ارزیابی عملکرد مدلSDSM در بررسی اثر تغییر اقلیم بر بارش و دما

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه علم و صنعت ایران،تهران

2 گروه مهندسی عمران، دانشگاه علم و صنعت ایران،تهران

3 گروه مهندسی عمران، دانشگاه پیام نور، ایران

چکیده

تغییراقلیم و افزایش دمای کره زمین از مسائل مهم زیست محیطی بشر به­حساب می­آید که در سال­های اخیر مطالعات زیادی را به­خود اختصاص داده­است. جهت ارزیابی آثار اقلیم آینده، از مدل­های گردش عمومی (GCMs) برای شبیه­سازی متغیرهای اقلیمی استفاده می­شود. خروجیGCM ها بزرگ مقیاس هستند، لذا جهت مطالعه اثرات تغییراقلیم در مقیاس حوضه نیاز به کاهش­مقیاس داده­ها است. مدل کاهش­مقیاس آماری  SDSMقبلا  برای مطالعات تغییراقلیم به­کار رفته­است، حال آنکه دامنه کار این مدل کمتر مورد ارزیابی قرار گرفته شده­است. در این پژوهش، عملکرد مدل SDSM با استفاده از داده­های بارش، دمای حداکثر و حداقل ایستگاه یاسوج ومتغیرهای بزرگ­مقیاسNCEP ارزیابی و سپس اثرتغییراقلیم در دوره 93-2067 بااستفاده از خروجی­های مدل CGCM3 تحت سناریویA2 پیش­بینی­شد. ارزیابی دقیقی از عملکرد مدل در سه سطح روزانه، ماهانه و سالانه­ جهت بررسی نقاط قوت و ضعف مدل در ارزیابی آثار تغییراقلیم انجام شد. نتایج نشان داد عملکرد مدل در مقیاس روزانه خوب است، اما در شبیه­سازی توزیع بارش­های روزانه حداکثر سالانه قابل قبول نیست؛ در مقیاس ماهانه و همچنین در بازتولید توزیع سالانه بارش در سطح اعتماد 90% قابل قبول، اما نسبتا ضعیف است. عملکرد مدل در بازتولید توزیع سالانه دما قابل قبول نیست. در ارزیابی اثر تغییراقلیم نتایج نشاد داد که در آینده میانگین دمای حداکثر و حداقل ماهانه در همه ماه­های سال تقریبا به­صورت یکسان افزایش، میانگین بارش در فصل بهار کاهش و در فصل پاییز افزایش خواهد یافت. افزایش میانگین بارش و دمای سالانه به­ترتیب52% و 76/2 درجه سانتیگراد پیش­بینی می­شود.

کلیدواژه‌ها


عنوان مقاله [English]

Assessment of SDSM model performance to investigate the effect of climate change on precipitation and temperature

نویسندگان [English]

  • Mehraveh Hasirchian 1
  • Bagher Zahabiyoun 2
  • Mohammad Reza Khazaei 3
1 Ph. D Candidate, Department of Civil Engineering, Iran University Science and Techology,
2 Associate Professor, Department of Civil Engineering, Iran University Science and Techology,
3 , Departmen of civil engineering t, Payame Noor university, I.R of Iran
چکیده [English]

The climate change and global warming is one of the important environmental humanity issues. For climate change impacts assessment, GCM models are used. In order to use the GCM outputs in the catchment scale, downscaling is required. The SDSM are used to assess the climate change impacts studies extensively, while the scope of SDSM has been evaluatedless. In this research, performance of the SDSM investigated using precipitation, Tmax and Tmin data of Yasouj station, and NCEP large-scale atmospheric variables. Then climate change impats in 2067-93 period was assessed using CGCM3 outputs underA2 scenario.To assess the strengths and weaknesses points of SDSM, precise evaluation was performed at daily, monthly and annual levels.The results showed that the model performance on daily level is good, but not acceptable in annual maximum daily precipitation distributions; on monthly level and reproduction of annual precipitation distributions is acceptable at 90% confidence level; not acceptable on reproduction of annual temperature distributions. In assessing the climate change impacts, it was concluded that monthly mean of Tmax and Tmin in all months will increase relatively the same, the mean precipitation decrease in spring and increase in autumn. It is forecasted that increasing of mean annual precipitation and temperature are 52% and 2.76 respectively

کلیدواژه‌ها [English]

  • : Bashar river basin
  • Climate change
  • Performance Evaluation
  • SDSM model
  • Statistical Downscaling
Abbasnia, M., Tavousi, T., Khosravi, M., 2016. Assessment of future changes in the Maximum Tempreture at selected stations in Iran based on HADCM3 and CGCM3 models. Asia-Pacific Journal of Atmospheric Sciences, 52(4):371-377.

Beecham, S., M. Rashid and R.K. Chowdhury. 2014. Statistical downscaling of multi-site daily rainfall in a south Australian catchment using a Generalized Linear Model. International Journal of Climatology, 34(14): 3654-3670.

Chu, J.T., J. Xia, C.Y. Xu and V.P. Singh. 2010. Statistical downscaling of daily mean temperature, pan evaporation and precipitation for climate change scenarios in Haihe River, China. Theoretical and Applied Climatology, 99: 149-161.

Coulibaly, P. and Shi, X. 2005. Identification of the effect of climate change on future design standards of drainage infrastructure in Ontario.Ministry of Transportation of Ontario, Canada.

DibiKe, B. Y., Gachon, P., St-Hilaire, A., Ouarda, T.B.M.J., and Nguyen Van T.-V. 2008. Uncertainty analysis of statistically downscaled temperature and precipitation regimes in northern Canada. Theoretical and Applied Climatology. 91:149-170.

Fealy, R., Sweeney, J. 2007. Statistical downscaling of precipitation for a selection of sites in Ireland employing a generalised linear modelling approach. International journal of Climatology, 27: 2083-2094.

Fowler H. J, S. Blenkinsopa and C. Tebaldib, 2007. Review Linking climate change modelling to impacts studies: recent advances in downscaling techniques for hydrological modelling. Int. J. Climatol. 27: 1547–1578.

IPCC, 2007. Climate Change: The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge University Press, Cambridge, 1-18.

Khan, M. S., Coulibaly, P. &Dibike, Y. 2006. Uncertainty analysis of statistical downscaling methods. Journal of Hydrology, 319: 357-382.

Khazaei M., Zahabiyoun B., Saghafian B. 2012. Assessment of climate change impact on floods using weather generator and continuous rainfall‐runoff model. International Journal of Climatology: 32: 1997-2006.

Khazaei M., Ahmadi S., Saghafian B., Zahabiyoun B. 2013. A new daily weather generator to preserve extremes and low-frequency variability. Climatic Change: 119:631–645.

Kilsby, C., Jones, P., Burton, A., Ford, A., Fowler, H., Harpham, C., James, P., Smith, A. &Wilby, R. 2007. A daily weather generator for use in climate change studies. Environmental Modelling & Software, 22: 1705-1719.

Koch, M., & Cherie, N. 2013. Mono and multi-model statistical downscaling of GCM-climate predictors for the Upper Blue Nile River basin, Ethiopia. In Proceedings of the 6th International Conference on Water Resources and Environment Research, ICWRER(pp.3-7)

Liu, L., Liu, Z., Ren, X., Fischer, T. & Xu, Y. 2011. Hydrological impacts of climate change in the Yellow River Basin for the 21st century using hydrological model and statistical downscaling model. Quaternary International, 244: 211-220.

Prudhomme, C., Reynard, N., Crooks, S. 2003. Downscaling of global climate models for flood frequency analysis: Where are we now? Hydrological Processes 16: 1137–1150.

Semenov, M. A., BROOKS, R. J., BARROW, E. M. & RICHARDSON, C. W. 1998. Comparison of the WGEN and LARS-WG stochastic weather generators for diverse climates. Climate Research, 10: 95-107.

Wilby, R.L., Dawson, C.W. and Barrow, E.M. 2002. SDSM - a decision support tool for the assessment of regional climate change impacts. Environmental Modelling Software, 17: 145-157.

Wilby, RL., Tomlinson, O.J., and Dawson, C.W. 2003.Multi-site simulation of precipitation by conditional resampling. Climate research Journal, 23: 183-194.

Wilby, RL., Dawson CW. 2013. The Statistical DownScaling Model: insights from one decade of application. International Journal of Climatology. 33:1707-1719.

Wilks, D.S. 1992. Adapting stochastic weather generation algorithms for climate change studies. Climate Change, 22(1): 67-84.

Wilks, D.S. 1999. Multisite downscaling of daily precipitation with a stochastic weather generator. Climate Research, 11(2): 125-136.

Yang, T., Li, H., Wang, W., Yu Xu, H., Yu, Z. 2012. Statistical downscaling of extereme daily precipitation, evaporation, and temperature and construction of future scenarios. Hydrological Processes, 26: 3510-3523