پژوهش‌های تغییرات آب و هوایی

پژوهش‌های تغییرات آب و هوایی

پیش‌بینی پارامتر بارش در شمال ایران بر اساس مدل‌های منتخب CMIP6

نوع مقاله : مقاله پژوهشی

نویسندگان
علی شاهی 1
برومند صلاحی 2
1 دانشجوی دکتری آب و هواشناسی، گروه جغرافیای طبیعی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران
2 استاد آب و هواشناسی، گروه جغرافیای طبیعی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران.
10.30488/ccr.2025.522854.1284
چکیده
بارش یکی از فراسنج‌های جوی بسیار تغییرپذیر جوی است که چگونگی و زمان رخداد تغییرات آن توجه پژوهشگران را به خود جلب کرده است. در پژوهش حاضر به‌منظور شناسایی تغییرات رخ داده در بارش شمال‌غرب کشور بین سال‌های 1348-1397 (1970 تا 2019) و با درنظر گرفتن اثر دریای مدیترانه بر  مقدار بارش ایران، به‌ویژه شمال‌غرب کشور، ارتباط نمایه‌ی پیوند از دور مدیترانه MOIac  که در الجزایر و قاهره واقع است را با استفاده از روش همبستگی و رگرسیون حداقل مربعات خطا واکاوی شد. تمامی واکاوی‌ها بر روی فازهای مثبت و منفی نمایه نیز انجام گرفت. نتایج حاکی از آن است که به‌صورت کلی ارتباط ضعیف بین نمایه‌‌ی مورد مطالعه و بارش وجود داشت. این شرایط برای فازها نیز صادق است. با این وصف بیش‌ترین نواحی متأثر از نم این مطالعه با هدف پیش‌نگری بارش در 32 ایستگاه همدیدی نیمه شمالی ایران در سه دهه آتی انجام گرفت. برای این منظور، از داده‌های 5 مدل AOGCM به نام‌های MPI-ESM1-2-HR، INM-CM5-0،CMCC-CM2-SR5 ،BCC-CSM2-MR ،EC-EARTH3-CC  از مجموعه مدل‌های سری CMIP6 تحت 2 سناریویSSP2-4.5  (متوسط) و SSP5-8.5 (بدبینانه) استفاده شد. دوره مشاهداتی 1985-2014 و دوره آینده 2030-2059 در نظر گرفته شدند. کارایی مدل‌ها با محاسبه سنجه آماری KGE ارزیابی شدند و برای انتخاب روش مناسب ریزمقیاس از میان روش‌های Linear Scaling، Power transformation و Distribution mapping نمودار تیلور استفاده شد. به‌منظور کاهش عدم قطعیت با روش میانگین‌گیری وزنی (مبتنی به رتبه)، مدل همادی محاسبه شد. محاسبات نشان داد که مدل همادی تولید شده کارایی بهتری را نسبت به مدل‌های منفرد دارد. بیشینه کاهش بارش در مقیاس سالانه در دوره آتی در ایستگاه جلفا با مقدار تقریبی 40 درصد در سناریوی متوسط رخ خواهد داد و بیشترین افزایش بارش در ایستگاه سهند با افزایش 14 درصدی در دوره آینده در سناریوی بدبینانه اتفاق خواهد افتاد. یافته‌های تحقیق حاکی از آن است که مقدار بیشینه، متوسط و کمینه شاخص آماری KGE برای مدل همادی در مقایسه با مقادیر بارش ایستگاه‌های منطقه مورد مطالعه به ترتیب 1/0، 05/0 و صفر بوده است. نتایج نشان داد که در مقیاس زمانی سالانه، تحت سناریوی متوسط، 78 درصد ایستگاه‌ها کاهش بارش را تجربه خواهند کرد درصورتی‌که تحت سناریوی بدبینانه، 75 درصد ایستگاه‌های هواشناسی مورد مطالعه افزایش بارش را خواهند داشت. مطابق تحقیق حاضر، 56 درصد از ایستگاه‌های مورد مطالعه دارای تغییرات سالانه بارشی صعودی تحت سناریو SSP585 و نزولی تحت سناریو SSP245 بودند.
کلیدواژه‌ها
تغییر اقلیم
مدلسازی
همادی
ایران
موضوعات

عنوان مقاله English

Forecasting Precipitation in the Northern Half of Iran Based on the Output of Selected CMIP6 Models

نویسندگان English

Ali Shahi 1
Bromand Salahi 2
1 Ph.D. Student of Climatology, Department of Physical Geography, Faculty of Social Sciences, University of Mohaghegh Ardabili, Ardabil, Iran
2 Professor of Climatology, Department of Physical Geography, Faculty of Social Sciences, University of Mohaghegh Ardabili, Ardabil, Iran
چکیده English

This study aimed to forecast precipitation at 32 synoptic stations in the northern half of Iran in the next three decades. For this purpose, data from 5 AOGCM models, namely MPI-ESM1-2-HR, INM-CM5-0, CMCC-CM2-SR5, BCC-CSM2-MR, and EC-EARTH3-CC, from the CMIP6 series of models were used under 2 scenarios: SSP2-4.5 (moderate) and SSP5-8.5 (pessimistic). The observation period was 1985-2014 and the future period was 2030-2059. The raw precipitation output was downscaled by CMHyd software. The performance of the models was evaluated by calculating the KGE statistic measure and the Taylor diagram was used to select the appropriate downscaling method among Linear Scaling, Power transformation, and Distribution mapping methods. In order to reduce the uncertainty with the weighted averaging method (based on rank), the ensemble model was calculated. The calculations showed that the generated ensemble model has better performance than the individual models. The maximum decrease in precipitation on an annual scale in the future period will occur at Jolfa station with an approximate value of 40% in the average scenario, and the largest increase in precipitation will occur at Sahand station with an increase of 14% in the future period in the pessimistic scenario. The research findings indicate that the maximum, average, and minimum values ​​of the KGE statistical index for the emsemble model compared to the precipitation values ​​of the stations in the study area were 0.1, 0.05, and zero, respectively. The results showed that on an annual time scale, under the average scenario, 78% of the stations will experience a decrease in precipitation, while under the pessimistic scenario, 75% of the studied meteorological stations will have an increase in precipitation. According to the present study, 56% of the studied stations had increasing annual precipitation changes under the SSP585 scenario and decreasing under the SSP245 scenario

کلیدواژه‌ها English

Climate Change
Emsemble
Modeling
Iran
  1. بابائیان، ایمان، مدیریان، راهله، خزانه‌داری، لیلی، کریمیان، مریم، کوزه‌گران، سعیده، کوهی، منصوره، فلامرزی، یاشار، و ملبوسی، شراره. (1402). چشم‌انداز بارش ایران در قرن 21 با به‌کارگیری مقیاس‌کاهی آماری برونداد مدل‌های منتخب CMIP6 توسط نرم‌افزار CMHyd. فیزیک زمین و فضا، 49(2)، 431-449. doi:
    22059/jesphys.2023.332410.1007436
  2. بابائیان، ایمان؛ مدیریان، راهله؛ خزانه‌داری، لیلی؛ کوهی، منصوره؛ کوزه گران، سعیده؛ فلامرزی، یاشار؛ کریمیان، مریم و ملبوسی، شراره. (1400). پیش‌نگری بارش کشور با استفاده از مقیاس کاهی آماری برونداد مدل‌های CMIP6، پروژه داخلی پژوهشکده اقلیم‌شناسی، مشهد.
  3. جوان، خدیجه، و عزیززاده، محمدرضا. (1403). ارزیابی روش‌های مختلف تصحیح اریبی بر پیش‌نگری بارش مدل GFDL-ESM4 در حوضه دریاچه ارومیه. جغرافیا و برنامه‌ریزی، 28(88)، 415-397. doi: 10.22034/gp.2023.56731.3140
  4. حمیدیان پور، محسن و شجاع، فائزه. (1401). مقدمه‌ای بر روش‌ها و شگردهای مدل‌سازی اقلیم و تغییر اقلیم. چاپ اول. سیستان و بلوچستان: انتشارات دانشگاه سیستان و بلوچستان.

                                                                                                                                       

  1. خواجه امیری، چکاوک، خسروی، محمود، طاوسی، تقی، حمیدیان پور، محسن، و کیانی مقدم، منصور. (1401). صحت سنجی عملکرد برونداد مدل‌ اقلیمی CMIP6 با داده‌های مشاهده‌ای کرانه‌های مکران. نشریه هواشناسی و علوم جوّ، 5(1)، 22-41. doi: 10.22034/jmas.2023.379448.1193
  2. زارعیان، محمدجواد. (۱۴۰۱). اثرات تغییر اقلیم بر دما و بارش استان یزد بر اساس خروجی‌ ترکیبی مدل‌های CMIP6. علوم آب و خاک، ۲۶ (۲)، ۹۱-۱۰۵. http://dx.doi.org/10.47176/jwss.26.2.31501
  3. زرین، آذر، و داداشی رودباری، عباسعلی. (1399). پیش‌نگری چشم‌انداز بلندمدت دمای آینده ایران مبتنی بر برونداد پروژه مقایسه مدل‌های جفت‌شدة فاز ششم (CMIP6). فیزیک زمین و فضا، 46(3)، 583-602. doi: 10.22059/jesphys.2020.304870.1007226
  4. ساری صراف، بهروز، رستم زاده، هاشم، و محمدی، نبی. (1403). پیش‌نگری بارش با استفاده از مدل‌های CMIP6 تا پایان قرن 21 در شمال غرب ایران. جغرافیا و مخاطرات محیطی، 13(1)، 173-194. doi: 10.22067/geoeh.2022.76646.1223
  5. سالاری فنودی، محمدرضا، خسروی، محمود، طاوسی، تقی و حمیدیان پور، محسن. (1402). پیش نمایی بارش‌های تابستانه مونسونی جنوب شرق ایران مبتنی بر مدل همادی. پژوهش‌های تغییرات آب و هوایی، 4(15)، 1-22. doi: 10.30488/ccr.2023.390406.1123
  6. سرابی، مجتبی، دستورانی، محمدتقی، و زرین، آذر. (1399). بررسی تأثیر تغییرات اقلیمی آینده بر وضعیت دما و بارش (مطالعه موردی: حوضه آبخیز سد طرق مشهد). نشریه هواشناسی و علوم جوّ، 3(1)، 63-83. doi: 10.22034/jmas.2021.278862.1129
  7. شجاع، فائزه و شمسی‌پور، علی‌اکبر. (1402). پیش‌نمایی تغییرات بارش‌های آتی حوضه‌های آبخیز تأمین‌کننده آب شهر تهران. مخاطرات محیط طبیعی، 12(36), 151-180. doi: 10.22111/jneh.2022.42622.1908
  8. میان‌آبادی، آمنه و سلاجقه، مریم. (1403). پیش‌نگری تغییر در تاریخ آخرین سرمازدگی بهاره و تعداد روزهای سرمازدگی در ایستگاه‌های پسته‌خیز استان کرمان با استفاده از برونداد مدل‎های اقلیمی 6پژوهش‌های تغییرات آب و هوایی،5(18)، 67-92. doi: 10.30488/ccr.2024.435000.1194
  9. ناظری، فائزه، محمودی، پیمان و امیر جهانشاهی، سید مهدی. (1404). تغییرپذیری بارش و پیش‌بینی بارش‌های سالانه مرکز و جنوب شرق ایران با استفاده از مدل سری‌های زمانی تصادفی. پژوهش‌های تغییرات آب و هوایی،6(21)، 1-22. doi: 10.30488/ccr.2024.458098.1215
  10. Al-Maliki, L. A., Al-Mamoori, S. K., Jasim, I. A., El-Tawel, K., Al-Ansari, N., Comair, F. G. (2022). Perception of climate change effects on water resources: Iraqi undergraduates as a case study. Arabian Journal of Geosciences, 15(6), pp 1-13. https://doi.org/10.1007/s12517-022-09695-y
  11. Chen, W., Jiang, Z., & Li, L. (2011). Probabilistic projections of climate change over China under the SRES A1B scenario using 28 AOGCMs. Journal of Climate, 24(17), 4741-4756.‏ https://doi.org/10.1175/2011JCLI4102.1
  12. Diress, S. A., Bedada, T. B. (2021). Precipitation and Temperature trend analysis by Mann Kendall test: The case of Addis Ababa methodological station, Addis Ababa, Ethiopia. African Journal on Land Policy and Geospatial Sciences, 4(4), pp517-526. http://dx.doi.org/10.22004/ag.econ.334454
  13. Eyring, V., Bony, S., Meehl, G. A., Senior, C. A., Stevens, B., Stouffer, R. J., & Taylor, K. E. (2016). Overview of the Coupled Model Intercomparison Project Phase 6 (CMIP6) experimental design and organization. Geoscientific Model Development, 9(5), 1937-1958. https://doi.org/10.5194/gmd-9-1937-2016, 2016.
  14. Fallah Ghalhari, G. A., Yousefi, H., Hosseinzadeh, A., Alimardani, M., & Reyhani, E. (2019). Assessment of Climate Change in Bojnourd Station in 2016-2050 using Downscaling Models LARS WG and SDSM. Iranian journal of Ecohydrology, 6(1), 99-109.‏ https://doi.org/10.22059/ije.2018.265918.952
  15. Fallah-Ghalhari, G., Shakeri, F., & Dadashi-Roudbari, A. (2019). Impacts of climate changes on the maximum and minimum temperature in Iran. Theoretical and Applied Climatology, 138, 1539-1562.https://link.springer.com/article/10.1007/s00704-019-02906-9
  16. Ge, F., Zhu, S., Luo, H., Zhi, X., & Wang, H. (2021). Future changes in precipitation extremes over Southeast Asia: insights from CMIP6 multi-model ensemble. Environmental Research Letters, 16(2), 024013.‏ http://dx.doi.org/10.1088/1748-9326/abd7ad
  17. Gupta, H. V., Kling, H., Yilmaz, K. K., & Martinez, G. F. (2009). Decomposition of the mean squared error and NSE performance criteria: Implications for improving hydrological modelling. Journal of hydrology, 377(1-2), 80-91.‏ https://doi.org/10.1016/j.jhydrol.2009.08.003
  18. Jiang, J., Zhou, T., Chen, X., & Zhang, L. (2020). Future changes in precipitation over Central Asia based on CMIP6 projections. Environmental Research Letters, 15(5), 054009. http://dx.doi.org/10.1088/1748-9326/ab7d03
  19. Kim, Y. H., Min, S. K., Zhang, X., Sillmann, J., & and Sandstad, M. (2020). Evaluation of the CMIP6 multi-model ensemble for climate extreme indices. Weather and Climate Extremes, 29,: 100269. https://doi.org/10.1016/j.wace.2020.100269
  20. Knoben, W. J., Freer, J. E., & Woods, R. A. (2019). Inherent benchmark or not? Comparing Nash–Sutcliffe and Kling–Gupta efficiency scores. Hydrology and Earth System Sciences, 23(10), 4323-4331.‏https://doi.org/10.5194/hess-23-4323-2019
  21. Li, Y., Li, Z., Zhang, Z., Chen, L., Kurkute, S., Scaff, L., Pan, X. (2019). High-resolution regional climate modeling and projection over western Canada using a weather research forecasting model with a pseudo-global warming approach. Hydrology and Earth System Sciences, 23(11), pp 4635-4659. https://doi.org/10.5194/hess-23-4635-2019
  22. Li, Y., Yan, D., Peng, H., & Xiao, S. (2021). Evaluation of precipitation in CMIP6 over the Yangtze River Basin. Atmospheric Research, 253, 105406. https://doi.org/10.1016/j.atmosres.2020.105406
  23. Majdi, F., Hosseini, S. A., Karbalaee, A., Kaseri, M., & Marjanian, S. (2022). Future projection of precipitation and temperature changes in the Middle East and North Africa (MENA) region based on CMIP6. Theoretical and Applied Climatology, 1-14.‏ https://doi.org/10.1007/s00704-021-03916-2
  24. Pedersen, J. T. S., van Vuuren, D., Gupta, J., Santos, F. D., Edmonds, J., & Swart, R. (2022). IPCC emission scenarios: How did critiques affect their quality and relevance 1990–2022?. Global Environmental Change, 75, 102538.‏ https://doi.org/10.1016/j.gloenvcha.2022.102538
  25. Praveen, B., Talukdar, S., Mahato, S., Mondal, J., Sharma, P., Islam, A. R. M., Rahman, A. (2020). Analyzing trend and forecasting of rainfall changes in India using non-parametrical and machine learning approaches. Scientific reports, 10(1), pp 1-21. https://doi.org/10.1038/s41598-020-67228-7
  26. Sharafati, A., Nabaei, S., & Shahid, S. (2020). Spatial assessment of meteorological drought features over different climate regions in Iran. International Journal of Climatology, 40(3), 1864-1884 https://doi.org/10.1002/joc.6307.‏
  27. Srivastava, A., Grotjahn, R., & Ullrich, P. A. (2020). Evaluation of historical CMIP6 model simulations of extreme precipitation over contiguous US regions. Weather and Climate Extremes, 29, 100268.‏https://doi.org/10.1016/j.wace.2020.100268
  28. Sung, H.M., Kim, J., & Shim, S. (2021). Climate Change Projection in the Twenty-First Century Simulated by NIMS-KMA CMIP6 Model Based on New GHGs Concentration Pathways. Asia-Pacific J Atmos Sci, 57, 851–862. https://doi.org/10.1007/s13143-021-00225-6
  29. Taylor, K. E. (2001). Summarizing multiple aspects of model performance in a single diagram. Journal of geophysical research: atmospheres, 106(D7), 7183-7192.‏ https://doi.org/10.1029/2000JD900719
  30. Tebaldi, C., Debeire, K., Eyring, V., Fischer, E., Fyfe, J., Friedlingstein, P., ... & Ziehn, T. (2021). Climate model projections from the scenario model intercomparison project (ScenarioMIP) of CMIP6. Earth System Dynamics, 12(1), 253-293. https://doi.org/10.5194/esd-12-253-2021
  31. Yoo, J. H., & Kang, I. S. (2005). Theoretical examination of a multi‐model composite for seasonal prediction. Geophysical Research Letters, 32(18).‏ https://doi.org/10.1029/2005GL023513
  32. Zhang, X., Hua, L., & Jiang, D. (2022). Assessment of CMIP6 model performance for temperature and precipitation in Xinjiang, China. Atmospheric and Oceanic Science Letters, 15(2), 100128.‏ https://doi.org/10.1016/j.aosl.2021.100128