بررسی دامنه شبانه‌روزی دما در ایران با استفاده از مجموعه داده AgERA5

جغرافیا و مخاطرات محیطی

مقاله 11، دوره 12، شماره 1 - شماره پیاپی 45، اردیبهشت 1402، صفحه 189-208   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/geoeh.2021.72332.1104

نویسندگان

سیده فاطمه اخلاقی حسینی¹؛ آذر زرین^{* 2}؛ عباسعلی داداشی رودباری³

¹کارشناس ارشد اقلیم‌شناسی، گروه جغرافیا، دانشکده ادبیات و علوم انسانی، دانشگاه فردوسی مشهد، مشهد، ایران

²دانشیار اقلیم‌شناسی، گروه جغرافیا، دانشکده ادبیات و علوم انسانی، دانشگاه فردوسی مشهد، مشهد، ایران

³پژوهشگر پسادکتری اقلیم‌شناسی، گروه جغرافیا، دانشکده ادبیات و علوم انسانی، دانشگاه فردوسی مشهد، مشهد ایران

چکیده

این پژوهش با هدف بررسی دمای شبانه‌روزی در ایران انجام شده است. برای این منظور کمینه و بیشینه دما طی دوره آماری 40 ساله (2020-1981) با استفاده از برونداد مجموعه داده AgERA5 بررسی و سپس دامنه شبانه­روزی دما (DTR) محاسبه گردید. جهت درستی­سنجی مجموعه داده AgERA5 از داده­های 56 ایستگاه هواشناسی همدید و سنجه­های آماری RMSE و R² و برای بررسی متوسط روند از آزمون Theil-Sen استفاده گردید. نتایج درستی سنجی دمای کمینه و بیشینه نشان داد که مجموعه داده AgERA5 از دقت بالایی برای برآورد دما برخوردار است و روند ماهانه دمای کمینه و بیشینه در ایران افزایشی است. روند افزایش دما در طول زمان ثابت نبوده و در ماه­های مختلف متفاوت است. بااین‌حال روند افزایشی دما طی ماه­های مختلف سال برای دو متغیر دمای کمینه و دمای بیشینه هماهنگ است. در تمامی ماه­ها، بیشینه روند افزایشی دما در فصل زمستان و ماه مارس مشاهده می­شود. شاخص DTR در ایران حداقل 48/0 و حداکثر 6/16 درجه سلسیوس است که به ترتیب در ماه­های دسامبر و ژوئیه اتفاق می­افتد. بیشینه شاخص DTR در مناطق خشک داخلی و کمینه آن در مناطق شمالی و شمال­غربی کشور رخ می­دهد. بیشینه روند افزایشی دمای کمینه و بیشینه در ماه مارس است که به ترتیب 8/0 و 2/1 به ازای هر دهه افزایش می­یابد. در مقابل بیشینه روند کاهشی دمای کمینه و بیشینه در ماه نوامبر است که به ترتیب با 1/0- و 2/0- به ازای هر دهه کاهش می­یابد

کلیدواژه‌ها

روند دما؛ AgERA5؛ دامنه شبانه‌روزی دما (DTR)؛ ایران

مراجع

احمدی، محمود؛ داداشی رودباری، عباسعلی؛ 1398. پایش روند دمای ماهیانه ایران مبتنی بر برونداد پایگاه داده مرکز پیش‌بینی میان‌مدت هواسپهر اروپایی (ECMWF) نسخه ERA Interim. جغرافیا. دوره 17. شماره 60. صص 103-86. https://rimag.ricest.ac.ir/fa/Article/8873

احمدی، محمود؛ داداشی رودباری، عباسعلی؛ احمدی، حمزه؛ علی‌بخشی، زهرا؛ 1397. واکاوی ساختار دمای ایران مبتنی بر برون‌داد پایگاه دادۀ مرکز پیش‌بینی میان‌مدت هواسپهر اروپایی (ECMWF) نسخۀ ERA Interim. پژوهش‌های جغرافیای طبیعی. دوره 50، شماره 2. صص 353-372.

 https://doi.org/10.22059/jphgr.2018.238512.1007092.

زرین، آذر؛ داداشی رودباری، عباسعلی؛1400. پیش‌نگری دمای ایران در آینده نزدیک (2040-2021) بر اساس رویکرد همادی چند مدلی CMIP6. پژوهش‌های جغرافیای طبیعی. دوره 53. شماره 1. صص 75-90.

https://doi.org/10.22059/jphgr.2021.308361.1007551.

سبزی­پرور، علی­اکبر؛ سیف، زهرا؛ فرشته، قیامی؛ 1392. تحلیل روند دما در برخی از ایستگاه‌های مناطق خشک و نیمه‌خشک کشور. جغرافیا و توسعه. دوره 11. شماره 30. صص 117-137.

https://gdij.usb.ac.ir/article_247.html.

مسعودیان، سیدابوالفضل؛ 1383. بررسی روند دمای ایران در نیم سده گذشته. جغرافیا و توسعه. دوره 2، شماره 3. صص 106-89. https://doi.org/10.22111/gdij.2004.3831

مسعودیان، سیدابوالفضل؛ زینالی، حمید؛ حجتی­زاده، رحیم؛ 1387. نواحی دمایی ایران. تحقیقات جغرافیایی. دوره 23. شماره 2. صص 18-3. https://www.sid.ir/paper/30060/fa

منتظری، مجید؛ 1393. واکاوی زمانی مکانی دماهای سالانۀ ایران طیّ دورۀ 2008-1961. فصلنامه جغرافیا و توسعه. دوره 12. شماره 36. صص 209-228. https://doi.org/10.22111/gdij.2014.1719.

نظری‌‌پور، حمید؛ دوستکامیان، مهدی؛ علیزاده، سارا؛ 1394. بررسی الگوهای توزیع فضایی دما، بارش و رطوبت با استفاده از تحلیل اکتشافی زمین‌آمار (بررسی موردی: نواحی مرکزی ایران). فیزیک زمین و فضا. دوره 41. شماره 1. صص 99-117. https://doi.org/10.22059/jesphys.2015.53438.

 

Ahmadi, F., Nazeri Tahroudi, M., Mirabbasi, R., Khalili, K., & Jhajharia, D., 2018. Spatiotemporal trend and abrupt change analysis of temperature in Iran. Meteorological Applications, 25(2): 314-321.  https://doi.org/10.1002/met.1694.

Albergel, C., Dutra, E., Munier, S., Calvet, J. C., Munoz-Sabater, J., Rosnay, P. D., & Balsamo, G., 2018. ERA-5 and ERA-Interim driven ISBA land surface model simulations: which one performs better?. Hydrology and Earth System Sciences, 22(6): 3515-3532. https://doi.org/10.5194/hess-22-3515-2018.

Beranová, R., & Huth, R., 2008. Time variations of the effects of circulation variability modes on European temperature and precipitation in winter. International Journal of Climatology: A Journal of the Royal Meteorological Society, 28(2): 139-158.

 https://doi.org/10.1002/joc.1516.

Betts, A. K., & Beljaars, A. C., 2017. Analysis of near‐surface biases in ERA‐I nterim over the C anadian P rairies. Journal of Advances in Modeling Earth Systems, 9(5): 2158-2173. https://doi.org/10.1002/2017MS001025.

Bromwich, D. H., Nicolas, J. P., Hines, K. M., Kay, J. E., Key, E. L., Lazzara, M. A., ... & Van Lipzig, N. P., 2012. Tropospheric clouds in Antarctica. Reviews of Geophysics, 50(1). https://doi.org/10.1029/2011RG000363.

Byass, P., 2020. Eco-epidemiological assessment of the COVID-19 epidemic in China, January–February 2020. Global health action, 13(1): 1760490.

https://doi.org/10.1080%2F16549716.2020.1760490.

Correa, C. S., Guedes, R. L., Rocha, A. M. M. D., & Corrêa, K. A. B., 2020. Multidecadal Cycles of the Climatic Index Atlantic Meridional Mode: Sunspots that Affect North and Northeast of Brazil. Journal of Aerospace Technology and Management, 12. https://doi.org/10.5028/jatm.v12.1101.

Dutra, E., Johannsen, F., & Magnusson, L., 2021. Late Spring and Summer Subseasonal forecasts in the Northern Hemisphere midlatitudes: biases and skill in the ECMWF model. Monthly Weather Review. https://doi.org/10.1175/MWR-D-20-0342.1.

Ehard, B., Malardel, S., Dörnbrack, A., Kaifler, B., Kaifler, N., & Wedi, N., 2018. Comparing ECMWF high‐resolution analyses with lidar temperature measurements in the middle atmosphere. Quarterly Journal of the Royal Meteorological Society, 144(712): 633-640. https://doi.org/10.1002/qj.3206.

Gleixner, S., Demissie, T., & Diro, G. T., 2020. Did ERA5 improve temperature and precipitation reanalysis over East Africa?. Atmosphere, 11(9): 996.

https://doi.org/10.3390/atmos11090996.

González‐Hidalgo, J. C., Beguería, S., Peña‐Angulo, D., & Sandonis, L., 2022. Variability of maximum and minimum monthly mean air temperatures over mainland Spain and their relationship with low‐variability atmospheric patterns for period 1916–2015. International Journal of Climatology, 42(3): 1723-1741. https://doi.org/10.1002/joc.7331.

Hersbach, H., Bell, B., Berrisford, P., Hirahara, S., Horányi, A., Muñoz‐Sabater, J., ... & Thépaut, J. N., 2020. The ERA5 global reanalysis. Quarterly Journal of the Royal Meteorological Society, 146(730): 1999-2049. https://doi.org/10.1002/qj.3803.

Hoffmann, L., Günther, G., Li, D., Stein, O., Wu, X., Griessbach, S., ... & Wright, J. S., 2019. From ERA-Interim to ERA5: the considerable impact of ECMWF's next-generation reanalysis on Lagrangian transport simulations. Atmospheric Chemistry and Physics, 19(5): 3097-3124. https://doi.org/10.5194/acp-19-3097-2019.

Janis, M. J., Hubbard, K. G., & Redmond, K. T., 2004. Station density strategy for monitoring long-term climatic change in the contiguous United States. Journal of climate, 17(1): 151-162. https://doi.org/10.1175/1520-0442(2004)017%3C0151:SDSFML%3E2.0.CO;2.

Johannsen, F., Ermida, S., Martins, J., Trigo, I. F., Nogueira, M., & Dutra, E., 2019. Cold Bias of ERA5 summertime daily maximum land surface temperature over Iberian Peninsula. Remote Sensing, 11(21): 2570. https://doi.org/10.3390/rs11212570.

Kozubek, M., Krizan, P., & Lastovicka, J., 2020. Homogeneity of the Temperature Data Series from ERA5 and MERRA2 and Temperature Trends. Atmosphere, 11(3): 235.

 https://doi.org/10.3390/atmos11030235.

Noël, T., Loukos, H., Defrance, D., Vrac, M., & Levavasseur, G., 2021. A high-resolution downscaled CMIP5 projections dataset of essential surface climate variables over the globe coherent with the ERA5 reanalysis for climate change impact assessments. Data in Brief, 35, 106900. https://doi.org/10.1016/j.dib.2021.106900.

Rahmstorf, S., Foster, G., & Cahill, N., 2017. Global temperature evolution: recent trends and some pitfalls. Environmental Research Letters, 12(5): 054001.

https://iopscience.iop.org/article/10.1088/1748-9326/aa6825.

Rao, Y., Liang, S., & Yu, Y., 2018. Land Surface Air Temperature Data Are Considerably Different Among BEST‐LAND, CRU‐TEM4v, NASA‐GISS, and NOAA‐NCEI. Journal of Geophysical Research: Atmospheres, 123(11): 5881-5900.

https://doi.org/10.1029/2018JD028355.

Royé, D., Íñiguez, C., & Tobías, A., 2020. Comparison of temperature–mortality associations using observed weather station and reanalysis data in 52 Spanish cities. Environmental research, 183, 109237. https://doi.org/10.1016/j.envres.2020.109237.

Tang, G., Clark, M. P., Newman, A. J., Wood, A. W., Papalexiou, S. M., Vionnet, V., & Whitfield, P. H., 2020. SCDNA: a serially complete precipitation and temperature dataset for North America from 1979 to 2018. Earth System Science Data, 12(4): 2381-2409. https://doi.org/10.5194/essd-12-2381-2020.

Yu, C., Li, Z., & Blewitt, G., 2021. Global comparisons of ERA5 and the operational HRES tropospheric delay and water vapor products with GPS and MODIS. Earth and Space Science, 8(5): e2020EA001417. https://doi.org/10.1029/2020EA001417.

Zhu, J., Xie, A., Qin, X., Wang, Y., Xu, B., & Wang, Y., 2021. An Assessment of ERA5 Reanalysis for Antarctic Near-Surface Air Temperature. Atmosphere, 12(2): 217. https://doi.org/10.3390/atmos12020217.