شبیه سازی دمای بیشینۀ ایستگاه سینوپتیک قزوین با استفاده از ریزمقیاس نمایی آماری خروجی مدل CanESM2

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استاد اقلیم شناسی، دانشگاه زنجان، زنجان، ایران

2 دانشجوی دکترای اقلیم شناسی، دانشگاه زنجان، زنجان، ایران

10.22131/sepehr.2021.246103

چکیده

تغییرات اقلیمی، گرمایش جهانی و خشکسالی­های اخیر طی سالهای گذشته از جمله مهمترین نگرانی­های بشر در امور مدیریت و برنامه­ریزی مبتنی بر دانسته­های اقلیمی بهحساب میآید. یکی از روشهای بررسی تغییرات اقلیمی، استفاده از مدلهای اقلیمی و ریزمقیاسنمایی است که امروزه این امر با استفاده از مدلهای هوشمند و تجربی نظیر شبکه­های عصبی مصنوعی از ارزش زیادی برخوردار است. هدف از این پژوهش، ریزمقیاسنمایی و شبیهسازی دمای بیشینۀ ایستگاه سینوپتیک قزوین با استفاده از روش شبکۀ عصبی مصنوعی و بهره­گیری از نرم­افزار MATLAB است. بدین منظور از دادههای 26 عنصر جوّّّی برگرفته از مرکز ملی پیشبینی محیطی و مرکز ملی پژوهشهای جوّّّی (NCEP/NCAR) و دادههای دمای بیشینۀ ایستگاه سینوپتیک قزوین برای دورۀ آماری 2005-1961 و سناریوهای انتشار (RCP) خروجی مدل CanESM2  برای دورۀ آماری 2100-2006 استفاده گردید. در تحقیق حاضر از چهار روش پیشرونده، روش حذف پسرونده، نمایۀ کاهش درصدی و روش گام به گام به منظور پیشپردازش متغیرها و گزینش متغیرهای ورودی مدل استفاده شده است. سپس با بکارگیری آمارههای ضریب همبستگی (R) و میانگین مربعات خطا (MSE) بهترین معماری شبکه طراحی گردید که طی آن با استفاده از روش پیشرونده، متغیرهای میانگین دما در ارتفاع نزدیک سطح زمین، میانگین فشار تراز دریا و ارتفاع تراز 500 و 850 هکتوپاسکال بهعنوان متغیرهای پیشبینیکننده انتخاب شدند و در نهایت براساس آن، شبیهسازی انجام گرفت. پس از بررسی مقادیر شبیهسازی­شده تحت سناریوهای RCP4.5، RCP2.6 و RCP8.5 مشخص شد که دمای ایستگاه سینوپتیک قزوین تا سال 2100 طی سناریوی RCP 2.6 نسبت به دورۀ پایه (2005-1961)، حدود 1.3 درجۀ سانتیگراد، طبق سناریوی RCP 4.5 به میزان 2.7 درجۀ سانتیگراد و مطابق سناریوی RCP 8.5 مقدار 4.1 درجۀ سانتیگراد افزایش خواهد داشت.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Simulating maximum temperature recorded in Qazvin Synoptic Station Using Statistical Downscaling of CanESM2 Output

نویسندگان [English]

  • Hossein Asakereh 1
  • Ava Gholami 2
1 Professor of Climatology, University of Zanjan, Zanjan, Iran
2 Ph.D. student in Climatology, University of Zanjan, Zanjan, Iran
چکیده [English]

Extended Abstract
Introduction
As global warming and changes in global temperature are considered to be the most important instances of climate change in the present century, temperature can be introduced as an indicator reflecting the response and feedback of climate system to these changes. In this regard, climate forecasting is performed using "simulation" approach. Using atmospheric general circulation models such as RCPs and climate scenarios developed as their output is an accepted method of simulating climate variables, especially temperature. In each of these scenarios, radiative forcing changes at a certain rate until 2100. Downscaling is the main technique used in RCPs. Different methods are used for downscaling among which artificial neural network is more widely accepted due to its more accurate evaluations.
 
Materials & Methods
Data collected for the purpose of the present study include: 1) Daily maximum temperature recorded in Qazvin synoptic station during 1961-2005. These records were derived from Iran Meteorological Organization and used as an output for calibration, fitting, and finally selecting the best fit model for the observations, 2) Atmospheric observations including daily records of 26 atmospheric variables. These data were recorded by the United States National Centers for Environmental Predictions (NCEP) and the United States National Center for Atmospheric Research (NCAR) during 1961-2005 reference period and used as input or explanatory (predictor or independent) variables in the present study 3) Representative Concentration Pathway (RCP) extracted from atmospheric general circulation model (including the output of HadCM3 model) which is used to simulate 2006-2100 reference period.
Artificial neural network model was used to downscale atmospheric data and simulate maximum temperature recorded in Qazvin synoptic station. Using Pearson correlation coefficient, the correlation between maximum temperature recorded in Qazvin synoptic station and each of the 26 atmospheric variables was estimated. Then, forward selection and backward deletion, percentage decrease index, and stepwise methods were used to preprocess the variables, select the most appropriate predictor variables (input variable in the network) and perform statistical downscaling. Following the selection of suitable explanatory variables in each of the above mentioned methods, selected variables were separately given as input to the network to reach a proper design for the neural network architecture and perform the final simulation. In other words, the artificial neural network model was fitted four times with different input variables. Then, number of neurons and network layers were determined, a suitable weight was assigned to each variable and the neural network was trained to reach the most appropriate architecture for the neural network. Finally, emission scenarios (RCP2.6, RCP4.5, and RCP8.5) were given as input to the selected architecture, and maximum temperature was simulated for 2006-2100 reference period.
 
Results & Discussion
Appropriate explanatory variables were selected in the present study using four different preprocessing methods. Forward selection method with the lowest minimum mean square error (MMSE) of 6.7 and the highest correlation coefficient of 0.97 was selected as the most appropriate method. Therefore, variables obtained from this method, including average temperature near the surface, average pressure at sea level, and altitude at 500 and 850 hPa level, were selected as predictor variables entering the artificial neural network to simulate future temperature of the station. Finally, a neural network with 8 inputs, a hidden layer with 10 neurons and sigmoid transfer function, and an output layer with 1 neuron and Linear transfer function were confirmed using Levenberg-Marquardt algorithm. There were then used to simulate the future temperature of Qazvin synoptic station. The highest and the lowest temperature values were estimated for December with 9.9°C and January with 6.6°C, respectively. The lowest error rate also belonged to December (-1.5°C). Simulation results indicated that the highest increase in maximum temperature of Qazvin synoptic station in 2006-2100 reference period was observed in RCP8.5, RCP4.5 and RCP2.6 scenarios, respectively. The increasing trend in RCP8.5 scenario was estimated much higher than the base temperature. Moreover, the highest temperature increase (6.7°C) in RCP8.5 scenario belongs to June and the highest temperature decrease (3°C) in the optimistic scenario (RCP2.6) belongs to October. 
 
Conclusion
Selecting appropriate explanatory variables is an important step in the process of simulating future temperature. Various methods of variables selection, statistical downscaling and artificial neural network model were used to estimate and simulate temperature parameter. Then, RCP 2.6, RCP4.5, and RCP8.5 scenarios were simulated for the 2006-2100 reference period. Maximum temperature of Qazvin synoptic station in the simulated RCP scenarios (belonging to the reference period) was compared with maximum temperature in 1961-2005 period. Results indicate that the highest temperature increase in Qazvin station occurs in the pessimistic scenario (RCP8.5). The increasing trend of temperature begins with RCP2.6 scenario and reaches its highest level in RCP8.5 scenario. In these three scenarios, summer temperature of the next 94 years may increase at a higher rate as compared to other seasons in Qazvin. This means that not only Iran is located in an arid region, but also its temperature will be increasing in the future. Since temperature and precipitation in different parts of the world are considered to be among the most important indicators of climate change and global warming, various models designed to forecast and simulate these phenomena and the future climate suggest an increase in temperature during the coming decades.

کلیدواژه‌ها [English]

  • Downscaling
  • Artificial neural network
  • Emission scenarios
  • maximum temperature
  • Qazvin synoptic station
1- آبکار، حبیب‌­نژاد، سلیمانی، نقوی؛ علیجان، محمود، کریم، هرمزد (1393). "حساسیت مدل ریزمقیاس‌نمایی SDSM به داده‌های بازتحلیل شده در مناطق خشک"، دو فصلنامة علمی- پژوهشی خشک‌­بوم، جلد 4، ش 2، 12.
2- احمدوند کهریزی، روحانی؛ مریم، حامد (1395) "تأثیرات حفاظتی تغییر اقلیم براساس ریزمقیاس‌­سازی دمای پیش‌بینی­‌شده در قرن 21 (مطالعه موردی: دو ایستگاه ارازکوسه و نوده در استان گلستان)"، اکوهیدرولوژی، دوره 3، ش 4، 597.
3- اسفندیاری درآباد، حسینی، آزادی مبارکی، حجازی‌زاده؛ فریبا، اسعد، محمد، زهرا (1389). "پیش‌بینی میانگین دمای ماهانه ایستگاه سینوپتیک سنندج با استفاده از مدل شبکة عصبی مصنوعی پرسپترون چندلایه (MLP)"، جغرافیا (فصلنامة علمی- پژوهشی انجمن جغرافیای ایران)، سال هشتم، ش 27، 46-45.
4- اشرفی، شفیع‌پورمطلق، نجاراعرابی، قاسمی؛ خسرو، مجید، بابک، لادن (1388). "پیش‌بینی افزایش دما در اثر تغییر آب و هوا در ایران با استفاده از شبکه عصبی"، هشتمین همایش پیش‌بینی عددی وضع هوا، پژوهشکده هواشناسی- گروه پژوهشی هواشناسی سینوپتیکی و دینامیکی مشهد، 104.
5- اصغری­‌مقدم، نورانی، ندیری؛ اصغر، وحید، عطاء‌الله (1387). "مدل­‌سازی بارش دشت تبریز با استفاده از شبکه‌های عصبی مصنوعی"، مجلة دانش کشاورزی، دانشگاه تبریز، جلد 18 ، ش 1، 3.
6- امیدوار، رضائی، پیرنیا؛ ابراهیم، مریم، عبدالله (1397). "ارزیابی کارایی مدل شبکه عصبی مصنوعی برای ریزمقیاس‌نمایی و پیش‌بینی بلندمدت متغیرهای اقلیمی"، پژوهشکدة مدیریت حوضة آبخیز، سال نهم، ش 18، 80.
7- تشنه‌­لب، منشی؛ محمد، مهدی (1382). "پیش‌بینی پارامترهای هواشناسی با استفاده از شبکه عصبی- فازی براساس آموزش پارامترهای بخش تالی"، سومین کنفرانس منطقه­‌ای و اولین کنفرانس تغییر اقلیم، دانشگاه اصفهان، 8.
8- جمالی، فرهمند؛ سعیده، محمدرضا (1396). "معرفی و بررسی شبکه‌های عصبی مصنوعی با ساختار پویا"، کنفرانس ملی فناوری­‌های نوین در مهندسی برق و کامپیوتر، مؤسسه آموزش عالی جهاد دانشگاهی استان اصفهان، 2.
9- خسروی، اژدری مقدم، نظری‌­پور، رزمجویی؛ محمود، مهدی، حمید، شهرام (1389). "پیش‌بینی دمای بیشینة شیراز با استفاده از مدل شبکه عصبی مصنوعی"، مجموعه مقالات چهارمین کنگره بین‌­المللی جغرافیدانان جهان اسلام، زاهدان، 1.
10- خوش‌­اخلاق، احمدی، کریمی احمدآباد؛ فرامرز، نعمت، مصطفی (1398). "واکاوی همدید اثر گرمایش جهانی بر روند دمای ترازهای جوّّّی در ایران". مجلة سپهر، دورة 28، ش 109، 222-214.
11- درخشان­‌بابائی؛ فرزانه (1393). "گرمایش جهانی"، مجلة رشد آموزش جغرافیا، ش 109، 57-52.
12- دشت‌­بزرگی، علیجانی، جعفرپور، شکیبا؛ آمنه، بهلول، زین‌العابدین، علیرضا (1394). "شبیه‌سازی شاخص‌های حدی دمای استان خوزستان براساس سناریوهای RCP""، مجلة جغرافیا و مخاطرات محیطی، ش 16، 105.
13- رضائی، نهتانی، آبکار، رضائی، میرکازهی ریگی؛ مریم، محمد، علی­جان، معصومه، مهری (1393). "بررسی کارایی مدل ریزمقیاس‌نمایی آماری SDSM در پیش‌بینی پارامترهای دمایی در دو اقلیم خشک و فراخشک (مطالعه موردی: کرمان و بم)"، پژوهشنامة مدیریت حوضة آبخیز، سال پنجم، ش 10، 122.
14- رهنمایامی، قهرمان؛ ابراهیم، نوذر (1386). "نگرش تحلیلی بر تغییر اقلیم، بارندگی و دمای استان قزوین"، همایش ملی علوم و مهندسی آبخیزداری ایران، 2.
15- ستاری، رضازاده‌­جودی، نهرین؛ محمدتقی، علی، فرناز (1393). "پیش‌بینی مقادیر بارش ماهانه با استفاده از شبکه‌های عصبی مصنوعی و مدل درختی M5، مطالعه موردی: ایستگاه اهر"، پژوهش‌های جغرافیای طبیعی، سال 46، ش 2، 248.
16- صادقی، دین­‌پژوه؛ امین، یعقوب (1396). "پیش‌بینی روند دمای کمینه و بیشینة شهر تبریز تحت شرایط تغییر اقلیم در دورة آتی"،کنفرانس ملی پژوهش‌های نوین در مهندسی کشاورزی، محیط زیست و منابع طبیعی، 12.
17- صادقی، دین­‌پژوه؛ امین، یعقوب (1397). "پیش‌بینی دمای تبریز و روند تغییرات آن با استفاده از مدل EC-EARTH"، کنفرانس بین‌­المللی عمران، معماری و مدیریت توسعة شهری در ایران، تهران، دانشگاه تهران، 5-1.
18- صلاحی، حسینی، شایقی، سبحانی؛ برومند، سید اسعد، حسین، بهروز (1389). "پیش‌بینی دماهای حداکثر با استفاده از مدل شبکه عصبی مصنوعی، مطالعه موردی: شهرستان اردبیل"، تحقیقات جغرافیایی، سال بیست‌وپنجم، ش 3، 58-57.
19- عباس­‌نیا؛ طاوسی، خسروی، توروس؛ محسن، تقی، محمود، حسین (1394). "تحلیل دامنه عدم قطعیت تغییرات آیندة دمای حداکثر روزانه بر روی ایران با استفاده از سیستم اطلاعات جغرافیایی"، فصلنامة علمی‌­پژوهشی اطلاعات جغرافیایی، دورة 25، ش97، 29.
20- عزیزآبادی­‌فراهانی، بختیاری، قادری، رضاپور؛ مسعوده، بهرام، کورش، محسن (1395). "بررسی تأثیر تغییر اقلیم بر منحنی­‌های سختی- مدت- فراوانی خشکسالی حوضة آبریز قره‌سو با استفاده از توابع مفصل"، تحقیقات آب و خاک ایران، دورة 47، ش 4، 743.
21- عزیزی، منتظری؛ حمیدرضا، مجید (1394). "پیش‌بینی دماهای ماهانة ایستگاه‌­های سینوپتیک منتخب استان اصفهان با استفاده از شبکة عصبی پرسپترون چندلایه"، فصلنامة تحقیقات جغرافیایی، سال سی­ام، ش 3، 247-246.
22- عساکره؛ حسین (1390). "مبانی اقلیم‌­شناسی آماری"، زنجان: انتشارات دانشگاه زنجان، 258-256.
23- عساکره، شاه­‌منصوری؛ حسین، بهرام (1395). "بررسی و پیش‌بینی تغییرات دمای ایستگاه اراک براساس مدل ریزمقیاس نمایی آماری"، پژوهش‌های جغرافیای طبیعی، دورة 48 ، ش 2، 209.
24- عساکره؛ حسین (1396). "مبانی پژوهش در آب و هواشناسی"، زنجان: انتشارات دانشگاه زنجان، 202-200.
25- عساکره، اکبرزاده؛ حسین، یونس (1396). "شبیه‌سازی تغییرات دما و بارش ایستگاه سینوپتیک تبریز طی دورة (2100-2010) با استفاده از ریزمقیاس نمایی آماری SDSM و خروجی مدل CanEsm2"، جغرافیا و مخاطرات محیطی، ش 21، 159-153.
26- عساکره، مطلبی‌­زاده؛ حسین، سولماز (1396). "مقایسه عملکرد دو مدل SDSM و شبکه‌های عصبی مصنوعی در پیش‌بینی تغییرات دمای حداقل (ایستگاه موردی: ارومیه)"، برنامه‌­ریزی و آمایش فضا، دورة 21، ش 4، 140.
27- عساکره، حسامی؛ حسین، نرگس (1397). "ارزیابی کاربرد مدل‌های شبکة عصبی مصنوعی و SDSM به منظورشبیه‌سازی دمای کمینه و بیشینة ایستگاه اصفهان"، کاوش‌­های جغرافیایی مناطق بیابانی، سال ششم، ش 2، 139-138.
28- عساکره، کیانی؛ حسین، حدیث (1397). "ارزیابی کارایی مدل SDSM در شبیه‌سازی میانگین دمای شهر کرمانشاه"، فصلنامة اطلاعات جغرافیایی (سپهر)، دورة 27، ش 105، 50.
29- عساکره، شاهبایی کوتنایی، فرومدی؛ حسین، علی، مجید (1398). "ارزیابی تغییرات و پیش‌بینی دمای کمینه در غرب استان مازندران با استفاده از مدل ریزمقیاس‌نمایی آماری SDSM"، نشریة علوم آب و خاک (علوم و فنون کشاورزی و منابع طبیعی)، سال 23، ش 1، 117.
30- علیجانی، دوستان؛ بهلول، رضا (1391). "شناسایی کانون‌های کنترل کنندة اقلیم ایران و الگوهای فشار مربوط در سطح 500 هکتوپاسکال جوّّ ایران در دورة سرد سال"، نشریة جغرافیا و توسعة ناحیه­‌ای، ش 19، 257.
31- علیجانی، قویدل‌­رحیمی؛ بهلول، یوسف (1384). "مقایسه و پیش‌بینی تغییرات دمای سالانة تبریز با ناهنجاری‌های دمایی کرة زمین با استفاده از روش‌های رگرسیون خطی و شبکة عصبی مصنوعی"، مجلة جغرافیا و توسعه، ش 6، 36-35.
32- قاسمی­‌فر، علیجانی، سلیقه؛ الهام، بهلول، محمد (1396). "بررسی تغییرات دمایی سواحل جنوبی دریای خزر با استفاده از سه مدل SDSM،LARSWG و مدل شبکه عصبی مصنوعی"، فصلنامة جغرافیای طبیعی، سال نهم، ش 4، 38.
33- کارآموز، رمضانی، رضوی؛ محمد، فرید، سامان (1385). "پیش‌بینی بلند مدت بارش با استفاده از سیگنال‌های هواشناسی: کاربرد شبکه‌­های عصبی مصنوعی"، هفتمین کنگره بین­‌المللی مهندسی عمران، دانشگاه تربیت مدرس تهران.
34- کوهستانی، اسلامیان، بسالت‌­پور؛ شاپور، سعید، علی‌اصغر (1396). "تأثیر تغییر اقلیم بر درجه حرارت حوضة آبریز زاینده­‌رود با استفاده از محاسبات نرم یادگیری ماشینی بیزین"، نشریة علوم آب و خاک (علوم و فنون کشاورزی و منابع طبیعی)، سال بیست‌و‌یکم. ش 1، 203.
35- کیان‌فر؛ علیرضا (1395). "شبکة عصبی مصنوعی"، کنفرانس بین­‌المللی پژوهش در مهندسی برق و کامپیوتر، سنگاپور، 145.
36- محمدلو، حقی‌­زاده، زینی‌­وند، طهماسبی­‌پور؛ محمد، علی، حسین، ناصر (1393). "ارزیابی آثار تغییر اقلیم بر روند تغییرات رواناب حوضة آبخیز باراندوزچای در استان آذربایجان غربی با استفاده از مدل‌های چرخش عمومی جوّّ"، فصلنامة اکوهیدرولوژی، دورة 1، ش 1، 27.
37- محمدی؛ بختیار (1393). "مکانیابی پیچانه‌­های تراز 500 هکتوپاسکال مؤثر بر اقلیم ایران در نیمه سرد سال"، فصلنامة تحقیقات جغرافیایی، سال 29، ش 4، 114.
38- محمدی، رنجبر، مقبل؛ حسین، فیروز، معصومه (1395). "اثرات گرمایش جهانی بر دمای کمینة ایران"، جغرافیا، فصلنامة علمی - پژوهشی و بین‌­المللی انجمن جغرافیای ایران، سال چهاردهم، ش 51، 363-362.
39- مسعودیان، کاویانی؛ ابوالفضل، محمدرضا (1386). "اقلیم‌­شناسی ایران"، اصفهان: انتشارات دانشگاه اصفهان، 65.
40- مسعودیان؛ ابوالفضل (1391).” آب و هوای ایران"،. مشهد: انتشارات شریعه توس، 229.
41- منصوری، امین­‌نژاد، احمدی؛ افشین، بابک، حسن (1396). "بررسی اثر تغییر اقلیم بر رواناب ورودی به مخزن سد کارون 4 براساس IPCC گزارشات چهارم و پنجم"، نشریة علوم آب و خاک (علوم و فنون کشاورزی و منابع طبیعی). سال بیست و دوم. ش 2، 350-349.
42- مهدوی میمند، احدیان؛ امین، جواد (1394). "مقایسة روش‌های آماری، تجربی، شبکة عصبی و ترکیبی فازی عصبی در برآورد هوای مورد نیاز هواده سرریز"، مجلة علوم و مهندسی آبیاری، جلد 38، ش 3، 60.
43- Afzali; Afzali; ; Zahedi; Mahboubeh; Afsaneh; Gholamreza (2011). “Ambient Air Temperature Forecasting Using Artificial Neural Network Approach”. International Conference on Environmental and Computer Science IPCBEE, Singapore, Vol.19, 176.
44- Dreyfus; Gerard (2005). “Neural Networks Methodology and Applications”. Springer.
45- Intergovernmental Panel on Climate Change (IPCC) (2007). “Summary for policy makers climate change: The physical science basis”. Contribution of working group I to the Fourth assessment report. Cambridge University Press, Cambridge, UK, 85.
46- Khosravi; Azareh; Eskandari Dameneh; Rafiei Sardoii; Eskandari Dameneh; Hassan; Ali; Hadi; Elham; Hamed (2017). “Assessing the effects of the climate change on land cover changes in different time periods”. Arab J Geosci, Vol. 10, No. 93, 8.
47- Laddimath; Patil; Rajashekhar S.; Nagraj S. (2019). “Artificial Neural Network Technique for Statistical Downscaling of Global Climate Model”. MAPAN-Journal of Metrology Society of India, Springer, No. 34, 1.
48- Luhunga; Kijazi; Chang’a; Kondowe; Ng’ongolo; Mtongori; PM; AL; L; A; H; H (2018). “Climate Change Projections for Tanzania Based on High-Resolution Regional Climate Models From the Coordinated Regional Climate Downscaling Experiment”. (CORDEX)-Africa. Front. Environ. Sci. Vol. 6, No. 122, 1.
49- Mirgol; Nazari; Behnam; Meisam (2018). “Possible Scenarios of Winter Wheat Yield Reduction of Dryland Qazvin Province, Iran, Based on Prediction of Temperature and Precipitation Till the End of the Century”. Climate, Vol. 6, No. 78, 12.
50- Montenegro-Murillo; Pérez-Ortiz; Vargas-Franco; Daniel David; Mayra Alejandra; Viviana (2019). “Using Artificial Neural Networks to predict monthly precipitation for the Cali river basin, Colombia”. DYNA, Vol. 86, No. 211, 122.
51- Norgaard; Ravn; Poulsen; M.O; N; L (2000). “Hansen, Neural Networks for Modelling and Control of Dynamic Systems”. Springer.
52- Riahi; Rao; Krey; Cho; Chirkov; Fischer; Kindermann; Nakicenovic; Rafaj; Keywan; Shilpa; Volker; Cheolhung; Vadim;, Guenther; Georg; Nebojsa; Peter (2011). “RCP 8.5- A scenario of comparatively high greenhouse gas emissions”. Climatic Change, Vol. 109, No. 2, 34.
53- Soares dos Santos; Mendes; Rodrigues Torres; T; D; R (2016). “Artificial neural networks and multiple linear regression model using principal components to estimate rainfall over South America”. Nonlin. Processes Geophys, Vol. 23, 13.
54- Thanh Thuy; Kawagoe ; Sarukkalige; L. T; Seiki; Ranjan (2019). “Estimation of probable maximum precipitation at three provinces in northeast Vietnam using historical data and future climate change scenarios”. Hydrology: Regional Studies, Vol. 23, 1.
55- Xin; Zhang; Zhang; WU; Fang; Xiaoge; Li; Jie; Tongwen; Yongjie (2013). “Climate change projections over East Asia with BCC_CSM1.1 Climate Model under RCP Scenarios”. Meteorological Society of Japan, Vol. 91, No. 4, 413.
56- Yaduvanshi; Zaroug; Bendapudi; New; Aradhana; Modathir; Ramkumarl; Mark (2019). “Impacts of 1.5°C and 2°C global warming on regional rainfall and temperature change across India”. Environ. Res. Commun, Vol. 1, No. 12, 1.
57- Zehtabian; Salajegheh; Malekian; Boroomand; Azareh; Gh. R; A; A; N; A (2016). “Evaluation and comparison of performance of SDSM and CLIMGEN models in simulation of climatic variables in Qazvin plain”. Desert, Vol. 21, No. 2, 154.