تعداد نشریات | 26 |
تعداد شمارهها | 551 |
تعداد مقالات | 5,712 |
تعداد مشاهده مقاله | 7,971,412 |
تعداد دریافت فایل اصل مقاله | 5,353,173 |
چشم انداز اقلیم حوضه جنوبی دریای خزر تحت شرایط گرمایش جهانی، مطالعه موردی: مدل گردش کلی HadCM3 | ||
مخاطرات محیط طبیعی | ||
مقاله 2، دوره 6، شماره 14، زمستان 1396، صفحه 17-34 اصل مقاله (1.82 MB) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22111/jneh.2017.3334 | ||
نویسندگان | ||
ایمان باباییان ![]() | ||
1استادیار، دکتری اقلیم شناسی، گروه پژوهشی تغییر اقلیم- پژوهشکده اقلیم شناسی- سازمان هواشناسی کشور | ||
2دانشجوی مقطع دکترا اقلیم شناسی گرایش تغییر اقلیم. ، دانشکده جغرافیا و علوم محیطی. دانشگاه حکیم سبزواری | ||
3استادیار گروه جغرافیای طبیعی، دانشکده جغرافیا و علوم محیطی. دانشگاه حکیم سبزواری | ||
4کارشناس ارشد فیزیک، گروه پژوهشی تغییر اقلیم- پژوهشکده اقلیم شناسی- سازمان هواشناسی کشور | ||
5کارشناس ارشد فیزیک، گروه پژوهشی تغییر اقلیم- پژوهشکده اقلیم شناسی- سازمان هواشناسی | ||
6دانشجوی دکترا اقلیم شناسی گرایش کشاورزی، دانشکده جغرافیا و علوم محیطی. دانشگاه حکیم سبزواری | ||
چکیده | ||
در سال های اخیرحوضه جنوبی دریای خزردرگیر برخی مخاطرات اقلیمی مانند خشکسالی، سیل و بارش برف سنگین بوده است. شبیه سازی رفتار اقلیم آینده این حوضه نقش مهمی در شناخت وضعیت اقلیم و میزان آسیب پذیری احتمالی این مناطق از تغییر اقلیم دارد. در این مطالعه چشم انداز اقلیم آینده برخی ایستگاه های واقع در این حوضه شامل گرگان، بابلسر، رامسر، رشت، بندرانزلی تحت دو سناریوی انتشار A2 و B2 حاصل از برونداد ریزمقیاس شده مدل گردش کلی HadCM3 با روش آماری SDSMدر دوره 2099-2011 شبیه سازی گردید. علاوه بر آن برونداد بارش مدل گردش کلی یاد شده به روش دینامیکی توسط مدل PRECIS برای دوره 2099-2070 ریزمقیاس گردید. در هر دو روش ریزمقیاس نمایی، مدل گردش کلی و سناریوهای انتشار یکسان در نظر گرفته شدند. بر اساس نتایج هر دو روش مذکور، میانگین بارش سالانه ایستگاه های منتخب در دهه های آینده کاهش نسبتا چشمگیری خواهند داشت. نتایج ریزمقیاس شده توسط مدل SDSM نشان می دهد که کمترین و بیشترین کاهش بارش سالانه به ترتیب در ایستگاههای گرگان و بابلسر رخ خواهد داد. کاهش یادشده بین 25 درصد در دوره 2039-2011 تحت سناریوی A2 تا 60 درصد در دوره 2099-2070 تحت سناریوی B2 خواهد بود. تعداد رخداد بارش های روزانه با شدت های 10، 20 و 30 میلیمتر در روز،بارش های با آستانه های صدک 95 و 99 در سه دهه 39-2010، 69-2040 و 99-2070 و همچنین تعداد روزهای داغ دوره های آتی در فصول پاییز، زمستان و بهار در تمامی ایستگاه ها (به استثنای فصل بهار گرگان) و تحت هر دو سناریوی A2 و B2نسبت به دوره مشاهداتی 90-1961 افزایش خواهند یافت. نتایج نشان می دهد که دامنه تغییرات افزایش میانگین دمای حداکثر حوضه در سه دهه 2039-2010 ، 2069-2040 و 2099-2070 به ترتیب 8/1-1، 3/3-9/1 و 1/5-4/2 درجه سلسیوس خواهد بود. | ||
کلیدواژهها | ||
مدل گردش کلی؛ سناریوهای انتشار؛ ریزمقیاس نمایی؛ حوضه جنوبی خزر؛ SDSM؛ PRECIS | ||
مراجع | ||
باباییان ایمان، نجفی نیک زهرا (1385)، معرفی و ارزیابی مدل لارس برای مدل سازی پارامترهای هواشناسی استان خراسان در دوره 1961-2003 ، مجله نیوار، شماره 62 و 63، پاییز و زمستان 1385، صص 49-65. بابائیان ایمان، نجفی نیک زهرا، زابل عباسی فاطمه، حبیبی نوخندان مجید، ادب حامد، ملبوسی شراره (1388)، ارزیابی تغییر اقلیم کشور در دوره 2039-2011 با استفاده از ریزمقیاس نمایی داده های مدل گردش عمومی جو ECHO-G. مجله جغرافیا و توسعه، 16، صص: 152-136. حمیدیان پور محسن، باعقیده محمد، عباس نیا محسن(1395)، ارزیابی تغییرات دما و بارش جنوبشرق ایران با استفاده از ریزمقیاس نمایی خروجی مدلهای مختلف گردش عمومی جو در دورة 2011-2099، پژوهشهای چغرافیای طبیعی، دوره 48، شماره 1، بهار 1395، صص: 107-123. رحیم زاده فاطمه، عسگری احمد، فتاحی ابراهیم، محمدیان نوشین، تقی پور افسانه (1388)، روند نمایه های حدی اقلیمی دما در ایران طی دوره 2003-1951، تحقیقات جغرافیایی، دوره 24، شماره 93، صص: 144-119. رسولی علی اکبر، بابائیان ایمان، قائمی هوشنگ، زواررضا پیمان(1391)، تحلیل سری های زمانی فشار مراکز الگوهای سینوپتیکی موثر بر بارش های فصلی ایران، مجله جغرافیا و توسعه، شماره 27، صص: 88-77. عراقی نژاد شهاب، کارآموز محمد، (1384)، پیش بینی بلند مدت رواناب با استفاده از شبکه های عصبی مصنوعی و سیستم استنتاج فازی، تحقیقات منابع آب ایران، دوره 1، شماره 2، صص: 41-29. گل محمدی مریم، مساح بوانی علیرضا(1390)، بررسی تغییرات شدت و دوره بازگشت خشکسالی های حوضه قره سو در دوره های آتی تحت تاثیر تغییر اقلیم، نشریه آب و خاک، دوره 25، شماره2 ، صص: 326-315. Babaian E., Modirian R., Karimiyan M.,Malbusi Sh. (2015), Capability of PRECIS Regional Climate Model for Modelling Regional Precipitations of Iran. Journal of Desert,Vol. 4(20):,pp 123-134. Badrul M.M., Soni, P.., Shrestha, S., Tripathi N.K. (2016), Changes in Climate Extremes over North Thailand, 1960–2099. Journal of Climatology, Vol.2016, Article ID 4289454, pp 18-33. Chamchati H., & Bahir M. (2011), Contribution of climate change on water resources in semi-arid areas: Example of the Essaouita Basin (Morocco), Am. J. Sci. Ind. Res, 2(2), pp 209-215. Cheema S.B., Rasul, G., Ali G., Kazmi D.H. (2013), A Comparison of Minimum Temperature Trends with Model Projections, Pakistan Journal of Meteorology, Vol. 8. Issue 15. Easterling, D.R., Meehl, G.A., Parmesan, C., Changnon, S.A., Karl, T.R., Mearns, L.O. (2000), Climate extremes: Observations, modeling, and impacts. Science, 289(5487): pp. 2068-2074. Fan, L., Xiong, Z. (2015), Using quantile regression to detect relationships between large-scale predictors and local precipitation over northern China, Advances in Atmospheric Sciences, 32(4), pp 541-552. Fernández‐Long, M. E., Müller, G. V., Beltrán‐Przekurat, A., Scarpati, O. E. (2013), Long‐term and recent changes in temperature‐based agro climatic indices in Argentina, International Journal of Climatology, 33(7), pp 1673-1686. Ha, K. J., Yun, K. S. (2012), Climate change effects on tropical night days in Seoul, Korea, Theoretical and Applied Climatology, 109(1-2), pp 191-203. IPCC (2013), Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change [Stocker T.F., D. Qin, G.-K. Plattner M. Tignor, S.K. IPCC, (1995), In Watson, R.T., Zinyowera, M.C., Moss, R.H. (Eds.), Impacts, Adaptations and Mitigation of Climate Change: Scientific-Technical Analyses, Cambridge University Press, UK, 878p. Johnson G. L., Hanson C. L., Hardegree S. P., Ballard E.B. (1996), Stochastic weather simulation: overview and analysis of two commonly used models, Journal of Applied Meteorology, 35, pp 1878-1896. Kalnay E. M., Kanamitsu R., Kistler W., Collins D., Deaven L., Gandin M., Iredell S., Saha G., White J., Woollen Y., Zhu A., Leetmaa R., Reynolds M., ChelliahW., Ebisuzaki W., Higgins J., Janowiak K. C., Mo C., Ropelewski J., WangRoy J., and Dennis J. (1996), The NCEP/NCAR 40-Year Reanalysis Project. Bull. Amer. Meteor. Soc., 77, pp. 437–471. doi: http://dx.doi.org/10.1175/1520-0477(1996)0772.0.CO;2. Klein T., Zwiers F. W., Zhang X. (2009), Guideline on analysis of extremes in a changing climate in support of informed decisions for adaptation, WMO Publication, WCDMP-No. 72, 55pp. Mc kague k. (2003), Clim Gen- A ZGnvenient weather Generator tool for Canadian climate stations, proceeding of CCAE/SCGR 2003 Meeting, Montreal, Canada. McFadden, J., Miranowski, J. (2014), Climate Change Impacts on the Intensive and Extensive Margins of US Agricultural Land. In 2014 Annual Meeting, July 27-29, 2014, Minneapolis, Minnesota (No. 170512). Agricultural and Applied Economics Association. Rajabi, A. Shabanlou, S. (2012,),. Climate Index Changes In Future By Using SDSM In Kermanshah, Iran., Journal of Environmental Research And Development, 7(1). Semenov M. A., Barrow E. M. (2002), LARS-WG a stochastic weather generator for use in climate impact studies, Rothamsted Research, UK, pp. 28. Seneviratne, S. I., Donat, M. G., Mueller, B., & Alexander, L. V. (2014), No pause in the increase of hot temperature extremes. Nature Climate Change,4(3), pp. 161-163. Seo, Y. A., Lee, Y., Park, J. S., Kim, M. K., Cho, C., & Baek, H. J. (2015), Assessing changes in observed and future projected precipitation extremes in South Korea, International Journal of Climatology, 35(6), pp 1069-1078. Solomon S., Qin D., Manning M., Chen Z., Marquis M., Averyt K. B., Tignor M., and Miller H.L. (2007), Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change, Cambridge University Press, Cambridge, U. K. Wilby R. L., Dawson C. W., and Barrow E. M. (2002), SDSM—a decision support tool for the assessment of regional climate change impacts, Journal of Environmental Modeling and Software, 17, pp145-157. Wilks D.S., and Wilby R. L. (1999), The Weather Generation game: a review of Stochastic Weather Models. Progresses in Physical Geography, 23, pp 329-357. Zhao, C., Wang, W., and Xing, W. (2012), Regional Analysis of Extreme Temperature Indices for the Haihe River Basin from 1960 to 2009, International Conference on Modern Hydraulic Engineering, 28: pp 604-607. | ||
آمار تعداد مشاهده مقاله: 403 تعداد دریافت فایل اصل مقاله: 205 |