بررسی پیش‌بینی نوسانات امواج گرمایی در ایستگاه جلفا با استفاده از مدل‌های اقلیمی تحت سناریو rcp8.5

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانش‌آموخته کارشناسی‌ارشد اقلیم‌شناسی شهری، دانشگاه تبریز، تبریز، ایران

2 استادیار اقلیم‌شناسی، دانشگاه سیدجمال‌الدین اسدآبادی، اسدآباد، ایران

3 استادیار گروه جغرافیا، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران

4 دانش‌آموخته کارشناسی‌ارشد ژئومورفولوڗی در برنامه‌ریزی محیطی، دانشگاه

10.30488/ccr.2022.339167.1075

چکیده

افزایش گرمایش جهانی به عنوان یکی از مسائل عمده جهانی در قرن حاضر مطرح است. به همین دلیل بررسی و ارزیابی روند آن برای انسان اهمیت دارد، از این رو شبیه­سازی این متغیر اقلیمی برای درک آینده بشر می­تواند راهگشا باشد. روش­های مختلفی برای شبیه­سازی و پیش­بینی امواج گرمایی وجود دارد که معتبرترین آن­ها استفاده از مدل­ گردش عمومی جو و GCM می­باشد. از جمله پرکاربردترین مدل­ها جهت ریز مقیاس کردن داده­های GCM، مدل آماری LARS-WG می­باشد. در تحقیق حاضر، میزان کارایی این مدل جهت ریز مقیاس نمایی امواج گرمایی در ایستگاه جلفا مورد ارزیابی قرار گرفت. برای نیل به این هدف از آماری روزانه­ی میانگین دمای بیشینه­ی بالای 35 سانتی­گراد درجه در دوره آماری معین استفاده شده است. و همچنین برای پیش­بینی امواج گرمایی در سال­های آینده از داده­های دمای بیشینه­ی مدل­های (CESM-CAM، CMCC-CMS،
CAN-ESM، MPI-ESM) تحت سناریو RCP8.5 برای دوره آتی 2022 تا 2065 انجام گرفت. دلیل انتخاب RCP8.5 به علت مطالعه تغییرات امواج گرمایی در بیش­ترین شرایط انتشار گازهای گلخانه­ای و گرمایش ناشی از آن­ها می­باشد. نتایج نشان داد امواج گرمایی در دوره­آتی (2011-2005) نسبت به دوره پایه دارای توزیع نرمال می­باشد؛ بنابراین این نتایج عملکرد بسیار خوب مدل LARS-WG را در شبیه­سازی امواج گرمایی نشان می­دهد. امواج گرمایی ایستگاه جلفا در دوره­های پایه (1990-2020)، دارای بی‌نظمی و تغییرپذیری شدید رخدادهای سالانه امواج گرمایی، حکایت از تغییرپذیری شدید میانگین دمای سالانه و تنوع عوامل تأثیرگذار بر دمای منطقه دارد. از طرفی دیگر بر اساس پیش­بینی مدل­های اقلیمی MPI-ESM،CESM-CAM و CMCC-CAM دمای امواج گرمای سالانه­ی که در دوره گرم به‌سوی گرمای بیشتر پیش می­روند.

کلیدواژه‌ها


عنوان مقاله [English]

research of heat wave fluctuations in Jolfa station Using climate models under the rcp8.5 scenario

نویسندگان [English]

  • farahnaz khoramabadi 1
  • Seyed Mohammad Hosseini 2
  • Ali Panah 3
  • Nahid Bafandeh 4
1 University of Tabriz
2 Assistant Professor of Climatology, Seyed Jamaluddin Asadabadi University, Asadabad, Iran
3 Assistant Professor of Geography, Tabriz Branch, Islamic Azad University, Tabriz, Iran
4 University of Zanjan
چکیده [English]

Increasing global warming is one of the major global issues of the current century. For this reason, it is important for humans to study and evaluate its trend, so simulating this climatic variable can be a way to understand the human future. There are several methods for simulating and predicting heat waves, the most valid of which is the use of the general circulation model of the atmosphere and GCM. One of the most widely used models for GCM data miniaturization is the LARS WG statistical model. In the present study, the efficiency of this model for exponential micro-scale of heat waves in Julfa station was evaluated. To achieve this goal, daily statistical average maximum temperature above 35 ° C in a given statistical period has been used. Also, to predict the heat waves in the coming years, the maximum temperature data of the models (CESM CAM, CMCC CMS, CAN ESM, MPI ESM) under the RCP8.5 scenario for the next period 2011-2016 were performed. The results showed that heat waves in the future period (2011 2065) have a normal distribution compared to the base period. . Therefore, these results show the very good performance of the LARS WG model in simulating heat waves. Jolfa station heat waves in the base periods (1990-2020), with severe irregularity and variability of annual heat wave events, indicate a strong variability of the average annual temperature and a variety of factors affecting the temperature of the region. On the other hand, according to the forecast of MPI ESM, CESM CAM and CMCC CAM climate models, the temperature of the annual heat waves that go towards more heat in the warm period;

کلیدواژه‌ها [English]

  • Julfa station
  • heat waves
  • global warming
  • GCM
  • LARS WG
  1. منابع

    1. ادراکی، مریم؛ برنا، رضا؛ فتاحی، ابراهیم؛ مهدوی، مسعود؛ (1399). بررسی تأثیر عناصر اقلیمی در معماری شهری (مطالعه موردی: شهر جلفا)، نگرش­های نو در جغرافیای انسانی، فصلنامه علمی_پژوهشی، شماره چهارم، صص 180-202.
    2. اسماعیل­نژاد، (1391). شناسایی امواج گرمایی ایران، جغرافیا و توسعه، شماره 33، صص 54-39.
    3. پناهی، علی؛ خرم‌آبادی، فرحناز؛ (1398). ارزیابی دقت داده‌های CSIRO و مدل LARS-WG در شبیه­سازی متغیرهای اقلیمی استان آذربایجان شرقی، مجله دگرگونی­ها و مخاطرات آب و هوایی، شماره 2، صص 140-160.
    4. حیدری، حمیدرضا؛ گلبابایی، فریده؛ ارسنگ جنگ، شهرام؛ شمسی­پور، علی‌اکبر؛ (1395). اعتبارسنجی شاخص Humidex در ارزیابی استرس گرمایی مشاغل روباز در نواحی بیابانی و نیمه بیابانی کشور ایران، فصلنامه بهداشت و ایمنی کار، شماره 3، صص 30-41.
    5. حیدری، حمیدرضا، گلبابایی، فریده، شمسی‌پور، علی‌اکبر، رحیمی فروشانی، عباس (1398). بررسی روند تغییرات دمایی در دهه­های آتی با تأکید بر استرس­های گرمایی در محیط­های روباز کشور، نشریه علمی پژوهشی، نشریه سلامت کار ایران، شماره 2، صص 36-47.
    6. دارند، محمد؛ (1392). شناسایی و تحلیل زمانی–مکانی امواج گرمایی ایران‌زمین، جغرافیا و توسعه، شماره 35، صفحه 180-167.
    7. صادقی، سلیمان؛ دوستان، رضا؛ صانعی، معصومه؛ (1394). تحلیل فضایی- زمانی امواج گرمایی خراسان رضوی، فصلنامه جغرافیایی سرزمین، علمی پژوهشی، شماره 47، صص 17-32.
    8. طاهر خانی، مهدی و مسعود مهدوی. (1383). کاربرد آمار در جغرافیا. انتشارات گومز، صص: 300-301.
    9. عباسی، فاطمه، ملبوسی، شراره؛ بابائیان، ایمان؛ اثمری، مرتضی؛ برهانی، رضا، (1389). پیش­بینی تغییرات اقلیمی خراسان جنوبی در دوره 2039-2010 میلادی با استفاده از ریزمقیاس نمایی آماری مدل ECHO-G، نشریه آب‌وخاک، شماره 2، صص 218-233.
    10. علیجانی، بهلول؛ (1390). تحلیل فضایی دماها و بارش­های بحرانی روزانه در ایران، تحقیقات کاربردی علوم جغرافیایی، شماره 20، صص 9-30.
    11. علیجانی، بهلول؛ محمودی، پیمان؛ سلیقه، محمد؛ ریگی چاهی، اله بخش؛ (1390). بررسی تغییرات کمینه­ها و بیشینه­های سالانه دما در ایران، فصلنامه تحقیقات جغرافیایی، شماره سوم، صص 102-122.
    12. علیجانی، بهلول؛ حمیده، افشار منش. (1394). تجزیه‌وتحلیل آماری مقادیر طولانی‌مدت بارش جهت برازش توزیع آماری مناسب (مطالعه مورد ایران). فصل‌نامه جغرافیا و برنامه­ریزی شهری چشم اندازه زاگرس، دورهفتم، 25: 76-96.
    13. قویدل­رحیمی، یوسف؛ (1390). شناسایی طبقه­بندی و تحلیل سینوپتیک موج ابر گرم تابستان 1389 ایران، مطالعات جغرافیایی مناطق خشک، شماره 3، صص 85-100.
    14. منتظری، مجید؛ مهدیه، مرجان (1390). تحلیل همدید فرین استان اصفهان؛ مجموعه مقالات همایشی ملی بوم­های بیابانی، گردشگری و هنرهای محیطی، دانشگاه آزاد اسلامی واحد نجف‌آباد، صفحه 155-177.
    15. Ding, T., Qian, W., and Yan, Z. (2010). Changes in hot days and heat waves in China during 9269–9007. International Journal of Climatology, 68(18). 9220-9260.
    16. Hassan, A., Shamsudin, S., Harun, S. (2014). Application of SDSM and LARSWG for simulating and downscaling of rainfall and temperature.
    17. Hoogwijk, M., Faaij, A., Eickhout, B., de Vries, B., and Turkenburg, W. (2000). Potential of biomass energy out to 09::, for four IPCC SRES land-use scenarios. Biomass and Bioenergy, 96(7). 002-027
    18. Intergovernmental Panel on Climate Change., (2001). "Climate change 2001: The scientific
      basis", contribution of working group i to the third assessment report, Cambridge, Cambridge University Press
    19. IPCC, (2001). Impacts, Adaptation and Contribution of Working Group II to the third assessment report of the Intergovernmental Panel on Climate Change. UK: Cambridge University Press.
    20. J Garson, C Harsens, J de Beer. (2005). The effect of the summer 2003 heat wave on mortality in the netherlands, urosurveillance.
    21. Katharine Hayhoe, Scott Sheridan, Laurence Kalkstein, Scott Greene (2010). Climate change, heat waves, and mortality projections for Chicago, Journal of Great Lakes Research, 36, 65–73.Christophe Cassou, Laurent Terray(2005). Tropical Atlantic Influence on European Heat
      Waves, Journal of Climate, 18, 2805-2811.
    22. Cowan, T., Purich, A., Perkins, S., Pezza, A., Boschat, G., Sadler, K., (2014), More
      Frequent, Longer, and Hotter Heat Waves for Australia in the Twenty-First Century, Journal of Climate, 27: 5851-587
    23. Kay, A.L., Davies, H.N., Bell, V.A. and Jones, R.G. (2009). Comparison of uncertainty sources for climate change impacts: flood frequency in England. Climatic Change, 92: 41-63.
    24. Koppe, C., Kovats, S., Jendritzky, G., and Menne, B. (2002), Heat-waves: risks and responses. Health and Global Environmental Change Series, no. 0. World Health Organizatios.
    25. Murphy, J. 1999. An evaluation of statistical and dynamical techniques for downscaling local climate. Journal of Climate, 19(5). 0026-002.
    26. Pongracz, R., Bartholy, J., and Bartha, E.B. (2013), Analysis of Projected Changes in The Occurrence of Heat Waves in Hungary, Advances in Geosciences, 35: 115–122.
    27. Russo, S., Dosio, A., Graversen, R. G., Sillmann, J., Carrao, H., Dunbar, M.B., ... and Vogt, J.V. (2009). Magnitude of extreme heat waves in present climate and their projection in a warming world. Journal of Geophysical Research: Atmospheres, 116(99). 902-902.
    28. Russo, S., Sillmann, J., Fischer, E.M. (2015). Top Ten European Heatwaves since 1950 and Their Occurrence in the Coming Decades, Environmental Research Letters, 10(12): 1- 15.
    29. Xu, C.Y. (1999). "From GCMs to river flow: a review of downscaling methods and
      hydrologic modelling approaches", Prog Phys Geogr, 23 (2): 229–249.
    30. Yan ,Y., Qu, J., Hao, X., and Yue, S. (2017). Characterizing Spatial-Temporal Changes of
      Heat Waves in China using Center of Gravity Analysis, Physical Geography, 38(4): 379-391.