شبیه سازی عددی تغییرات آب و هوایی ایران با استفاده از الگوریتم شبکه‌های عصبی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری آب و هواشناسی، گروه آب و هواشناسی، دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز، تبریز ایران

2 استاد تمام آب و هواشناسی، گروه آب و هواشناسی، دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز، تبریز ایران.

3 استاد آب و هواشناسی، گروه آب و هواشناسی، دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز، تبریز ایران

4 استاد آب و هواشناسی، گروه آب و هواشناسی، دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز، تبریز ایران.

چکیده

هدف از این مطالعه شبیه سازی عددی و پیش بینی تغییرات آب‌وهوای ایران با تأکید بر دو پارامتر اقلیمی دما و بارش است. روش مورد استفاده این تحقیق الگوریتم شبکه‌های عصبی مصنوعی برای شبیه سازی متغیرهای دما و بارش 24 ساعته برحسب گام زمانی ماهانه در طی یک دوره 31 ساله نسبت به دوره پایه است. از تحلیل مانوا برای مقایسه میانگین تغییرات دما و بارش طی دوره مشاهده شده 2020-1990 و دوره شبیه سازی شده 2050-2020 استفاده شده است. نتایج مقایسه نشان می­دهد، تفاوت معنی‌داری بین تغییرات دما و بارش 24 ساعته در ایستگاه‌های هواشناسی منتخب در ایران وجود دارد. مربع جزئی اتا محاسبه شده، تغییرات بارش و دمای ثبت شده به ترتیب برابر1/42 و 9/17 درصد، تغییرات بارش و دمای شبیه سازی شده نیز به ترتیب برابر6/41 و 1/18 درصد می‌باشد. بیشترین و کمترین بارش مشاهده شده در ماه‌های مارس و ژوئیه رخ داده است. شبیه‌سازی­ها بیشترین و کمترین میزان بارش را برای ماه‌های مارس و اوت پیش­بینی کردهاند. همچنین بیشترین و کمترین میانگین دمای مشاهده شده به ترتیب در ماه‌های ژوئیه و ژانویه رخ داده و شبیه سازی ها نیز این مقادیر را برای همین ماه ها پیش بینی کرده اند. نتایج مقایسه ایستگاه‌های هواشناسی منتخب طی دوره‌های مذکور نشان داد، بیشترین و کمترین مقادیر بارش مشاهده شده به ترتیب در ایستگاه‌های رشت ۹۵/۱۰۹و یزد ۳۶/۴ میلی‌متر ثبت شده و شبیه سازی ها نیز برای همین ایستگاه ها ۴۶/ ۱۱۲ و ۶۳/۵ میلی متر پیش­بینی کرده اند. بیشترین و کمترین میانگین دمای مشاهداتی به ترتیب در ایستگاه‌های بندرعباس۹۹/۲۶ و اردبیل۳۶/۹درجه سانتی‌گراد ثبت شده و شبیه سازی ها نیز برای همین ایستگاه ها۱۰/۲۷و۴۵/۹ درجه سانتی‌گراد پیش­بینی کرده ­اند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Simulating climate changes in Iran using artificial neural networks algorithm

نویسندگان [English]

  • Mozaffar Faraji 1
  • majid Rezaibanafsheh 2
  • behrouz Sarraf 3
  • Ali Mohammad Khorshiddoust 4
1 Doctoral student of Climatology, Department of Hydrology and Meteorology, Faculty of Planning and Environmental Sciences, Tabriz University, Tabriz, Iran
2 Professor of Climatology, Department of Hydrology and Meteorology, Faculty of Planning and Environmental Sciences, Tabriz University, Tabriz, Iran.
3 Professor of Climatology, Department of Hydrology and Meteorology, Faculty of Planning and Environmental Sciences, Tabriz University, Tabriz, Iran
4 Professor of Climatology, Department of Hydrology and Meteorology, Faculty of Planning and Environmental Sciences, Tabriz University, Tabriz, Iran.
چکیده [English]

Temperature and precipitation are two important meteorological parameters, especially in arid and semi-arid regions. As a result, it is necessary to know the amount of these parameters, their changes and predict these phenomena, in order to have more accurate planning in the management of agricultural, economic and etc. The aim of this study is numerical simulation and forecasting of Iran's weather changes with emphasis on two climatic parameters of temperature and precipitation. The method used in this research is artificial neural network algorithm for simulating 24-hour temperature and precipitation variables by month during a 31-year period compared to the base period. Factorial variance analysis has been used to compare the average changes in temperature and precipitation during the observed period of 1990-2020 and the simulated period of 2020-2050. The comparison results show that there is no significant difference between temperature changes and precipitation in 24-hour selected meteorological stations in Iran. The computed Partial Eta Squared is 10.6 percent for temperature and 5.7 percent for precipitation. The highest and lowest precipitation observed occurred in the months of March and July. The simulations have predicted the highest and lowest precipitation for the months of March and August. Also, the highest and lowest observed temperatures occurred in the months of July and January, respectively, and the simulations predicted the same values for the same months. The highest and lowest observed precipitation values were recorded in Rasht 109.95 and Yazd 4.36 mm, respectively. The simulations predicted the highest and lowest amount of precipitation for the same stations as 112.46 and 5.63 mm. Also, the highest and lowest observed temperatures were recorded at Bandar Abbas 26.99 and Ardabil 9.36 Celsius degrees, respectively. The simulations have predicted these values 27.10 and 9.45 Celsius degrees, for the same stations, respectively.

کلیدواژه‌ها [English]

  • Key words: Numerical simulation
  • climate changes in Iran
  • temperature and precipitation
  • artificial neural network algorithm

مراجع

  1. اکبری،مهری و وحیده صیاد (1400)، تحلیل مطالعات تغییر اقلیم در ایران،مجله پژوهش‌های جغرافیای طبیعی،  دوره 53،شماره 1، صص 74-37.
  2. احمدی، محمود (1399). تغییر آب و هوا و اهمیت آن در امنیت منطقه غرب آسیا،ششمین کنگره بین المللی جغرافیدانان جهان اسلام،تهران .
  3. جهانبخش اصل،سعید؛ ساری صراف، بهروز، عساکره حسین و سهیلا شیرمحمدی (1399)، واکاوی تغییرات زمانی – مکانی بارش‌های بحرانی (فرین بالا) در غرب ایران طی سال‌های 2016 – 1965،نشریه تحلیل مخاطرات محیطی، سال هفتم،شماره 1، صص 106-89.
  4. جهانبخش اصل, سعید, خورشید دوست, علی, عالی نژاد, محمدحسین, پور اصغر, فرناز. (1395). تأثیر تغییر اقلیم بر دما و بارش با در نظر گرفتن عدم قطعیت مدل‌ها و سناریوهای اقلیمی (مطالعه‌ی موردی: حوضه‌ی شهر چای ارومیه). هیدرو ژئومورفولوژی، 3(7), 107-122.
  5. جهانبخش اصل، سعید؛ خورشید دوست،علی و محمد حسین عالی نژاد(1400)،بررسی تغییرات دما و بارش حوضه‌ی سیمره با استفاده از مدل‌های اقلیمی سری CMIP5، تحلیل فضایی مخاطرات محیطی سال هشتم ، شماره 3، صص 32-17.
  6. خورشید دوست، علی محمد، صراف، بهروز، قرمز چشمه، باقر و فاطمه جعفر زاده، 1396، برآورد و تحلیل مقادیر آتی بارش‌های نواحی خزری با به‌کارگیری مدل‌های گردش عمومی جو، تحقیقات کاربردی علوم جغرافیایی سال هفدهم، زمستان، شماره 47، صص 21-47.
  7. خورشید دوست، علی و سعید فتحی، 1400، پهنه بندی و تحلیل فضایی مخاطرات بالقوه محیطی (مطالعه موردی: بخش سیلوانا)، تحلیل فضایی مخاطرات محیطی، سال هشتم، بهار ، شماره 1، صص 20-1.
  8. داودی, علی, مرادجانی, شیرین. (1397). تحلیل فضایی تغییرات آب‌وهوایی ایران طی دهه‌های اخیر. علوم جغرافیایی (جغرافیای کاربردی), 14(29), 82-90.
  9. حجازی، سید اسدالله؛ رضایی مقدم، محمد حسین؛ کرمی، فریبا، یار احمدی، جمشید و علی بی غم(1401)، شبیه سازی و پیش بینی برخی متغیرهای اقلیمی توسط مدل چندگانه خطی SDSM و سناریوهای RCP در حوضه آبخیز حاجیلر،نشریه علمی جغرافیا و مخاطرات محیطی.
  10. رضایی بنفشه، مجید؛ سرافروزه، فاطمه و طاهره جلالی(1390)، بررسی روند دما و بارش‌های روزانه حدی در حوضه دریاچه ارومیه،نشریه جغرافیا و برنامه‌ریزی،سال 16 شماره 38،صص 74-43.
  11. رضایی بنفشه، مجید و طاهره جلالی عنصرودی(1397)، بررسی تأثیر تغییر اقلیم بر تغییرات زمانی و مکانی تغذیه آب زیرزمینی حوضه آبریز تسوج، نشریه علمی جغرافیا و برنامه‌ریزی،دوره 22 شماره 64، صص 79-59.
  12. ساری صراف، بهروز، جلالی عنصرودی، طاهره و فاطمه سرافروزه(1394)، اثرات گرمایش جهانی بر اقلیم شهرهای واقع در حوضه دریاچه ارومیه، پژوهش‌های بوم شناسی شهری، سال ششم، شماره 2، 48-33.
  13. صادق حسینی، علیرضا؛ حجام، سهراب؛ تفنگ ساز، پوریا؛ (1384)، ارتباط آب قابل بارش ابر و بارندگی دیده بانی شده در منطقه تهران، مجله فیزیک زمین و فضا،1 : 13-21.
  14. عزیزی، قاسم،1383، تغییر اقلیم، تهران، نشر قومس.
  15. عساکره، حسین و نسرین ورناصری قندعلی(1398)، واکاوی تغییرات مقدار، فراوانی، و شدت بارش‏ سالانۀ ناحیۀ خزری طی دورۀ آماری 1966-2016،مجله پژوهش جغرافیای طبیعی،دوره 51، شماره 2،صص 352-335.
  16. عساکره،حسین؛ مسعودیان، سید ابوالفضل و فاطمه ترکارانی(1400)، تفکیک نقش عوامل درونی و بیرونی در وردایی دهه‌ای بارش سالانۀ ایران‌زمین طی چهار دهۀ اخیر (1394-1355)، مجله پژوهش‌های جغرافیای طبیعی دوره 53، شماره 1، صص 107-91.
  17. کامیابی, سعید, عبدی, کمیل. (1399). آشکارسازی و تحلیل روند تغییرات اقلیم (بارش و دما) در محدوده ساری. فصلنامه علوم و تکنولوژی محیط زیست, 22(7), 165-179.
  18. گلیان، سعید و محمد رضا بذر افشان مقدم (1395)، بررسی اثر تغییر اقلیم بر بارش و دمای مناطق مختلف کشور ایران،دانشگاه صنعتی شاهرود - دانشکده مهندسی عمران - 1395 – پایان‌نامه کارشناسی ارشد.
  19. Alotaibi, Khalid, Abdul Razzaq Ghumman , Husnain Haider, Yousry Mahmoud Ghazaw, and Md. Shafiquzzaman, 2018, Future Predictions of Rainfall and Temperature Using GCM and ANN for Arid Regions: A Case Study for the Qassim Region, Saudi Arabia, Water 2018, 10, 1260; doi:10.3390/w10091260.
  20. (2007). Adaptation to climate change in agriculture, forestry, and fisheries: Perspective, framework and priorities. FAO, Rome
  21. Ertürk, A., Ekdal, A., Gürel, M., Karakaya, N., Guzel, C., Gönenç, E. (2014), Evaluating the impact of climate change on groundwater resources in a small Mediterranean watershed, Sci Total Environ 499: 437-47; doi: 10.1016/j.scitotenv.2014.07.001.
  22. Filhoab ,WalterLeal ,TonyWallcSerafino ,AfonsoRui Mucova(2022).Technological Forecasting and Social Change, Technological Forecasting and Social Change,Volume 180, July 2022, 121662.
  23. House, A., Acreman, M., Sorensen, J., Thompson, J. 2015. Hydroecological impacts of climate change modelled for a lowland UK wetland. Geophysical Research Abstracts, Vol. 17, EGU2015- 4671.
  24. O.D,  Motsholapheko.  M.  R,  Ngwenya.  B.  N  and  Olekae Thakadu.(2016),  Climate  Variability  and  Rural Livelihoods: How Households  Perceive and Adapt toClimatic Shocks in the Okavango Delta, Botswana, American Meteorological Society, Volume 8, pp 131-145.
  25. Önöz, B., & Bayazit, M. (2003). The power of statistical tests for trend detection. Turkish Journal of Engineering and Environmental Sciences, Vol. 27, NO. 4, pp. 247-251
  26. Root, T. L., Price, J. T., Hall, K. R., Schneider, S. H., Rosenzweig, C., & Pounds, J. A. (2003). Fingerprints of global warming on wild animals and plants. Nature, 421(6918), 57-61
  27. Sillmann, Jana, Thordis, Thorarinsdottir. Noel, Keenlyside, Nathalie, Schaller, Lisa V.Alexander, Gabriele Hegerl, Sonia I. Seneviratne, Robert Vautard, Xuebin Zhang, Francis W.Zwiersi, 2017, Understanding, modeling and predicting weather and climate extremes: Challenges and opportunities, Weather and Climate Extremes, Volume 18, December, Pages 65-74.
  28. Shahab Doulabian; Saeed Golian; Amirhossein Shadmehri Toosi; Conor Murphy, 2021, Evaluating the effects of climate change on precipitation and temperature for Iran using RCP scenarios, Journal of Water and Climate Change (2021) 12 (1): 166–184.
  29. Vose, R. S., Wuertz, D., Peterson, T. C., & Jones, P.D. (2005). An inter comparison of trends in surface air temperature analyses at the global, hemispheric, and grid‐box scale. Geophysical research letters, Vol. 32, NO. 18.
  30. Wagner T. 2020. Global trends of total column precipitable water observed by Global ozone monitoring, Journal of Geophysical research, vol. III, D12102.
  31. Yanlong Guan, HongweiLu, YelinJiang, PeipeiTian, LihuaQiu, PetriPellikka & Janne HeiskanenGaston(2021). Changes in global climate heterogeneity under the 21st century global warming, Ecological Indicators journal homepage: elsevier.com/locate/ecolind.
  32. Lebbihiata.Nacer,AbdelmalekAtiaaMüslümArıcıbNoureddineMeneceuraAbdessamia Hadjadja Youcef Chetioui (2022). Thermal performance analysis of helical ground-air heat exchanger under hot climate: In situ measurement and numerical simulation, Energy, Volume 254, Part C, 1 September 2022, 124429.

 

 

فایل ها

هم رسانی

ارجاع به این مقاله

آمار