عملکرد خروجی مدل CanESM2در پیش‎آگاهی مشخصه آب و هوا در یاسوج توسط SDSM

نوع مقاله : مقاله پژوهشی

نویسندگان

گروه انرژی‌های نو و محیط زیست، دانشکده علوم و فنون نوین، دانشگاه تهران، تهران، ایران

چکیده

در این پژوهش بارش، بیشینه و کمینه دمای ایستگاه همدید یاسوج با استفاده از خروجی مدل CanESM2، تحت سناریوی RCP2.6، RCP4.5 و RCP8.5 از ریزگردان آماری SDSM، برای سه دوره 15 ساله 2035-2020، 2036-2051 و 2067-2052 شبیه‎سازی شده است. ابتدا دوره آماری 2005-1987، به عنوان دوره پایه انتخاب شد. نتایج، روند افزایشی دما و بارش را در این ایستگاه همدید می‎دهد. روند افزایشی بارش در دوره 2035-2020 محسوس‌تر خواهد بود. دوره 2067-2052 نسبت به دو دوره دیگر خشک‎تر بوده و بیشترین میزان بارش در فصل زمستان برآورد گردید. بیشترین برآورد میزان بارش مربوط به ماه فوریه تحت سناریوی RCP2.6 می‌باشد. بیشترین تغییرات دمای کمینه مربوط به فصل پاییز و پایین‎ترین دمای کمینه مربوط به ماه ژانویه برآورد گردید که نسبت به دوره پایه 6/4 درجه افزایش را نشان می‌دهد. بیشترین تغییرات دمای بیشینه مربوط به فصل بهار دوره 2035-2020 است که در ماه آوریل 32/6 درجه سانتیگراد افزایش دما خواهیم داشت. همچنین ماه جولای دوره 2051-2036، بالاترین دمای بیشینه برآوردی در کل سال­های آتی مورد مطالعه در این ایستگاه می‌باشد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Evaluation of CanESM2 output capability in simulation of Yasuj weather predictor by SDSM

نویسندگان [English]

  • Mohammad Hossein Jahangir
  • Zoha Moshayedi
Department of Renewable Energies and Environment, Faculty of New Sciences and Technologies, University of Tehran, Tehran, Iran
چکیده [English]

 
Extended abstract
Introduction
Climate plans are used in macro-planning, especially for natural disasters (Rezaei et al., 2015). Statistical micro-distribution methods are more efficient due to easy and cheap calculations (Diersing, 2009). One of the statistical models is the SDSM model, which is the relationship between large-scale predictors and local-scale predictors based on multiple linear regression methods. According to research, the SDSM model has an acceptable accuracy in clustering micro data. On the other hand, due to the importance of Yasuj station and its location in Karun catchment area and the need for planning to manage water resources in this basin, the present study uses CanESM2 output, which is one of the climate change models of CMIP5. The IPCC, simulates and examines climate and temperature variables at Yasuj station from 2020 to 2067.
​​Study Area
Yasuj is a city in southwestern Iran, the capital of Kohgiluyeh and Boyer-Ahmad Province, located on the banks of Bashar River, at the hillsides of the Dena Peak. Yasuj city is located in a cold climate region and has a temperate climate that tends to be cold.
Study Method
The SDSM microcontroller model was developed in 2002 in the UK by Wilby and Dawson. This model is based on daily local climate data (temperature and precipitation) and large-scale NCEP regional data. The canESM2 model is the fourth generation of climate models developed by the Canadian Center for Climate Modeling and Analysis (CCCMA) and networks the earth in the form of cells measuring 128 x 64 (Charron 2016). In this study, NCEP observational data were used to compile monthly models and canESM2 model outputs were used to predict the amount of variables using SDSM software. NCEP atmospheric variables enter the regression equation of the SDSM model. After selecting the predictors, the observational data of the Yasuj Synoptic Station and the data of the National Center for Predicting Environmental Variables of Canada (NCEP) were calibrated. Then, in order to ensure the calibrated model, temperature and precipitation for the period 2035-2020 were simulated and by comparing the observed and simulated data, the efficiency of the model for Yasuj station was investigated.
Results and Discussion
In this study, based on the observed data and the global model canESM2, the mean minimum and maximum temperature and average precipitation during the three periods of 2035-2020, 2051-2036 and 2067-2052 were compared with the base period of 2005-2007 under three RCP2 scenarios. RCP2.6, RCP4.5 and RCP8.5 were simulated for Yasuj station and the accuracy of the model was evaluated. The maximum agreement is at the minimum and maximum temperatures of the observed and simulated data, which show the appropriate and acceptable efficiency of simulating the desired climatic parameters for the period. In general, the amount of precipitation will increase in all studied future periods. This increase will be more evident than RCP2.6 according to the RCP4.5 and RCP8.5 scenarios. In general, the maximum minimum temperature during the period 2035-2020 shows an increasing anomaly of about 0.5 degrees and in the future periods 2051-2036 and 2067-2052 it shows a decrease compared to the base period. The lowest minimum temperature is estimated for January 2035-2020 under the RCP8.5 scenario.
The maximum temperature of Yasuj station during the periods shows an increase. Incremental changes are less in June and August and more in January to May as well as in October, November and December. Of course, these changes are more noticeable in November and April. The highest temperature in the coming years will be related to July of 2051-2036 under the RCP4.5 scenario.
Conclusion
According to the results, it was found that precipitation in the coming years will show an increasing anomaly, which is faster in the first period and slower in the final periods.
Slight changes in precipitation along with increasing temperature have affected the quality of water resources. This is due to the importance of this station in Karun catchment. Therefore future planning of water resources management should deal with the least quantitative and qualitative effects of water resources in the basin.
 

کلیدواژه‌ها [English]

  • Yasuj
  • CanESM2
  • RCP2.6
  • RCP4.5
  • RCP8.5
-اشرف، ب.، موسوی‌بایگی، م.، کمالی، غ. و داوری، ک.، 1390. پیش‌بینی تغییرات فصلی پارامترهای اقلیمی در 20 سال آتی با استفاده از ریزمقیاس‌نمایی آماری داده‌های مدل HadCM3 (مطالعه موردی: استان خراسان رضوی)، نشریه آب و خاک (علوم و صنایع کشاورزی)، شماره 4، ص 945-957.
-اصلاحی، م.، 1395. ارزیابی مدل‌های ریزمقیاس‎‌نمایی آماری در تبیین تغییرات اقلیمی شمال‌غرب ایران، رساله دکترای تخصصی، رشته جغرافیای طبیعی گرایش آب و هواشناسی، دانشگاه محقق اردبیلی.
-الوانکار، س.ر.، فتاحی، ا. و نظری، ف.، 1394. تأثیر تغییر اقلیم بر شدت و دوره بازگشت خشکسالی‌های ایران، دو فصلنامه تخصصی علوم و مهندسی آب، شماره 11، ص 45-74.
-حمیدیان، م.، باعقیده، م. و عباس‎نیا، م.، 1395. ارزیابی تغییرات دما و بارش جنوب شرق ایران با استفاده از ریزمقیاس نمایی خروجی مدل­های مختلف گردش عمومی جو در دوره 2011-2099، پژوهش‌های جغرافیای طبیعی، شماره 1، ص 107-123.
-دهقانی‌پور، ا.، حسن‌زاده، م.، عطاری، ج. و عراقی‌نژاد، ش.، 1390. ارزیابی توانمندی مدل SDSM در ریزمقیاس نمایی بارش، دما و تبخیر (مطالعه موردی: ایستگاه سینوپتیک تبریز)، یازدهمین سمینار سراسری آبیاری و کاهش تبخیر.
-رضائی، م.، نهتانی، م.، مقدم‎نیا، ع.، آبکار، ع. و رضایی، م.، 1394. مقایسه روش­های شبکه عصبی مصنوعی و SDSM  در ریزمقیاس کردن اندازه بارش سالانه شبیه‌سازی شده با HadCM3، مجله مهندسی منابع آب، شماره 8، ص 25-40.
-رضایی، م.، نهتانی، م.، آبکار، ع. و میرکازهی‌ریگی، م.، 1393. بررسی کارایی مدل ریزمقیاس‌نمایی آماری SDSM  در پیشبینی پارامترهای دمایی در دو اقلیم خشک و فراخشک (مطالعه موردی: کرمان و بم)، پژوهشنامه مدیریت حوزه آبخیز، شماره 10، ص 117-131.
-صالح‌نیا، ن.، علیزاده، ا.، ثنایی‎نژاد، ح.، بنایان، م. و زرین، ا.، 1397. بررسی خروجی مدل­های پیش­بینی عدی تحت سناریوی RCP4.5 در پیش­بینی خشکسالی­های هواشناسی، نشریه آبیاری و زهکشی ایران، شماره 6، ص 1315-1326.
-عساکره، ح. و اکبرزاده، ی.، 1396. شبیه‌سازی تغییرات دما و بارش ایستگاه سینوپتیک تبریز طی دوره 2100 -2010 با استفاده از ریزمقیاس‌نمایی آماری SDSM و خروجی مدل CANESM2، جغرافیا و مخاطرات محیطی، شماره 21، ص 153-174.
-غنچه‌پور، د.، سعدالدین، ا.، بهره‎مند، ع.، جیکمن، ا. و سلمان‌ماهینی، ع.، 1398. به کارگیری روش غربالگری کمی در مدل ریز مقیاس‎نمایی آماری (SDSM) برای ایجاد سناریوهای تغییر اقلیم (مطالعه موردی: حوضه رودخانه گرگان‎رود)، اکوهیدرولوژی، شماره 2، ص 397-414.
-فلاح‎قالهری‌، غ.، سروستان، ر. و خسرویان، م.، 1397. بررسی پارامترهای دما با استفاده از مدل ریزمقیاس نمایی آماری در طول دوره 2018-2099 (منطقه موردمطالعه اهواز، آبادان و مسجدسلیمان، انسان و محیط زیست.
-گل‌محمدی، م. و مساح‌بوانی، ع.، 1390. بررسی تغییرات شدت و دوره بازگشت خشکسالی حوضه قره‌سو در دوره‌های آتی تحت­تاثیر تغییر اقلیم، نشریه آب و خاک (علم و صنایع کشاورزی)، شماره 2، ص 315-326.
-مسگری، ا.، حسینی، س.ا. و گودرزی، م.، 1395. مدل‌های آب و هواشناسی، چاپ اول، انتشارات آذرکلک، 272 ص.
 
 
 
-Charron, I., 2016. A Guidebook on Climate Scenarios : Using Climate Information to Guide Adaptation Research and Decisions. Ouranos, 86 p.
-Coulibaly, P. and Xiaogang, S., 2005. Identification of the Effect of Climate Change on Future Design Standards of Drainage Infrastructure in Ontario, 88 p.
-Choi, Y.W., Ahn, J.B., Suh, M.S., Cha, D.H. and Lee, D.K., 2016. Future Changes in Drought Characteristics over South Korea Using Multi Regional Climate Models with the Standardized Precipitation Index. Asia-Pacific Journal of Atmospheric Sciences, v. 52, p. 209-222.
-Cheema, S.B., Rasul, G., Ali, G. and Kazmi, D.H., 2013. Introduction : Pakestan Journal of Meteorology, v. 8, p. 39-52.
-Charron, I., 2016. A Guidebook on Climate Scenarios : Using Climate Information to Guide Adaptation Research and Decisions. Ouranos, 86 p.
-Coulibaly, P. and Xiaogang, S., 2005. Identification of the Effect of Climate Change on Future Design Standards of Drainage Infrastructure in Ontario, 88 p.
-Diersing, N., 2009. Water Quality: Frequently Asked Questions, Florida Keys National Marine Sanctuary, 4 p.
-Diersing, N., 2009. Water Quality : Frequently Asked Questions, Florida Keys National Marine Sanctuary, 4 p.
-Giorgi, F., Christensen, J.H. and Hulme, M., 2001. Regional Climate Information Evaluation and Projections. Climate Change 2001: The Scientific Basis. Contribution of Working Group I to the Third Assessment Report of the Intergovernmental Panel on Climate Change, 638 p.
-Endris, H., Omondi, P., Jain, S., Lennard, C., Hewitson, B., Chang'a, L., Awange, J.L.,  Dosio, A.,  Ketiem, P.,  Nikulin, G., Panitz, H., Büchner, M., Stordal, F. and Tazalika, L., 2013. Assessment of the Performance of CORDEX Regional Climate Models in Simulating East African Rainfall. Journal of Climate, v. 26, p. 8453-8475.
-Karamouz, M., Fallahi, M., Nazif, S. and Rahimi Farahani, M., 2009. “Long Lead Rainfall Prediction Using Statistical Downscaling and Artificial Neural Network Modeling.” Scientia Iranica , v. 16, p. 165-172.
-Khan, M.S., Coulibaly, P. and Dibike, Y., 2006. Uncertainty Analysis of Statistical Downscaling Methods. Journal of Hydrology, v. 319, p. 357-382.
-Nury, A.H. and Alam, M.J.B., 2013. Performance Study of Global Circulation Model HADCM3 Using SDSM for Temperature and Rainfall in North-Eastern Bangladesh. Journal of Scientific Research, v.6, p. 87–96. https://doi.org/10.3329/jsr.v6i1.16511
-Ouhamdouch, S. and Bahir, M., 2017. Climate Change Impact on Future Rainfall and Temperature in Semi-Arid Areas (Essaouira Basin, Morocco). Environmental Processes, v. 4, p. 975-990.
-S.Everitt, B. and Skrondal, A., 2010. The Cambridge Dictionary of Statistic, Fourth Edi, 480 p.
-Stocker, T.F., 2014. Climate Change 2013: The Physical Science Basis: Working Group. Fifth Assessment Report of the Intergovernmental Panel on Climate Change, 1530 p.
-Sayari, N., Bannayan, M., Alizadeh, A. and Farid, A., 2013. Using Drought Indices to Assess Climate Change Impacts on Drought Conditions in the Northeast of Iran (Case Study: Kashafrood Basin). Meteorological Applications, v. 20, p. 115-127.
-Sedaghatker, A. and Fattahi, E., 2008. Warning of Drought Indices in Iran. Journal of Geography and Development, University of Sistan and Baluchestan, v. 11, p. 59-76.
-Semenov, M., Brooks, R.J., Barrow, E.M. and Richardson, C.W., 1998. Comparison of the WGEN and LARS-WG Stochastic Weather Generators for Diverse Climates. Climate research, v. 10, p. 95-107.
-Wilby, R.L., Dawson, C.W. and Barrow, E.M., 2002. sdsm — a decision support tool for the assessment of regional climate change impacts. Environmental Modeling & Software, v. 17, p. 147-159.