پیش‌نگری تغییرات دما و بارندگی تحت سناریوهای CMIP6 در استان سیستان و بلوچستان

آب و خاک

دوره 38، شماره 6 - شماره پیاپی 98، بهمن و اسفند 1403، صفحه 780-765   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.2024.89164.1422

نویسندگان

سمیه میرشکاری^{* 1}؛ فاطمه یعقوبی²؛ سید ابوالفضل هاشمی³

¹گروه زراعت، پژوهشکده کشاورزی، پژوهشگاه زابل، زابل، ایران

²گروه اگروتکنولوژی، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران

³پژوهشکده تالاب بین‌المللی هامون، پژوهشگاه زابل، زابل، ایران

چکیده

تغییر اقلیم به‌دلیل تأثیرات مخرب زیست‌محیطی و اجتماعی-اقتصادی آن به مهم‌ترین چالش در قرن بیست و یکم تبدیل شده‌ است. در این مطالعه، 10 مدل گردش عمومی از ششمین گزارش IPCC جهت پیش‌نگری تغییرات بارندگی و دما در سه منطقه ایرانشهر، زابل و زاهدان در استان سیستان و بلوچستان مورد ارزیابی قرار گرفتند. سپس روش‌های مختلف تصحیح اریبی در CMhyd ارزیابی شدند و با استفاده از روشی که از کارایی بالاتری نسبت به سایر روش‌ها برخوردار بود، بارندگی و دمای حداکثر و حداقل مدل‌های منتخب برای سه دوره زمانی در آینده (2050-2026، 2075-2051 و 2100-2076) تحت دو سناریو SSP2-4.5 و SSP5-8.5 تصحیح گردیدند. داده‌های تصحیح اریبی‌شده مدل‌های منتخب میانگین‌گیری شده و سپس تغییرات آن‌ها در دو مقیاس ماهانه و سالانه در سه دوره آینده نسبت به دوره پایه (2014-1994) موردارزیابی قرار گرفت. نتایج نشان داد که از 10 مدل مورد مطالعه، 8 مدل از کارایی خوبی (R² < 40/0، 02/12 < RMSE < 23/4 درجه‌سانتی‌گراد، 74/0 < NSE < 12/0، 59/9 < MAE < 36/3 درجه‌سانتی‌گراد) در شبیه‌سازی دمای حداقل و حداکثر روزانه برخوردار بودند. بااین‌حال، کارایی تمامی مدل‌ها در شبیه‌سازی‌شده بارندگی روزانه ضعیف بود (R² ˃ 19/0، 70/3 < RMSE < 24/1 میلی‌متر، 57/0- < NSE < 41/7-، 85/0 < MAE < 23/0 میلی‌متر). از بین روش‌های مختلف تصحیح اریبیِ دما و بارندگی موجود در CMhyd، روش نقشه‌برداری توزیع دما و بارشبهترین عملکرد را داشتند و سبب بهبود کارایی خروجی‌های مدل‌های اقلیمی گردیدند. به‌طور میانگین در همه مکان‌ها، دمای حداکثر سالانه در دوره‌های پیش‌بینی‌شده نزدیک، میانه و دور به‌ترتیب 3/1، 1/2، و 8/2 درجه‌سانتی‌گراد تحت SSP2-4.5 و 6/1، 1/3، و 1/5 درجه‌سانتی‌گراد تحت SSP5-8.5 افزایش نشان خواهد داد. درحالی‌که برای دمای حداقل، میزان افزایش 6/1، 6/2، و 4/3 درجه‌سانتی‌گراد برای SSP2-4.5 و 9/1، 9/3، و 3/6 درجه‌سانتی‌گراد برای SSP5-8.5 خواهد بود. بارندگی سالانه در تمامی مکان‌ها بین 22/58- تا 33/49 درصد نسبت به دوره پایه تحت سناریوی SSP5-8.5 به‌ترتیب در دوره‌های آینده نزدیک و دور در زابل و ایرانشهر متغیر خواهد بود. افزایش سالانه در میانگین دمای حداکثر و حداقل عمدتاً ناشی از افزایش دمای هوا درماه‌های ژانویه، فوریه، آگوست، سپتامبر، اکتبر، نوامبر و دسامبر خواهد بود. کاهش سالانه بارندگی نیز عمدتاً از کاهش بارندگی درماه‌های ژانویه، فوریه، مارچ، نوامبر و دسامبر و افزایش سالانه بارندگی از افزایش قابل‌توجه بارندگی در ماه‌های می و اکتبر نسبت به دوره پایه ناشی خواهد شد. نتایج مطالعه حاضر می‌تواند به بهبود درک ما از اثرات تغییر اقلیم بر منطقه موردمطالعه کمک کند و برنامه‌ریزان و ذینفعان را تشویق کند تا راهبردهای بهینه برای کاهش اثرات منفیِ آن را شناسایی کنند.

کلیدواژه‌ها

تصحیح اریبی؛ تغییر اقلیم؛ دمای حداقل؛ دمای حداکثر؛ CMhyd

مراجع

1. Abdolalizadeh, F., Mohammad Khorshiddoust, A., & Jahanbakhsh, S. (2023). Projection of the future outlook of temperature and precipitation in Urmia Lake basin by the CMIP6 models. Physical Geography Research, 55(1), 95-112. (In Persian with English abstract). https://doi.org/10.22059/jphgr.2023. 352727.1007737
2. Ashraf, B., Alizade, A., Mousavi Baygi, M., Bannayan Aval, M. (2013). Verification of temperature and precipitation simulated data by individual and ensemble performance of five AOGCM models for North East of Iran. Journal of Water and Soil, 28(2), 253-266. (In Persian with English abstract). https://doi.org/10.22067/ JSW.V0I0.38011.
3. Bağçaci, S.Ç., Yucel, I., Duzenli, E., & Yilmaz, M.T. (2021). Intercomparison of the expected change in the temperature and the precipitation retrieved from CMIP6 and CMIP5 climate projections: A Mediterranean hot spot case, Turkey. Atmospheric Research, 256, 105576. https://doi.org/10.1016/j.atmosres.2021.105576
4. Bararkhanpour Ahmadi, S., Nadi, M, Mazloom Babanari, S., & Jedariforoughi, A. (2024). Analyzing the effect of climate change on the trend of extreme temperatures along the coast of Mazandaran province based on CMIP6 models. Journal of Water and Soil Conservation, 30(4), 1-27. (In Persian with English abstract). https://doi.org/22069/jwsc.2023.21185.3635
5. Faisal, A.A., Taha, D.S., Hassan, W.H., Lakhera, S.K., Ansar, S., & Pradhan, S. (2023). Subsurface flow constructed wetlands for treating of simulated cadmium ions-wastewater with presence of Canna indica and Typha domingensis. Chemosphere, 338, 139469. https://doi.org/10.1016/j.chemosphere.2023.139469
6. GhorbaniMinaei, L., Mosaedi, A., Zakerinia, M., Kalbali, E., & Ghabaei Soogh, M. (2024). Study of future climate change on the temperature and precipitation trends in Qarasu basin based on the CMIP6 models. Iranian Journal of Soil and Water Research, 55(2), 245-268. (In Persian with English abstract)
7. Hamidianpour, M., & Hejazizadeh, Z. (2012). Investigating changes in temperature and precipitation using the atmospheric general circulation model, a case study of Sistan-va-Baluchestan National Congress on Border Cities and Security; Challenges and Strategies–CBCS, Sistan-va-Baluchestan University, Zahedan, Iran. (In Persian)
8. Hassan, W.H., Nile, B.K., Mahdi, K., Wesseling, J., & Ritsema, C. (2021). A feasibility assessment of potential artificial recharge for increasing agricultural areas in the Karbala desert in Iraq using numerical groundwater modeling. Water, 13(22), 3167. https://doi.org/10.3390/w13223167
9. IPCC. (2020). The physical science basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. IPCC, Geneva, Switzerland.
10. Kamworapan, S., Thao, P.T.B., Gheewala, S. H., Pimonsree, S., & Prueksakorn, K. (2021). Evaluation of CMIP6 GCMs for simulations of temperature over Thailand and nearby areas in the early 21st century. Heliyon, 7(11). https://doi.org/10.1016/j.heliyon.2021.e08263
11. Koocheki, A., Mahallati, M.N., Bannayan, M., & Yaghoubi, F. (2022). Simulating resilience of rainfed wheat–based cropping systems of Iran under future climate change. Mitigation and Adaptation Strategies for Global Change, 27(4), 27. https://doi.org/10.1007/s11027-022-09996-3
12. Kouhi, M., Mousavi Baygi, M., Farid hosseini, A.R., Sanaei Nejad, S.H., & Jabbari Nooghabi, H. (2012). Statistical downscaling of extremes of precipitation and construction of their future scenarios in the Kashfroud Basin. Journal of Climate Research, 1391(12), 35-53. (In Persian with English abstract)
13. Mianabadi, A., Bateni, M.M., & Mohammadi, S. (2023). Projection of change in the distribution of precipitation and temperature using bias-corrected simulations of CMIP6 climate models (Case study: Kerman synoptic station). Journal of Climate Change Research, 4(13), 65-84. (In Persian with English abstract)
14. Mohsen, K.A., Nile, B.K., & Hassan, W.H. (2020). Experimental work on improving the efficiency of storm networks using a new galley design filter bucket. In: IOP Conference Series: Materials Science and Engineering, vol. 671, No. 1. IOP Publishing, 012094.
15. Monteverde, C., De Sales, F., & Jones, C. (2022). Evaluation of the CMIP6 performance in simulating precipitation in the Amazon River basin. Climate, 10(8), 122. https://doi.org/10.3390/cli10080122
16. Muhaisen, N.K., Khayyun, T.S., Al Mukhtar, M., & Hassan, W.H. (2024). Forecasting changes in precipitation and temperatures of a regional watershed in Northern Iraq using LARS-WG model. Open Engineering, 14(1), 20220567.
17. Mukheef, R.A., Hassan, W.H., & Alquzweeni, S. (2024). Projections of temperature and precipitation trends using CMhyd under CMIP6 scenarios: A case study of Iraq's Middle and West. Atmospheric Research, 306, 107470. https://doi.org/10.1016/j.atmosres.2024.107470
18. Nash, J.E., & Sutcliffe, J.V. (1970). River flow forecasting through conceptual models part I—A discussion of principles. Journal of Hydrology, 10(3), 282-290. https://doi.org/10.1016/0022-1694(70)90255-6
19. Niazkar, M., Goodarzi, M.R., Fatehifar, A., & Abedi, M.J. (2023). Machine learning-based downscaling: application of multi-gene genetic programming for downscaling daily temperature at Dogonbadan, Iran, under CMIP6 scenarios. Theoretical and Applied Climatology, 151(1), 153-168.
20. Rashid, H., Yang, K., Zeng, A., Ju, S., Rashid, A., Guo, F., & Lan, S. (2021). Predicting the hydrological impacts of future climate change in a humid-subtropical watershed. Atmosphere, 13(1), 12. https://doi.org/10.3390/atmos 13010012
21. Rashidi Ghane, M., Motevalli, S., janbaz Ghobadi, G.R., & Kouhi, M. (2023). Evaluation of the ability of three statistical methods to downscale the output of temperature and precipitation of CMIP6 models in the Kashfrud basin. Journal of Climate Research, 1402(53), 117-132. (In Persian with English abstract)
22. Taylor, K.E. (2005). Summarizing multiple aspects of model performance in a single diagram. Journal Geophysics Research, 106, 7183-7192, http://wwwpcmdi.llnl.gov/publications/ab55.html
23. Teutschbein, C., & Seibert, J. (2012). Bias correction of regional climate model simulations for hydrological climate-change impact studies: Review and evaluation of different methods. Journal of Hydrology, 456, 12-29.
24. Van Wart, J., Grassini, P., Yang, H., Claessens, L., Jarvis, A., & Cassman, K.G. (2015). Creating long-term weather data from thin air for crop simulation modeling. Agricultural and Forest Meteorology, 209, 49-58. https://doi.org/ 10.1016/j.agrformet.2015.02.020
25. Willmott, C.J. (1981). On the validation of models. Physical Geography, 2(2), 184-194. https://doi.org/10.1080/ 02723646.1981.10642213
26. Yang, X., Zhou, B., Xu, Y., & Han, Z. (2021). CMIP6 evaluation and projection of temperature and precipitation over China. Advances in Atmospheric Sciences, 38, 817-830. https://doi.org/10.1007/s00376-021-0351-4
27. Yazdandoost, F., Moradian, S., Izadi, A., & Aghakouchak, A. (2021). Evaluation of CMIP6 precipitation simulations across different climatic zones: Uncertainty and model intercomparison. Atmospheric Research, 250, 105369. https://doi.org/10.1016/j.atmosres.2020.105369
28. Zareian, M. (2022). Effects of climate change on temperature and precipitation in Yazd province based on combined output of CMIP6 models. JWSS-Isfahan University of Technology, 26(2), 91-105. (In Persian with English abstract)
29. Zarrin, A., & Dadashi-Roudbari, A. (2023). Evaluation of CMIP6 models in estimating temperature in Iran with emphasis on equilibrium climate sensitivity (ECS) and transient climate response (TCR). Iranian Journal of Geophysics, 17(1), 39-56. (In Persian with English abstract)
30. Zarrin, A., Dadashi-Rodbari, A., & Salehabadi, N. (2021). Projected temperature anomalies and trends in different climate zones in Iran based on CMIP6. Iranian Journal of Geophysics, 15(1), 35-54. https://doi.org/ 10.30499/ijg.2020. 249997.1292