ارزیابی کارایی مدل‌های تغییر اقلیم در شبیه سازی مولفه‌های دما و بارش (مطالعه موردی حوزه آبخیز کرگانرود)

جغرافیا و مطالعات محیطی

دوره 11، شماره 41، اردیبهشت 1401، صفحه 123-142   

نوع مقاله: مقاله پژوهشی

نویسندگان

محمدرضا شیخ ربیعی¹؛ حمید رضا پیروان^{* 2}؛ پیمان دانشکار آراسته³؛ مهری اکبری⁴؛ بهارک معتمدوزیری⁵

¹دانشجوی دکتری علوم و مهندسی آبخیزداری گروه جنگل، مرتع و آبخیزداری، دانشکده منابع طبیعی و محیط زیست، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

²دانشیار پژوهشکده حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران

³دانشیار گروه علوم و مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه بین المللی امام خمینی ، قزوین، ایران.

⁴دانشیار گروه اقلیم شناسی، دانشکده علوم جغرافیایی، دانشگاه خوارزمی، تهران، ایران.

⁵استادیار، گروه جنگل، مرتع و آبخیزداری، دانشکده منابع طبیعی و محیط زیست، واحد علوم و تحقیقات ، دانشگاه آزاد اسلامی، تهران، ایران.

چکیده

با توجه به زمان بر بودن و عدم صرفه اقتصای استفاده از مدل‌های دینامیکی، استفاده از روش‌های ریزمقیاس نمایی اقلیمی آماری افزایش یافته است. در این پژوهش نتایج مدل‌های اقلیمیHadGEM2-ES ،MIROC و NoerESM1-M که توسط جعبه ابزار CCT پس از شبیه‌سازی پارامترهای اقلیمی روزانه بارش، دمای حداکثر و حداقل ریز مقیاس سازی شدند در حوزه آبخیز کرگانرود در استان گیلان ارزیابی و مقایسه شده است. از اطلاعات هواشناسی ایستگاه سینوپتیک بندرانزلی در دوره 2018-1975 به عنوان دوره مشاهداتی استفاده شده است. پارامترهای روزانه بارش، دمای حداکثر و حداقل حوزه آبخیز کرگانرود تحت سناریوهای RCP4.5 وRCP8.5 و به ترتیب در سه دوره آتی 2050-2025، 2051-2075 و 2100-2076 شبیه‌سازی انجام و با دوره مشاهداتی مورد مقایسه قرار گرفت. به منظور بررسی ارزیابی مدل‌های اقلیمیHadGEM2-ES ،MIROC و NoerESM1-M از شاخص‌های ارزیابی NS، R² و RMSE بهره گرفته شد. نتایج این پژوهش نشان داد که مقایسه تغییرات داده‌های دمای آتی منطقه با استفاده از مدل‌های اقلیمی بکار گرفته شده با دوره مشاهداتی با توجه به آزمون من ـ کندال، تصادفی نبوده و تحت تاثیر عواملی، علاوه بر همبستگی، روند معنی‌دار از خود نشان دادند که بیشترین سطح معنی‌داری به ترتیب مربوط به دمای حداکثر (4.04=Z) و دمای حداقل(4.6=Z) در سطح اطمینان بالای 95 درصد در مدل اقلیمی NoerESM1-M و در دوره آتی 2075-2051 تحت سناریوی RCP8.5 و میزان آن افزایشی می‌باشد.

کلیدواژه‌ها

تغییر اقلیم؛ MIROC؛ NoerESM1-M؛ HadGEM2-ES؛ CCT؛ گزارش پنجم هیات بین‌الدول

مراجع

کوهستانی، شاپور. اسلامیان، سید سعید. بسالت پور، علی اصغر. 1396. تاثیر تغییر اقلیم بر درجه حرارت حوضه آبریز زاینده رود با استقاده از محاسبات نرم یادگیری ماشینی بیزین. نشریه علوم آب و خاک (علوم و فنون کشاورزی و منابع طبیعی). سال بیست و یک. شماره یک. بهار 1396. ص 216-203.

محمدعلیزاده فرد، الهام. میرموسوی، سید حسین. یاراحمدی، جمشید. فرجی، عبدالله. ارزیابی اثر تغییر اقلیم در مناطق فاقد آمار مشاهداتی با استفاده از بسته نرم افزاری CCT (مطالعه موردی: حوضه دریان). 1399. نشریه علمی جغرافیا و برنامه ریزی. سال 24. شماره 73. پاییز 1399. ص 323-305.

مدرسی، فرشته. عراقی نژاد، شهاب. ابراهیمی، کیومرث. خلقی، مجید. 1389. بررسی منطقه­ای پدیده تغییر اقلیم با استفاده از آزمون‌های آمار مطالعه موردی: حوضه آبریز گرگانرود ـ قره سو. نشریه آب و خاک. جلد 24. شماره 3. ص 489-378.

نادری، سمیه. علیجانی، بهلول. حجازی زاده، زهرا. عباسپور، کریم. حیدری، حسن. 1398. آنالیز الگوهای دما و بارش در آینده با استفاده از CCT (مطالعه موردی: حوزه آبخیز دریاچه ارومیه). کنفرانس بین المللی تغییر اقلیم، پیامدهای سازگاری و تعدیل. ایران. تهران. دانشگاه خوارزمی. 21 خرداد ماه1398.

Afshar, A. A., Y. Hasanzadeh, A. Besalatpour, and M. Pourreza-Bilondi, 2017, Climate change forecasting in a mountainous data scarce watershed using CMIP5 models under representative concentration pathways: Theoretical and applied climatology, v. 129, p. 683-699.

Ahmed, K. F., G. Wang, J. Silander, A. M. Wilson, J. M. Allen, R. Horton, and R. Anyah, 2013, Statistical downscaling and bias correction of climate model outputs for climate change impact assessment in the US northeast: Global and Planetary Change, v. 100, p. 320-332.

Akurut, M., P. Willems, and C. B. Niwagaba, 2014, Potential impacts of climate change on precipitation over Lake Victoria, East Africa, in the 21st Century: Water, v. 6, p. 2634-2659.

Chartzoulakis, K., and G. Psarras, 2005, Global change effects on crop photosynthesis and production in Mediterranean: the case of Crete, Greece: Agriculture, ecosystems & environment, v. 106, p. 147-157.

Chong-Hai, X., and X. Ying, 2012, The projection of temperature and precipitation over China under RCP scenarios using a CMIP5 multi-model ensemble: Atmospheric and Oceanic Science Letters, v. 5, p. 527-533.

Kalcic, M. M., I. Chaubey, and J. Frankenberger, 2015, Defining Soil and Water Assessment Tool (SWAT) hydrologic response units (HRUs) by field boundaries: International Journal of Agricultural and Biological Engineering, v. 8, p. 69-80.

Lane, M. E., P. H. Kirshen, and R. M. Vogel, 1999, Indicators of impacts of global climate change on US water resources: Journal of Water Resources Planning and Management, v. 125, p. 194-204.

Masood, M., P. J. Yeh, N. Hanasaki, and K. Takeuchi, 2015, Model study of the impacts of future climate change on the hydrology of Ganges-Brahmaputra-Meghna basin: Hydrology and Earth System Sciences, v. 19, p. 747.

Pirnia, A., M. Golshan, H. Darabi, J. Adamowski, and S. Rozbeh, 2019, Using the Mann–Kendall test and double mass curve method to explore stream flow changes in response to climate and human activities: Journal of Water and Climate Change, v. 10, p. 725-742.

Teutschbein, C., and J. Seibert, 2012, Bias correction of regional climate model simulations for hydrological climate-change impact studies: Review and evaluation of different methods: Journal of hydrology, v. 456, p. 12-29.

Tolika, K., C. Anagnostopoulou, P. Maheras, and M. Vafiadis, 2008, Simulation of future changes in extreme rainfall and temperature conditions over the Greek area: a comparison of two statistical downscaling approaches: Global and Planetary Change, v. 63, p. 132-151.

Um, M.-J., J.-H. Heo, and N.-W. Kim, 2016, Spatio-temporal variations of precipitation considering the orographic effects on Jeju Island: Atmospheric Research, v. 181, p. 236-249. Vaghefi, S. A., N. Abbaspour, B. Kamali, and K. C. Abbaspour, 2017, A toolkit for climate change analysis and pattern recognition for extreme weather conditions–Case study: California-Baja California Peninsula: Environmental modelling & software, v. 96, p. 181-198.

Vaghefi, S. A., N. Abbaspour, B. Kamali, and K. C. Abbaspour, 2017, A toolkit for climate change analysis and pattern recognition for extreme weather conditions–Case study: California-Baja California Peninsula: Environmental modelling & software, v. 96, p. 181-198.

Vaghefi, S. A., M. Keykhai, F. Jahanbakhshi, J. Sheikholeslami, A. Ahmadi, H. Yang, and K. C. Abbaspour, 2019, The future of extreme climate in Iran: Scientific reports, v. 9, p. 1-11.

van Vuuren, D. P., and T. R. Carter, 2014, Climate and socio-economic scenarios for climate change research and assessment: reconciling the new with the old: Climatic Change, v. 122, p. 415-429.

Van Vuuren, D. P., J. Edmonds, M. Kainuma, K. Riahi, A. Thomson, K. Hibbard, G. C. Hurtt, T. Kram, V. Krey, and J.-F. Lamarque, 2011, The representative concentration pathways: an overview: Climatic change, v. 109, p. 5.

Wang, R., Q. Cheng, L. Liu, C. Yan, and G. Huang, 2019, Multi-model projections of climate change in different RCP scenarios in an arid inland region, Northwest China: Water, v. 11, p. 347.

Zarenistanak, M., A. G. Dhorde, and R. Kripalani, 2014, Trend analysis and change point detection of annual and seasonal precipitation and temperature series over southwest Iran: Journal of earth system science, v. 123, p. 281-295.