آمار
| تعداد نشریات | 31 |
| تعداد شماره‌ها | 687 |
| تعداد مقالات | 7,181 |
| تعداد مشاهده مقاله | 9,151,636 |
| تعداد دریافت فایل اصل مقاله | 8,463,735 |
چشم‌انداز تغییرات دماهای حداکثر ارومیه با استفاده از ریزگردانی آماری خروجی مدل CanESM2 | ||
| نشریه جغرافیا و برنامه ریزی | ||
| مقاله 15، دوره 22، شماره 63 - شماره پیاپی 22، بهار 1397، صفحه 305-325 اصل مقاله (784 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 4-15 | ||
| نویسندگان | ||
| محمود هوشیار1؛ بهروز سبحانی2؛ سید اسعد حسینی3 | ||
| 1دانشگاه پیام نور، واحد پیرانشهر، گروه جغرافیا | ||
| 2دانشگاه محقق اردبیلی، دانشکده ادبیات و علوم انسانی | ||
| 3مدرس/ دانشگاه پیام نور | ||
| چکیده | ||
| افزایش دما و گرمایش جهانی از بزرگترین چالشهایی است که بشر در قرن بیست و یکم با آن مواجه است. تغییرات در پارامترهای اقلیمی به ویژه دما و بارش به عنوان مهمترین پارامترهای اقلیمی میتواند فرایندهای هیدرولوژیکی، کشاورزی، محیط زیست، بهداشت، صنعت و اقتصاد را تحت تاثیر قرار دهد. بنابراین چشم انداز تغییرات آن، کمک فراوانی به چالش‌های مدیران و برنامهریزان محیطی خواهد نمود. لذا در این پژوهش به منظور بررسی روند تغییرات دماهای حداکثر در طول دوره آماری پایه (2005-1961) و همچنین چشم انداز تغییرات آتی دماهای حداکثر در یک دورهی 30 ساله (2051-2021) در ایستگاه سینوپتیک ارومیه با کاربست مدل ریزمقیاس گردانی SDSM پرداخته شد. بدین منظور ابتدا با استفاده آزمون ناپارامتری من- کندال و تخمینگر شیب سن، روند تغییرات این پارامتر بررسی شد. سپس میزان کار آیی مدل SDSM با استفاده از دادههای مشاهداتی و مدل شده مرکز ملی پیشبینی محیطی (NCEP) و شاخصهای MSE، RMSE، MAE و همچنین ضریب تعیین و همبستگی مورد ارزیابی قرار گرفت. بعد از اطمینان از دقت مدل، با استفاده از مدل گردش عمومی CanESM2 تحت سه سناریوی RCP2.6 و RCP4.5 و RCP8.5 چشم انداز آتی دماهای حداکثر و حدی در دوره (2051-2021) بررسی گردید. نتایج نشان داد که در طول دوره آماری پایه، دما دارای روند افزایشی است اما معنیداری روند مورد تأیید قرار نگرفت. نتایج حاصل ارزیابی مدل SDSM نیز نشان داد که مدل مذکور توانایی لازم جهت مدلسازی دمای حداکثر را دارد. بر اساس نتایج بدست آمده از دادههای مدل CanESM2 میزان دماهای حداکثر افزایش خواهد یافت که این میزان برابر با 7/۰ درجه سلسیوس نسبت به دورهی پایه میباشد. از نظر فصلی نیز بیشترین و کمترین تغییرات مربوط به تابستان با 6/1 درجه سلسیوس و فصل زمستان با 1/0 درجه سلسیوس میباشد. | ||
| کلیدواژه‌ها | ||
| ارومیه؛ تغییر اقلیم؛ دمای حداکثر؛ SDSM؛ RCP | ||
| موضوعات | ||
| آب و هواشناسی | ||
| عنوان مقاله [English] | ||
| Future projection of Maximum Temperature in Urmia through Downscaling output of CanESM2 Model | ||
| نویسندگان [English] | ||
| Mahmoud Houshyar1؛ Behrooz Sobhani2؛ Seyed Asaad Hosseini3 | ||
| چکیده [English] | ||
| With the seriousness of the climate change debate in the world, the study of parameters and elements of the climate has been widely considered. With changes in climate patterns and changes in temperature and precipitation patterns, other components such as runoff and soil moisture, which are important for natural and human systems, will undergo metamorphosis. Therefore, long-term prediction of climatic variables has been considered by many scientific communities worldwide in order to know about their changes and considering the necessary measures to moderate the adverse effects of climate change. The phenomenon of climate change is of increasing importance due to its scientific and practical dimensions, since human systems dependent on climatic elements such as agriculture, industry and the like are designed and operated on the basis of the stability and stability of the climate. Accordingly, general circulation models (GCMs) have been developed. Although these models represent significant results on the atmospheric and continental spatial scales, they combine a large part of the complexity of the planet's system, but they are inherently unable to control the dynamics and forms with a fine grid Local scalability. Therefore, an assessment of the effect of climate change on a local scale requires an interim and spatial gap between large-scale climatic variables and meteorological variables with local scale, in which case the main approach is the same downscaling models. The SDSM model is one of the most widely used statistical microscopic instruments, which has many uses in meteorological, hydrological, geographic and environmental studies. Because in this method, large-scale daily circulation patterns are used on a stationary scale; and when used for the rapid and cost-effective estimation of climate change, and for randomized meteorological generators and modified functions, have given acceptable results. Given that global models have generally simulated climatic elements until the year 2100, it is possible to use global model data to simulate the desired variables such as precipitation and temperature on a station scale. The Intergovernmental Panel on Climate Change (IPCC) has used its latest assessment report (AR5) on new scenarios for the RCP as representatives of different levels of greenhouse gas emissions. The new emission scenarios have four key paths RCP2.6, RCP4.5, RCP6 and RCP8.5, which are named after their radiation in 2100, Future Perspective. The variation of the maximum temperatures of the synoptic station of Urmia during the period (2021-2050) of the CanESM2 global model has been used under three scenarios RCP2.6, RCP4.5 and RCP8.5. | ||
| کلیدواژه‌ها [English] | ||
| The prospect of changes in maximum temperatures Urmia Using Statistical Downscaling model output CanESM2 | ||
| مراجع | ||
|
- اسپنانی، کیامرث؛ شهیدی، علی؛ رستمیان، رخساره؛ فرزانه، محمدرضا، 1391، بررسی تغییر اقلیم در دورههای آتی به کمک مدل SDSM مطالعه موردی حوضه بهشت‌آباد کارون شمالی، اولین همایش ملی بیابان، 11 ص. - آبکار، علیجان.، حبیبنژاد، محمود.، سلیمانی، کریم.، نقوی، هرمزد. 1392. بررسی میزان کارآیی مدل SDSM در شبیهسازی شاخصهای دمایی در مناطق خشک و نیمهخشک، فصلنامه مهندسی آبیاری و آب، سال چهارم، ش 14، صص 17-1. - پیرمرادیان، نادر؛ هادی نیا، حسین؛ اشرفزاده، افشین، 1395،پیشبینی دمای کمینه و بیشینه، تابش و بارش در ایستگاه سینوپتیک رشت تحت سناریوهای مختلف تغییر اقلیم، دوره 20، ش 55، صص 44-29. - خورانی، اسدالله؛ جمالی، زهرا، 1395، اثر تغییر اقلیم بر شدت و مدت خشکسالی در ایستگاههای خشک و نیمه خشک (بندرعباس و شهرکرد) تحت مدل HadCM3، نشریه جغرافیا و برنامه ریزی، دوره 20، ش 57، صص 131-115. - دشتبزرگی، آمنه.، علیجانی، بهلول.، جعفرپور، زینالعابدین.، شکیبا، علیرضا. 1394. شبیهسازی شاخصهای حدی دمای استان خوزستان بر اساس سناریوهای RCP. جغرافیا و مخاطرات محیطی، ش 16، صص 123-105. - ذهبیون، باقر؛ گودرزی، محمدرضا؛ مساحبوانی، علیرضا، 1389، کاربرد مدل SWAT در تخمین رواناب حوضه در دورههای آتی تحت تأثیر تغییر اقلیم، نشریه پژوهشهای اقلیمشناسی، ش 1و 2، صص 58-43. - رسولی، علی اکبر.، جهانبخش.، سعید، قاسمی ، احمدرضا. 1393. بررسی ارتباط بین پارامترهای مهم ابر و بارش روزانه در ایران، فصلنامهتحقیقاتجغرافیایی، سال 29 ، ش 1، صص 112. - شائمی، اکبر و مجید حبیبینوخندان (1388)، گرمایش جهانی و پیامدهای زیستی اکولوژیکی، چاپ اول، انتشارات دانشگاه فردوسی مشهد. 216 ص. - صداقتکردار، علی؛ فتاحی، ابراهیم، 1387، شاخصهای پیش آگاهی خشکسالی در ایران، مجله جغرافیا و توسعه، دانشگاه سیستان و بلوچستان، جلد 6، ش 11، صص 76-59. - صلاحی، برومند.، گودرزی، مسعود.، حسینی، سید اسعد. 1395. پیشبینی تغییرات دما و بارش در دهه 2050 در حوزه آبخیز دریاچه ارومیه، نشریه علوم و مهندسی آبخیزداری، ج 8، ش 4، صص 438-425. - صمدی، سیده زهرا؛ مساحبوانی، علیرضا، 1387، معرفی روشهای شبکه عصبی مصنوعی و SDSM به منظور کوچک مقیاس کردن آماری دادههای دما و بارندگی، سومین کنفرانس مدیریت منابع آب ایران، دانشگاه تبریز، 9 ص. - عزیزی، قاسم.، روشن ،محمود. 1387. مطالعه تغییر اقلیم در سواحل جنوبی دریای خزر به روش من- کندال، مجله،پژوهشهایجغرافیایی، ش 64، صص 28-13. - قرمزچشمه، باقر، رسولی، علی اکبر.، رضاییبنفشه، مجید، مساحبوانی، علیرضا.، خورشیددوست، علیمحمد. 1393. بررسی اثر عوامل مرفو- اقلیمی بر دقت ریز مقیاس گردانی مدل SDSM، نشریه مهندسی و مدیریت آبخیز، ج 6، ش 2، صص 164-155. - کارآموز، محمد.، رمضانی، فرید.، رضوی، سامان. 1385. پیشبینی بلند مدت بارش با استفاده از سیگنالهای هواشناسی: کاربرد شبکههای عصبی مصنوعی. هفتمین کنگره بین المللی مهندسی عمران.تهران، 11ص. - کوهی، منصوره؛ ثنایینژاد، حسین، 1392، بررسی سناریوهای تغییراقلیم بر اساس نتایج حاصل از دو روش ریزمقیاس گردانی آماری برای متغیر تبخیر- تعرق مرجع در منطقه ارومیه، نشریه آبیاری و زهکشی ایران، جلد 7، ش 4، صص 574-559. - گودرزی، مسعود.، صلاحی، برومند.، حسینی، سید اسعد. 1394. ارزیابی عملکرد مدلهای ریزمقیاس گردانی LARS-WG و SDSM در شبیهسازی تغییرات اقلیمی در حوضه آبریز دریاچه ارومیه. فصلنامه علوم و مهندسی آبخیزداری ایران، انتشارات انجمن آبخیزداری ایران، ش 31، صص 22-11. - مدرسی، فرشته، عراقینژاد، شهاب، ابراهیمی، کیومرث و مجید خلقی (1389)، بررسی منطقهای تغییر اقلیم با استفاده از آزمونهای آماری (مطالعه مورد: آبریز گرگانرود- قره سو)، نشریهآبوخاک(علوموصنایع کشاورزی)، ش 3، صص 489-476.
-Carter, T. R., Parry, M. L., Harasawa, H. and Nishioka, S.: 1994. IPCC technical guidelines for assessing climate change impacts and adaptions, IPCC Special Report to Working Group II of IPCC, London
- Chen, H., Yu Xu,C., Guo, SH. 2012. Comparison and evaluation of multiple GCMs, statistical downscaling and hydrological models in the study of climate change impacts on runoff. Journal of Hydrology,434-435: 36–45.
- Chiotti, Q.P. and Johnston, T. (1995) "Extending the boundaries of climate change research: A discussion on agriculture", J. of Rural Studies 11: 335-350.
Goodarzi, M., Jahanbakhsh, S., Rezaee, M., Ghafouri, A., Mahdian, M H. 2011. Assessment of Climate Change Statistical Downscaling Methods in a Single Site in Kermanshah , Iran, American-Eurasian Journal. Agric. & Environ. Sci., 6 (5): 564-572.
- Guo, B., Zhang, J., Gong, H., Cheng, X. 2014. Future climate change impacts on the ecohydrology of Guishui River Basin China, Ecohydrology & Hydrobiology, Available online,Volume null, Issue null, Page null.
- Hashmi, M.Z., Shamseldin A.Y., Melville, B.W. 2009. Downscaling of future rainfall extreme events: a weather generator based approach. 18th World IMACS. MODSIM Congress, Cairns, Australia, 13-17.
- Hu, T.S., Lam, K.C., Ng, S.T.2001. River flow time series prediction with a range dependent neural network. Hydrological Science Journal, 46: 729-745.
- IPCC. 2001. In: Watson, R.T., Zinyowera, M.C., Moss, R.H., Dokken, D.J. (Eds.), Special Report on The RegionalImpacts of Climate Change, An Assessment of Vulnerability. Cambridge University Press, UK.
- IPCC. 2007. Solomon, S., D. Qin, M. Manning, Chen, M., Marquis, K.B. Averyt, M.Tignor and H.L. Miller (eds.), Summary for Policymarkers, in: Climate Change 2007. Climate Change 2007: The Physical Science Basis, Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental.
-Lin, J.Y., Cheng,C.T., Chau, K.W. 2006. Using support vector machines for long-term discharge prediction. Hydrological Science Journal, 51: 599-612.
-Osman,Y., AL-Ansari, N., Abdellatif, M., Aljawad, S.B. Knutsson, S. 2013. Expected future precipitation in central Iraq using Lars-WG stochastic weather generator. Engineering Scientific Research, 6: 948-959.
-Qian, B., Gameda, S., Hayhoe, H., DeJong, R. and Bootsma, A (2004). Comparison of LARS-WG and AAFC-WG stochastic weather generators for diverse Canadian climates. Climate Research. 26:175-191
-Sharma D., Gupta A.D., Babel M.S. 2007. Spatial disaggregation of bias-corrected GCM precipitation for improved hydrologic simulation: Ping River Basin, Thailand, Hydrol. Earth Syst. Sci. 11: 1373–1390.
-Wigley, T.W. L., Jones, P. D., Briffa, K. R. and Smith, G.: 1990. Obtaining sub-grid scale information from coarse resolution general circulation model output, J. Geophys. Res. 951: 1943–1953.
-Wilby R.L., Dawson C.W, Barrow E.M. 2002. SDSM- a decision support tool for the assessment of regional climate change impacts, Environmental Modeling & Software, 17: 147-159.
-Zhang, X., Aguilar. E., Sensoy. S. 2005. Trends in middle east climate extreme indices from 1950 to 2003. Journal of Geophysical Research. 110: 12P. | ||
|
آمار تعداد مشاهده مقاله: 62 تعداد دریافت فایل اصل مقاله: 78 |
||
