پیش نگری دمای کمینه و بیشینه مناطق سردسیر ایران با استفاده از مدل مقیاس‌کاهی آماری SDSM

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار اقلیم شناسی، گروه جغرافیا، دانشگاه فردوسی مشهد

2 دانشجوی کارشناسی اقلیم‌شناسی، گروه جغرافیا، دانشگاه فردوسی مشهد

3 پژوهشگر پسادکتری اقلیم‌شناسی، گروه جغرافیا، دانشگاه فردوسی مشهد

10.30488/ccr.2022.340823.1078

چکیده

تغییر اقلیم به دنبال گرمایش جهانی در دهه­های اخیر تأثیر زیادی در مناطق مختلف به­همراه داشته است. جهت پیش­نگری دمای کمینه و بیشینه مناطق سردسیر ایران از داده­های 28 ایستگاه همدید کشور و برونداد مدل CanESM2 از سری مدل­های CMIP5 استفاده شد. مقیاس­کاهی با مدل آماری SDSM طی دوره­ تاریخی (2005-1991) و پنج دوره آینده (2040-2026، 2055-2041، 2070-2056، 2085-2071، 2100-2086)، تحت سه سناریوی خوشبینانه (RCP2.6)، حدواسط (RCP4.5) و بدبینانه (RCP8.5) انجام شد. جهت درستی ­سنجی برونداد دمای کمینه و بیشینه مدل مقیاس­کاهی شده از چهار سنجه آماری PCC، RMSE، MBE و PBIAS استفاده شد. نتایج درستی­ سنجی برونداد مدل SDSM نشان داد که این مدل در عرض­های جغرافیایی بالا و مناطق سردسیر از کارایی نسبتاً مناسبی برخوردار است. با این وجود به دلیل در دسترس بودن تنها یک واسط کاربری GCM (مدل CanESM2)، در نظر نگرفتن روابط فیزیکی جو توسط مدل SDSM و همچنین تکیه صرف بر روابط آماری بین داده­های مشاهداتی و GCM، نتایج دارای عدم قطعیت زیادی نسبت به برونداد مدل­های دینامیکی و یا روش­ دینامیکی-آماری و مدل­ همادی می­باشد. بی­هنجاری دمای کمینه و دمای بیشینه در دوره­­های پیش­نگری اول تا پنجم براساس سه سناریوی واداشت تابشی مثبت است. نتایج بی­هنجاری دمای کمینه نشان داد که کمینه بی­هنجاری مثبت در ایستگاه­ یاسوج و بیشینه آن در ایستگاه پیرانشهر مشاهده می­شود. به­همین­ترتیب بی­هنجاری دمای بیشینه در ایستگاه­های تهران (ژئوفیزیک) و تهران (شمیران) مشاهده می­شود. بطور کلی، دمای کمینه و بیشینه تحت سناریو­های حد واسط (RCP4.5) و بدبینانه (RCP8.5) نسبت به سناریوی خوشبینانه (RCP2.6) افزایش بیش­تری را به­خصوص برای مناطق شمال­غربی ایران نشان می‌دهند. این نتیجه از آن جهت مهم است که با افزایش دما ذوب سریعتر پوشش برف در مناطق سردسیر برای کشور خشک و نیمه خشکی همچون ایران به دلیل کاهش دسترسی به آب شیرین یک تهدید بالقوه محسوب می­شود.

کلیدواژه‌ها


عنوان مقاله [English]

Projection of minimum and maximum temperatures in cold regions of Iran using SDSM statistical downscaling model

نویسندگان [English]

  • Azar Zarrin 1
  • Dina Yazdany 2
  • Abbas Ali Dadashi-Roudbari 3
1 Associate Professor of Climatology, Department of Geography, Ferdowsi University of Mashhad,
2 BA Climatology, Department of Geography, Ferdowsi University of Mashhad,
3 Postdoctoral Researcher of Climatology, Department of Geography, Ferdowsi University of Mashhad,
چکیده [English]

To project the minimum and maximum temperatures of cold regions of Iran, the data of 28 synoptic stations of the country and the output of CanESM2 model from CMIP5 model series were used. Downscaling with SDSM statistical model is performed for the historical period (1991-2005) and five future periods (2040-2026, 2041-2055, 2056-2070, 2071-2085 and 2100-2086), under three RCP2.6, RCP4.5, and RCP8.5 scenarios. Four statistics of PCC, RMSE, MBE, and PBIAS were used to evaluate the minimum and maximum temperature of the SDSM model. The evaluation results of the SDSM model showed that this model has a relatively good performance in high latitudes and cold regions. However, due to the availability of only one GCM interface (CanESM2 model), assumptions of stationarity between the large- and small-scale dynamics, and relying solely on statistical relationships between observational data and GCM, are disadvantages of the statistical downscaling with SDSM and the results are associated with high uncertainty, comparing to dynamical or dynamical-statistical methods and ensemble models. The minimum and maximum temperature anomalies are positive in all five projected periods based on three scenarios of radiative forcing for the 21th century. The results of minimum temperature anomaly showed that the minimum of positive anomaly is observed in Yasuj station and the maximum of that is observed in Piranshahr station. Similarly, positive maximum temperature anomalies are observed in Tehran (Geophysical) and Tehran (Shemiran) stations. In general, the minimum and maximum temperatures under the RCP4.5 and RCP8.5 scenarios show a greater increase than the RCP2.6 scenario, especially for the northwestern regions of Iran. This result is important because with the faster melting of snow cover in cold regions, it is a potential threat to arid and semi-arid countries such as Iran due to reduced access to fresh water.

کلیدواژه‌ها [English]

  • Temperature anomaly
  • RCP scenarios
  • cold regions
  • Iran
  1. احمدی، محمود. داداشی رودباری، عباسعلی. اکبری ازیرانی، طیبه. کرمی، جمال. (1398). کارایی مدل HadGEM2-ES در ارزیابی نابهنجاری­های فصلی دمای ایران تحت سناریوهای واداشت تابشی. فیزیک زمین و فضا، 45(3)، 644-625.
  2. روحبخش سیگارودی، حسین علی، کرمپور، مصطفی. قائمی، هوشنگ. مرادی، محمد، آزادی،  مجید. (1397). بررسی بی‌هنجاری­های میانگین دمای کمینه و بیشینه ایران در دوره­ گرم سال به منظور شناسایی دوره گرم و سرد. جغرافیا و مخاطرات محیطی، 7(3)، 161-187.
  3. زرین، آذر. داداشی رودباری، عباسعلی. (1399). پیش‌نگری چشم‌انداز بلندمدت دمای آینده ایران مبتنی بر برونداد پروژة مقایسة مدل‌های جفت‌شدة فاز ششم (CMIP6). فیزیک زمین و فضا، 46(3)، 583-602.
  4. زرین، آذر. داداشی رودباری، عباسعلی. صالح آبادی، نرگس. (1399). بررسی بی هنجاری و روند دمای ایران در پهنه‌های مختلف اقلیمی با استفاده از مدل‌های جفت شده پروژه مقایسه متقابل مرحله ششم (CMIP6). مجله ژئوفیزیک ایران، 15(1)، 35-54.
  5. زهره­، وندی. حسن، خورشیددوست. علی­محمد. ساری صراف، بهروز. (1399). چشم­انداز تغییرات اقلیمی در غرب ایران براساس سناریوهای واداشت تابشی و ریزمقیاس­گردانی مدل آماری SDSM، جغرافیا(برنامه ریزی منطقه ای). 11(1)، 14-1.
  6. فغانی، میثم. فیتچت، جنیفر. (1399). دورنمای اثر گرمایش جهانی بر دگرگونی الگوی زمانی-مکانی رخداد استرس حرارتی ایران. پژوهش‌های تغییرات آب و هوایی، 1(3)، 1-20.
  7. لطفی، محمد. کمالی، غلامعلی. مشکوتی، امیرحسین. ورشاویان، وحید. (1400). پیش­نگری دماهای بیشینه با استفاده از مدل­های جهانی اقلیم تحت سناریوهای RCP و ریزمقیاس­گردانی مدل‌های LARS-WG و SDSM در غرب کشور. فصلنامه جغرافیای طبیعی، 13(51)، 115-130.
  8. Al-Mukhtar, M., & Qasim, M. (2019). Future predictions of precipitation and temperature in Iraq using the statistical downscaling model. Arabian Journal of Geosciences, 12(2), 25. https://doi.org /10.1007/s12517-018-4187-x
  9. Baghanam, A.H., Nourani, V., Sheikhbabaei, A., & Seifi, A.J. (2020). Statistical downscaling and projection of future temperature change for Tabriz city, Iran. IOP Conference Series: Earth and Environmental Science, 491(1), 12009.
  10. Benesty, J., Chen, J., Huang, Y., & Cohen, I. (2009). Pearson correlation coefficient. In Noise reduction in speech processing (pp. 1–4). Springer.
  11. Bindi, M., Brown, S., Camilloni, I., Diedhiou, A., Djalante, R., Ebi, K., Engelbrecht, F., Guiot, J., Hijioka, Y., & Mehrotra, S. (2018). Impacts of 1.5° C of global warming on natural and human systems. Raspoloživo Na: Https://Www. Ipcc. Ch/Site/Assets/Uploads/Sites /2/2019/05/SR15_Chapter3_Low_Res. Pdf (Pristup 8.7. 2019.).
  12. Casanueva, A., Herrera, S., Fernández, J., & Gutiérrez, J.M. (2016). Towards a fair comparison of statistical and dynamical downscaling in the framework of the EURO-CORDEX initiative. Climatic Change, 137(3), 411–426. https://doi.org/10.1007/s10584-016-1683-4
  13. Castaño-Sánchez, A., Hose, G.C., & Reboleira, A.S.P.S. (2020). Salinity and temperature increase impact groundwater crustaceans. Scientific Reports, 10(1), 12328. https://doi.org/10.1038/s41598-020-69050-7
  14. Chai, T., & Draxler, R.R. (2014). Root mean square error (RMSE) or mean absolute error (MAE)?–Arguments against avoiding RMSE in the literature. Geoscientific Model Development, 7(3), 1247–1250.
  15. Cline, W.R. (2008). Global Warming and Agriculture. Finance & Development, 0045(001), A007. https://doi.org/10.5089/9781451922349.022.A007
  16. Daneshvar, M.R.M., Ebrahimi, M., & Nejadsoleymani, H. (2019). An overview of climate change in Iran: facts and statistics. Environmental Systems Research, 8(1), 1–10.
  17. Doulabian, S., Golian, S., Toosi, A.S., & Murphy, C. (2021). Evaluating the effects of climate change on precipitation and temperature for Iran using RCP scenarios. Journal of Water and Climate Change, 12(1), 166–184.
  18. Fallahi, M., & Akbary, M. (2020). Impacts of Global Warming on Extreme Temperatures in west of Iran. Climate Change Research, 1(4), 11–19.
  19. Fan, X., Jiang, L., & Gou, J. (2021). Statistical downscaling and projection of future temperatures across the Loess Plateau, China. Weather and Climate Extremes, 32, 100328.
  20. Gagnon, S., Singh, B., Rousselle, J., & Roy, L. (2005). An Application of the Statistical DownScaling Model (SDSM) to Simulate Climatic Data for Streamflow Modelling in Québec. Canadian Water Resources Journal / Revue Canadienne Des Ressources Hydriques, 30(4), 297–314.
  21. Gebeyehu Ayele, E., Chunju, Z., Yihong, Z., & yang, Z. (2019). Assessment of future temperature change scenario by statistical downscaling model (Canesm2). International Journal of Current Research, 11, 100–109. https://doi.org/10.24941/ijcr.33786.01.2019
  22. Goodarzi, M., Mahdian, M.H., & Qermezcheshmeh, B. (2021). Assessment of climate change using SDSM downscaling Model (A case study: West of Iran). Water Harvesting Research, 4(1), 29–39.
  23. Hassan, W.H., & Nile, B.K. (2021). Climate change and predicting future temperature in Iraq using CanESM2 and HadCM3 Modeling Earth Systems and Environment, 7(2), 737–748.
  24. House, the white. (2021). Report on the Impact of Climate Change on Migration (October 2021). Government of the United States of America.
  25. IPCC, (2013). Summary for Policymakers. In: Climate Change 2013: The Physical Science Basis. Contribution of
  26. Working Group, I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change [Stocker, F., D. Qin, G.-K. Plattner, M. Tignor, S.K. Allen, J. Boschung, A. Nauels, Y. Xia, V. Bex and P.M. Midgley (eds.). Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA.
  27. Ines, A.V.M., & Hansen, J.W. (2006). Bias correction of daily GCM rainfall for crop simulation studies. Agricultural and Forest Meteorology, 138(1), 44–53. https://doi.org/10.1016/j.agrformet.2006.03.009
  28. Javaherian, M., Ebrahimi, H., & Aminnejad, B. (2021). Prediction of changes in climatic parameters using CanESM2 model based on Rcp scenarios (case study): Lar dam basin. Ain Shams Engineering Journal, 12(1), 445–454.
  29. Jing, M., Kumar, R., Heße, F., Thober, S., Rakovec, O., Samaniego, L., & Attinger, S. (2020). Assessing the response of groundwater quantity and travel time distribution to 1.5, 2, and 3 C global warms in a mesoscale central German basin. Hydrology and Earth System Sciences, 24(3), 1511–1526.
  30. Kurane, I. (2010). The Effect of Global Warming on Infectious Diseases. Osong Public Health and Research Perspectives, 1(1), 4–9. https://doi.org/10.1016 /j.phrp.2010.12.004
  31. Leal Filho, W., Balogun, A.-L., Olayide, O.E., Azeiteiro, U.M., Ayal, D.Y., Muñoz, P.D.C., Nagy, G.J., Bynoe, P., Oguge, O., & Toamukum, N.Y. (2019). Assessing the impacts of climate change in cities and their adaptive capacity: towards transformative approaches to climate change adaptation and poverty reduction in urban areas in a set of developing countries. Science of the Total Environment, 692, 1175–1190.
  32. Moriasi, D.N., Arnold, J.G., Van Liew, M.W., Bingner, R.L., Harmel, R.D., & Veith, T.L. (2007). Model evaluation guidelines for systematic quantification of accuracy in watershed simulations. Transactions of the ASABE, 50(3), 885–900.
  33. Nerem, R. S., Beckley, B. D., Fasullo, J.T., Hamlington, B.D., Masters, D., & Mitchum, G.T. (2018). Climate-change–driven accelerated sea-level rise detected in the altimeter era. Proceedings of the National Academy of Sciences, 115(9), 2022–2025.
  34. Reidmiller, D.R., Avery, C.W., Easterling, D.R., Kunkel, K.E., Lewis, K.L.M., Maycock, T.K., & Stewart, B.C. (2017). Impacts, risks, and adaptation in the United States: Fourth national climate assessment, volume II.
  35. Salzmann, M. (2016). Global warming without global mean precipitation increases? Science Advances, 2(6), e1501572.
  36. Siabi, E.K., Kabobah, A.T., Akpoti, K., Anornu, G.K., Amo-Boateng, M., & Nyantakyi, E.K. (2021). Statistical downscaling of global circulation models to assess future climate changes in the Black Volta basin of Ghana. Environmental Challenges, 5, 100299.
  37. Tabari, H. (2020). Climate change impact on flood and extreme precipitation increases with water availability. Scientific Reports, 10(1), 13768.
  38. Wilby, R.L., Dawson, C.W., & Barrow, E.M. (2002). Sdsm — a decision support tool for the assessment of regional climate change impacts. Environmental Modelling & Software, 17(2), 145–157.
  39. Wilby, Robert L., & Dawson, C.W. (2007). SDSM 4.2-A decision support tool for the assessment of regional climate change impacts. User Manual, 94(1).
  40. Wilby, Robert L., & Dawson, C.W. (2013). The statistical downscaling model: insights from one decade of application. International Journal of Climatology, 33(7), 1707–1719.
  41. Zhang, Z., & Li, J. (2020). Big climate data (pp. 1–18).