پیش‏ نمایی بارش و دمای حوزه آبخیز قره‌سو با تأکید بر عدم قطعیت مدل‏ های گردش عمومی

جغرافیا و مخاطرات محیطی

مقاله 1، دوره 14، شماره 1 - شماره پیاپی 53، فروردین 1404، صفحه 1-21   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/geoeh.2024.86195.1450

نویسندگان

گلاله غفاری^{* 1}؛ علی سلاجقه²

¹استادیار بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان کرمانشاه، ایران

²استاد دانشکده منابع طبیعی، دانشگاه تهران، تهران، ایران

چکیده

از مهم‏ترین منابع عدم قطعیت در مباحث تغییر اقلیم به ‏کارگیری مدل‏ های مختلف گردش عمومی است که خروجی‏ های متفاوتی را برای متغیر‏های اقلیمی تولید می ‏کند. در کل استفاده از چندین مدل گردش عمومی و یا روش ‏های اجرای ترکیبی مدل‏ ها (EP) برای تأکید بر عدم قطعیت در پیش‏ نمایی اقلیم، به‏ علت تفاوت ‏های ساختاری در مدل‏ های جهانی اقلیم و همچنین عدم اطمینان در تغییرات شرایط اولیه مدل ‏ها یکی از راهکارهای کاهش عدم قطعیت مدل‏ های گردش عمومی است. برای این منظور داده ‏های ایستگاه سینوپتیک کرمانشاه در بازه زمانی 1976 تا 2005 از سازمان هواشناسی و داده ‏های ریزگردانی شده حاصل از 21 مدل گردش عمومی از سایت NASA (NEX-GDDP) برای دوره گذشته (2005-1976) و آینده (2049-2020) تحت سناریو RCP4.5‌ دریافت و پس از اطمینان از صحت داده ‏ها و پیش‌پردازش‌های لازم، عدم قطعیت مدل‏ های گردش عمومی بررسی و جهت کاهش عدم قطعیت آن‌ها از روش‌های مختلف اجرای ترکیبی استفاده شد. نتایج مقایسه مدل ‏ها نشان داد که مدل‏های MRI-CGCM3، MPI-ESM-LR، BNU-ESM، ACCESS1-0، MIROC-ESM، MIROC-ESM-CHEM و MPI-ESM-MR از عملکرد مناسب ‏تری در شبیه ‏سازی دما و بارش برخوردار بوده ‏اند. همچنین چنانچه انتظار می ‏رفت بیشترین وزن به مدل ‏هایی که کمترین خطا را داشته‌اند تعلق گرفته است، به‏ گونه‏ ای ‏که این مدل‏‏ ها بیشترین وزن را در مدل‏سازی بارش، دمای حداکثر و دمای حداقل دوره گذشته داشته‏ اند و می‏ توانند به ‏عنوان مناسب‏ترین مدل ‏های پیش‏ نمایی در آینده معرفی شوند که دارای کمترین عدم قطعیت در شبیه‏ سازی دما و بارش می ‏باشند. بررسی نتایج ضرایب آماری روش‏های مختلف اجرای ترکیبی نشان داد که روش اجرای ترکیبی تعدادی از مدل ‏ها (MEP) با ضریب تعیین (R²) 95/0 و ضریب کارایی (ME) 92/0 تخمین بهتری را در مقایسه با داده‏ های دوره پایه در ایستگاه سینوپتیک کرمانشاه ارائه داده است و درنهایت این روش به‏ عنوان بهترین روش اجرای ترکیبی مدل ‏های گردش عمومی در نظر گرفته شد.

کلیدواژه‌ها

مجموعه‌های مدل‌های اقلیمی؛ کمّی‌سازی عدم قطعیت؛ سناریوی RCP4.5عدم قطعیت ریزمقیاس‌سازی؛ مجموعه‌های چندمدلی (MMES)کارایی نش-ساتکلیف (NSE)

مراجع

Andarzian, ‌B., Bannayan, M., Steduto, P., Mazraeh, H., Barati, M. E., Barati, M. A., & Rahnama, A. (2011). Validation and testing of the AquaCrop model under full and deficit irrigated wheat production in Iran.  Agricultural Water Management, 100(1), 1-8. https://doi.org/10.1016/j.agwat.2011.08.023

Ashraf, B., Alizadeh, A., Mousavi Baygi, M., & Bannayan Awal, M. (2014). Verification of Temperature and Precipitation Simulated Data by Individual and Ensemble Performance of Five AOGCM Models for North East of Iran. Water and Soil, 28(2), 253-266. [In Persian] https://doi.org/10.22067/jsw.v0i0.38011

Cerqueira, V., & Torgo, L. (2023). Multi-output Ensembles for Multi-step Forecasting. ArXiv Preprint ArXiv:2306.14563. https://doi.org/10.48550/arXiv.2306.14563

Chen, H., Zhang, R., Liu, F., Shao, C., Liu, F., Li, W., ... & Lou, B. (2023). The chromosome-level genome of Cherax quadricarinatus. Scientific Data, 10(1), 215. https://doi.org/10.1038/s41597-023-02124-z

Chilkoti, V., Bolisetti, T., & Balachandar, R. (2017). Climate change impact assessment on hydropower generation using multi-model climate ensemble. Renewable Energy, 109, 510-517. https://doi.org/10.1016/j.renene.2017.02.041

Effron, B., & Tibshirani, R.J. (1993). An introduction to the bootstrap. New York: Chapman and Hall/CRC. https://doi.org/10.1201/9780429246593

Fowler, H. J., & Ekström, M. (2009). Multi‐model ensemble estimates of climate change impacts on UK seasonal precipitation extremes. International Journal of Climatology: A Journal of the Royal Meteorological Society, 29(3), 385-416.  https://doi.org/10.1002/joc.1827

Fu, C., Wang, S., Xiong, Z., Gutowski, W. J., Lee, D. K., McGregor, J. L., ... & Suh, M. S. (2005). Regional climate model intercomparison project for Asia. Bulletin of the American Meteorological Society, 86(2), 257-266. https://doi.org/10.1175/BAMS-86-2-257

Gao, X., Sokolov, A., & Schlosser, C.A .(2023). A large ensemble global dataset for climate impact assessments. Scientific Data, 10, 801. https://doi.org/10.1038/s41597-023-02708-9

Heidari, M. & Khazaei, M. R. (2018). Climate change impact assessment on extreme daily rainfalls in Kermanshah. Journal of Water and Soil Resources Conservation, (7)2,27-39. [In Persian] https://journals.srbiau.ac.ir/article_11544.html?lang=en  

Jahangir, M. H., & Azimi, S. M. E. (2022). Evaluating the performance of artificial intelligence models for temperature downscaling (Study area: Ardabil province). Environmental Sciences, 20(4), 243-258. [In Persian] https://doi.org/10.48308/envs.2022.35101

Khazaei, M.R. & Khazaei, H. (2018). Scenarios in climate change impact assessment on monthly stream-flow of Karun basin. Journal of Environmental Sciences and Technology, 20(1),29-40. [In Persian]

Lane, M. E., Kirshen, P. H., & Vogel, R. M. (1999). Indicators of impacts of global climate change on US water resources. Journal of Water Resources Planning and Management, 125(4), 194-204. https://doi.org/10.1061/(ASCE)0733-9496(1999)125:4(194)

Mitchell, T.D. (2003). Pattern scaling: an examination of the accuracy of the technique for describing future climates. Climatic Change, 60(3), 217-242. https://doi.org/10.1023/A:1026035305597

Pinto, I., de Perez, E. C., Jaime, C., Wolski, P., van Aardenne, L., Jjemba, E., ... & Tall, A. (2023). Climate change projections from a multi-model ensemble of CORDEX and CMIPs over Angola. Environmental Research: Climate, 2(3), 035007. https://doi.org/10.1088/2752-5295/ace210

Semenov, M. A., & Stratonovitch, P. (2010). Use of multi-model ensembles from global climate models for assessment of climate change impacts. Climate Research, 41(1), 1-14. https://doi.org/10.3354/cr00836

Whetton,P., Hennessy, K., Bates, B., & Kent, D.(2010). Regional Projections and Model Evaluation: Potential Benefits of ‘Representative Future Regional Climates’. In Stocker, T., Dahe, Q., Plattner, G. K., Tignor, M., & Midgley, P., IPCC expert meeting on assessing and combining multi model climate projections. Paper presented at Proceedings of the National Center for Atmospheric Research, Boulder Colorado, USA(pp105-107). Switzerland: IPCC Working Group.https://www.ipcc.ch/publication/ipcc-expert-meeting-on-assessing-and-combining-multi-model-climate-projections/

Wilby, R. L., & Harris, I. (2006). A framework for assessing uncertainties in climate change impacts: Low‐flow scenarios for the River Thames, UK. Water Resources Research, 42(2),1-10. https://doi.org/10.1029/2005WR004065

Wilby, R. L., Tomlinson, O. J., & Dawson, C. W. (2003). Multi-site simulation of precipitation by conditional resampling. Climate Research, 23(3), 183–194. http://www.jstor.org/stable/24868347

Xu, K., Xu, B., Ju, J., Wu, C., Dai, H., & Hu, B. X. (2019). Projection and uncertainty of precipitation extremes in the CMIP5 multimodel ensembles over nine major basins in China. Atmospheric Research, 226, 122-137. https://doi.org/10.1016/j.atmosres.2019.04.018