سامانه مدیریت نشریات علمی دانشگاه کاشان

رحیمی رتکی, میلاد, اسدی زارچ, محمدامین, اختصاصی, محمد رضا, مبین, محمدحسین. (1403). کاهش عدم قطعیت خروجی‌‌ دمای متوسط مدل‌‌های جهانی اقلیم در مناطق خشک. سامانه مدیریت نشریات علمی, 13(42), 21-38. doi: ‎10.22052/deej.2024.254094.1038
میلاد رحیمی رتکی; محمدامین اسدی زارچ; محمد رضا اختصاصی; محمدحسین مبین. "کاهش عدم قطعیت خروجی‌‌ دمای متوسط مدل‌‌های جهانی اقلیم در مناطق خشک". سامانه مدیریت نشریات علمی, 13, 42, 1403, 21-38. doi: ‎10.22052/deej.2024.254094.1038
رحیمی رتکی, میلاد, اسدی زارچ, محمدامین, اختصاصی, محمد رضا, مبین, محمدحسین. (1403). 'کاهش عدم قطعیت خروجی‌‌ دمای متوسط مدل‌‌های جهانی اقلیم در مناطق خشک', سامانه مدیریت نشریات علمی, 13(42), pp. 21-38. doi: ‎10.22052/deej.2024.254094.1038
رحیمی رتکی, میلاد, اسدی زارچ, محمدامین, اختصاصی, محمد رضا, مبین, محمدحسین. کاهش عدم قطعیت خروجی‌‌ دمای متوسط مدل‌‌های جهانی اقلیم در مناطق خشک. سامانه مدیریت نشریات علمی, 1403; 13(42): 21-38. doi: ‎10.22052/deej.2024.254094.1038

کاهش عدم قطعیت خروجی‌‌ دمای متوسط مدل‌‌های جهانی اقلیم در مناطق خشک

مهندسی اکوسیستم بیابان
دوره 13، شماره 42، دی 1403، صفحه 21-38    اصل مقاله (2.38 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): ‎10.22052/deej.2024.254094.1038
نویسندگان
میلاد رحیمی رتکی1؛ محمدامین اسدی زارچ* 2؛ محمد رضا اختصاصی3؛ محمدحسین مبین3
1دانش آموخته کارشناسی ارشد علوم و مهندسی آبخیزداری، دانشگاه یزد
2دانشکده منابع طبیعی و کویرشناسی، دانشگاه یزد،
3دانشکده منابع طبیعی و کویرشناسی، دانشگاه یزد
چکیده
تغییر اقلیم و اثرات آن بر بخش‌های مختلف محیط‌زیست و زندگی انسان‌ها، از مهم‌‌ترین چالش‌‌های پیش‌‌ رو در قرن بیست‌ویکم است. یکی از مهم‌‌ترین عوامل عدم قطعیت‌‌ موجود در پژوهش‌‌های اقلیمی به‌‌ویژه پیش‌‌نگری‌‌های اقلیمی، عدم قطعیت‌‌ خروجی‌‌های مدل‌‌های جهانی اقلیم است. سیستم‌‌های آبی در مناطق خشک با کمبود شدید میزان ورودی (بارش) و نرخ بالای میزان خروجی (تبخیر و تعرق) مواجه‌اند. مهم‌‌ترین عامل دخیل در تبخیر و تعرق، دماست. هدف از این تحقیق، کاهش میزان عدم قطعیت خروجی دمای متوسط مدل‌‌های GCM در مناطق خشک به کمک مدل‌‌های اصلاح خطاست. بدین‌‌ سبب، از خروجی‌‌های دمای مدل CanESM2 برای ایستگاه یزد در دوره‌‌های گذشته (۱۹۶۶ـ۲۰۰۵) و آینده (۲۰۰۶ـ۲۰۴۵) براساس سناریوی انتشار RCP 8.5 استفاده شد. برای اصلاح خطای این داده‌‌ها نیز، از روش‌‌های اصلاح خطای LS، NBC و مدل ریزمقیاس‌‌نمایی SDSM استفاده گردید. مدل SDSM در فرایند ریزمقیاس نمایی، موجب اصلاح خطای داده‌‌ها نیز می‌‌شود. در این تحقیق، دورۀ ۲۰۰۶ـ۲۰۲۰ به‌عنوان دورۀ ارزیابی دقت روش‌‌های اصلاح خطا انتخاب شد. برای این منظور، خروجی روش‌‌های اصلاح خطا و داده‌‌های مشاهداتی ایستگاه سینوپتیک یزد در دورۀ ۲۰۰۶ـ۲۰۲۰ باهم مقایسه شدند. نتایج نشان داد داده‌های دمای اصلاح خطا شده توسط هر چهار روش LS، SDSM، NBC و روش ترکیبی LS و SDSM، با داده‌های مشاهداتی ایستگاه سینوپتیک، دارای تطابق قابل قبول هستند و به‌‌ترتیب ضریب تعیین 948/0، 968/0، 969/0 و 969/0 برای این روش‌‌ها به ‌‌دست آمد. نتایج آزمون ناپارامتریک من-کندال نشان داد که دمای متوسط سالانۀ هوا در منطقۀ مورد مطالعه در دورۀ گذشته و آینده، دارای روند افزایشی معنادار است.
کلیدواژه‌ها
اصلاح خطا؛ تغییر اقلیم؛ دمای متوسط؛ ریزمقیاس‌‌نمایی؛ عدم قطعیت؛ مناطق خشک؛ NBC
سایر فایل های مرتبط با مقاله
مراجع
  1. Adhikari, U., & Nejadhashemi, A. P., 2016. Impacts of Climate Change on Water Resources in Malawi. Journal of Hydrologic Engineering, 21(11), 1084-0699.
  2. Alizadeh, A., Sayari, N., Hesami, K. M., Banayan, A. M., & Farid, H. A. (2010). Assessment of climate change potential impacts on agricultural water use and water resources of Kashaf rood basin.
  3. Chen, J., Brissette, F.P., & Leconte, R. (2012). Coupling statistical and dynamical methods for spatial downscaling of precipitation. Climate Chang 114, 509–526.
  4. Chen, J., Brissette, F.P., Chaumont, D., & Braun, M. (2013). Finding appropriate bias correction methods in downscaling precipitation for hydrologic impact studies over North America. Water Resour Res, 49, 4187-4205.
  5. Chen, J., Brissette, F.P., & Caya, D. (2020). Remaining error sources in bias-corrected climate model outputs. Climatic Change, 162, 563–582.
  6. Delgado, J. A., Nearing, M. A., & Rice, C. W. (2013). Conservation practices for climate change adaptation. Advances in agronomy, 121, 47-115.
  7. Faghani, M., Ghorbani, Kh., & Salarijazi, M. (2017). Trend and Change Point Analysis of Seasonal SPI Drought Index in Iran. Iranian Journal of Irrigation & Drainage, 11(4), 667-679.
  8. Fang, G. H., Yang, J., Chen, Y. N., & Zammit, C. (2015). Comparing bias correction methods in downscaling meteorological variables for a hydrologic impact study in an arid area in China. Hydrology and Earth System Sciences, 19(6), 2547-2559.
  9. Fawzy, S., Osman, A. I., Doran, J., & Rooney, D. W. (2020). Strategies for mitigation of climate change: a review. Environmental Chemistry Letters, 18, 2069-2094.
  10. Fowler, H.J., Blenkinsop, S., & Tebaldi, C., 2007. Linking climate change modelling to impacts studies: recent advances in downscaling techniques for hydrological modeling. International Journal of Climatology, 27, 1547-1578.
  11. Gutiérrez, J.M., Maraun, D., & Widmann, M. (2019). An intercomparison of a large ensemble of statistical downscaling methods over Europe: results from the VALUE perfect predictor cross-validation experiment. Int J Climatol, 39, 3750–3785.
  12. Hamidian Pour, M., Fallah Ghalhari, G., & Reza Alimoradi, M. (2021). Evaluating the Efficiency of the SDSM Model in Investigating the Consequences of Climate Change for Different Climate Zones in Iran. Climate Change Research, 2(5), 1-14.
  13. Hannah, L. (2015). The climate system and climate change. Climate change biology (Second Edition). Boston: Academic Press, 13-53.
  14. (2007). General Guidelines on the use of Scenario Data for Climate Impact and Adaptation Assessment, version 2.
  15. (2013). Intergovernmental Panel on Climate Change (IPCC), Climate Change 2007- Synthesis Report of the Forth Assessment Report.
  16. (2022). Sixth Assessment Report of the Intergovernmental Panel on Climate Change.
  17. Johnson, F., & Sharma, A. (2012). A nesting model for bias correction of variability at multiple time scales in general circulation model precipitation simulations. Water Resources Research, 48(1).
  18. Kay, A.L., Davies, H.N., Bell, V.A., & Jones, R.G. (2009). Comparison of uncertainty sources for climate change impacts: flood frequency in England. Climatic change, 92(1-2), 41-63.
  19. Khazaei, M. R., & Khazaei, H. (2018). Scenarios in climate change impact assessment on monthly stream-flow of Karun Basin. Journal of Environmental Science and Technology, 20(1), 29-40.
  20. Koutsoyiannis, D. (2001). Coupling stochastic models of different timescales. Water Resources Research, 37(2), 379-391.
  21. Lenderink, G., Buishand, A., & Van Deursen, W. (2007). Estimates of future discharges of the river Rhine using two scenario methodologies: direct versus delta approach. Hydrology and Earth System Sciences, 11(3), 1145-1159.
  22. Maraun, D., Wetterhall, F., & Ireson, A.M. (2010). Precipitation downscaling under climate change: recent developments to bridge the gap between dynamical models and the end user. Rev Geophys 48(3), RG3003
  23. Maraun, D., Shepherd, T.G., & Widmann, M. (2017). Towards process-informed bias correction of climate change simulations. Nat Clim Chang, 7(11), 764–773
  24. Mínguez, M.I., Ruiz-Ramos, M., Díaz-Ambrona, C.H., Quemada, M., & Sau, F. (2007). First-order impacts on winter and summer crops assessed with various high-resolution climate models in the Iberian Peninsula. Climatic Change, 81, 343-355.
  25. Navarro-Racines, C., Tarapues, J., Thornton, P., Jarvis, A., & Ramirez-Villegas, J. (2020). High-resolution and bias-corrected CMIP5 projections for climate change impact assessments. Scientific data, 7(1), 7.
  26. Pervez, M.S., & Henebry, G.M. (2014). Projections of the Ganges–Brahmaputra precipitation—Downscaled from GCM predictors. Journal of Hydrology, 517, 120-134.
  27. Pirnia, A., Habibnejad Roshan, M., & Solaimani, K., (2015). Investigation of precipitation and temperature changes in Caspian sea southern coasts and its comparison with changes in northern hemisphere and global scales. Journal of Watershed Management Research, 6(11), 90-100.
  28. Rajczak, J., Kotlarski, S., & Schär, C. (2016). Does quantile mapping of simulated precipitation correct for biases in transition probabilities and spell lengths? J Clim, 29, 1605–1615.
  29. Rezaei, M., Nahtani, M., Aabkaar, A., Rezaei, M. & Mirkazehi Rigi, M. (2015). Performance Evaluation of Statistical Downscaling Model (SDSM) in Forecasting Temperature Indexes in Two Arid and Hyper Arid Regions (Case Study: Kerman and Bam) . J Watershed Manage Res, 5(10), 117-131.
  30. Romm, J.J. (2022). Climate change: What everyone needs to know. Oxford University Press.
  31. Schwalm, C. R., Glendon, S. & Duffy, P. B. (2020). RCP8.5 tracks cumulative CO2 emissions. Natl Acad. Sci. USA, 117, 202007117.
  32. Schwank, J., Escobar, R., Girón, G.H., & Morán-Tejeda, E. (2014). Modeling of the Mendoza river watershed as a tool to study climate change impacts on water availability. Environmental Science & Policy, 43, 91-97.
  33. Srikanthan, R., & G. G. S. Pegram (2009), A nested multisite daily rainfall stochastic generation model, Hydrol, 371(1), 142–153.
  34. Sunde, M.G., He, H.S., Hubbart J.A., & Urban, M.A. (2017). Integrating downscaled CMIP5 data with a physically based hydrologic model to estimate potential climate change impacts on streamflow processes in a mixed use watershed. Hydrological Processes, 31(9), 1790-1803.
  35. Switanek, M.B., Troch, P., & Castro, C. (2017). Scaled distribution mapping: a bias correction method that preserves raw climate model projected changes. Hydrol Earth Syst Sci, 21, 264–2666
  36. Vaseghi, R., Masah Boani, A., Meshkoati, A., & Rahimzadeh, F. (2011). Investigating the basin runoff under the influence of B1, A2 emission scenarios considering the collective effect of AOGCM models ensemble. The 4th Iran Water Resources Management Conference.
  37. Wang, B., Li Liu, D., Asseng, S., Macadam, I., & Yu, Q. (2015). Impact of climate change on wheat flowering time in eastern Australia. Agricultural and Forest Meteorology, 209, 11-21.
  38. Wang, Q. J., & Nathan, R. J. (2007). A method for coupling daily and monthly time scales in stochastic generation of rainfall series. Journal of Hydrology, 346(3-4), 122-130.
  39. Wilby, R. L., Dawson, C. W., & Barrow, E. M. (2002). SDSM—a decision support tool for the assessment of regional climate change impacts. Environmental Modelling & Software, 17(2), 145-157.
آمار
تعداد مشاهده مقاله: 511
تعداد دریافت فایل اصل مقاله: 368