بررسی دوره بازگشت و احتمال رخداد بارش در ایران بر اساس پایگاه داده بارش همادی-وزنی چند منبعی (MSWEP)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار اقلیم‌شناسی، گروه جغرافیا، دانشگاه فردوسی مشهد

2 پژوهشگر پسادکتری اقلیم‌شناسی، گروه جغرافیا، دانشگاه فردوسی مشهد

چکیده

دوره­ بازگشت و احتمال رخداد بارش دو نمایه مهم در مطالعات مربوط به سیل و بارش­های فرین­ محسوب می­شوند و درک صحیح از این دو نمایه می­تواند نقش مهمی در مطالعات ریسک اقلیمی داشته باشد. این پژوهش با هدف بررسی کارایی پایگاه داده بارش همادی-وزنی چند منبعی (MSWEP[1]) و کاربست آن در تعیین دوره­های بازگشت و بررسی احتمال رخداد بارش سالانه در ایران انجام شده است. برای این منظور از روش توزیع فرین تعمیم یافته (GEV[2]) استفاده شد. برای درستی سنجی داده­های پایگاه MSWEP از چهار سنجه آماری RMSE، MBE، PBIAS و R2 در پهنه­های اقلیمی کوپن-گایگر در ایران استفاده گردید. نتایج نشان داد که این پایگاه داده در مناطق خشک و نیمه‌خشک کشور با درصد اریبی 40/0 و 32/0 بهترین کارایی را دارد. در مقابل، این پایگاه داده در دو پهنه پرباران (Cfa) و کوهستانی (Dsb) کمترین کارایی را خود نشان داد؛ به­طوری­که بیشینه درصد اریبی در بین پهنه­های اقلیمی کشور به ترتیب با 45/2- و 09/4- درصد در پهنه­های مذکور دیده شد. نتایج نشان داد که بیشینه مقدار بارش محتمل در دوره­های 1 تا 15 ساله در سواحل شمالی و بیشینه شدت آن در سواحل جنوبی ایران اتفاق می­افتد. احتمال رخداد بارش در ایران بین 03/2 تا 02/32 درصد در نوسان است. کاهش عرض جغرافیایی از شمال به جنوب و کاهش ارتفاعات از غرب به شرق با کاهش احتمال رخداد بارش روزانه در ایران در ارتباط هستند. بیشینه عدم قطعیت در احتمال رخداد بارش روزانه در مناطق کوهستانی ایران مشاهده شد.
 
[1] Multi-Source Weighted-Ensemble Precipitation (MSWEP)
[2] Generalized Extreme Value (GEV)

چکیده تصویری

بررسی دوره بازگشت و احتمال رخداد بارش در ایران بر اساس پایگاه داده بارش همادی-وزنی چند منبعی (MSWEP)

کلیدواژه‌ها


ذوالفقاری، حسن؛ هاشمی، رضا؛ فشی، مهدی؛ 1388. بررسی نسبت حداکثر بارش­های روزانه به بارش­های سالانه در ایران. تحقیقات جغرافیایی. شماره 24. صص 165-188.
رحیم­زاده، فاطمه؛ نسجای­زواره، مجتبی؛ 1393. روند و تغییرپذیری دما در ایران در دوره 2010-1960 پس از تعدیل ناهمگنی­های غیرطبیعی موجود در داده­ها. تحقیقات جغرافیایی. شماره 29. صص 181-196.
رضیئی، طیب؛ 1396. منطقه‌بندی اقلیمی ایران به روش کوپن-گایگر و بررسی جابه‌جایی مناطق اقلیمی کشور در سدۀ بیستم. فیزیک زمین و فضا. شماره 43. صص 419-439.
رضیئی، طیب؛ ستوده، فاطمه؛ 1396. بررسی دقت مرکز اروپایی پیش‌بینی‌های میان‌مدت جوی (ECMWF) در پیش‌بینی بارش مناطق گوناگون اقلیمی ایران. فیزیک زمین و فضا. شماره 43. صص 133-147.
عساکره، حسین؛ 1391. تغییر توزیع فراوانی بارش‌های فرین شهر زنجان. جغرافیا و برنامه‌ریزی محیطی. شماره 23. صص 51-66.
گرجی زاده، علی؛ آخوندعلی، علی‌محمد؛ شهبازی، علی؛ مریدی، علی؛ 1398. مقایسه و ارزیابی بارش برآورد شده توسط مدل‌های ERA-Interim، PERSIANN-CDR و CHIRPS در بالادست سد مارون. تحقیقات منابع آب ایران. شماره 15. صص 267-279.
مظفری، غلامعلی؛ مزیدی، احمد؛ شفیعی، شهاب؛ 1396. واکاوی روابط فضایی بارش‌های فرین غرب ایران. جغرافیا و توسعه. شماره 46. صص 169-183.
میری، مرتضی؛ رضیئی، طیب؛ رحیمی، مجتبی؛ 1395. ارزیابی و مقایسه آماری داده‌های بارش TRMM و GPCC با داده‌های مشاهده‌ای در ایران. فیزیک زمین و فضا. شماره 42. صص 657-672.
 
Acero, F. J., García, J. A., & Gallego, M. C., 2011. Peaks-over-threshold study of trends in extreme rainfall over the Iberian Peninsula. Journal of Climate, 24: 1089-1105.
AghaKouchak, A., Behrangi, A., Sorooshian, S., Hsu, K., & Amitai, E., 2011. Evaluation of satellite‐retrieved extreme precipitation rates across the central United States. Journal of Geophysical Research: Atmospheres, 116(D2).
Alexandersson, H., 1986. A homogeneity test applied to precipitation data. Journal of climatology, 6: 661-675.
Beck, H. E., Wood, E. F., Pan, M., Fisher, C. K., Miralles, D. G., Van Dijk, A. I., ... & Adler, R. F., 2019. MSWEP V2 global 3-hourly 0.1 precipitation: methodology and quantitative assessment. Bulletin of the American Meteorological Society, 100: 473-500.
Beck, H. E., Zimmermann, N. E., McVicar, T. R., Vergopolan, N., Berg, A., & Wood, E. F., 2018. Present and future Köppen-Geiger climate classification maps at 1-km resolution. Scientific data, 5: 1-12.
Bishop, C. H., & Abramowitz, G., 2013. Climate model dependence and the replicate Earth paradigm. Climate dynamics, 41: 885-900.
Bosilovich, M. G., Chen, J., Robertson, F. R., & Adler, R. F., 2008. Evaluation of global precipitation in reanalyses. Journal of applied meteorology and climatology, 47: 2279-2299.
Coles, S., Bawa, J., Trenner, L., & Dorazio, P., 2001. An introduction to statistical modeling of extreme values (Vol. 208, p. 208). London: Springer.
De Paola, F., Giugni, M., Pugliese, F., Annis, A., & Nardi, F., 2018. GEV parameter estimation and stationery vs. non-stationary analysis of extreme rainfall in African test cities. Hydrology, 5: 28.
DeGaetano, A. T., 2009. Time-dependent changes in extreme-precipitation return-period amounts in the continental United States. Journal of Applied Meteorology and Climatology, 48: 2086-2099.
Fang, J., Yang, W., Luan, Y., Du, J., Lin, A., & Zhao, L., 2019. Evaluation of the TRMM 3B42 and GPM IMERG products for extreme precipitation analysis over China. Atmospheric Research, 223: 24-38.
Gao, M., Mo, D., & Wu, X., 2016. Nonstationary modeling of extreme precipitation in China. Atmospheric Research, 182: 1-9.
Groisman, P. Y., Knight, R. W., Easterling, D. R., Karl, T. R., Hegerl, G. C., & Razuvaev, V. N., 2005. Trends in intense precipitation in the climate record. Journal of climate, 18: 1326-1350.
Hirpa, F. A., Salamon, P., Alfieri, L., Pozo, J. T. D., Zsoter, E., & Pappenberger, F., 2016. The effect of reference climatology on global flood forecasting. Journal of Hydrometeorology, 17: 1131-1145.
Katz, R. W., Parlange, M. B., & Naveau, P., 2002. Statistics of extremes in hydrology. Advances in water resources, 25: 1287-1304.
Khaliq, M. N., Ouarda, T. B., Ondo, J. C., Gachon, P., & Bobée, B., 2006. Frequency analysis of a sequence of dependent and/or non-stationary hydro-meteorological observations: A review. Journal of hydrology, 329: 534-552.
Kharin, V. V., Zwiers, F. W., Zhang, X., & Wehner, M., 2013. Changes in temperature and precipitation extremes in the CMIP5 ensemble. Climatic change, 119: 345-357.
Kim, Y. H., Min, S. K., Zhang, X., Sillmann, J., & Sandstad, M., 2020. Evaluation of the CMIP6 multi-model ensemble for climate extreme indices. Weather and Climate Extremes, 29: 100269.
Mika, J., 2013. Changes in weather and climate extremes: phenomenology and empirical approaches. Climatic Change, 121: 15-26.
Milly, P. C. D., Betancourt, J., Falkenmark, M., Hirsch, R. M., Kundzewicz, Z. W., Lettenmaier, D. P., & Stouffer, R. J., 2008. Stationarity is dead: Whither water management? Earth, 4: 20.
Monier, E., & Gao, X., 2015. Climate change impacts on extreme events in the United States: an uncertainty analysis. Climatic Change, 131: 67-81.
Myhre, G., Alterskjær, K., Stjern, C. W., Hodnebrog, Ø., Marelle, L., Samset, B. H., ... & Stohl, A., 2019. Frequency of extreme precipitation increases extensively with event rareness under global warming. Scientific reports, 9: 1-10.
Prein, A. F., & Gobiet, A., 2017. Impacts of uncertainties in European gridded precipitation observations on regional climate analysis. International Journal of Climatology, 37: 305-327.
Rulfová, Z., Buishand, A., Roth, M., & Kyselý, J., 2016. A two-component generalized extreme value distribution for precipitation frequency analysis. Journal of hydrology, 534: 659-668.
Salas, J. D., & Obeysekera, J., 2014. Revisiting the concepts of return period and risk for nonstationary hydrologic extreme events. Journal of Hydrologic Engineering, 19: 554-568.
Soukissian, T. H., & Tsalis, C., 2015. The effect of the generalized extreme value distribution parameter estimation methods in extreme wind speed prediction. Natural Hazards, 78: 1777-1809.
Stedinger, J. R., Vogel, R. M., Foufoula-Georgiou, E., & Maidment, D. R., 1993. Handbook of hydrology. McGraw-Hill, Inc., New York, USA.
Sun, Q., Miao, C., Duan, Q., Ashouri, H., Sorooshian, S., & Hsu, K. L., 2018. A review of global precipitation data sets: Data sources, estimation, and intercomparisons. Reviews of Geophysics, 56: 79-107.
Sun, Q., Zhang, X., Zwiers, F., Westra, S., & Alexander, L. V., 2021. A global, continental, and regional analysis of changes in extreme precipitation. Journal of Climate, 34: 243-258.
Tabari, H., 2020. Climate change impact on flood and extreme precipitation increases with water availability. Scientific reports, 10: 1-10.
Vaghefi, S. A., Keykhai, M., Jahanbakhshi, F., Sheikholeslami, J., Ahmadi, A., Yang, H., & Abbaspour, K. C., 2019. The future of extreme climate in Iran. Scientific reports, 9: 1-11.
Vu, T. M., & Mishra, A. K., 2019. Nonstationary frequency analysis of the recent extreme precipitation events in the United States. Journal of Hydrology, 575: 999-1010.
Wahl, T., Jain, S., Bender, J., Meyers, S. D., & Luther, M. E., 2015. Increasing risk of compound flooding from storm surge and rainfall for major US cities. Nature Climate Change, 5: 1093-1097.
Wehner, M., Gleckler, P., & Lee, J., 2020. Characterization of long period return values of extreme daily temperature and precipitation in the CMIP6 models: Part 1, model evaluation. Weather and Climate Extremes, 30: 100283.
Xavier, A. C. F., Rudke, A. P., Fujita, T., Blain, G. C., de Morais, M. V. B., de Almeida, D. S., ... & Martins, J. A., 2020. Stationary and non‐stationary detection of extreme precipitation events and trends of average precipitation from 1980 to 2010 in the Paraná River basin, Brazil. International Journal of Climatology, 40: 1197-1212.
Yan, H., Sun, N., Wigmosta, M., Skaggs, R., Hou, Z., & Leung, L. R., 2019. Next-generation intensity–duration–frequency curves to reduce errors in peak flood design. Journal of Hydrologic Engineering, 24: 04019020.
Yozgatlıgil, C., & Türkeş, M., 2018. Extreme value analysis and forecasting of maximum precipitation amounts in the western Black Sea subregion of Turkey. International Journal of Climatology, 38: 5447-5458.
Zolina, O., Simmer, C., Kapala, A., & Gulev, S., 2005. On the robustness of the estimates of centennial‐scale variability in heavy precipitation from station data over Europe. Geophysical Research Letters, 32(14).
CAPTCHA Image