ارزیابی مقایسه‌ای مدل‌های SDSM، IDW و LARS-WG برای شبیه‌سازی و ریز مقیاس کردن دما و بارش

آب و خاک

مقاله 14، دوره 29، شماره 5، آذر 1394، صفحه 1376-1390   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v29i5.32589

نویسندگان

زهره دهقان^{* 1}؛ فرشاد فتحیان²؛ سعید اسلامیان¹

¹دانشگاه صنعتی اصفهان

²دانشگاه تبریز

چکیده

یکی از مشکلات خروجی مدل‌های GCM بزرگ مقیاس بودن آنها است که استفاده از ابزارهای ریز مقیاس را برای تبدیل داده‌های بزرگ مقیاس جهانی به داده‌های اقلیمی برای منطقه‌ مورد، نظر ضروری کرده است. بدین منظور، مدل‌ها و روش‌های مختلفی توسعه یافته‌اند که قطعیت و صحت نتایج هر کدام از آنها در منطقه مورد نظر می‌بایست بررسی گردد تا بتوان به نتایج واقعی‌تری در آینده دست یافت. در مطالعه حاضر، عملکرد مدل‌های SDSM، IDW و LARS-WG برای ریزمقیاس کردن داده‌های دما و بارش ایستگاه سینوپتیک پارس آباد، مقایسه و ارزیابی شدند. کالیبراسیون و صحت‌سنجی دو مدل SDSM و LARS-WG در مورد دما نشان داد که دو مدل دارای توانایی بیشتری در شبیه سازی دما نسبت به بارش می‌باشند و در تمام مدل‌ها، برای بیشتر ماه‌های گرم، افزایش دما مشاهده گردید. بطورکلی، نتایج نشان دادند که هر سه مدل عملکرد مشابه و خوبی برای شبیه‌سازی و ریز مقیاس کردن داده‌های دما دارند. در مورد بارش نتایج سه مدل تفاوت قابل توجه‌ای نسبت به یکدیگر نشان دادند و شدت کاهش و افزایش بارش نسبت به دوره پایه در مدل IDW نسبت به دو مدل دیگر بیشتر و در مدل LARS-WG نسبت به دو مدل دیگر کمتر است. اما در مورد تبخیر و تعرق محاسبه شده، نتایج دو مدل SDSM و IDW حاکی از افزایش تبخیر و تعرق در تمامی ماه‌ها حتی به میزان ناچیز و حداکثر در اوخر بهار و تابستان می‌باشد. درحالی‌که، تبخیر و تعرق محاسبه شده در مدل LARS-WG برآورد بسیار پایین‌تری را نسبت به دوره پایه نشان داده است که حاکی از توانایی پایین مدل در محاسبه این متغیر می‌باشد.

کلیدواژه‌ها

پارس آباد؛ تغییر اقلیم؛ داده‌های اقلیمی؛ مدل‌های GCM

مراجع

1- Abbasi, F., Babaeian, A., Habibi Now Khandan, M., Mokhtari., L. G., Malboso, Sh. and Askari, Sh. A. 2010. Evaluation the impact of climate change on precipitation and temperature in the next decade with the MAGICC-SCENGEN. Model, Journal of Physical Geography, 72: 91-109.

2- Ashofteh, P.S. and Massah Bavani, A.R. 2010. Effects uncertainties of climate change on precipitation and temperature basin Aydoghmosh in periods 2040-2069, Journal of Soil and Water Science, 9: 2.

3- Hadinia, H., Pirmoradian, N., and Ashrafzadeh, A. 2013. Evaluation of GCM models for predictions reference evapotranspiration under different scenarios of climate change (Case Study Rasht). The First National Conferenceo on Climate.

4- Huang, J., Zhang, J., Zhang, Z., Yu Xu, C., Wang, B. and Yao, J. 2011. Estimation of future precipitation change in the Yangtze River basin by using statistical downscaling method, Stoch Environ Res Risk Assess, 25: 781–792.

5- Irwin, S. E., Rubaiya, S., Leanna M., King and Simonovic, S. P. 2012. Assessment of climatic vulnerability in the Upper Thames River basin: Downscaling with LARS-WG. Department of Civil and Environmental Engineering The University of Western Ontario London, Ontario, Canada.

6- Jalali, H., and KHanjar, S. 2007 Study fluctuations of temperature using time series and probability distribution models (Case study: Kermanshah), Journal of Geographic Space, 27: 115-132.

7- Jones, R. N. 2000. Managing uncertainty in climate change projections-issues for impact assessment, Journal of Climatic Change, 45: 403–419.

8- Kohi, M. A. and Sanaei Nejad, H. 2013. Study of climate change scenarios on the variable reference evapotranspiration based on the results of the two downscaling methods in Urmia region, Journal of Irrigation and Drainage, 4(7): 574-559.

9- Ehteramian, K., Ohamadi, G. N., Bannyan, M. and Ali Zadeh, A. 2012. Impacts of climate change scenarios on wheat yield determined by evapotranspiration calculation agriculture, 99(3): 279–286.

10- Lotze-Campen, H. and Schellnhuber H. J. 2009. Climate impacts and adaptation options in agriculture: what we know and what we don't know. Potsdam Institute for Climate Impact Research (PIK).

11- Massah Bavani, A. R, and Morid, S. and Mohammadzadeh, M. 2011 Comparison of downscaling and AOGCM models in the study of the effect of climate change on regional scale. Journal of Earth and Space Physics, 36(4): 99-110.

12- Massah Bavani, A. R, and Morid, S. 2005. Effects of climate change on water resources and agricultural production of the zayandeh rood Isfahan basin. Journal of Water Resources Research, 1(1).

13- Meteorology site. www.irimo.ir

14- Nakicenovic, N., Alcamo, J., Davis, G., De Vries, B., Fenhann, J., Gaffin, S., Gregory, K., Grubler, A., Jung, T.Y. and Kram, T. 2000. Special report on emissions scenarios: a special report of Working Group III of the Intergovernmental Panel on Climate Change. Pacific Northwest National Laboratory, Richland, WA(US), Environmental Molecular Sciences Laboratory(US).

15- Nguyen. 2007. Dynamical downscaling of GCM outputs Statiscal downscaling of community of climate system model monthly tempreture and precipitation project.

16- Rajabi, A., Sedghi, H., Eslamian, S. and Musavi, H. 2010. Comparison of LARS-WG and SDSM downscaling models in Kermanshah (Iran), Journal of Ecology, Environment and Conservation, 16(4): 465-474.

17- Rajabi, A. and Shabanlou, S. 2013 The analysis of uncertainty of climate change by means of SDSM model (Case Study: Kermanshah), Sciences Journal, 23(10): 1392-1398,

18- Sailor, D., Hu, T., Li, X. and Rosen, J. 2000. A neural network approach to local downscaling of GCM output for assessing wind power implications of climate change. Renewable energy Journal, 19: 359-378.

19- Salehnia, N. Alizadeh, S. and Sayari, N. 2015, compared two downscaling models LARS-WG and ASD in prediction of temperature and precipitation under climate change and in different climate conditions. Journal of Irrigation and Drainage, 8(2): 233-242.

20- Samadi, S., Ehteramian, K. and Sarraf, B. S. 2011. SDSM ability in simulate predictors for climate detecting over Khorasan province, Social and Behavioral Sciences journal, 19.

21- Semenov, M. A. and Barrow, E. M. 2002. A Stochastic Weather Generator for Use in Climate Impact Studies. User Manual.

22- Sydkably, H., Akhundali, A.M., Massah Bavani, A.R. and Radmanesh, F. 2012. Presentation downscaling model of climate data based on non-parametric nearest neighbor (K-NN), Journal of Soil and Water (Agricultural Science and Technology), 26(4): 779-808.

23- Wilby, R. L. and Harris, I. 2006, A framework for assessing uncertainties in climate change impacts: low flow scenarios for the River Thames, UK. Water Resources Research.

24- Wilby, R.L. and C.W. Dawson. 2007. SDSM-A Decision SuportTool for the Assessment of Regional Climate Change Impacts. User Manual.

25- Wilby, R.L., Dawson, C.W. and Barrow, E.M. 2002. SDSM- A Decision SuportTool for the Assessment of Regional Climate Change Impacts, Journal of Environmental Modeling and Software, 17: 147-159.

26- Wilby, R.L., Charles, S.P., Zorita, E., Timbal, B., Whetton, P. and Mearns, L.O. 2004. Guidelines for use of climate scenarios developed from statistical downscaling methods. Supporting material of the Intergovernmental Panel on Climate Change, available from the DDC of IPCC TGCIA 27.

27- Zia Hashmi, M., Shamseldin, A.Y. and Melville, B.W. 2011. Comparison of SDSM and LARS-WG for simulation and downscaling of extreme precipitation events in a watershed, Stoch. Environ. Res. Risk Assess, 25: 475–484.