پیش‏نمایی بارش و دمای حوزه آبخیز قره‌سو با تأکید بر عدم قطعیت مدل‏های گردش عمومی

نوع مقاله : مقاله پژوهشی

نویسندگان

• گلاله غفاری ¹
• علی سلاجقه ²

¹ استادیار بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان کرمانشاه، ایران

² استاد دانشکده منابع طبیعی، دانشگاه تهران، تهران، ایران

10.22067/geoeh.2024.86195.1450

چکیده

از مهم‏ترین منابع عدم قطعیت در مباحث تغییر اقلیم به ‏کارگیری مدل‏ های مختلف گردش عمومی است که خروجی‏های متفاوتی را برای متغیر‏های اقلیمی تولید می‏کند. در کل استفاده از چندین مدل گردش عمومی و یا روش‏های اجرای ترکیبی مدل‏ها (EP) برای تأکید بر عدم قطعیت در پیش‏نمایی اقلیم، به‏علت تفاوت‏های ساختاری در مدل‏های جهانی اقلیم و همچنین عدم اطمینان در تغییرات شرایط اولیه مدل‏ها یکی از راهکارهای کاهش عدم قطعیت مدل‏های گردش عمومی است. برای این منظور داده‏های ایستگاه سینوپتیک کرمانشاه در بازه زمانی 1976 تا 2005 از سازمان هواشناسی و داده ‏های ریزگردانی شده حاصل از 21 مدل گردش عمومی از سایت NASA (NEX-GDDP) برای دوره گذشته (2005-1976) و آینده (2049-2020) تحت سناریو RCP4.5‌ دریافت و پس از اطمینان از صحت داده‏ها و پیش‌پردازش‌های لازم، عدم قطعیت مدل‏های گردش عمومی بررسی و جهت کاهش عدم قطعیت آن‌ها از روش‌های مختلف اجرای ترکیبی استفاده شد. نتایج مقایسه مدل‏ها نشان داد که مدل‏های MRI-CGCM3، MPI-ESM-LR، BNU-ESM، ACCESS1-0، MIROC-ESM، MIROC-ESM-CHEM و MPI-ESM-MR از عملکرد مناسب‏تری در شبیه‏سازی دما و بارش برخوردار بوده‏اند. همچنین چنانچه انتظار می‏رفت بیشترین وزن به مدل‏هایی که کمترین خطا را داشته‌اند تعلق گرفته است، به‏گونه‏ای‏که این مدل‏‏ها بیشترین وزن را در مدل‏سازی بارش، دمای حداکثر و دمای حداقل دوره گذشته داشته‏اند و می‏ توانند به ‏عنوان مناسب‏ترین مدل‏های پیش‏نمایی در آینده معرفی شوند که دارای کمترین عدم قطعیت در شبیه‏سازی دما و بارش می‏باشند. بررسی نتایج ضرایب آماری روش‏های مختلف اجرای ترکیبی نشان داد که روش اجرای ترکیبی تعدادی از مدل‏ها (MEP) با ضریب تعیین (R²) 95/0 و ضریب کارایی (ME) 92/0 تخمین بهتری را در مقایسه با داده‏های دوره پایه در ایستگاه سینوپتیک کرمانشاه ارائه داده است و درنهایت این روش به‏ عنوان بهترین روش اجرای ترکیبی مدل ‏های گردش عمومی در نظر گرفته شد.

کلیدواژه‌ها

• مجموعه‌های مدل‌های اقلیمی
• کمّی‌سازی عدم قطعیت
• سناریوی RCP4.5عدم قطعیت ریزمقیاس‌سازی
• مجموعه‌های چندمدلی (MMES)کارایی نش-ساتکلیف (NSE)

موضوعات

• تغییر اقلیم

---

©2025 The author(s). This is an open access article distributed under Creative Commons Attribution 4.0 International License (CC BY 4.0)

مراجع

Andarzian, ‌B., Bannayan, M., Steduto, P., Mazraeh, H., Barati, M. E., Barati, M. A., & Rahnama, A. (2011). Validation and testing of the AquaCrop model under full and deficit irrigated wheat production in Iran.  Agricultural Water Management, 100(1), 1-8. https://doi.org/10.1016/j.agwat.2011.08.023

Ashraf, B., Alizadeh, A., Mousavi Baygi, M., & Bannayan Awal, M. (2014). Verification of Temperature and Precipitation Simulated Data by Individual and Ensemble Performance of Five AOGCM Models for North East of Iran. Water and Soil, 28(2), 253-266. [In Persian] https://doi.org/10.22067/jsw.v0i0.38011

Cerqueira, V., & Torgo, L. (2023). Multi-output Ensembles for Multi-step Forecasting. ArXiv Preprint ArXiv:2306.14563. https://doi.org/10.48550/arXiv.2306.14563

Chen, H., Zhang, R., Liu, F., Shao, C., Liu, F., Li, W., ... & Lou, B. (2023). The chromosome-level genome of Cherax quadricarinatus. Scientific Data, 10(1), 215. https://doi.org/10.1038/s41597-023-02124-z

Chilkoti, V., Bolisetti, T., & Balachandar, R. (2017). Climate change impact assessment on hydropower generation using multi-model climate ensemble. Renewable Energy, 109, 510-517. https://doi.org/10.1016/j.renene.2017.02.041

Effron, B., & Tibshirani, R.J. (1993). An introduction to the bootstrap. New York: Chapman and Hall/CRC. https://doi.org/10.1201/9780429246593

Fowler, H. J., & Ekström, M. (2009). Multi‐model ensemble estimates of climate change impacts on UK seasonal precipitation extremes. International Journal of Climatology: A Journal of the Royal Meteorological Society, 29(3), 385-416.  https://doi.org/10.1002/joc.1827

Fu, C., Wang, S., Xiong, Z., Gutowski, W. J., Lee, D. K., McGregor, J. L., ... & Suh, M. S. (2005). Regional climate model intercomparison project for Asia. Bulletin of the American Meteorological Society, 86(2), 257-266. https://doi.org/10.1175/BAMS-86-2-257

Gao, X., Sokolov, A., & Schlosser, C.A .(2023). A large ensemble global dataset for climate impact assessments. Scientific Data, 10, 801. https://doi.org/10.1038/s41597-023-02708-9

Heidari, M. & Khazaei, M. R. (2018). Climate change impact assessment on extreme daily rainfalls in Kermanshah. Journal of Water and Soil Resources Conservation, (7)2,27-39. [In Persian] https://journals.srbiau.ac.ir/article_11544.html?lang=en  

Jahangir, M. H., & Azimi, S. M. E. (2022). Evaluating the performance of artificial intelligence models for temperature downscaling (Study area: Ardabil province). Environmental Sciences, 20(4), 243-258. [In Persian] https://doi.org/10.48308/envs.2022.35101

Khazaei, M.R. & Khazaei, H. (2018). Scenarios in climate change impact assessment on monthly stream-flow of Karun basin. Journal of Environmental Sciences and Technology, 20(1),29-40. [In Persian]

Lane, M. E., Kirshen, P. H., & Vogel, R. M. (1999). Indicators of impacts of global climate change on US water resources. Journal of Water Resources Planning and Management, 125(4), 194-204. https://doi.org/10.1061/(ASCE)0733-9496(1999)125:4(194)

Mitchell, T.D. (2003). Pattern scaling: an examination of the accuracy of the technique for describing future climates. Climatic Change, 60(3), 217-242. https://doi.org/10.1023/A:1026035305597

Pinto, I., de Perez, E. C., Jaime, C., Wolski, P., van Aardenne, L., Jjemba, E., ... & Tall, A. (2023). Climate change projections from a multi-model ensemble of CORDEX and CMIPs over Angola. Environmental Research: Climate, 2(3), 035007. https://doi.org/10.1088/2752-5295/ace210

Semenov, M. A., & Stratonovitch, P. (2010). Use of multi-model ensembles from global climate models for assessment of climate change impacts. Climate Research, 41(1), 1-14. https://doi.org/10.3354/cr00836

Whetton,P., Hennessy, K., Bates, B., & Kent, D.(2010). Regional Projections and Model Evaluation: Potential Benefits of ‘Representative Future Regional Climates’. In Stocker, T., Dahe, Q., Plattner, G. K., Tignor, M., & Midgley, P., IPCC expert meeting on assessing and combining multi model climate projections. Paper presented at Proceedings of the National Center for Atmospheric Research, Boulder Colorado, USA(pp105-107). Switzerland: IPCC Working Group.https://www.ipcc.ch/publication/ipcc-expert-meeting-on-assessing-and-combining-multi-model-climate-projections/

Wilby, R. L., & Harris, I. (2006). A framework for assessing uncertainties in climate change impacts: Low‐flow scenarios for the River Thames, UK. Water Resources Research, 42(2),1-10. https://doi.org/10.1029/2005WR004065

Wilby, R. L., Tomlinson, O. J., & Dawson, C. W. (2003). Multi-site simulation of precipitation by conditional resampling. Climate Research, 23(3), 183–194. http://www.jstor.org/stable/24868347

Xu, K., Xu, B., Ju, J., Wu, C., Dai, H., & Hu, B. X. (2019). Projection and uncertainty of precipitation extremes in the CMIP5 multimodel ensembles over nine major basins in China. Atmospheric Research, 226, 122-137. https://doi.org/10.1016/j.atmosres.2019.04.018