ارزیابی شبیه‌سازی دما و بارشِ مدل‌های اقلیمی CMIP5 در مطالعات منطقه‌ای تغییر اقلیم (مطالعه موردی: مناطق عمده تولید گندم دیم در ایران)

آب و خاک

مقاله 13، دوره 32، شماره 5 - شماره پیاپی 61، آذر 1397، صفحه 1013-1014   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v32i5.69064

نویسندگان

مجتبی شکوهی؛ سید حسین ثنایی نژاد^* ؛ محمد بنایان اول

دانشگاه فردوسی مشهد

چکیده

ارائه راهکارهای مناسب سازگاری و کاهش اثرات تغییر اقلیم در هر منطقه ملزم به پیش‌بینی‌های صحیح تغییرات اقلیمی در آن منطقه است. که خود این پیش‌بینی‌ها به شدت متکی به خروجی مدل‌های GCM است. اما وجود تعداد زیادی از این مدل‌ها و خروجی‌های متفاوت آنها در هر منطقه، باعث سردرگمی محققان در انتخاب آنها می‌شود. در این راستا عملکرد 21 مدل به‌روز GCM از CMIP5 بر اساس نمره مهارت ارزیابی شد و در ادامه پیش‌نگری از تغییرات دما و بارش طی سال‌های 2045-2065 و 2080-2100 تحت سناریوهای انتشار جدید RCP2.6 و RCP8.5 ارائه شد. از روش نگاشت هم‌فاصله‌ی تابع توزیع تجمعی، برای تصحیح خطای شبیه‌سازی مدل‌ها استفاده شد. ارزیابی منطقه‌ای شبیه‌سازی دما و بارشِ مدل‌های اقلیمی CMIP5 نشان داد، شبیه سازی‌ها با خطا همراه است و می‌بایستی قبل از استفاده تصحیح شوند. اگرچه تصحیح خطای سبب کاهش خطای غیرسیستماتیک شد اما خطای سیستماتیک در شبیه سازی مدل‌ها همچنان قابل توجه است. به دو طریق می‌توان نتایج شبیه‌سازی مدل‌ها را بهبود بخشید، اولاً، لحاظ کردن تمام گروه‌های یک مدل در تحلیل‌ها و دوماً یافتن ترکیبی بهینه از مدل‌ها متناسب با منطقه. از این‌رو ترکیبی بهینه از مدل‌ها متناسب با منطقه انتخاب شد (مدل‌های انتخابی). بالاترین متوسط مقدار نمره مهارت برای شبیه‌سازی متوسط سالانه بارش و دما به ترتیب 04/0 و 38/. مربوط به مدل‌های انتخابی، در بین ایستگاه‌ها بود. عدم قطعیت در پیش‌نگری‌های تغییرات دما و بارش در قرن حاضر، تحت تأثیر انتخاب سناریوی انتشار، دوره زمانی و مدل‌ها است.

کلیدواژه‌ها

تصحیح خطا؛ خطای سیستماتیک؛ سناریوی انتشار RCP؛ نمره مهارت

مراجع

1- Aghakhani Afshar A., Hassanzadeh Y., Besalatpour A.A., and Pourreza Bilondi M. 2016. Seasonal Changes in Precipitation and Temperature of Mountainous Watersheds in Future Periods with Approach of Fifth Report of Intergovernmental Panel on Climate Change (Case study: Kashafrood Watershed Basin). Journal of Water and Soil, 30(5),1718-1732. (In Persian with English abstract)

2- Agricultural Statistics First Volume of Crop Production 2015-16 .2016. Center for Information Technology and Communications Jihad Agriculture. Available at http://amar.maj.ir/Portal/Home.

3- Aloysius N. R., Sheffield J., Saiers J. E., Li H., and Wood E. F. 2016. Evaluation of historical and future simulations of precipitation and temperature in central Africa from CMIP5 climate models. Journal of Geophysical Research: Atmospheres, 121(1), 130–152.

4- Barnett T. P., Pierce D. W., Hidalgo H. G., Bonfils C., Santer B. D., Das T., and Mirin A. A. 2008. Human-induced changes in the hydrology of the western United States. Science, 319(5866), 1080–1083.

5- Brekke L. D., Dettinger M. D., Maurer E. P., and Anderson M. 2008. Significance of model credibility in estimating climate projection distributions for regional hydroclimatological risk assessments. Climatic Change, 89(3-4), 371–394.

6- Ehret U., Zehe E., Wulfmeyer V., Warrach-Sagi K., and Liebert J. 2012. HESS Opinions“ Should we apply bias correction to global and regional climate model data?” Hydrology and Earth System Sciences, 16(9), 3391–3404.

7- Frame D. J., and Stone D. A. 2013. Assessment of the first consensus prediction on climate change. Nature Clim. Change, 3(4), 357–359.

8- Fuhrer J. 2003. Agroecosystem responses to combinations of elevated CO2, ozone, and global climate change. Agriculture, Ecosystems & Environment, 97(1–3), 1–20.

9- Koocheki A., Nasiri M., Kamali G. A., and Shahandeh H. 2006. Potential Impacts of Climate Change on Agroclimatic Indicators in Iran. Arid Land Research and Management, 20(3), 245–259.

10- Kotir J. 2011. Climate change and variability in Sub-Saharan Africa: a review of current and future trends and impacts on agriculture and food security. Environment, Development and Sustainability, 13(3), 587–605.

11- Lambert S. J., and Boer G. J. 2001. CMIP1 evaluation and intercomparison of coupled climate models. Climate Dynamics, 17(2-3), 83–106.

12- Li H., Sheffield J., and Wood E. F. 2010. Bias correction of monthly precipitation and temperature fields from Intergovernmental Panel on Climate Change AR4 models using equidistant quantile matching. Journal of Geophysical Research: Atmospheres, 115(D10).

13- Moss R. H., Edmonds J. A., Hibbard K. A., Manning M. R., Rose S. K., Van Vuuren D. P., and Wilbanks T. J. 2010. The next generation of scenarios for climate change research and assessment. Nature, 463(7282), 747–756.

14- Murphy A. H. 1988. Skill scores based on the mean square error and their relationships to the correlation coefficient. Monthly Weather Review, 116(12), 2417–2424.

15- Pierce D. W., Barnett T. P., Santer B. D., and Gleckler P. J. 2009. Selecting global climate models for regional climate change studies. Proceedings of the National Academy of Sciences, 106(21), 8441–8446.

16- Ramirez-Villegas J., and Challinor A. 2012. Assessing relevant climate data for agricultural applications. Agricultural and Forest Meteorology, 161(0), 26–45.

17- Rangzan K., Shahbazi A., Jaride Z., and Kabolizadeh M. 2016. Evaluation CMIP5 Models In Order to Simulate Rainfall by using a Combination of Precipitation data Network Aphrodite and Satellite Precipitation Persian-cdr In Khuzestan Province. Journal of Water Science & Engineering, 6(14), 7–19. (In Persian with English abstract)

18- Seager R., Ting M., Held I., Kushnir Y., Lu J., Vecchi G., and Lau N.C. 2007. Model projections of an imminent transition to a more arid climate in southwestern North America. Science, 316(5828), 1181–1184.

19- Taylor K. E. 2001. Summarizing multiple aspects of model performance in a single diagram. Journal of Geophysical Research: Atmospheres, 106(D7), 7183–7192.

20- Taylor K. E., Stouffer R. J., and Meehl G. A. 2009. A summary of the CMIP5 experiment design. PCDMI Rep, 33.

21- Taylor K. E., Stouffer R. J., and Meehl G. A. 2012. An Overview of CMIP5 and the Experiment Design. Bulletin of the American Meteorological Society, 93(4), 485–498.

22- Terando A., Keller K., and Easterling W. E. 2012. Probabilistic projections of agro-climate indices in North America. Journal of Geophysical Research: Atmospheres, 117(D8), D08115.

23- Teutschbein C., and 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- Watanabe S., Kanae S., Seto S., Yeh P. J., Hirabayashi Y., and Oki T. 2012. Intercomparison of bias correction methods for monthly temperature and precipitation simulated by multiple climate models. Journal of Geophysical Research: Atmospheres, 117(D23).

25- Wilks D. S. 2011. Statistical methods in the atmospheric sciences (Vol. 100). Academic Press.

26- Yoo C., Jung K., and Kim T. 2005. Rainfall frequency analysis using a mixed Gamma distribution: evaluation of the global warming effect on daily rainfall. Hydrological Processes, 19(19), 3851–3861.