تعداد نشریات | 27 |
تعداد شمارهها | 557 |
تعداد مقالات | 5,743 |
تعداد مشاهده مقاله | 8,019,504 |
تعداد دریافت فایل اصل مقاله | 5,391,039 |
تغییرات پیشنگری شده در دما و بارش حوضه کشفرود بر مبنای روشهای مقیاس-کاهی دینامیکی و آماری | ||
مخاطرات محیط طبیعی | ||
مقاله 11، دوره 10، شماره 30 - شماره پیاپی 4، اسفند 1400، صفحه 183-202 اصل مقاله (1.27 MB) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22111/jneh.2021.37827.1777 | ||
نویسندگان | ||
هوشمند عطایی ![]() | ||
1دانشیار گروه جغرافیا، دانشگاه پیام نور | ||
2استادیار، گروه مخاطرات و تغییرات اقلیمی، پژوهشکده اقلیم شناسی و تغییر اقلیم | ||
3کارشناس پژوهشی، عضو گروه پژوهشی مدلسازی اقلیمی، پژوهشکده اقلیم شناسی و تغییر اقلیم | ||
4;کارشناسی ارشد، پژوهشکده اقلیم شناسی و تغییر اقلیم | ||
چکیده | ||
اقلیم تحت تاثیر عوامل طبیعی و انسانساز در سطح جهانی و منطقهای در حال تغییر است. امروزه، مدلهای سری CMIP، منابع دادهای چند مدلی را به منظور بهبود پژوهشهای علمی در راستای شناخت تغییر اقلیم و خطرپذیری اقلیم آینده در مقیاس منطقهای یا محلی و توسعه رهیافتهایی برای سازگاری با اقلیم ارایه میدهند. با این وجود، ثابت شده است که این مدلها قادر به حل جزئیات ویژگیهای تغییر اقلیم در مقیاسهای مذکور نیستند. به منظور پرکردن این خلا، روشهای مقیاسکاهی ( دینامیکی و آماری)، به عنوان راههای چند روشی به منظور بدست آوردن پیشنگریهای با قدرت تفکیک مناسب از مدلهای جهانی اقلیمی بکار میروند. ارائه اطلاعات مطمئنتر اقلیمی به صورت چند مدل، چند روش و چند مقیاس (M5S) میتواند به تصمیمگیران بخش-های مختلف همچون آب و کشاورزی در پاسخ به تغییرات اقلیم کمک نماید. در این راستا، در این پژوهش با هدف ارایه سناریوهای آتی اقلیمی دما و بارش در حوضه کشف رود (دشت مشهد) از دو روش مقیاسکاهی آماری (SDSM و BCSD) و یک مدل منطقهای اقلیم (RegCM) استفاده شده است. برونداد مدل اقلیمی CanESM2 برای دوره حاضر (2005-1984) و دوره آینده نزدیک (2050-2021) با سه روش مذکور، مقیاسکاهی شد. نتایج نشان داد میانگین دما در حوضه کشفرود در تمام فصلها افزایش مییابد (با سه روش). تغییرات بارش دارای نوسانات زیادی است. در دوره آتی، بارش تا 4 و 9 درصد تحت این سناریوی با دو روش SDSM و RegCM کاهش مییابد که از لحاظ آماری معنیدار نیست در حالیکه با استفاده از روش مقیاسکاهی BCSD، بارش به طور معنیداری تا 24 درصد در ایستگاه مشهد افزایش خواهد یافت. | ||
کلیدواژهها | ||
تغییر اقلیم؛ حوضه آبریز کشفرود؛ مقیاس کاهی دینامیکی؛ مقیاس کاهی آماری | ||
مراجع | ||
سبحانی، بهروز، اصلاحی، مهدی، بابائیان، ایمان، (1396)، مقایسه روش های ریزمقیاس نمایی آماری مدلهای تغییر اقلیم در شبیهسازی عناصر اقلیمی در منطقه شمال غرب ایران، پژوهش های جغرافیایی طبیعی، (2)49.صص 301-325. مدیریان، راهله، کریمیان، مریم، بذرافشان، جواد، بابائیان، ایمان، حلبیان، امیرحسین، فلامرزی، یاشار، (1398)، پس پردازش دینامیکی تغییرات اقلیم در خراسان رضوی، ششمین کنفرانس تغییر اقلیم، تهران، آبان 1398. https://civilica.com/doc/1002841. کوهی، منصوره، شیرمحمدی، زهرا، محمدیان، آزاده، حبیبی ، مجید، (1399)، توزیع مکانیـ زمانی دما و تبخیرـ تعرق مرجع با استفاده از دادههای CRU در خراسان رضوی و پیشنگری تغییرات آتی برمبنای مدلهای اقلیمی CMIP5، سنجش از دور و GIS ایران، شماره 12، بهار 1399، صص 55-72. Akhter, M. S., Shamseldin, A. Y., & Melville, B. W. (2019). Comparison of dynamical and statistical rainfall downscaling of CMIP5 ensembles at a small urban catchment scale. Stochastic Environmental Research and Risk Assessment, 33(4), pp 989-1012. Chu, J. T., Xia, J., Xu, C. Y., Singh, V. P. (2010). Statistical downscaling of daily mean temperature, pan evaporation and precipitation for climate change scenarios in Haihe River. China. Theoretical and Applied Climatology, 99, pp 149–161. Dibike, Y. B., Coulibaly, P. (2006). Temporal neural networks for downscaling climate variability and extremes. Neural Networks, 19, pp 135–144. Giorgi F, Marinucci MR, Bates G. (1993). Development of a second generation regional climate model (RegCM2). I.Boundary layer and radiative transfer processes. Mon Weather Rev, 121, pp 2794–2813. Harpham, C., & Wilby, R. L. (2005). Multi-site downscaling of heavy daily precipitation occurrence and amounts. Journal of Hydrology, 312(1-4), pp 235-255. Hessami, M., Gachon, P., Ouarda, T.B.M.J., St-Hilaire A. (2008). Automated regression-based statistical downscaling tool, Environmental Modelling and Software, 23, pp 813–834. Hewitt, C., S. Mason, and D. Walland, (2012). The Global Framework for Climate Services. Nat. Climate Change, 2, pp 831–832. Intergovernmental Panel on Climate Change. (2007). Summary for policymakers. In Climate Change 2007: Impacts, Adaptation and Vulnerability. Contribution of Working Group II to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. M.L. Parry, O.F. Canziani, J.P. Palutikof, P.J. van der Linden, and C.E. Hanson, Eds. Cambridge University Press, pp 7-22. https:// pubs.giss.nasa.gov/ docs/ 2007/ 2007_IPCC_ip01000b.pdf. Intergovernmental Panel on Climate Change. (2010). Meeting Report, IPCC Expert Meeting on Assessing and Combining Multi Model Climate Projections, National Center for Atmospheric Research, Boulder, Colorado. USA. https:// www.ipcc.ch / publication/ ipcc expert meeting on assessing and combining multi model climate projections/. Intergovernmental Panel on Climate Change. (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. Cambridge Univ. Press, Cambridge. . http://www.ipcc.ch/report/ar5/wg1/. Karamouz, M., Fallahi, M., Nazif, S., Rahimi Farahani, M. (2009). Long lead rainfall prediction using statistical downscaling and artificial neural network modeling. Scientia Iranica, 16(2), pp 165-172. Khan, M. S., Coulibaly, P., Dibike, Y. (2006). Uncertainty analysis of statistical downscaling methods. Journal of Hydrology, 319, pp 357-382. Motovilov, Y.G., Gottschalk, L., Engeland, K., and Rodhe, A. (1999). Validation of a distributed hydrological model against spatial observations. Agricultural and Forest Meteorology. 98-99,pp 257-277. Ning, L., Bradley, R. S. (2015). NAO and PNA influences on winter temperature and precipitation over the eastern United States in CMIP5 GCMs. Climate Dyn., 46, pp 1257–1276. Pal, J., Small, E. & Eltahir, E. (2000): Simulation of regional-scale water and energy budgets: Representation of subgrid cloud and precipitation processes within regcm, Journal of Geophysical Research-Atmospheres 105, pp 29579-29594. Rahimi, J., Malekian, A., & Khalili, A. (2019). Climate change impacts in Iran: assessing our current knowledge. Theoretical and Applied Climatology, 135(1-2), pp 545-564. Semenov, M. (2008). Simulation of extreme weather events by a stochastic weather generator. Climate Research, 35, pp 203–212. Semenov, M. A., Brooks, R. J. 1999. Spatial interpolation of the LARS-WG stochastic weather generator in Great Britain. Climate Research, 11, 137-148. Souvignet, M., Heinrich, J. (2010). Statistical downscaling in the arid central Andes: uncertainty analysis of multi-model simulated temperature and precipitation. Theoretical and Applied Climatology, 106, pp 229–244. Taylor, K.E., Stouffer, R.J., Meehl, G.A. (2012). An overview of CMIP5 and the experiment design. Bulletin of the American Meteorological Society. 93,pp 485–498. Tiwari, P. R., Kar, S. C., Mohanty, U. C., Dey, S., Sinha, P., Shekhar, M. S., & Sokhi, R. S. (2019). Comparison of statistical and dynamical downscaling methods for seasonal‐scale winter precipitation predictions over north India. International Journal of Climatology, 39(3), pp 1504-1516. Werner, A. T., Cannon, A. J. (2016). Hydrologic extremes—An intercomparison of multiple gridded statistical downscaling methods. Hydrol. Earth Syst. Sci., 20, pp 1483–1508. Wetterhall, F., Halldin, S., Xu, C. Y. (2009). Seasonality properties of four statistical downscaling methods in central Sweden. Theoretical and Applied Climatology, 87, pp 123-137. Wilby, R. L., Dawson, C. W., Barrow, E. M. (2001). A decision support tool for the assessment of regional climate change impacts. Journal of Environmental Modeling and Software, 17, pp 147-159. Wilby, R. L., Hay, L.E, Leavesley, G. H. (1999). A comparison of downscaled and raw GCM output: implications for climate change scenarios in the San Juan River Basin, Colorado. Journal of Hydrology, 225, pp 67–91. Wilby, R. L., Tomlinson, O. J., Dawson, C. W. (2003). Multi-site simulation of precipitation by conditional resampling. Climate Research, 23, pp 183–194. Wilson, S., Hassell, D., Hein, D., Morrell, C., Tucker, S., Jones, R., Taylor, R. (2011). Installing and Using the Hadley Centre Regional Climate Modelling System, PRECIS (Version 1.9.3). Met Office Hadley Centre: Exeter, UK. https://www.metoffice.gov.uk/research/applied/international/precis. Wood, A.W., Leung, L.R., Sridhar, V., Lettenmaier, D.P. (2004). Hydrologic implications of dynamical and statistical approaches to downscaling climate model outputs. Climatic Change 62 (1), pp189–216. Zhang, L., Xu, Y., Meng, C., Li, X., Liu, H., & Wang, C. (2020). Comparison of Statistical and Dynamic Downscaling Techniques in Generating High-Resolution Temperatures in China from CMIP5 GCMs. Journal of Applied Meteorology and Climatology, 59(2), pp 207-235. | ||
آمار تعداد مشاهده مقاله: 111 تعداد دریافت فایل اصل مقاله: 93 |