نصیری, بهروز, یارمرادی, زهرا. (1396). پیش بینی تغییرات پارامترهای اقلیمی استان لرستان در 50 سال آتی با استفاده از مدل HADCM3. فصلنامه علمی- پژوهشی اطلاعات جغرافیایی « سپهر», 26(101), 143-154.
بهروز نصیری; زهرا یارمرادی. "پیش بینی تغییرات پارامترهای اقلیمی استان لرستان در 50 سال آتی با استفاده از مدل HADCM3". فصلنامه علمی- پژوهشی اطلاعات جغرافیایی « سپهر», 26, 101, 1396, 143-154.
نصیری, بهروز, یارمرادی, زهرا. (1396). 'پیش بینی تغییرات پارامترهای اقلیمی استان لرستان در 50 سال آتی با استفاده از مدل HADCM3', فصلنامه علمی- پژوهشی اطلاعات جغرافیایی « سپهر», 26(101), pp. 143-154.
نصیری, بهروز, یارمرادی, زهرا. پیش بینی تغییرات پارامترهای اقلیمی استان لرستان در 50 سال آتی با استفاده از مدل HADCM3. فصلنامه علمی- پژوهشی اطلاعات جغرافیایی « سپهر», 1396; 26(101): 143-154.
پیش بینی تغییرات پارامترهای اقلیمی استان لرستان در 50 سال آتی با استفاده از مدل HADCM3
افزایش‌گازهای‌گلخانه‌ای در چند دهه‌اخیر باعث بر هم خوردن تعادل اقلیمی کره زمین شده که به‌آن پدیده تغییر اقلیم اطلاق می‌شود. مهم‌ترین تبعات تغییر اقلیم افزایش دمای متوسط کره زمین، افزایش پدیده‌های حدی‌اقلیمی نظیر سیل، طوفان، تگرگ، امواج گرمایی، افزایش سطح آب دریاها، ذوب شدن یخ های قطبی و سرماهای نابهنگام خواهد بود. استفاده از مدل‌های ریز مقیاس نمایی آماری در برآورد نوسانات اقلیمی، این امکان را فراهم ساخته که بتوان دادههای آب و هوایی را در مقیاس مکانی و زمانی مناسب تولید کرد. چنین قابلیتی کمک شایانی به مطالعه نوسانات اقلیمی در مقیاس محلی و منطقه‌ای کرده است. در این تحقیق کارایی مدل LARS-WG برای تولید و شبیه سازی دادههای روزانه دما، بارش و ساعت آفتابی در استان لرستان با استفاده از پارامترهای آماری MAE, T-STUDENT,MAE,R2 مورد بررسی و ارزیابی قرار گرفت و تغییرات ناشی از آن‌ها نیز در آینده آشکارشد. نتایج حاصل از آن نشان داد که در سطح اطمینان 99 درصد تفاوت معنی داری بین دادههای واقعی و دادههای حاصل از مدل وجود ندارد و مدل کارایی لازم را در جهت تولید دادههای روزانه داراست. پس از اطمینان از کارایی مدل، از خروجی های مدل HADCM3 استفاده شد و دادههای روزانه دما، تابش و بارش برای دوره پایه (2005-1961)، تحت سه سناریوی A1B(سناریوی حد وسط)، A2(سناریوی حداکثر) و B1 (سناریوی حداقل) شبیه سازی گردید.بر اساس برآورد مدل HADCM3 برای سناریوهای مورد بررسی در دوره‌های آتی، میانگین دمای بیشینه و بارش استان به ترتیب حدود(9/0 تا 03/1 درجه) و(04/12 درصد)افزایش‌و میانگین‌ساعات آفتابی‌حدود6/0 کاهش خواهد یافت.همچنین با وجود تغییرات کمتر دمای بیشینه نسبت به دمای کمینه، افزایش متوسط دمای هوا در این دوره قابل انتظار می‌باشد. طبق این نتایج شرایط اقلیمی استان لرستان در 50 سال آینده تفاوت محسوسی با شرایط فعلی خواهد داشت و برنامه ریزی‌های بلند مدت و استراتژیک برای مدیریت این شرایط ضروری بنظر می‌رسد.
Predict changes in climate parameters Lorestan Province in 50 years by using HADCM3
نویسندگان [English]
Behrouz Nasiri, zahra yarmoradi
چکیده [English]
Extended Abstract Introduction
The indiscriminate use of fossil fuels, changes in land use and population growth and increased industrial activities cause some changes in the Earth's climate events that increased climate extremes such as floods, storms, heat waves, droughts. It is the most important. Today, these variations are a major concern climatologists and atmospheric scientists has become.General circulation models of the atmosphere, can be used on a smaller scale are not, therefore, need to downscaling. Statistical downscaling models, the output of general circulation climate models using statistical methods to establish statistical correlation between atmospheric general circulation models output data period in the past with climate models stations in the network somehow, nearly as downscaling is very similar to the observed data at scale station. Statistical downscaling model studies made it possible to estimate the climate fluctuations that can weather data at appropriate spatial and temporal scale production. This feature helps to study climate variability at local and regional scale. Using the manufacturer of weather can be fine-scale atmospheric general circulation models to be output. One of the most common and the most appropriate method for assessing future climate, using general circulation models of the atmosphere. The main objective of these models, three-dimensional climate index is specified in the network. These models, the right tools and the ability to study and assess the risks of climate change such as occurrence of dry periods, storms and torrential rains and more. It also approved the use of scenarios Intergovernmental Panel on Climate Change, to be able to create long-term time series of temperature, minimum temperature, maximum temperature, radiation and evapotranspiration in the daily scale.
Materials & Methods
In this study, data for downscaling of general circulation models HADCM3 LARS-WG5 model, which is one of the most famous models are weather-generating random data is used. The model for daily precipitation amounts, minimum temperature, maximum temperature and radiation or sundial at one station and the next base can be used under all environmental conditions. In general, the data produced by LARS-WG model in three stages that include calibration data, evaluation and production of meteorological data for future periods. And remnant stations removed. After processing and sorting data and preparation of input files, the model was run for the base period. In the next stage using statistical coefficient of determination (R2), root mean square error (RMSE) and mean absolute error (MAE), which follows their relationship, to evaluate the data generated by the model and the actual data ( observed) were included in the base period. Then Normal monthly averaged model output and climate parameters in the 50-year period under study was based on climate change scenarios listed. The normal distribution for the series of wet and dry season, between monitored data and simulated using the Kolmogorov-Smirnof test was calculated.
In this study the performance of LARS-WG to produce data daily rainfall, maximum and minimum temperature and sunshine hours in the province were evaluated using changes in climate parameters were evaluated in the future. In the first model was implemented for the period 1961-2005 and average monthly climate observations and products mentioned parameters were compared. Correlation values using T-STUDENT test showed that the 99% difference between the actual data and data from the model does not exist. Mean monthly observation and meteorological variables produced using statistical parameters R2, RMSE, MAE also were compared and proved to be an efficient model for its daily production data. In the next step after ensuring efficiency in the simulation model meteorological parameters, data three scenarios A1B (middle scenario), A2 (maximum scenario) and B1 (minimum scenario) in the period 2005 to 2055 HADCM3 model with statistical model LARS-WG It was small scale. Conclusion
The results showed that according to estimates of LARS-WG for the scenarios examined in future periods, the average maximum temperature of about 9.0 to 03/1 degrees, increase the amount of sunshine about 6/0 reduction in rainfall is about 12.4 percent will. The maximum temperature also changes less than the minimum temperature, increasing average air temperature during this period is expected. According to the results of climate Lorestan province in the next 50 years will be a significant difference with the current situation and long-term planning and strategic management of these conditions is necessary.
1- بابایی، میرزائی، سهرابی؛ بهنام، فرهاد، تیمور (1390)، ارزیابی عملکرد مدل LARS-WG در 12 ایستگاه هواشناسی ساحلی ایران، مجله پژوهش آب ایران، شماره 5، صص 222-217.
2- بابائیان، نجفی‌نیک؛ ایمان، زهرا (1385)، معرفی و ارزیابی مدل LARS-WG برای مدلسازی پارامترهای هواشناسی استان خراسان در دوره 2003-1961، مجله نیوار، شماره63، صص 30-24.
3- بابائیان، نجفی‌نیک، زابل عباسی، حبیبی‌نوخندان، ادب، ملبوسی؛ ایمان، زهرا، فاطمه، مجید، حامد، شراره (1387)، ارزیابی تغییر اقلیم شمال شرق ایران در دوره 2010 تا 2039 میلادی با استفاده از ریزمقیاس نمایی دادههای مدل گردش عمومی جو ECHO-G، مجله جغرافیا و توسعه، شماره16، صص 152-135.
6- سبزی‌پرور،شادمانی؛ علی اکبر، مجتبی(1390)، تحلیل روند تبخیر و تعرق مرجع با استفاده از آزمون من‌کندال و اسپیرمن در مناطق خشک ایران، نشریه آب و خاک، شماره4، صص 823-834.
7- طاووسی، خسروی، زهرایی؛ تقی، محمود، اکبر (1391)، پیش‌بینی تغییرات یخبندان شهر زابل برپایه شبیه‌سازی مدل گردش عمومی جو، مجله مخاطرات محیطی، سال اول، شماره 2.
8- عزیزی، روشنی؛ قاسم، محمود (1387)، مطالعه تغییر اقلیم در سواحل جنوبی دریای خزر به روش من‌کندال، مجله پژوهش‌های جغرافیایی، شماره64، صص 28-13.
عساکره، حسین(1386)، تغییر اقلیم، انتشارات دانشگاه زنجان، چاپ اول، زنجان.
9- فیروزی، نگارش، خسروی؛ فاطمه، حسین، محمود (1391)، مدلسازی، پیش‌بینی و بررسی روند بارش در ایستگاه‌های منتخب استان فارس، فصلنامه علمی-پژوهشی برنامه‌ریزی منطقه‌ای، شماره 7، صص 91-77.
10- فیضی، فرج‌زاده؛ وحید، منوچهر(1389)، مطالعه تغییر اقلیم در استان سیستان و بلوچستان به روش من‌کندال، چهارمین کنگره بین‌المللی جغرافیدانان جهان اسلام، صص12-1.
11- کمال، مساح‌بوانی، نجفی؛ علیرضا، علیرضا،محمدسعید (1388)، عدم قطعیت مدل‌های AOGCM و هیدرولوژیکی درتخمین روانآب تحت تأثیر تغییر اقلیم، کنفرانس بین‌المللی منابع آب شاهرود.
12- کمالی، غلامعلی (1381)، سرماهای زیان‌بخش به بخش کشاورزی ایران در قالب معیارهای احتمالی، فصلنامه تحقیقات جغرافیایی، شماره63،صص 19-4.
13- Babaeian, I., Kwon, W. T., Im, E. S., 2004, Application of Weather GeneratorTechnique for Climate Change Assessment over Korea. Korea Meteorological Research Institute, Climate Research lab.
15- Farzaneh M. R., Eslamian, S. S., Samadi S. Z. &Akbarpour, A. (2011).An Appropriate general circulation model (GCM) to investigateclimate change.International Journal of Hydrology Science &Technology. 2(1): 43-51.
16- Harmsen, E., Miller, N.L., Schlegel, N.J., and Gonzalez, J.E., 2009, Seasonal climatechange impacts on evapotranspiration, precipitation deficit and crop yield in Puerto Rico.Journal of Agricultural Water Management. 96:1085– 1095.
17- IPCC-TGCIA.(1999). Guidelines on the use of scenario data forclimate impact and adaptation assessment. UK: IntergovernmentalPanel on Climate Change (IPCC) Publications.
18- IPCC-TGICA (2007) General guidelines on the use of scenario data for climate impact and adaptation assessment.eds. Carter, T.R., Version 2, 71p. Intergovernmental Panel on Climate Change, Task Group on Data and Scenario Support for Impact and Climate Assessment.
19- Liang, L., Lijuan, L., and Qiang, L., (2010), Temporal variation of referenceevapotranspiration during 1961-2005 in the Taoer river basin of Northeast China.Agricultural and Forest Meteorology, 150: 298-306.
20- Luo, Qanyan, M.A., Williams, J., Belloti, W., Bryan, B., (2003), Quantative and VisualAssessments of Climate Change Impacts on South Australian Wheat Production.AgricultureSystems, 77: 3. 173-186.
21- Minville.M, Brissette.F, Leconte. R. (2008), Uncertainty of the impact of climatechange on the hydrology of a Nordic watershed.Journal of Hydrology (2008) 358, 70– 83.
22- MassahBavani, A.R., and Morid, S., (2006), Impact of Climate Change on the WaterResources of Zayandehrud Basin. Journal of Science and Technology.Agriculture and NatureResource.9: 4.28-34.
23- Mavromatis, Th., Hansen, J.W., (2001), Inter Annual Variability Characteristics andSimulated Crop Response of four Stochastic Weather Generators.Agricultural and ForestMeteorology, 109: 283-296.
24- Peterson, T. C., Zhang, X. B., India, M. B., Aguirre, J. L. V., (2008), Changes in NorthAmerican Extremes Derived from Daily Weather Data. Journal of Geophysical Research.41,123-135.
25- Richter, G.M., and Semenov, M.A., (2004), Modelling Impacts of Climate Change onWheat Yields in England and Wales. Assessing Drought Risks, Agriculture Systems, 84: 1.77-97.
26- Sajjad Khan, M., Coulibaly, P., Dibike, Y., (2006), Uncertainty Analysis ofStochastically Downscaling Methods.Journal of Hydrology. 319: 1-4. 357-382.
27- Semenov, M.A., Brooks, R.J., Barrow, E.M., C.W. Richardson., (1998), Comparison ofthe WGEN and LARS-WG Stochastic Weather Generators for Diverse Climates. Journal ofClimate Researches 10(2):95–107.
28- Steele- Dunne, S., Lynch, P., McGrath, R., Semmler, T., Wang, Sh., Hanafin, J. andNolan, P., (2008), The impacts of climate change on hydrology in Ireland. Journal of Hydrology, 356: 28-45.
29- Samadi, S. Z., Mahdavi, M., Sharifi, F. &Bihamta, M. R. (2009).Methodology for selecting the best predictor for climate change impactassessment in Karkheh Basin, Iran. Journal of Environmental Scienceand Engineering. 61: 18-33.
30- Wang, Q-x., Fan, X-h., Qin, Z-d., Wang, M.-b., (2012), Change Trends of Temperatureand Precipitation in the Loess Plateau Region of China, 1961–2010. Global and PlanetaryChange, 138–147.
31- Williams, A.G., (1991), Modelling Future Climates: From GCMs to StatisticalDownscalingApproaches. University of Toronto at Scarborough, 56.
32- Zarghami, M., Abdi, A., Babaeian, I., Hasanzadeh, Y., and Kanani, R., (2011).Impactsof Climate Change on Runoffs in East Azerbaijan, Iran, Global and Planetary Change. In Press, Corrected Proof, Available online 30 June 2011.
ابتدای صفحه