پیش‌بینی بارندگی ماهانه ایستگاه سینوپتیک کرمانشاه تحت سناریوهای اجتماعی- اقتصادی گزارش ششم تغییر اقلیم

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد مهندسی عمران، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه رازی، کرمانشاه، ایران.

2 دانشیار گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه رازی، کرمانشاه، ایران.

3 دانشیار گروه مهندسی عمران، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه رازی، کرمانشاه، ایران.

چکیده

تغییرات اقلیم در ایران اهمیت بسیار بالایی برخوردار بوده چراکه کاهش میزان بارندگی تأثیرات منفی زیادی بر مسائل زیستی و اجتماعی دارد. در این مطالعه پیش‌بینی بلندمدت بارندگی تحت سناریوهای مبتنی بر مسیرهای اجتماعی و اقتصادی گزارش ششم تغییر اقلیم در ایستگاه سینوپتیک کرمانشاه انجام شد. برای این منظور از داده‌های مدل‌های جهانی به‌ویژه Canesm5 MRI-ESM2-0, MIROC6, استفاده‌شد. ریزمقیاس‌نمایی مدل‌ها با روش تغییر عامل دلتا انجام شد. دقت مدل‌های تصحیح شده نسبت به داده‌های مشاهداتی برای دوره ۱۹۹۰-۲۰۱۴ با استفاده از شاخص‌های میانگین مربعات خطا و ضریب نش مورد ارزیابی قرار گرفته‌اند.

نتایج نشان داد که کمینه میانگین بارندگی ماهانه در بازه (۲۰۲۶-۲۱۰۰) به ترتیب مربوط به ماه‌هایJUNE, JULY, AUGUST, SEPTEMBER است و بیشینه بارش به ترتیب در ماه‌های APRIL-MARCH-NOVEMBER در هر سه آینده نزدیک، میانه، دور است. برای هر سه سناریو روند تغییرات بارندگی ماهانه در دوره آتی دوم (2051-2075) شباهت بیشتری به هم دارند ولی در سناریو SSP126 مدل‌های MIROC6, CanESM5 نسبت به سناریوهای SSP245, SSP585 مدل MRI-ESM2-0 افزایش‌ بیشتری در این دوره تاریخی برای بارندگی را پیش‌بینی کرده‌اند. با توجه‌ به سنجه‌های صحت‌سنجی بعد از تصحیح اریبی، بهترین و بدترین مدل برای پیش‌بینی بارندگی ماهانه به ترتیب مدل MIROC6 و MRI-ESM2-0 می‌باشد. ضریب نش برای مدل‌های MRI-ESM2- MIROC6, CanESM5 به ترتیب 91/0، 93/0، 95/0محاسبه شد و حاکی از کارایی این روش در ریزمقیاس کردن بارندگی دارد. در مقایسه، مدل MRI-ESM2-0 برای پیش‌بینی بارندگی ماهانه دقت کمتری دارد اما دقت این مدل برای سایر پارامترهای اقلیمی و مناطق دیگر مطالعاتی ممکن است نتایج دیگری را نشان دهد.

کلیدواژه‌ها

موضوعات


اسکندری دامنه، حامد.، زهتابیان، غلامرضا.، خسروی، حسن.، آذرنیوند، حسین.، و براتی، علی اکبر. (1399). شبیه سازی و پیش‌بینی مولفه های اقلیمی دما و بارش در مناطق خشک (مطالعه موردی: دشت میناب). فصلنامه جغرافیا، 18(66)، 127-110.                                   https://dorl.net/dor/20.1001.1.27172996.1399.18.3.7.6
اعتدالی، هادی.، خدابخشی، فریبا.، و کنعانی، الهه. (1401). چشم‌انداز اثرات تغییر اقلیم بر خشک‌سالی بر اساس گزارش پنجم IPCC) مطالعه موردی شهر ایلام). نشریه حفاظت منابع آب‌وخاک، (4 )12، 107-87. https://sanad.iau.ir/Journal/wsrcj/Article/829301
جهانگیر، محمد‌حسین.، و روزبهانی، فاطمه. (1401). تخمین بلندمدت تغییرات عوامل اقلیمی ایستگاهی تحت مدل CanESM2 (مطالعۀ موردی: ایستگاه سینوپتیک بروجرد). مجله مدل‌سازی و مدیریت آب و خاک، 2(4)، 37-52.                         https://doi.org/10.22098/mmws.2022.10479.1085
ذرین، آذر.، و داداشی رودباری.، عباسعلی. (1400). تأثیر تغییر اقلیم بر بارش‌های سنگین ایران با به‌کارگیری مدل همادیCMIP6. نشریه آب و توسعه پایدار، (4 )8، 124-119.  https://dorl.net/dor/20.1001.1.24235474.1400.8.4.14.9
روان، وحیده.، و ناظم السادات، سیدمحمدجعفر. (1390). پیش‌بینی نوسان های دما و بارش در پهنه مرکزی استان فارس برای دوره زمانی 2040-2011 با کاربرد شبیه ECHAM5. مهندسی منابع آب، 4(10)، 62-51.                                https://dorl.net/dor/20.1001.1.20086377.1390.4.10.5.5
روشنی، ادیب.، و حمیدی، مهدی. (1400).   پیش‌بینی اثرات سناریوهای تغییر اقلیم بر دما و بارش بر اساس مدل‌های CMIP6 (مطالعه موردی: ایستگاه ساری). مدیریت آب و آبیاری، 11(4)، 795-781. https://doi.org/10.22059/jwim.2022.330603.920
زارعیان، محمدجواد.، دهبان، حسین.، و گوهری، سید علیرضا. (1401). ارزیابی دقت مدل‌های CMIP6 در برآورد دما و بارش ایران بر اساس تحلیل شبکه‌ای. مدیریت آب و آبیاری، 12(4)، 798-783. https://doi.org/10.22059/jwim.2022.345975.1006
سالاری، صدیقه.، مقدسی، مه‌نوش.، و محمدی، قلعه نی مهدی. (1399). پیش‌بینی نوسانات تراز سطح آب زیرزمینی در اثر تغییر اقلیم با استفاده از مدل‌های رگرسیون بردار پشتیبان و درخت تصمیم (مطالعه موردی: دشت گلپایگان ). پایان نامه کارشناسی ارشد، دانشگاه اراک، ایران.
عبدالعلی زاده،  فیروز.،  محمد خورشیددوست، علی.، و جهانبخش اصل، سعید. (1401). ارزیابی دقت مدل‌های CMIP6 برای شبیه‌سازی دما و بارش حوضه آبریز دریاچه ارومیه.  پژوهش‌های تغییرات آب و هوایی، 3(11)، 30-17.17. https://doi.org/10.30488/ccr.2022.361233.1093
کلاکی، محمد فلاح.، شکری کوچک، وحید.،  و رمضانی اعتدالی، هادی.(1400). شبیه‌سازی اثرات تغییر اقلیم با استفاده از مدل‌های اقلیمی CMIP5 و CMIP6 بر رواناب با استفاده از مدل هیدرولوژیکی SWAT مطالعه موردی. حوضه آبریز طشک-بختگان. تحقیقات منابع آب ایران، 17(3)، 359-345. https://dorl.net/dor/20.1001.1.17352347.1400.17.3.20.5
لطفی، محمد.، کمالی، غلامعلی.، مشکوتی، امیرحسین.، و ورشاویان، وحید. (1400).  پیشنگری دماهای بیشینه با استفاده از مدلهای جهانی اقلیم تحت سناریوهای RCP و ریزمقیاس گردانی مدلهای LARS-WG و  SDSM در غرب کشور. فصلنامه جغرافیای طبیعی، 14(51)، 130-115. https://dorl.net/dor/20.1001.1.20085656.1400.14.51.7.4
محمدی نریمان. (1381). مطالعات جامع توسعه اقتصادی-اجتماعی و فرهنگی استان کرمانشاه. نشر س‍ازم‍ان‌ م‍دی‍ری‍ت‌ و ب‍رن‍ام‍ه‌ری‍زی‌ اس‍ت‍ان‌ ک‍رم‍ان‍ش‍اه‌. https://www.lib.ir/book/64901305
میان‌آبادی، آمنه.، باطنی، محمدمهدی.، و محمدی، صدیقه. ( 1402). پیش‌نمایی تغییرات توزیع بارش و دما با استفاده از شبیه‌سازی اصلاح اریبی شده مدل‌های اقلیمی گزارش ششم (مطالعه موردی: ایستگاه همدیدی کرمان). نشریه پژوهش‌های تغییرات آب‌وهوایی، 14، 84-65. https://doi.org/10.30488/ccr.2023.399780.1139
Abdolalizadeh, F., Mohammad Khorshiddoust, A., & Jahanbakhsh, S. (2022). Assessment of the performance of CMIP6 model for analysis of temperature and precipitation in Urmia Lake basin. Climate Change Research, 3(11), 17-30. https://doi.org/10.30488/ccr.2022.361233.1093 [In Persian]
Ahmed, K.F., Wang, G., Silander, J., Wilson, A.M. (2013). Statistical downscaling and bias correction of climate model outputs for climate change impact assessment in the U.S. northeast. Glob Planet Change, 100, 320–332. https://doi.org/10.1016/j.gloplacha.2012.11.003
Cubasch, U., Wuebbles, D., Chen, D., Facchini, M. C., Frame, D., Mahowald, N., & Winther, J. G. (2013). Introduction, In: Climate Change; The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA.                             https://www.ipcc.ch/site/assets/uploads/2017/09/WG1AR5_Chapter01_FINAL.pdf
Eskandari Damane, H., Zehtabian, G., Khosravi, H., Azarnivand, H., & Barati, A. A. (2020). Simulation and forecasting of climatic components of temperature and precipitation in arid regions (Case study: Minab plain). Geography, 18(66), 110-128. https://dorl.net/dor/20.1001.1.27172996.1399.18.3.7.6 [In Persian]
Fallah Kalaki, M., Shokri Kuchak, V., & Ramezani Etedali, H. (2021). Simulating the Effects of Climate Change on Runoff Using the CMIP5 and CMIP6 Climate Models by SWAT Hydrological Model (Case Study: Tashk-Bakhtegan Basin). Iran-Water Resources Research, 17(3), 345-359. https://dorl.net/dor/20.1001.1.17352347.1400.17.3.20.5 [In Persian]
Gidden, M., Riahi, K., Smith, S., Fujimori, S., Luderer, G., Kriegler, E., & Calvin, K. (2019). Global emissions pathways under different socioeconomic scenarios for use in CMIP6: a dataset of harmonized emissions trajectories through the end of the century. Geoscientific Model Development Discussions, 12, 1443-1475. https://doi.org/10.5194/gmd-12-1443-2019
Gleick, P. H. (1989). Climate change, hydrology, and water resources. Reviews of Geophysics, 27(3), 329. https://doi.org/10.1029/RG027i003p00329.
Ho, C. K., Stephenson, D. B., Collins, M., Ferro, C. A., & Brown, S. J. (2012). Calibration strategies: a source of additional uncertainty in climate change projections. Bulletin of the American Meteorological Society, 93(1), 21. https://doi.org/10.1175/2011BAMS3110.1
IPCC .(2022). Sixth Assessment Report of the Intergovermental Panel on Climate Change. https://www.ipcc.ch/assessment-report/ar6/
IPCC. (2021).Climate change 2021 the physical science basis, AR6, Summary for policymakers. https://www.ipcc.ch/report/ar6/wg1/
Jahangir, M. H., & Rouzbahani, F. (2022). Long-term estimation of changes in station climate parameters under the CanESM2 model (Case study: Boroujerd synoptic station). Water and Soil Management and Modelling, 2(4), 37-52. https://doi.org/10.22098/mmws.2022.10479.1085 [In Persian]
Kriegler, E., Luderer, G., Bauer, N., Baumstark, L., Fujimori, S., Popp, A., Rogelj, J., Strefler, J., Vuuren, D.P. (2018).  Pathways limiting warming to 1.5°C: a tale of turning around in no time. Phil. Trans. R. Soc, A 376, 20160457. https://dx.doi.org/10.1098/rsta.2016.0457
Lotfi, M., Kamali, Gh.A., Meshkoti, A.H., & Varshavian, V. (2021). Forecasting maximum temperatures using global climate models under RCP scenarios and micro-scale rotation of LARS-WG and SDSM models in the west of the country. Natural Geography Quarterly, 14(51), 115-130. https://dorl.net/dor/20.1001.1.20085656.1400.14.51.7.4 [In Persian]
Meadarani, H., Khodabakhshi, F., & Kanani, E. (2022). The perspective of the effects of climate change on drought based on the fifth IPCC report (case study: Ilam city). Journal of water and soil resources protection, (4) 12, 87-107. https://sanad.iau.ir/Journal/wsrcj/Article/829301 [In Persian]
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). Climate Change Research, 4(14), 65-84. https://doi.org/10.30488/ccr.2023.399780.1139  [In Persian]
Mohammadi, N. (2002). Comprehensive studies of economic, social and cultural development of Kermanshah province. Management and planning organization of Kermanshah province Publisher. https://www.lib.ir/book/64901305 [In Persian]
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. Theor Appl Climatol, 151(1–2), 153–168. https://doi.org/10.1007/S00704-022-04274-3/METRICS
O'Neill, B. C., Tebaldi, C., Vuuren, D. P. V., Eyring, V., Friedlingstein, P., Hurtt, G., & Meehl, G. A., (2016). The scenario model intercomparison project (ScenarioMIP) for CMIP6. Geoscientific Model Development, 9 (9), 3461-3482. https://doi.org/10.5194/GMD-9-3461-2016
Pedersen, J. T. S., van Vuuren, D., Gupta, J., Santos, F. D., Edmonds, J., & Swart, R. (2022). IPCC emission scenarios: How did critiques affect their quality and relevance 1990–2022, Global Environmental Change, 75. https://doi.org/ 10.1016/j.gloenvcha.2022.102538
Roshani, A., & Hamidi, M. (2022). Forecasting the effects of climate change scenarios on temperature & precipitation based on CMIP6 models (Case study: Sari station). Water and Irrigation Management, 11(4), 781-795. https://doi.org/10.22059/jwim.2022.330603.920 [In Persian]
Sachindra, D. A., Ahmed, K., Rashid, Md. M., Shahid, S., & Perera, B. J. C. (2018). Statistical downscaling of precipitation using machine learning techniques. Atmos Res, 212, 240–258. https://doi.org/10.1016/j.atmosres.2018.05.022
Salari, S., Moghdisi, M., & Mohammadi Qale Ni, M. (2019). Prediction of fluctuations in underground water level due to climate change using support vector regression and decision tree models (case study: Golpayegan Plain). Master thesis, Arak University, Iran. [In Persian]
Taylor, K. E., Stouffer, R. J., & Meehl, G. A. (2012).  An overview of CMIP5 and the experiment design. Bulletin of the American Meteorological Society, 93(4). 485–498. https://doi.org/10.1175/BAMS-D-11-00094.1
Wang, L., Ranasinghe, R., Maskey, S., Van Gelder, P., & Vrijling, J. (2015). Comparison of empirical statistical methods for downscaling daily climate projections from CMIP5 GCMs: a case study of the Huai River Basin, China. International journal of climatology, 36(1), 145-164. https://doi.org/10.1002/joc.4334
Wilby, R. L., & Wigle, T. M. L. (1997). Downscaling general circulation model output: a review of methods and limitations. Progress in Physical Geography: Earth and Environment, 21(4), 530–548. https://doi.org/10.1177/030913339702100403
Zareian, M. J., Dehban, H., & Gohari, A. (2023). Evaluation of the Accuracy of CMIP6 Models in Estimating the Temperature and Precipitation of Iran Based on a Network Analysis. Water and Irrigation Management, 12(4), 783-797. https://doi.org/10.22059/jwim.2022.345975.1006 [In Persian]
Zarrin, A., & Dadashi-Roudbari, A. (2022). Technical Note: Assessing the Effect of Climate Change on Heavy Precipitation in Iran Based on a CMIP6 Ensemble Model. Journal of Water and Sustainable Development, 8(4), 119-124. https://dorl.net/dor/20.1001.1.24235474.1400.8.4.14.9 [In Persian]
Zhang, X., Hua, L., & Jiang, D. (2022). Assessment of CMIP6 model performance for temperature and precipitation in Xinjiang, China. Atmospheric and Oceanic Science Letters, 15(2), 100128. https://doi.org/10.1016/J.AOSL.2021.100128