پیش‌نگری بارش با استفاده از مدل‌های CMIP6 تا پایان قرن 21 در شمال غرب ایران

جغرافیا و مخاطرات محیطی

مقاله 9، دوره 13، شماره 1 - شماره پیاپی 49، فروردین 1403، صفحه 173-194   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/geoeh.2022.76646.1223

نویسندگان

بهروز ساری صراف¹؛ هاشم رستم زاده²؛ نبی محمدی^{* 3}

¹استاد آب‌وهواشناسی، دانشکده برنامه‌ریزی و علوم محیطی، دانشگاه تبریز، تبریز، ایران

²استادیار آب‌وهواشناسی، دانشکده برنامه‌ریزی و علوم محیطی، دانشگاه تبریز، تبریز، ایران

³دکتری آب‌وهواشناسی، دانشکده برنامه‌ریزی و علوم محیطی، دانشگاه تبریز، تبریز، ایران

چکیده

بارش اصلی­ترین جزء چرخه هیدرولوژی است که در بسیاری از مطالعات ازجمله مدیریت سیستم‌های آبیاری و زهکشی، عملکرد محصولات کشاورزی، مطالعات زیست‌محیطی، سیلاب، خشکسالی و غیره از اهمیت زیادی برخوردار است. لذا در این پژوهش به ارزیابی 7 مدل GCMs از CMIP6 در شبیه‌سازی بارش و پیش­نگری تغییرات بارش در شمال غرب ایران تحت سه سناریوی واداشت اجتماعی-اقتصادی (SSP) در سه دوره (2050-2021، 2080-2051، 2100-2081) نسبت به دوره پایه (2014-1985) پرداخته شد. روند تغییرات بارش با استفاده از آزمون من کندال و تخمینگر شیب سن محاسبه گردید. جهت مقیاس کاهی داده­های GCMs نیز از رویکرد مقیاس بندی خطی (LSBC) استفاده شد و صحت سنجی مدل­های مختلف با استفاده از سنجه­های متداول آماری، RMSE، MAE و R2 ارزیابی گردید. نتایج حاصل از ارزیابی عملکرد مدل‌های CMIP6 نشان داد که از میان مدل­های موردبررسی، مدل MPI-ESM1-2-LR با متوسط R2 برابر با 86/0 و RMSE برابر با 7/19 در سطح منطقه از دقت بیشتری نسبت به سایر مدل­ها در شبیه­سازی بارش برخوردار است. نتایج حاصل از پیش­نگری تغییرات بارش نیز نشان داد بارش بر اساس سناریوی SSP1-2.6 در هر سه دوره آینده و به‌طور متوسط تا پایان قرن 21 به میزان 6/2 درصد افزایش پیدا خواهد کرد و در بیشتر ایستگاه­ها در سطح 01/0 درصد معنی‌دار شده است؛ اما بر اساس سناریوهای SSP3-7.0 و SSP5-8.5 میزان بارش تا پایان قرن 21 به ترتیب 5/14 و 6/3 درصد کاهش پیدا خواهد کرد که بیشترین میزان کاهش آن نیز مربوط به مناطق پر بارش در جنوب غرب منطقه است. میزان کاهش در مناطق غربی و جنوب غربی در سطح 01/0 درصد معنی‌دار شده است. درمجموع با توجه به سناریوهای مختلف، در بیشتر پهنه موردمطالعه روند بارش تا پایان قرن 21 کاهشی است و لازم است مسئولان و برنامه ریزان راهکارهای لازم جهت سازگاری با تغییرات اقلیمی حاصل را اتخاذ نمایند.

کلیدواژه‌ها

بارش؛ تغییر اقلیم؛ شمال غرب؛ مقیاس بندی خطی؛ SSPs؛ CMIP6

مراجع

- حیدری تاشه کبود، شادیه؛ مفیدی، عباس؛ حیدری تاشه کبود، اکبر؛ 1398. چشم‌انداز تغییرات بارش در شمال غرب ایران با استفاده از مدل­های گردش عمومی جو تحت سناریوهای اقلیمی، جغرافیا و مخاطرات محیطی، 29، 151-133.

https://geoeh.um.ac.ir/article_33146.html

- خزائی، محمدرضا؛ تحسین­زاده، نازیلا؛ شرافتی، احمد؛ 1398. تحلیل عدم قطعیت سناریوهای بارش و دمای حوضه سیرا تحت اثر تغییر اقلیم، علوم و مهندسی آبخیزداری ایران، 45، 51-45.

https://jwmsei.ir/article-1-815-fa.html

- محمد خورشید دوست، علی؛ ساری صراف، بهروز؛ قرمز چشمه، باقر؛ جعفرزاده، فاطمه؛ 1397. پیش­بینی بارش­های سنگین سواحل جنوبی دریای خزر تحت شرایط تغییر اقلیم در دوره­ ۱۴۰۸ - 1389. مجله علوم و مهندسی آبخیزداری ایران، 42، 129-121.

 https://www.sid.ir/paper/134751/fa

- زهرائی، اکبر؛ حسینی، سید اسعد؛ 1399. تغییر اقلیم و اثرات آن بر منابع آب، چاپ اول، انتشارات هاوار، ایلام.

https://www.gisoom.com/book/

- ذهبیون، باقر؛ گودرزی، محمدرضا؛ مساح بوانی، علیرضا؛ 1389. کاربرد مدل SWAT در تخمین رواناب حوضه در دوره‌های آتی تحت تأثیر تغییر اقلیم، نشریه پژوهش‌های اقلیم شناسی، 1و 2، 58-43.

https://www.sid.ir/paper/213097/fa

- شائمی، اکبر؛ حبیبی­نوخندان، مجید؛ 1388. گرمایش جهانی و پیامدهای زیستی اکولوژیکی، انتشارات دانشگاه فردوسی مشهد.                                                                           https://www.gisoom.com/book/

- صداقت­کردار، علی؛ فتاحی، ابراهیم؛ 1387. شاخص­های پیش­آگاهی خشک‌سالی در ایران، فصلنامه جغرافیا و توسعه، دانشگاه سیستان و بلوچستان، 11، 76-59.                                         https://ensani.ir/fa/article/

- صلاحی، برومند؛ گودرزی، مسعود؛ حسینی، سید اسعد؛ 1395. پیش­بینی تغییرات دما و بارش در دهه  2050 در حوزه آبخیز دریاچه ارومیه، نشریه مهندسی و مدیریت آبخیز، 4، 438-425.

https://doi.org/10.22092/ijwmse.2016.107179

- عزیزی، قاسم؛ 1383. تغییر اقلیم. تهران، نشر قومس.                                 https://www.gisoom.com/book/

- عزیزی، قاسم؛ صفرزاد، طاهر؛ محمدی، حسین؛ حسنعلی، فرجی سبکبار؛ 1395. ارزیابی و مقایسه داده‌های بازکاوی شده بارش جهت استفاده در ایران. پژوهش‌های جغرافیای طبیعی، 48 (1)، 49-33.

https://ensani.ir/fa/article/352223

- کثیری، مریم؛ گودرزی، مسعود؛ جانبازقبادی، غلامرضا؛ متولی، صدرالدین؛ 1400. پیش‌نگری تغییرات بارش در سواحل جنوبی دریای خزر تا پایان قرن 21 با استفاده از سناریوهای مختلف واداشت تابشی. مجله آمایش جغرافیایی فضا، 11 (40)، 118-103.                           https://doi.org/10.30488/gps.2020.226852.3226

- مسعودیان، ابوالفضل؛ کیخسروی، محمدصادق؛ رعیت پیشه، فاطمه؛ 1393. معرفی و مقایسه پایگاه داده اسفزاری با پایگاه داده gpcc، gpcp، cmap، فصلنامه تحقیقات جغرافیایی، 12، 88-73. https://www.sid.ir/paper/29987/fa

 

- Cheng, Q., Zhong, F., Wang, P., 2021. Potential linkages of extreme climate events with vegetation and large-scale circulation indices in an endorheic river basin in northwest China. Atmospheric Research, 247, 105256. https://doi.org/10.1016/j.atmosres.2020.105256.

- Ferreira, R N., Nissenbaum, M R., Rickenbach, TH M., 2018. Climate change effects on summertime precipitation organization in the Southeast United States. Atmospheric Research, 214,348- 363. https://doi.org/10.1016/j.atmosres.2018.08.012.

- Horton, D.E., Johnson, N.C., Singh, D., Swain, D.L., Rajaratnam, B., Diffenbaugh, N.S., 2015. Contribution of changes in atmospheric circulation patterns to extreme temperature trends. Nature. 522 (7557), 465–469. https://www.nature.com/articles/nature14550,

- Hu, T.S., Lam, K.C., Ng, S.T., 2001. River flow time series prediction with a range dependent neural network. Hydrological Science Journal, 46, 729-745. http://dx.doi.org/10.1080/02626660109492867.

- Jiang, J., Zhou, T., Chen, X., Zhang, L., 2020.  Future changes in precipitation over Central Asia based on CMIP6 projections, Environ. Res. Lett, 15, 1-4. http://dx.doi.org/10.1088/1748-9326/ab7d03.

- Kendall, M.G. 1975. Rank Correlation Measures, Charles Griffin, London. https://www.scirp.org/reference/ReferencesPapers?ReferenceID=2099295.

- Kay, A. L.; Davies, H. N.; Bell, V. A.; Jones, R. G. 2009 Comparison of uncertainty sources for climate change impacts: flood frequency in England. Climatic Change, 92 (1-2). 41-63. http://dx.doi.org/10.1007/s10584-008-9471-4.

- Lin, J.Y., Cheng,C.T., Chau, K.W., 2006. Using support vector machines for long-term discharge prediction. Hydrological Science Journal, 51, 599-612. https://doi.org/10.1623/hysj.51.4.599.

- Majdi, F., Hosseini, S.A., Karbalaee, A., Kaseri, M., Marjanian, S. 2022. Future projection of precipitation and temperature changes in the Middle East and North Africa (MENA) region based on CMIP6. Theoretical and Applied Climatology, https://doi.org/10.1007/s00704-021-03916-2

- Mendez, M; Maathuis, B; Griggs, D.H; Gamboa, L. F.A., 2020. Performance Evaluation of  Bias Correction Methods for Climate Change Monthly Precipitation Projections over Costa Rica.  Water, 12, 482. http://dx.doi.org/10.3390/w12020482.

- Nilawar, A P., Waikar, M L., 2019. Impacts of climate change on streamflow and sediment concentration under RCP 4.5 and 8.5: A case study in Purna river basin, India. Science of The Total Environment, 2. 2685-2696. http://dx.doi.org/10.1016/j.scitotenv.2018.09.334.

- Sen, P.K., 1968. Estimates of the regression coefficients based on Kendall’s tau. Journal of the American Statistical Association, 63,1379–1389. https://www.tandfonline.com/doi/abs/10.1080/01621459.1968.10480934.

- Shrestha, S., Shrestha, M., Babel, M.S., 2015. Modelling the potential impacts of climate change on hydrology of Indrawati River Basin in Nepal. Environmental Earth Science simulating climate extremes over China? Adv. Atmos. Sci., https://doi.org/10.1007/s00376-020-9289-1.

- Taylor, K.E., 2001. Summarizing multiple aspects of model performance in a single diagram. J. Geophys. Res., 106, 7183-7192. http://dx.doi.org/10.1029/2000JD900719.

- Teutschbein, C., Seibert, J., 2012. Bias correcion of regional climate model simulation for hydrological climate-change impact studies: Review and evalutaion of different methods. J. Hydrology, 456-457. http://dx.doi.org/10.1016/j.jhydrol.2012.05.052.

- Yang, X; Wood, E. F; Shefield, J; Ren, L; Zhang, M. and Wang, Y., 2018. Bias Correction of Historical and Future Simulations of Precipitation and Temperature for China from CMIP5 Models. Journal of Hydrometeorology. http://dx.doi.org/10.1175/JHM-D-17-0180.1.

- You, Q; Cai,Z; Wu, F; Jiang. Z; Repin,N; Shem, S,S.P., 2021. Temperature dataset of CMIP6 models over China: evaluation, trend and uncertainty. Climate Dynamics. http://dx.doi.org/10.1007/s00382-021-05691-2.

- Zhang, L. Hua and D. Jiang., 2020. Assessment of CMIP6 model performance for temperature and precipitation in Xinjiang , China, Atmospheric and Oceanic Science Letters, https://doi.org/10.1016/j.aosl.2021.100128.

- Zhang, X., Vincent, L.A., Hogg, W.D., Niitsoo, A., 2000. Temperature and rainfall trends in Canada during the 20th century. Atmospheric Ocean, 38, 395-429. http://dx.doi.org/10.1080/07055900.2000.9649654.

- Zheng, Y.T., Han, J.C., Huang, Y.F., Fassnacht, S.R., Xie, S., Lv, E., Chen, M., 2017. Vegetation response to climate conditions based on NDVI simulations using stepwise cluster analysis for the Three-River Headwaters region of China. Ecol. Indic. 92, 18-29. https://doi.org/10.1016/j.ecolind.2017.06.040.