ارزیابی کارایی مدل SDSM در بررسی پیامدهای تغییر اقلیم برای پهنه‌های اقلیمی مختلف ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار گروه جغرافیای طبیعی، دانشکده جغرافیا و برنامه ریزی محیطی ، دانشگاه سیستان و بلوچستان، زاهدان، ایران.

2 دانشیار گروه جغرافیای طبیعی، دانشکده جغرافیا و علوم محیطی، دانشگاه حکیم سبزواری، سبزوار، ایران.

3 دانشجوی دکتری تغییرات آب و هوایی، دانشگاه حکیم سبزواری، سبزوار، ایران.

چکیده

تغییرپذیری اقلیم و تغییر آن یکی از مهمترین چالش‌های پیش­روی بشر در قرن بیست و یکم است. بهترین روش پیش­نمای رفتار اقلیم استفاده از مدل­های گردش عمومی جو است. یکی از نقاط ضعف این مدل­های شبیه­ساز اقلیم زمین، عدم تطابق قدرت تفکیک مکانی آنها با مطالعات ریزمقیاس همچون ارزیابی­های پیامد-محور است. در بسیاری از موارد اطلاعات حاصله می­بایست در خدمت سیاستمداران و همچنین برنامه­ریزان محلی و منطقه­ای قرار گیرد تا بدین ­وسیله قادر به برنامه­ریزی و اتخاذ استراتژی­های آینده باشند. بدین منظور روش­های ریزگردانی (Downscaling) پیشنهاد شده است. یکی از روش‌های ریزگردانی که به کرات در پژوهش‌های اقلیمی ایران استفاده شده است روش ریزگردانی آماری با استفاده از نرم‌افزار SDSM می‌باشد. با هدف ارزیابی کارایی این مدل در مناطق مختلف اقلیمی ایران یک ایستگاه نماینده با دوره‌ی آماری 41 ساله انتخاب گردید. برای مقایسه نتایج مدل با داده­های مشاهده شده از معیارهای همچون میانگین خطاهای مطلق، میانگین مربعات خطا و مجذور میانگین مربعات خطا استفاده گردید. نتایج نشان می دهد برونداد مدل برای مناطق خشک و فراخشک (گرم و سرد) چندان نتایج مناسب نمی‌باشد و این نتایج از سمت مناطق مرطوب کشور (شمال­غرب و شمالی) به سمت مناطق خشک و فراخشک (جنوب، جنوب­شرق و جنوب‌غرب) از نتایج غیرمنطقی و نامناسبی برخوردار می­باشد. بررسی این علت بیانگر تکرار و عدم روز بارشی در ایستگاه­ها می‌باشد. در واقع ایستگاه­های مناطق مذکور با سرریز عدم بارش (Over flow) یا عدد صفر روبرو هستند. در ریزگردانی با مدل مذکور یکنواختی و میزان بارش دو فاکتور بسیار مهم می‌باشند. به‌طوری‌که توزیع یکنواخت بارش در افزایش کارایی مدل نسبت به میزان بارش بسیار شایان اهمیت است. بنابراین هرگونه برنامه­ریزی بلند­مدت بر اساس پیش­نمایی­های مدل SDSM در مناطق خشک و نیمه خشک با خطا و عدم قطعیت بسیار بالایی همراه بوده و قابل اتکا و اصولی نخواهد بود

کلیدواژه‌ها

عنوان مقاله [English]

Evaluating the Efficiency of the SDSM Model in Investigating the Consequences of Climate Change for Different Climate Zones in Iran

نویسندگان [English]

  • Mohsen Hamidian Pour 1
  • Gholamabbas Fallah Ghalhari 2
  • Mohammad Reza Alimoradi 3
1 Assistance professor of climatology in environment planning, University of Sistan and Baluchestan, Zahedan, Iran
2 Associate professor of climatology in environment planning, Hakim University, Sabzevar, Iran
3 PH.D Student of Climate Change, Hakim University, Sabzevar, Iran
چکیده [English]

One of the disadvantages of earth climate simulator models is the inadequacy of their spatial resolution with downscale studies such as outcome-based evaluations. In many cases, the resulting information should serve politicians as well as local and regional planners to be able to plan and adopt future strategies. For this purpose, downscaling has been proposed. One of the methods that has been used frequently in Iran's climate research is the statistical descent method using SDSM software. With the aim of evaluating the efficiency of this model in different climatic regions of Iran, a representative station with a 41-year statistical period was selected. In order to compare the results of the model with the observed data, criteria such as mean absolute errors, mean squared error, and root mean squared error were used. The results show that the model output for arid and super arid (warm and cold) regions is not very suitable and from the humid regions of the country (northwest and north) to arid and super arid regions (south, southeast, and southwest), it has irrational and inappropriate results. The reason for this is the repetition and lack of rainy day at the stations. In fact, the stations in these areas face overflow or zero number in raining. In the downscaling with the model, uniformity and precipitation rates are two important factors so that uniform distribution of rainfall is very important in increasing the efficiency of the model relative to the amount of precipitation. Therefore, any long-term planning based on the SDSM model predictions in arid and semi-arid regions is associated with extreme errors and uncertainties and will not be reliable and principled.

کلیدواژه‌ها [English]

  • SDSM model
  • Climate change
  • Climatic zones
  • Iran

مراجع

  1. آبکار، علی جان. حبیب نژاد، محمود. سلیمانی، کریم. نقوی، هرمز. 1392. بررسی میزان کارایی مدل SDSM در شبیه سازی شاخص‌های دمایی در مناطق خشک و نیمه خشک. فصلنامه علمی پژوهشی مهندسی آبیاری و آب، سال چهارم ، شماره چهاردهم،۱۷-۱.
  2. حمیدیان­پور، محسن. باعقیده، محمد. عباس‌نیا، محسن. 1395. ارزیابی تغییرات دما و بارش در جنوب­ شرق ایران  بر اساس خروجی مدل گردش عمومی جو  (GSM). پژوهش­های جغرافیای تهران، دوره 48، شماره 1، ۱۲۴-۱۰۷.
  3. حمیدیان­پور، محسن. سلیقه، محمد. فلاح، غلامعباس. 1392. کاربرد انواع روش­های دورن­یابی به منظور پایش و تحلیل فضایی خشکسالی مورد: استان خراسان رضوی. فصلنامه جغرافیا و توسعه، سال 11، شماره 30،۷۰-۵۷.
  4. رضایی، مریم. نهتانی، محمد. مقدم نیا، علیرضا. آبکار، علیجان. رضایی، معصومه. 1395. پیش بینی بلند مدت بارش با استفاده از مدل ریز مقیاس نمایی آماری. نشریه دانش آب و خاک، جلد 26 شماره 1/2 ، صفحات 127-115 .
  5. رضایی، مریم. نهتانی، محمد. آبکار، علیجان. رضایی، معصومه. میرکازهی ریگی، مهری. 1393. بررسی کارایی مدل ریز مقیاس نمایی آماری SDSM در پیش‌بینی پارامترهای دمایی در دو اقلیم خشک و فراخشک (مطالعه موردی: کرمان و بم). پژوهشنامه مدیریت حوضه آبخیز، سال پنجم، شماره 10،۱۳۱-۱۱۷.
  6. دهقانی پور، امیرحسین. حسین زاده، محمدجواد. عطاری، جلال. عراقی نژاد، شهاب. 1390. ارزیابی توانمندی مدل SDSM در زیر مقیاس نمایی بارش، دما و بخیر (مطالعه موردی: ایستگاه سینوپتیک تبریز)ِ، یازدهمین سمینار سراسری آبیاری و کاهش تبخیر.
  7. سبحانی، بهروز. اصلاحی، مهدی. بابائیان، ایمان. 1394، کارایی الگوهای ریز مقیاس نمایی آماری SDSM و larsWG در شبیه سازی متغیرهای هواشناسی در حوضه ی آبریز دریاچه ی ارومیه، فصلنامه پژوهش‌های جغرافیایی طبیعی، دوره ی 47، شماره 4 ، 516-499.
  8. صمدی نقاب، سینا. خورشید دوست، علیمحمد. حبیبی نوخندان، مجید. زابل عباسی، فاطمه. 1390. بکارگیری مدل، SDSM جهت ریز مقیاس نمایی داده‌های GCM بارش و دما مطالعه موردی، پیش بینی‌های اقلیمی ایستگاهی در ایران. نشریه پژوهش‌های اقلیم شناسی، سال دوم شماره پنج و ششم،۶۸-۵۸.
  9. کوهی ، منصوره. ثنایی نژاد، حسین. 1392. بررسی سناریوهای تغییر اقلیم براساس نتایج حاصل از دو روش ریز مقیاس گردانی آماری برای متغیر تبخیر-تعرق مرجع در منطقه ارومیه. نشریه آبیاری و زهکشی ایران شماره 4، جلد 7، 574-559

10.لکزائیان پور، غلامحسین. محمدرضا پور، ام البنین. مالمیر، مهسا، 1395. ارزیابی آثار تغییر اقلیم بر میزان رواناب رودخانه نازلوچای در حوضه آبریز دریاچه ارومیه فصلنامه. جغرافیا و توسعه شماره 42 ، صفحه 198 – 183

11.فلاح قالهری، غلامعباس. 1395. ریزمقیاس نمایی داده‌های اقلیمی. کتابراه، چاپ دوم

12.مالمیر، مهسا. محمدرضا پور، ام البنین. شریف آذری، سلمان. قندهاری، قاسم. 1394. بررسی اثرات تغییر اقلیم بر رواناب حوضه قره سو با استفاده از ریز مقیاس نمایی آماری داده‌های مدل HADCM3 و شبکه عصبی پویا. نشریه پژوهش‌های آب و خاک، جلد 23 شماره 3، ۳۲۶-۳۱۷.

13.محمدزاده، ناصر. جباریان امیری، بهمن. 1394. بررسی مدلهای ریز مقیاس نمایی LarsWG و SDSM در مطالعات انجام شده. کنفرانس ملی زیست شناسی و علوم زیست محیطی.

14.مسعودیان، سید ابوالفضل. کاویانی، محمد رضا. 1387. اقلیم‌شناسی ایران. انتشارات دانشگاه اصفهان، چاپ اول.

15.یعقوبی، مژگان. مساح بوانی، علیرضا. 1394. مقایسه و ارزیابی منابع مختلف عدم قطعیت در مطالعه اثر تغییر اقلیم بر رواناب حوضه‌های نیمه خشک (مطالعه موردی: حوضه رودخانه اعظم-هرات یزد. فصلنامه تحقیقات منابع آب ایران، سال یازدهم، شماره 3، 130-113

  1. Coulibaly, P., and Yonas, B. 2005. Downscaling precipitation and temperature with temporal neural networks. American Meteorology society, (6): 483-496.
  2. Dile Y.T., Berndtsson R., Setegn S.G. 2013. Hydrological Response to Climate Change for Gilgel Abay River, in the Lake Tana Basin - Upper Blue Nile Basin of Ethiopia. PLoS ONE 8(10): e79296. doi:10.1371/journal.pone.0079296
  3. Fowler, H.J., and Wilby, R.L. 2007. Editional: Beyond the downscaling comparison study. International Journal of climatology, (27): 1534-1545.
  4. Fung, F., Lopez, A.L., and New, M. 2011. Modeling the impact of climate change on water resources. Wiley-Blackwell, N, (187):43-62.
  5. Giorgi, F., and Mearns, L.O. 1991. Approaches to the simolation of regional climate change:a review. Reviews of Gheophysics, (29): 191-219.
  6. Harphamc, H., and Wibly, R.L. 2005. Multi-site down scaling of heavy daily precipitation occurrence and amount. journal of hydrology, (312): 235-255
  7. Hewiston, B.C., and Crane, R.G. 1996. Climate downscaling: techniques and application. Climate Research, (7): 85-95.
  8. IPCC-TGICA. 2007: General guidelines on the use of scenario data for climate impact an adaptation assessment. Version 2. Prepared by T.R. Carter on behalf of the Intergovernmental Panel on Climate Change, Task Group on Data and Scenario Support for Impact and Climate Assessment, 66pp.
  9. Kim, J.W., Chang, J.T., Baker, N.L., Wilks, D.S., and Gates, W.L. 1984. The statistical problem of climate inversion: determination of the relationship between local and large scale. Climate monthly weather review, (12): 2069-2077.
  10. Koukidis, E.N., and Berg, A.A. 2009. Sensitivity of statistical downscaling model (SDSM) to reanalysis products. Atmosphere –ocean, 47(1):1-18.
  11. Malcolm, R., Harpham, H., Wilby, R.L. and Goodees, C. 2006. Downscaling heavy precipitation over the United Kingdom: A comparison of dynamical and statistical methods and their future scenarious. International Journal of Climatology. (9): 1397-1415
  12. Prudhomme, C., Reynard, N., and Crooks, S. 2002. Downscaling of global climate models for flood frequency analysis: where are we now? Hydrological Processes, (16): 1137-1150.
  13. Solomon, S., Qin, D., Manning, M., Chen, Z., Marquis, M., Averyt, K.B., Tignor, M. and H.L. Miller (Eds.). 2007. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change, Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA.
  14. Schoof, J. 2013. Statistical Downscaling in Climatology. Geography Compass 7/4(2013): 249-265.
  15. Semenov, M.A. 2008. Simulation of extreme weather events by a stochastic weather generator. Climate Research, (35): 203-212.
  16. Van, T., and Van, N. 2005. Downscaling methods for evaluating the impact of climate change and variability on hydrological regime at basin scale. Role of water sciences in Transboundary riverbasin management. Thailand:1-8.
  17. Wilby, R.L., and Dawson, W.C. 2007. SDSM 4.2- A decision support tool for the assessment of regional climate change impacts, SDSM manual version 4.2, Environment Agency of England and Wales: 94pp.
  18. Wilby, R.L., Tomlinson, O.J., and Dawson, W.C. 2003. Multi-site simulation of precipitation by conditional resampling. Journal of climate research, (23): 183-194.
  19. Wilby, R.L., Dawson, C.W., and Barrow, E.M. 2002. SDSM - a decision support tool for the assessment of regional climate change impacts .Environmental Modelling & Software, (17):147-159.
  20. Wilby, R.L., and Wigley, T.M.L. 2000. Precipitation predictors for downscaling: observed and general circulation model relationships. International Journal of Climatology, (20): 641-661.
  21. Xu, C.Y. 1999. From GCMs to river flow: a review of down scaling methods and hydrologic modeling approaches. Progress in Physical Geography, (23): 229-249.
  22. Zhaofa, L., Xu, Z., Stephen, P., Chales, G.F., and Liu, L. 2011. Evaluation of two statistical down scalling models for daily precipitation over an arid basin in chine. Royal meteorogical society, (31): 2006-2020.
  23. Zorita, E., and Storch, V.H. 1999. The analog method as a simple statistical downscaling techniqe: Comparison with more complicated methods. Journal of climate, (12): 2474-2489.
  24. Christensen, J.K., Carter, T.R., Rummukainen, M., and Amanatidis, G. 2007a. Evaluating the performance and utility of regional climate models: The prudense project. Climatic Change, (81): 1-6.
  25. http://co-public.lboro.ac.uk/cocwd/ SDSM/data.html

 

فایل ها

هم رسانی

ارجاع به این مقاله

آمار