پیش نگری همادی نمایه‌های خشکسالی در ایران مبتنی بر برونداد چند مدلی CMIP5

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار آب و هواشناسی، گروه جغرافیا، دانشگاه فردوسی مشهد، مشهد، ایران

2 پژوهشگر پسادکتری آب و هواشناسی، گروه جغرافیا، دانشگاه فردوسی مشهد، مشهد، ایران

چکیده

افزایش شدت و فراوانی نمایه­های خشکسالی به دلیل گرمایش جهانی می­تواند محیط طبیعی را به­شدت تحت تأثیر قرار دهد. بنابراین، پیش­نگری نمایه­های خشکسالی با استفاده از مدل­های گردش کلی جو (GCM) به‌منظور ارائه پیش آگاهی از شرایط خشکسالی و همچنین مدیریت ریسک‌ اقلیمی ناشی از آن ضروری است. برای این منظور از داده­های بازتحلیل پایگاه ERA5 و برونداد مدل­های CMIP5 استفاده گردید و سه نمایه روزهای خشک، دوره­های خشک و شاخص خشکی مورد بررسی قرار گرفت. نه مدل از مجموعه مدل­های CMIP5 با تفکیک افقی 5/0 درجه­قوسی گزینش و با روش نگاشت چندک دلتا (QDM) تصحیح اریبی شدند. سپس با استفاده از مدل میانگین گیری بیزین (BMA) یک مدل همادی تولید و کارایی آن با استفاده از نمودار تیلور بررسی شد. نتایج نشان داد که مدل CMIP5-MME تولید شده با روش BMA از مدل­های نه گانه منفرد موجود بهتر عمل کرده است. مدل­ همادی ایجاد شده دوره خشک و روزهای خشک را دقیق­تر از شاخص خشکی در ایران برآورده کرده است که نشان می­دهد مدل­های CMIP5 رخداد بارشی را بهتر از مقدار بارش برآورد می­کنند. نتایج گویای این است که فراوانی روزهای خشک، دوره­ خشکی و همچنین شاخص خشکی در ایران روند افزایشی خواهد داشت. شاخص خشکی (AI) که تعادل بین عرضه و تقاضای آب را در فصل مشترک جو-زمین نشان می­دهد حداکثر 15/3 درصد در متوسط پهنه ایران افزایش خواهد داشت. همچنین روزهای­ خشک و دوره خشک حداکثر به­ترتیب 50/7 و 84/28 درصد در دهه­های آینده افزایش دارند. نتایج نشان می­دهد که تحت شرایط تغییر اقلیم، طول دوره­ خشکسالی افزایش بیش­تری نسبت به شاخص خشکی خواهد داشت. این نتیجه یک تهدید جدی برای منابع آب و اکوسیستم تلقی شده و نیازمند توجه ویژه به برنامه­های مدیریت خشکسالی (DMP) در کشور است.

کلیدواژه‌ها

عنوان مقاله [English]

Projection of drought indices in Iran based on CMIP5 multi-model ensemble

نویسندگان [English]

  • Azar Zarrin 1
  • Abbasali Dadashi-Roudbari 2
1 Assistant Professor of Climatology, Ferdowsi University of Mashhad, Department of Geography, Mashhad, Iran
2 2. Postdoctoral Researcher of Climatology, Ferdowsi University of Mashhad, Department of Geography, Mashhad, Iran.
چکیده [English]

Increasing the intensity and frequency of drought indices due to global warming can severely affect the natural environment. Therefore, it is necessary to project drought indices using General Circulation Models (GCMs) in order to provide projection of drought conditions as well as climate risk management. For this purpose, nine models were selected from a set of CMIP5 models with horizontal resolution of 0.5 ° and bias corrected by Quantile Delta-Mapping (QDM) method. Then, using a Bayesian mean model (BMA), an ensemble model was generated and its performance was evaluated using Taylor diagram. The results showed that the CMIP5-MME model generated by BMA method performed better than the existing nine individual models. The generated ensemble model simulates the dry spells and dry days more accurately than the intensity of drought in Iran. It shows that CMIP5 models simulate the precipitation event better than the amount of precipitation. The results showed that the frequency of dry days, drought period and also the severity of drought in Iran will increase in the future. The aridity index (AI), which shows the balance between water supply and demand in the atmospheric-Earth interaction, will increase by a maximum of 3.15% in the average area of Iran. Also, dry days and dry spells will increase by 7.50% and 28.84%, respectively, in the upcoming decades. The results show that under climate change conditions, the length of the drought period will increase more than the aridity index (intensity of the drought). This result is considered a serious threat to water resources and ecosystems and requires special attention to drought management programs (DMP) in the country.

کلیدواژه‌ها [English]

  • Drought Indices
  • Aridity Index (AI)
  • Multi-Model Ensemble
  • Iran

مراجع

  1. تاج بخش، سحر. عیسی خانی، نسرین و فضل کاظمی، امین. (1394). ارزیابی خشک‌سالی هواشناسی در ایران با استفاده از شاخص «استانداردشدة بارش و تبخیر-تعرق (SPEI)». فیزیک زمین و فضا، 41(2)، 313-321.
  2. جوان، خدیجه. (1400). بررسی خشکسالی هواشناسی در ایستگاه ارومیه با استفاده از شاخص SPI تحت سناریوهای تغییر اقلیم (RCP). پژوهش­های تغییرات آب و هوایی, 2(5)، 81-94.
  3. خزانه‌داری، لیلی. زابل عباسی، فاطمه. قندهاری، شهرزاد. کوهی، منصوره و ملبوسی، شراره. (1388). دورنمایی از وضعیت خشکسالی ایران طی سی سال آینده. جغرافیاوتوسعه ناحیه­ای، 7(12)، 83-99.
  4. خوش اخلاق، فرامرز. کریمی احمدآباد، مصطفی. جاسمی، سید میثم و کاکی، سیف‌اله. (1399). واکاوی آماری - همدید تغییرپذیری آب ‌و‌ هواشناختی رژیم بارش غرب میانی ایران با تاکید بر رخداد خشکسالی‌های شدید. پژوهش­های تغییرات آب و هوایی، 1(1)، 63-82.
  5. دارند، محمد. (1393). پایش خشکسالی ایران به کمک شاخص شدت خشکسالی پالمر و ارتباط آن با الگوهای پیوند از دور جوی- اقیانوسی. فصل‌نامه تحقیقات جغرافیایی. ۲۹ (۴)، ۸۲-۶۷.
  6. زرین, آذر و داداشی رودباری، عباسعلی. (1400الف). مدیریت ریسک خشکسالی در شرایط تغییر اقلیم: نقش سیاست‌های ملی و برنامه مدیریت خشکسالی (DMP). آب و توسعه پایدار، 8(1)، 107-112.
  7. زرین, آذر و داداشی رودباری، عباسعلی. (1400ب). پیش نگری شدت بارش در ایران با بکارگیری رویکرد همادی چند مدلی با استفاده از داده‌های مقیاس کاهی شده NEX-GDDP. مجله ژئوفیزیک ایران، پذیرفته شده برای چاپ.
  8. زرین، آذر و داداشی رودباری، عباسعلی. (1400ج). پیش‌نگری دوره‌های خشک و مرطوب متوالی در ایران مبتنی‌ بر برونداد همادی مدل‌های تصحیح شده اریبی CMIP6. فیزیک زمین و فضا، 47(3)، 561-578.
  9. Ahmadalipour, A., Moradkhani, H., Castelletti, A., and Magliocca, N. (2019). Future drought risk in Africa: Integrating vulnerability, climate change, and population growth. Science of the Total Environment, 662, 672-686.
  10. Bowell, A., Salakpi, E.E., Guigma, K., Muthoka, J.M., Mwangi, J., and Rowhani, P. (2021). Validating commonly used drought indicators in Kenya. Environmental Research Letters, 16(8), 084066.
  11. Calow, R.C., MacDonald, A.M., Nicol, A.L., and Robins, N.S. (2010). Ground water security and drought in Africa: linking availability, access, and demand. Groundwater, 48(2), 246-256.
  12. Cannon, A.J., Sobie, S.R., and Murdock, T.Q. (2015). Bias correction of GCM precipitation by quantile mapping: How well do methods preserve changes in quantiles and extremes? Journal of Climate, 28(17), 6938-6959.
  13. Cook, B.I., Mankin, J.S., Williams, A.P., Marvel, K.D., Smerdon, J.E., and Liu, H. (2021). Uncertainties, limits, and benefits of climate change mitigation for soil moisture drought in Southwestern North America. Earth's Future, 9(9), e2021EF002014.
  14. Crausbay, S.D., Ramirez, A.R., Carter, S.L., Cross, M.S., Hall, K.R., Bathke, D.J., ... and Sanford, T. (2017). Defining ecological drought for the twenty-first century. Bulletin of the American Meteorological Society, 98(12), 2543-2550.
  15. CRED, U. (2020). Human Cost of Disasters. An Overview of the last 20 years: 2000–2019. CRED, UNDRR, Geneva.
  16. Hersbach, H., Bell, B., Berrisford, P., Hirahara, S., Horányi, A., Muñoz‐Sabater, J., ... and Thépaut, J.N. (2020). The ERA5 global reanalysis. Quarterly Journal of the Royal Meteorological Society, 146(730), 1999-2049.
  17. Hessl, A.E., Anchukaitis, K.J., Jelsema, C., Cook, B., Byambasuren, O., Leland, C., ... and Hayles, L.A. (2018). Past and future drought in Mongolia. Science Advances, 4(3), e1701832.
  18. Lesk, C., Rowhani, P., and Ramankutty, N. (2016). Influence of extreme weather disasters on global crop production. Nature, 529(7584), 84-87.
  19. Li, M., Chu, R., Islam, A.R.M., Jiang, Y., and Shen, S. (2020). Attribution analysis of long-term trends of aridity index in the Huai River basin, eastern China. Sustainability, 12(5), 1743.
  20. Linke, A.M., Witmer, F.D., O’Loughlin, J., McCabe, J.T., and Tir, J. (2018). Drought, local institutional contexts, and support for violence in Kenya. Journal of Conflict Resolution, 62(7), 1544-1578.
  21. Massoud, E.C., Lee, H., Gibson, P.B., Loikith, P., and Waliser, D.E. (2020). Bayesian model averaging of climate model projections constrained by precipitation observations over the contiguous United States: Journal of Hydrometeorology, 21(10), 2401-2418.
  22. Miao, L., Li, S., Zhang, F., Chen, T., Shan, Y., and Zhang, Y. (2020). Future drought in the dry lands of Asia under the 1.5 and 2.0 C warming scenarios. Earth's Future, 8(6), e2019EF001337.
  23. Mondal, S.K., Huang, J., Wang, Y., Su, B., Zhai, J., Tao, H., ... and Jiang, T. (2021). Doubling of the population exposed to drought over South Asia: CMIP6 multi-model-based analysis. Science of The Total Environment, 771, 145186.
  24. Monjo, R., Royé, D., and Martin-Vide, J. (2020). Meteorological drought lacunarity around the world and its classification. Earth System Science Data, 12(1), 741-752.
  25. Moss, R.H., Edmonds, J.A., Hibbard, K.A., Manning, M.R., Rose, S.K., Van Vuuren, D.P.,.. and Wilbanks, T.J. (2010). The next generation of scenarios for climate change research and assessment. Nature, 463(7282), 747-756.
  26. Naumann, G., Alfieri, L., Wyser, K., Mentaschi, L., Betts, R.A., Carrao, H., ... and Feyen, L. (2018). Global changes in drought conditions under different levels of warming. Geophysical Research Letters, 45(7), 3285-3296.
  27. Otkin, J.A., Svoboda, M., Hunt, E. D., Ford, T.W., Anderson, M.C., Hain, C., and Basara, J.B. (2018). Flash droughts: A review and assessment of the challenges imposed by rapid-onset droughts in the United States. Bulletin of the American Meteorological Society, 99(5), 911-919.
  28. Parker, W.S. (2016). Reanalyses and observations: What’s the difference?. Bulletin of the American Meteorological Society, 97(9), 1565-1572.
  29. Reichler, T., and Kim, J. (2008). How well do coupled models simulate today's climate?. Bulletin of the American Meteorological Society, 89(3), 303-312.
  30. Scheff, J., and Frierson, D.M. (2015). Terrestrial aridity and its response to greenhouse warming across CMIP5 climate models. Journal of Climate, 28(14), 5583-5600.
  31. Sun, C.X., Huang, G.H., Fan, Y., Zhou, X., Lu, C., and Wang, X.Q. (2019). Drought occurring with hot extremes: Changes under future climate change on Loess Plateau, China. Earth's Future, 7(6), 587-604.
  32. Switanek, M.B., Troch, P.A., Castro, C.L., Leuprecht, A., Chang, H.I., Mukherjee, R., and Demaria, E. (2017). Scaled distribution mapping: a bias correction method that preserves raw climate model projected changes. Hydrology and Earth System Sciences, 21(6), 2649-2666.
  33. Taylor, K.E. (2001). Summarizing multiple aspects of model performance in a single diagram. Journal of Geophysical Research: Atmospheres, 106(D7), 7183-7192.
  34. Taylor, K.E., Stouffer, R.J., and Meehl, G.A. (2012). An overview of CMIP5 and the experiment design. Bulletin of the American meteorological Society, 93(4), 485-498.
  35. Tegegne, G., Melesse, A.M., and Worqlul, A.W. (2020). Development of multi-model ensemble approach for enhanced assessment of impacts of climate change on climate extremes. Science of the Total Environment, 704, 135357.
  36. Wallemacq, P. (2018). Economic losses, poverty & disasters: 1998-2017. Centre for Research on the Epidemiology of Disasters, CRED.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار