناریوی  SSP5-8.5روند کاهشی را نشان می­دهد (شکل 7). میانگین سالانه بارش دوره آتی تحت سناریوی SSP1-2.6 7/246 میلی­متر و تحت سناریوی  SSP5-8.5 7/245 میلی­متر برآورد شده است که نسبت به دوره تاریخی 3/36 و 3/37 میلی­متر کاهش محتمل خواهد بود.

 

 

شکل 7- شبیه­سازی میزان بارش سالانه اردبیل با استفاده از مدل NorESM2 تحت سناریوهای SSP1-2.6 و  SSP5-8.5برای سال­های 2043-2024

 

پیش­بینی بارش ماهانه: مقایسه نتایج تغییرات متغیر اقلیمی بارش اردبیل برای دو سناریو خوش‌بینانه یا حد پایین (SSP1-2.6) و سناریو بدبینانه یا حد بالا (SSP5-8.5) برای مدل CanESM5، کاهش بارش برای ماه‌های مارس، آوریل، می و اکتبر و افزایش بارش در ماه‌های ژوئن، جولای، اوت و سپتامبر را در دوره آینده (۲۰۴۳-۲۰۲۴) نسبت به دوره پایه (۲۰۱۴-۱۹۹۵) نشان می‌دهد. همچنین سناریو بدبینانه کاهش بیشتری را در مقادیر بارش نسبت به سناریوی حد پایین نشان می‌دهد (شکل 8).

نتایج حاصل از مقیاس کاهی مدل NorESM2-MM تحت سناریوهای حد پایین و حد بالا برای متغیر اقلیمی بارش در شکل (9) نشان داده شده است. نتایج به دست آمده برای این مدل، افزایش بارش را برای ماه‌های ژوئن تا سپتامبر و دسامبر را در دوره آینده (۲۰۴۳-۲۰۲۴) نسبت به دوره (۲۰۱۴-۱۹۹۵) نشان می‌دهد. بارش ژانویه و فوریه تحت سناریوی SSP5-8.5 افزایش مختصری دارند. در این مدل تحت سناریوی SSP1-2.6 افزایش نسبت به سناریوی بدبینانه بیشتر بوده است و در باقی ماه‌ها سری زمانی بارش ماهانه در دوره آتی نسبت به دوره پایه سیر کاهشی را نشان می‌دهد.

 

 

شکل 8- پیش‌نگری میانگین ماهانه بارش با استفاده از مدل CanESM5 تحت سناریوهای SSP1-2.6 و  SSP5-8.5 برای آینده (۲۰۴۳- ۲۰۲۴) در ایستگاه اردبیل و مقایسه آن با دوره گذشته

 

 

شکل 9- پیش‌نگری میانگین ماهانه بارش با استفاده از مدل‌NorESM2-MM تحت سناریوهای SSP1-2.6 و  SSP5-8.5 برای آینده (۲۰۴۳- ۲۰۲۴) در ایستگاه اردبیل و مقایسه آن با دوره گذشته (1995-2014)

 

تغییرات بارش ماهانه: به‌طورکلی بزرگ­ترین اختلاف میانگین بارش ماهانه دوره آینده بر اساس برونداد مدل CanESM5 و بیشترین مقدار کاهش بارش ماهانه آن نسبت به گذشته مربوط به ماه‌های آوریل و می در سناریوی SSP1-2.6 به میزان ۱۴ تا ۱۵ میلی‌متر و در سناریوی SSP5-8.5 بین ۱۶ تا ۱۷ میلی‌متر پیش­بینی می‌شود. بیشترین میزان افزایش در میانگین بارش ماهانه نیز در ماه اوت با ۵ میلی‌متر در دوره آتی نسبت به دوره پایه در سناریوی SSP1-2.6 قابل ملاحظه است و در سناریوی حد بالا نیز ماه‌های جولای و دسامبر بین ۵/۵ تا ۸/۵ میلی‌متر افزایش میانگین را نسبت به دوره پایه نشان می‌دهند. در بقیه ماه‌ها تفاوت برآورد مقدار دو سری ناچیز می‌باشد (شکل 10- الف).

 

 

 

شکل 10- اختلاف میانگین بارش ماهانه ایستگاه اردبیل طی دوره آتی (۲۰۴۳- 2024) نسبت به دوره پایه (۲۰۱۴-۱۹۹۵)

 

نتایج شکل (10- ب) گویای کاهش میانگین بارش شهرستان اردبیل بر اساس برونداد مدل NorESM2 برای ماه‌های مارس، آوریل، می، ژوئن، اکتبر و نوامبر در دوره آتی نسبت به دوره پایه بوده است. بیشترین میزان اختلاف دو دوره برای ماه‌های آوریل و می در هر دو سناریو دیده می‌شود که با ۱۲ تا ۱۳ میلی‌متر کاهش میانگین بارش دوره آتی نسبت به دوره پایه همراه است. بارش ژانویه و فوریه تحت سناریوی SSP1-2.6 کاهش مختصری را نشان می­دهند. ماه‌های ژوئن، جولای، اوت، سپتامبر و دسامبر در سناریوی SSP1-2.6 و ماه دسامبر در سناریوی SSP5-8.5 بین ۷/۵ تا ۵/۶ میلی‌متر افزایش بارش را در دهه‌های آتی نشان می‌دهند.

میانگین فراوانی ماهانه روزهای بارشی اردبیل بر اساس برونداد مدل CanESM5: بیشترین فراوانی روزهای بارشی ثبت شده در ماه­های فصل بهار و در مرتبه دوم در اکتبر و فوریه مشاهده می­شود. بیشینه میانگین فراوانی ماهانه روزهای بارشی شهرستان اردبیل در دوره تاریخی در ماه می و به تعداد 13 روز و کمینه آن در جولای به تعداد 4 روز است. در افق 20ساله الگوی توزیع زمانی روزهای بارشی اندکی متفاوت از دوره تاریخی است و بیشینه میانگین فراوانی ماهانه در ماه مارس قرار گرفته و بر شمار آن افزوده شده و رقم آن از 11 روز ثبت شده به 18 روز رسیده است. کمترین روزهای بارشی آینده در ماه اوت (8 روز) پیش­بینی شده است. هر دو مدل مورد استفاده تحت دو سناریوی خوش‌بینانه و بدبینانه در تمامی ماه­ها فراوانی بیشتری را نسبت به دوره تاریخی تخمین زده­اند (شکل 11).

 

 

شکل 11- نمودار مقایسه­ای میانگین فراوانی ماهانه روزهای بارشی شهرستان اردبیل تحت شرایط تغییر اقلیم با داده مشاهداتی

تجزیه و تحلیل

میانگین سالانه بارش دوره آینده بر اساس خروجی مدل CanESM5 تحت سناریوهای SSP1-2.6 و  SSP5-8.5 به­ترتیب 245 و 243 میلی­متر محاسبه شد که در مقایسه با میانگین دوره تاریخی کاهشی حدود 38 و 40 میلی­متری را نشان می­دهد. میانگین سالانه بارش اردبیل در افق 20 سال آینده بر مبنای برونداد مدل NorESM2 تحت سناریوی SSP1-2.6 7/246 میلی­متر و تحت سناریوی  SSP5-8.5 7/245 میلی­متر برآورد شده است که نسبت به دوره تاریخی 3/36 و 3/37 میلی­متر کاهش خواهد یافت.

بارش در مقیاس ماهانه در ماه­های حیاتی برای رشد گیاهان کاهشی پیش­بینی گردید. اینکه بارش در ماه­های فوریه تا می و افزایش بارش در ماه­های ژوئن تا سپتامبر پیش­بینی شده از دو جهت قابل بررسی است: اول اینکه عمده بارش و تمرکز بیشینه بارش شمال غرب و استان اردبیل عمدتاً در فصل بهار به‌ویژه در ماه می هم‌زمان با بارش­های موسوم به نیسان و مقارن با فصل اوج رویش و رشد گیاهان و محصولات کشاورزی است و لذا پاسخگویی به تقاضای نیاز آبی گیاهان و تأمین آب با مشکل مواجه شده و افت سطح ذخایر آبی، کاهش عملکرد مطلوب برخی محصولات و اثرگذاری منفی بر اقتصاد مبتنی بر کشاورزی دور از ذهن نخواهد بود. دوم اینکه افزایش بارش در ماه­های جولای تا سپتامبر که ماه­های گرم سال هستند و بیشینه دما در این ماه­ها قرار دارد با توجه به افزایش احتمال تبخیر به جهت بالا بودن دما و کاهش ضریب اثربخشی آن، این افزایش بارش اثر چندان مؤثری نمی­تواند در تأمین نیازهای آبی اردبیل داشته باشد. از طرفی بارش خارج از فصل رویش معمول گیاهان، اهمیت آن را در تولید و اقتصاد محدوده موردمطالعه کاهش می­دهد. مگر آنکه تمهیدات مقتضی شرایط احتمالی آینده اتخاذ شده باشد.

 

نتیجه­گیری

پیش‌نگری تغییرات اقلیمی جهت آگاهی از میزان دگرگونی آن در آینده و در نظر گرفتن تمهیدات لازم برای متعادل‌سازی اثرات بد برآمده از تغییرات اقلیمی ارزش زیادی دارد. نتایج ریزمقیاس نمایی در دوره پایه تحت مدل‌های گردش عمومی CanESM5 و NorESM2-MM عملکرد نسبتاً خوبی را در تخمین بارش ماهانه ایستگاه اردبیل نشان داد بدین نحو که در ماه‌های مارس، آوریل و می کم­برآوردی، در جولای بیش­برآوردی و در بقیه ماه‌ها انطباق نسبتاً خوبی با داده‌های مشاهداتی دارد.

بارش ماهانه در افق 20 سال آینده در ماه­های مارس، آوریل، می، اکتبر و نوامبر کاهش و در ماه‌های ژوئن، جولای، اوت، سپتامبر نسبت به دوره تاریخی افزایش خواهد یافت. بیشترین میزان کاهش بارش ماهانه دوره آینده در ماه می مربوط به سناریوی حد پایین (13 میلی­متر) و بیشترین میزان افزایش آن نیز مربوط به ماه جولای بین 8 تا 5 میلی­متر است. همچنین این مدل­ها تحت سناریوی بدبینانه کاهش بیشتری را در مقادیر بارش دوره آینده نسبت به سناریوی حد پایین پیش­بینی نمودند. بیشینه میانگین فراوانی ماهانه روزهای بارشی شهرستان اردبیل در دوره تاریخی در ماه می و به تعداد 13 روز و کمینه آن در جولای به تعداد 4 روز است. در افق 20 ساله بیشینه میانگین فراوانی ماهانه در ماه مارس قرار گرفته و بر شمار آن افزوده شده و رقم آن از 11 روز ثبت شده به 18 روز رسیده همچنین کمترین روزهای بارشی آینده در ماه اوت (8 روز) پیش­بینی شده است. پیش­بینی کاهشی بودن میزان بارش سالانه و ماهانه اردبیل در عین افزایشی بودن فراوانی روزهای بارشی آن نشان­دهنده کاهش مقدار مطلق بارش 24 ساعته در یک از رخدادهای محتمل است.

 کاهش بارش در ماه­های مارس، آوریل، می، اکتبر و نوامبر یک پیشامد محتمل در شهرستان اردبیل بر اساس برونداد مدل­های CanESM5 و NorESM2 تحت سناریوهای SSP126 و SSP585 است. با توجه به نتیجه پژوهش زمانی و همکاران (2020) که در زمینه مقایسه کارایی مدل­های گزارش ششم (CMIP6) و مدل­های گزارش پنجم (CMIP5) در پیش­یابی بارش نیمه شمالی ایران نشان دادند عملکرد مدل­های جدید بهتر از مدل­های CMIP5 است، کاهشی بودن بارش در شهرستان اردبیل بر اساس برونداد مدل­های انتخابی موردمطالعه تحت دو سناریوی SSP در تحقیق حاضر، نشان­دهنده نیاز به توجه در خصوص برنامه­ریزی­های مربوط به حوزه آب در این شهرستان است.

یافته این پژوهش معطوف به تأثیر تغییر اقلیم بر بارش شهرستان اردبیل و منفی بودن اثر آن و کاهشی شدن میزان بارش تحت شرایط تغییر اقلیم در توافق با نتایج پژوهش­های محققانی چون مساح بوانی و مرید (1384) در زمینه بارش اصفهان، سرافرازه و همکاران (1391) در زمینه بارش تبریز، رضایی و همکاران (1393) در زمینه بارش کرمان، فرخ­زاده و همکاران (1399) در شمیرانات، فرید گیگلو و همکاران (1399) در آورد رودخانه حوضه ارس (واقع در محدوده استان اردبیل) و فلاح کلاکی و همکاران (1400) در بارش حوضه آبریز بختگان، ایرانشاهی و همکاران (1401) بارش الشتر و خرم­آباد تحت سناریوهای SSP، زارعیان (1401) بارش استان یزد بر اساس برونداد مدل CanESM5 تحت سناریوهای SSP، Xu و همکاران (2013) در بررسی اثرات تغییر اقلیم بر رودخانه کیان تانگ شرق چین، Zhao و همکاران (2019) رودخانه مناطق کوهستانی و مؤید وجه مشترک نتایج و اثر کاهشی تغییر اقلیم بر بارش مناطق مذکور می­باشد.

نتایج حاصل از این پژوهش می‌تواند در برنامه‌ریزی و مدیریت بهره‌برداری صحیح منابع آب­های زیرزمینی و رواناب‌های سطحی، همچنین در نظر گرفتن راهکارهای مناسب در جهت فعالیت‌های اجتماعی- اقتصادی نظیر هزینه‎های پایدار، افزایش بازده انرژی، جایگزینی انرژهای تجدیدپذیر و اتخاذ تصمیم‌های سیاسی راهگشا باشد. با عنایت به این پژوهش به منظور بررسی دقیق‌تر اثرات تغییر اقلیم، توصیه می‌شود تا حد امكان از چندين مدل به جاي يك مدل در مطالعات تغيير اقليم استفاده شود و بدين وسيله عدم قطعيت پيش‌بيني‌هاي انجام شده را تا حد قابل قبول كاهش داد. همچنین روش‌های اصلاح اریبی همچون روش نگاشت چندک (QM) روی داده‌های اقلیمی که توانایی بازسازی الگوی متغیرهای اقلیمی را نیز دارد، می‌تواند به دقیق‌تر کردن پی‌آیندها کمک کند.

 

فهرست منابع

1.       ارشاد فتح، ف.؛ رائینی سر جاز، م، شاهنظری، ع، ایویند اولسون، ی (1401)، کاربرد روش پس­پردازش مقیاس­دهی خطی برای تصحیح اريبی برونداد مدل­های اقلیمی CMIP6، تحقیقات منابع آب ایران، شماره 3، صص 131-144.

2.       انصاری مهابادی، ث.؛ دهبان، ح، زارعیان، م، فرخ­نیا، ا (1401)، بررسي روند تغييرات دما و بارش حوزه­هاي آبريز ايران در افق ۲۰ سال آينده بر اساس برونداد مدل­هاي CMIP6، مجله پژوهش آب ایران، شماره 1 (44)، صص 11-24.

3.       ایرانشاهی، م.؛ ابراهیمی، ب، یوسفی، ح، مریدی، ع (1401)، بررسی اثرات تغییر اقلیم بر وضعیت دما و بارش با استفاده از شبکه عصبی و گزارش ششم IPCC (مطالعه موردی: ایستگاه­های الشتر و خرم­آباد)، نشریه مدیریت آب و آبیاری، شماره 12 (4)، صص 845-821.

4.       بابائيان، ا.؛ نجفي نيك، ز، عباسي، ف، حبيبي نوخندان، م، گلي مختاري، ل، ملبوسي، ش (1388)، مدل‌سازی اقليم ايران در دوره 2010 تا 2039 با استفاده از ريزمقياس­­نمايي آماري خروجي الگو ECHO-G، جغرافيا و توسعه، جلد 24، شماره 16، صص 152-135.

5.       خواجه امیری خالدی، چ.؛ خسروی، م، طاوسی، ت، حمیدیان­پور، م، کیانی­مقدم، م (1401)، صحت سنجی عملکرد برونداد مدل اقلیمی CMIP6 با داده‌های مشاهداتی کرانه­های مکران، نشریه هواشناسی و علوم جو، شماره 1، صص 41-22.

6.       رضایی زمان، م.؛ مساح بوانی؛ جوادی، س (1401)، ارزيابی اثرات سناريوهای SSP از بروندادهای اقليمی مدل­های جفت شده ميان مقايسه­ای فاز ششم (CMIP6) بر منابع آب و کشاورزی منطقه هشتگرد با رويکرد اعمال راهبرد تطبيقی، علوم و تکنولوژی محیط زیست، شماره 12، صص 107-93.

7.       رضایی، م.؛ نهتانی، م، مقدم­نیا، ع، آبکار، ع، رضایی، م (1393)، بررسی کارایی مدل ریزمقیاس نمایی آماري در پیش‌بینی بارش در دو اقلیم خشک و فراخشک، نشریه آب و خاك (علوم و صنایع کشاورزي). شماره 3. صص 845-836.

8.       روشنی، ا.؛ حمیدی، م (1400)، پیش­بینی اثر سناریوهای تغییر اقلیم بر دما و بارش بر اساس مدل­های CMIP6 (مطالعه موردی: ایستگاه ساری)، نشریه مدیریت آب و آبیاری، شماره 4، صص  895-781.

9.       زارعیان، م (1401)، اثرات تغییر اقلیم بر دما و بارش استان یزد بر اساس خروجی ترکیبی مدل­هاي CMIP6، نشریه علوم آب و خاک، شماره 2، صص 105-91.

10.       سرافروزه، ف؛ جلالی، م، جلالی، ط، جمالی، ا (1391)، ارزیابی اثرات تغییر اقلیم آینده بر مصرف آب محصول گندم در تبریز. فصلنامه فضای جغرافیایی، شماره 12(37)، صص 81-96.

11.       شیخ ربیعی، م؛ پیروان، ح؛ دانشکار آراسته، پ؛ اکبری، م؛ معتمدوزیری، ب (1401)، ارزیابی کارایی مدل‌های تغییر اقلیم در شبیه سازی مولفه‌های دما و بارش (مطالعه موردی حوزه آبخیز کرگانرود). جغرافیا و مطالعات شهری و منطقه‌ای، شماره 11 (41)، صص142-123.

12.       شجاع، ف.؛ شمسی­پور، ع (1402)، پیش­نمایی تغییرات بارش­های آتی حوضه­های آبخیز تأمین­کننده آب شهر تهران، مخاطرات محیط طبیعی، شماره 12 (36)، صص 180-151.

13.       عبدالعلی­زاده، ف.؛ خورشیددوست، م، جهانبخش، س (1401)، ارزیابی دقت مدل­های برای شبیه­سازی دما و بارش حوضه آبریز دریاچه ارومیه، نشریه پژوهش­های تغییرات آب و هوایی، 3 (11)، صص 30-17.

14.       عساکره، ح؛ کیانی، حدیث، (1397)، ارزیابی کارایی مدل SDSM در شبیه‌سازی میانگین دمای شهر کرمانشاه، فصلنامه اطلاعات جغرافیای سپهر، دوره 27، شماره 105، صص 62-49.

15.       فرخ­زاده، ب.؛ چوبه، س، بذرافشان، ا (1399)، ارزیابی اثرات تغییر اقلیم بر شاخص بارش-تبخیر و تعرق استانداردشده (مطالعه موردی: حوزه آبخیز لتیان)، مجله علمی سامانه­های سطوح آبگیر باران، جلد 26، صص 72-56.

16.       فرید گیگلو، ب.؛ قضاوی، ر، دخانی، س (1399)،  ارزيابی تأثیر تغییر اقلیم بر میزان آورد رودخانه ارس (مطالعه موردی: محدوده استان اردبیل). تحقیقات منابع آب ايران. شماره 16 (3)، صص 211-198.

17.       فلاح کلاکی، م.؛ شکری کوچک، و، رمضانی اعتدالی، ه (1400)، شبیه­سازی اثرات تغییر اقلیم با استفاده از مدل­های CMIP6 بر رواناب با استفاده از مدل هیدرولوژيکی SWAT (مطالعه موردی: حوضه آبريز طشک- بختگان)، تحقیقات منابع آب ایران، شماره 3، صص 359-345.

18.       مساح بوانی، ع.؛ مرید، س (1384)، اثرات تغییر اقلیم بر جریان رودخانه زاینده‌رود. مجله علوم و فنون کشاورزي و منابع طبیعی، شماره 9(4)، صص 17-27.

19.       مشکواتی، ا.ح؛ کردجزی، م؛ بابائیان، ا (1389)، بررسی و ارزیابی مدل لارس در شبیه سازی داده های هواشناسی استان گلستان در دوره 2007- 1993 میلادی، تحقیقات کاربردی علوم جغرافیایی، جلد 16، شماره 19، صص 96-81.

20.       Allen, R., P. Sto, J. Mitchell, R. Schnur, and T. Delworth, (2000), quantifying the uncertainty in forecastes of anthropogenic climate change. Nature, 443, 205-209.

21.       Chim, K., Tunnicliffe, J., Shamseldin, A. and K. Chan, (2020), Identifying future climate change and drought detection using CanESM2 in the upper Siem Reap River, Cambodia. Dynamics of Atmospheres and Oceans, Available, 101182.

22.       Chung, Y. S. and M. B. Yoon, (2000), interpretation of recent temperature and precipitation trends observed in Korea, theor. Applied Climatology, 67, 171-180.

23.       Kobuliev, M.J., Liu, T., obudinKobuliev, Z., Chen, X., Gulakhmadov, A.J. and A. Bao, (2021), Effect of future climate change on the water footprint of major crops in southern Tajikistan. Regional Sustainability, 2(1), 60-72.

24.       Mwabumba, M., Yadav, B., Rwiza., M., Larbi, I., QuarcooDotse, S., ManobaLimantol, A., Sarpong, S. and D. Kwawuvi, (2022), Rainfall and temperature changes under different climate scenarios at the watersheds surrounding the Ngorongoro Conservation Area in Tanzania. Environmental Challenges, 1-39.

25.       Semenov, M. A., and E. M. Barrow, (2002), LARS-WG a stochastic weather generator for use in climate impact studies. User's manual, Version 3, 27p.

26.       Tukimat, N.A., Syukri, N.A. and A.A. Malek, (2019), Projection the long-term ungauged rainfall using integrated Statistical Downscaling Model and Geographic Information System (SDSM-GIS) model. Heliyon, 5(9), 1-8.

27.       Uttam, P. Goswami, BZ and Manish, K.G., (2018), Copula-based probabilistic characterization of precipitation extremes over North Sikkim Himalaya. Atmospheric Research, 212, 273-284.

28.       Winkler, J. A. and J. P. Palutikof, (1997). The Simulation of Daily Temperature Time Series from ‎GCM Output. Journal of Climate, 10, 2532-2514.‎

29.       Xu, Y.P., X. Zhang, Q. Ran, and Y. Tian, (2013), Impact of climate change on hydrology of upper reaches of Qiantang River Basin, East China. Journal of Hydrology, 483, 51–60.

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

31.       Yuqing, Z., Qinglong, Y., Changchun, Ch, and G. Jing, (2016), Impacts of climate change on streamflows under RCP scenarios: A case study in Xin River Basin, China. Atmospheric Research, 178- 179, 521- 534.

32.       Zamani, Y., S. A. H. Monfared, and M. Hamidianpour, (2020), a comparison of CMIP6 and CMIP5 projections for precipitation to observational data: the case of Northeastern Iran. Theoretical and Applied Climatology, 142(3), 1613-1623.

33.       Zhao, C. S., Y, Zhang, and S. T. Yang, (2019), Predicting future river health in a minimally influenced mountainous area under climate change. Science of the Total Environment, 656(2019), 1373–1385.

 

 

Abstract

 

 

Simulating and predicting the effects of climate change using some new scenarios of SSP and CMIP6 models on rainfall changes in Ardabil County

 

 

Abstract

In this research, the annual rainfall changes of Ardabil City have been modeled and analyzed based on the downscaling of the output of some CMIP6 models under the greenhouse gas emission scenarios in the SDSM6.1 software. For this purpose, the daily precipitation of the Ardabil synoptic station from 1979 to 2014 was considered as observational data, and its changes were analyzed for the next decades until 2043. The downscaled results in the base period under CanESM5 and NorESM2-MM general circulation models showed relatively good performance in estimating the monthly precipitation of Ardabil station. The results showed that in March, April, and May, there is an underestimation, in July there is an overestimation and in the other months there is a relatively good performance with the observational data. The annual average precipitation of the future period based on the output of the CanESM5 model under the SSP1-2.6 and SSP5-8.5 scenarios was calculated as 245 and 243 mm respectively, which shows a decrease of about 38 and 40 mm compared to the average of the historical period. The results of the Ardabil rainfall simulation with the CanESM5 model showed that on a monthly scale, the rainfall in the next 20 years in April and May under the SSP1-2.6 scenario is between 14 and 15 mm and under the SSP5-8.5 scenario between 16 and 17 mm will decrease and in July to September and December, it will increase by at least 5 mm compared to the base period.

 

Keywords: Ardabil, precipitation, forecast, CanESM5, SSP. 

---