ارزیابی کارایی مدل SDSM در شبیه سازی میانگین دمای شهر کرمانشاه

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استاد هیات علمی دانشگاه زنجان

2 دانشجوی دکتری دانشگاه زنجان

10.22131/sepehr.2018.31472

چکیده

افزایش گرمایش جهانی به عنوان یکی از مسائل عمده جهانی در قرن حاضر مطرح است. به همین دلیل بررسی و ارزیابی روند آن برای انسان اهمیت دارد، از این رو شبیهسازی این متغیر اقلیمی برای درک آینده بشر می­تواند راهگشا باشد. روشهای مختلفی برای شبیهسازی و پیشبینی متغیرهای اقلیمیوجود دارد که معتبرترین آنها استفاده از دادههای مدل گردش عمومیجو یا GCM میباشد. از جمله پرکاربردترین مدلها جهت ریز مقیاس کردن دادههای GCM، مدل آماری SDSM میباشددرتحقیق حاضر،میزانکاراییاینمدلجهتریزمقیاسنماییمیانگیندمایدرایستگاهشهرکرمانشاهموردارزیابیقرارگرفت. بدین منظور با استفاده از داده­هایدمای روزانه ایستگاههمدیدشهرکرمانشاه وداده­هایمرکزملی پیشبینیمتغیرهایمحیطی، انتخابمتغیرهای مستقلوکالیبرهکردنمدلبرایمیانگین دماصورتگرفت. بهمنظورکالیبرهکردنمدل داده­هایدیدبانی شدهایستگاه هواشناسیکرمانشاهو داده­هایمرکزملیپیشبینیمتغیرهایمحیطیNCEPبهدودوره 15 ساله (1975- 1961) و (1990-1976) تقسیم شدند.از15سالاولبرایکالیبرهکردنمدلبااستفادهازروشبهینهسازیحداقلمربعات خطااستفادهشد. این کار برای دوره 40 ساله از 1961 تا 2000 نیز انجام گرفت. سپس داده­های دمای میانگین برای دوره ده ساله 2010 -2001 بر اساس 2 دوره پایه 15 ساله (1990-1961) و40 ساله (2000- 1961) تحت دو سناریوی A2 و B2، پیشبینی و با داده­های مشاهداتی این دورهمقایسه شدتا میزان کارایی مدل برای پیشبینی ارزیابی گردد. نتایج نشان داد که با افزایش طول دوره پایه پیشبینی مدل بهتر خواهد شد و هرچه طول دوره کمتر باشد برآورد مدل چندان مناسب نخواهد بود.

کلیدواژه‌ها


عنوان مقاله [English]

Evaluation of SDSM model efficiency in simulating the average temperature of Kermanshah station

نویسندگان [English]

  • Hossein Asakereh 1
  • hadis kiani 2
1 Professor of Zanjan University
2 Ph.D student of Zanjan University
چکیده [English]

Extended Abstract
Global warming and its consequence which occurs as climate change are of the world's major problems in the current century. Climate change and the warming of the earth have adverse effects on resources such as water, forests, pastures, agricultural land, industry and ultimately human life. The initial effect of climate change is on the atmospheric elements, particularly on the precipitation and temperature. Through evaluating long-term temperature trends we can be provided with a better insight as to how to plan for the upcoming years.
Temperature is one of the elements influencing this issue. That is why monitoring and assessing its behavior is very important to humans. Therefor the simulation of these variables can be vital to gain a perception of human future. There are various methods to simulate and predict climate variables. The most reliable one is using the data from the atmospheric general circulation models or GCM. The GCM models are only able to simulate the atmospheric general circulation data on large surfaces. The implementation of these models for long periods of time is time consuming and requires high processing speeds. To overcome this problem some simplifications should be done including a reduction in spatial resolution and removing some of the physical and thermodynamic processes at the micro scale. These simplifications increase the errors in the atmospheric circulation models and also they cause errors in the prediction and evaluation of the earth’s future climate. To solve this problem, the outputs of general circulation models are down-scaled through dynamical and statistical methods. In recent years, from the various methods of downscaling, researchers have been interested in the statistical downscaling method more than other methods. In the statistical downscaling, statistical methods such as regression and air generator models can be used. The statistical downscaling methods which also include the SDSM model, do the reducing scale based on the statistical history of large-scale predictors and the dependent variables. One of the most widely used models for downscaling GCM data, is the statistical model SDSM. In this study, the competency of this model for downscaling mean temperature was evaluated in Kermanshah station. Several data series including the mean daily temperature in Kermanshah station, data from the function of the national center for environmental prediction and the data from HadCM3 general circulation models were used under the A2 and B2 scenarios. Based on the A2 scenario a world is imagined in which the countries are operating independently, they are self-reliant, the world's population constantly increases, and economic development is region-based. And according to the B2 scenario, the population steadily increases but its growth rate is lower than the A2. The emphasis is on local solutions rather than having global solutions for economic, environmental and social stability, moderate economic development and Rapid technological changes. Kermanshah station data includes daily average from the beginning of 1961 until the end of 2010 which were used for calibration of the model. To this end, collecting the independent variables and the calibration of the model were done for the mean temperature by applying the daily temperature data of Kermanshah’s synoptic station and the data from the National Center for Environmental Prediction. In order to calibrate the observed data from Kermanshah’s station and the data from the National Center for Environmental Prediction (NCEP), it was divided into two 15-year periods (1975, 1961) and (1990 to 1976).  The first 15 years was used to calibrate the model using the least square error method optimization. This work was done for the period of 40 years from 1961 to 2000. Then the mean temperature for the 10-year period 2010 -2001 data based on two basic periods of 15 years (1990-1961) and the 40 years (2000- 1961) under the two scenarios A2 and B2, were Predicted and were compared with the observed data of this period to evaluate the predicting performance of the model. The results of the evaluation period (2000-1961 and 1990-1976) using NCEP data showed that the SDSM model has an acceptable capability in simulating the variables such as the mean temperature in the evaluation period and the basic. It should be noted that with an increase in the prediction base period to 40 years, the differences according to the NCEP model and the observed data turned to zero. This can be considered as one of the model’s defects which is due to the use of linear regression because, by reducing the base period to simulate the mean temperature, the results of it, falls away from the average of the observed period, but by increasing the period duration, the outcomes will be valid. Also the amount of variance, the maximum and minimum temperature which are applied by the model to calculate the mean temperature, are not suitable and competence and it commits several errors. This can be caused by poor capability of the model to evaluate and reveal temperature fluctuations; this could be the consequence of adherence to linear regression of the model, although the station’s local conditions and the Hadcm3 model’s errors could intensify the inability.

کلیدواژه‌ها [English]

  • SDSM
  • Kermanshah station
  • Temperature

1 -آبکار، حبیب‌نژاد، سلیمانی، نقوی؛ علیجان، محمود، کریم، هرمز؛ 1392؛ بررسی میزان کارایی مدل SDSM در شبیه‌سازی شاخص‌های دمایی در مناطق خشک و نیمه خشک، فصلنامه علمی پژوهشی مهندسی آبیاری و آب، شماره 14.

2 -آزادی، تقی‌زاده، معماریان؛ مجید، احسان، محمدحسین؛ 1391؛ راستی‌آزمایی پیش‌بینی بارش با مدل تحقیقات آب و هوایی و پیش‌بینی وضع هوا (WRF) روی کشور ایران در دوره 8 ماهه نوامبر 2008 تا ژوئن 2009، مجله فیزیک زمین و فضا، شماره 3، 129-115.

3 - بابائیان، نجفی نیک، زابل عباسی، حبیبی نوخندان، ادب، ملبوسی؛ ایمان، زهرا، فاطمه، مجید، حامد، شراره؛ 1388؛ ارزیابی تغییر اقلیم کشور در دوره 22039 - 2010 میلادی با استفاده از ریزمقیاس‌نمایی داده‌های مدل گردشگری عمومی‌جو ECHO - G ، مجله جغرافیا و توسعه ، شماره 16، 135-152.

3 - تورینی، حسامی‌کرمانی؛ نازلی، مسعود‌‌‌رضا؛ 1391؛ پیش‌بینی دمای ماکزیمم، مینیمم و میانگین با استفاده از الگوریتم نرو فازی در ایستگاه کرمان، پنجمین کنفرانس سراسری آبخیزداری و مدیریت منابع آب و خاک ، 2 الی 12 اسفند، کرمان.

4 - حق‌طلب، گودرزی، حبیبی نوخندان، یاوری، جعفری؛ نفیسه، محسن، مجید، احمدرضا، حمیدرضا؛ 1392؛ مدلسازی اقلیم استان‌های تهران و مازندران با استفاده از مدل اقلیمی‌LARS-WG و مقایسه آن در جبهه‌های شمالی و جنوبی البرز مرکزی، فصلنامه علوم و تکنولوژی محیط زیست، شماره 56، 49-37 .

5 - خیراندیش، قهرمان، بذرافشان؛ مرضیه، نوذر، جواد؛ بررسی تأثیرات تغییر اقلیم بر طول فصل رشد در چشم انداز 2020 تا 2050 در چند نمونه اقلیمی ‌ایران؛ 1392؛ مجله تحقیقات آب و خاک ایران، شماره 2، 150-143.

6 - رضائی، سلطانی؛ عبدالمجید، افشین؛ 1387، مقدمه‌­ای بر تحلیل رگرسیون کاربردی، چاپ سوم، مرکز نشر دانشگاه صنعتی اصفهان، 227.

7 - رضائی، نهتانی، آبکار، رضائی، میرکازهی ریگی؛ مریم، محمد، علیجان، معصومه، مهری؛ 1393؛ بررسی کارایی مدل ریز مقیاس‌نمایی آماری SDSM  در پیش‌بینی پارامترهای دمایی دو اقلیم خشک و فراخشک، مطالعه موردی: (کرمان و بم)، پژوهش‌نامه مدیریت حوضه آبخیز، شماره 10، 117.

8 - صمدی، مساح بوانی، مهدوی؛ سیده زهرا، علیرضا، محمد؛ 1388؛ انتخاب متغیر پیش‌بینی کننده به منظور کوچک مقیاس کردن داده‌های دما و بارندگی در حوضه آبخیز کرخه، پنجمین همایش ملی علوم و مهندسی آبخیزداری ایران (مدیریت پایدار بلایای طبیعی)، دانشگاه علوم کشاورزی و منابع طبیعی گرگان.

9 - صمدی نقاب، خورشید دوست، حبیبی نوخندان، زابل عباسی؛ سینا، علی‌محمد، مجید، فاطمه؛ 1390؛ بکارگیری مدل SDSM جهت ریزمقیاس نمائی داده‌های 57 GCM بارش و دما، مطالعه موردی: پیش بینی های اقلیمی ایستگاهی در ایران، نشریه پژوهش های اقلیم شناسی، شماره 6، 57 .

10 - عساکره، حسین،1383، مدلسازی تغییرات مکانی عناصر اقلیمی ‌مطالعه موردی: بارش سالانه استان اصفهان، فصلنامه تحقیقات جغرافیایی، شماره 74 ، 213 – 231.

11 - عساکره، حسین، 1390، مبانی اقلیم‌‌شناسی آماری، انتشارات دانشگاه زنجان، چاپ اول، زنجان.

 12 - عینی، طاووسی، امیرجهانشاهی؛ سعیده، تقی، مهدی؛ 1395؛ مدلسازی کمینه دمایی شرق استان کرمانشاه، فصلنامه فضای جغرافیایی، دانشگاه آزاد اسلامی‌واحد اهر، سال شانزدهم، شماره ی 54، 67-47.

13 - قیاسی شمامی، معروفی، سبزی‌پرور، زارع ابیانه، حیدری؛ فرشته، صفر، صفر، حمید، مجید؛ 1390؛ آشکارسازی تغییراقلیم در غرب ایران با توجه به تغییرات دما، فصلنامه مهندسی آبیاری و آب، سال دوم، شماره 6، 25-10.

 14 - کامکار، سلطانی، مساعدی، خلیلی اقدم؛ بهنام، افشین، ابوالفضل، نبی؛1391؛ ارزیابی توانایی مدل LARS-WG در پیش بینی برخی از پارامترهای جوی سنندج، پژوهش‌های حفاظت آب و خاک، شماره 4، 102- 85.

15 - معافی مدنی، موسوی بایگی، انصاری؛ سیده فاطمه، محمد، حسین؛ 1391؛ پیش‌بینی وضعیت خشکسالی استان خراسان رضوی طی دوره 2030 تا 2001 با استفاده از ریزمقیاس نمایی آماری خروجی مدل LARS-WG، جغرافیا و مخاطرات محیطی، شمارة 3، 37- 21.

16 -  مهدوی، طاهرخانی؛ مسعود، مهدی؛ 1383؛ کاربرد آمار در جغرافیا، نشر قومس، 177.

17 - هادی‌نیا، پیرمرادیان، اشرف‌زاده؛ حسین، نادر، افشین؛ 1391؛ ارزیابی مدل‌های GCM و سناریوهای مختلف تغییر اقلیم در شبیه‌سازی داده‌های هواشناسی ( مطالعه موردی ایستگاه سینوپتیک رشت)، اولین همایش بین المللی بحرا‌ن‌های زیست محیطی و راهکارهای بهبود آن.

18 -  یارنال، برنت؛ 1385؛ اقلیم‌شناسی همدید و کاربرد آن در مطالعات محیطی؛ ترجمه ابوالفضل مسعودیان، انتشارات دانشگاه اصفهان، 172.

19. D, Haward E، (1989)، Applied Regression Analysis in Econometrics، CRC Press، P، 146، ISBN 0- 8247- 8094-3،

20. Md، Shahriar Pervez ، Geoffrey M، Henebry،2014، Projections of the  Ganges Brahmaputra precipitation—Downscaled from GCM predictors، Journal of Hydrology 517 : 120–134،  

21. Rashid Mahmood, Mukand S، Babel ،2014،Future changes in extreme temperature  eevents using the statistical downscaling model (SDSM) in the trans-boundary region of the Jhelum river basin ، Weather and Climat eExtremes 5-6: 56–66،

22. Samadi, S, K، Ehteramian and B، Sari Sarraf، 2011، SDSM ability in simulate   predictors for climate detecting over Khorasan province، Procedia Social and      Behavioral Sciences, 19: 741-749،     

23. U، Ehret, E، Zehe, V، Wulfmeyer, K، Warrach-Sagi, and J، Liebert,2012, Should we apply bias correction to global and regional climate model data? Hydrology and Earth System Sciences, 16: 3391–3404،

24. Wilby, R،L, C،W، Dawson and E،M، Barrow، 2002، SDSM- A decision support tool for the assessment of regional climate change impacts، Journal of Environmental Modeling and Software, 17: 147-159.

25. Wilby, R،L، and C،W، Dawson، 2008، Using SDSM version 4،2- A decision support tool for the assessment of regional climate change impacts، user manual, 94 pp،