پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,473 |
| تعداد مقالات | 69,970 |
| تعداد مشاهده مقاله | 122,759,494 |
| تعداد دریافت فایل اصل مقاله | 95,907,855 |
ارزیابی عدم‌قطعیت‌های مدلهای گردش کلی در تخمین بارش و رواناب حوضۀ دزعلیا تحت تأثیر تغییر اقلیم | ||
| فیزیک زمین و فضا | ||
| مقاله 6، دوره 44، شماره 1، اردیبهشت 1397، صفحه 89-102 اصل مقاله (463.44 K) | ||
| شناسه دیجیتال (DOI): 10.22059/jesphys.2017.60288 | ||
| نویسندگان | ||
| حجت تابان1؛ نرگس ظهرابی* 2؛ علیرضا نیکبخت شهبازی2 | ||
| 1دانش آموخته کارشناسی ارشد، گروه علوم و مهندسی آب، واحد علوم و تحقیقات خوزستان، دانشگاه آزاد اسلامی، اهواز، ایران | ||
| 2استادیار، گروه علوم و مهندسی آب، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران | ||
| چکیده | ||
| در این تحقیق تأثیر عدم‌قطعیت ناشی از مدلهای گردش کلی (GCM) مورداستفاده، روش‌های ریزمقیاس‌نمایی و همچنین سناریوهای انتشار گازهای گلخانه‌ایبر رواناب حوضۀ دزعلیا در دورۀ 2069-2040 بررسی شد. برای این کار از شبیه‌سازی دما و بارش حاصل از 10 مدل GCM و دو روش ریزمقیاس‌کردن و سه سناریوی انتشار (A1B و A2 و B1) و از مدل آماری LARS-WG و روش عامل تغییر استفاده شد و جهت شبیه‌سازی بارش-رواناب، شبکه‌های عصبی مصنوعی به کار گرفته شد. ابتدا مدل بارش- رواناب برای دورۀ پایه 2000-1971 واسنجی و صحت‌یابی شد. سپس با ریزمقیاس‌کردن داده‌های اقلیمی به دو روش عامل تغییر و مدل آماری، 10 مدل منتخب GCM برای منطقۀ مطالعاتی تعیین شدند. سپس با معرفی جداگانۀ هریک از آن‌ها به مدل بارش-رواناب، محدودۀ تغییرات رواناب حوضه در دورۀ 2069-2040 تحت سه سناریوی انتشار مشخص شد. نتایج نشان داد که درصد تغییرات درازمدت بارش منطقه در دو روش ریزمقیاس، اختلافی حدود 4/4 درصد دارند و در بیشتر ماه‌ها درصد میانگین درازمدت بارش حاصل از روش آماری (27/1- درصد) در مقایسه با روش ریزمقیاس عامل تغییر (52/7- درصد) کاهش کمتری دارد. اختلاف درصد تغییرات در رواناب بلندمدت ماهانۀ شبیه‌سازی‌شده طی دو روش ریزمقیاس، 11/5 درصد است. همچنین بیشترین اختلاف در فصل تابستان با 58/30 درصد و در ماه آگوست با 55/78 درصد وجود دارد. دبی میانگین ماهانۀ حاصل از داده‌های ریزمقیاس‌شده با روش آماری، کاهش 63/2 درصدی دارد و برای روش تناسبی این مقدار 66/21 درصد است. نتایج نشان داد که بارش متوسط در بقیۀ فصول کاهش می‌یابد؛ رواناب حوضۀ دزعلیا عدم قطعیت زیادی دارد؛ محدودۀ درصد تغییرات بارش برای سه سناریوی انتشار متفاوت است و این اختلاف برای ماه‌های سال، روند یکسانی ندارد. نتایج مقایسۀ سناریوهای انتشار در استفاده از میانگین 10 مدل اقلیمی نشان داد که روند اختلاف محدودۀ درصد تغییرات در سه سناریوی انتشار برای ماه‌های مختلف هماهنگی نزدیکی با یکدیگر داشته است. بررسی توأم نشان داد که عدم‌قطعیت‌های ناشی از مدلهای اقلیمی مختلف به‌کاررفته در این تحقیق بیش از عدم‌قطعیت روش‌های ریزمقیاس‌نمایی و سناریوهای انتشار است. | ||
| کلیدواژه‌ها | ||
| تغییر اقلیم؛ دزعلیا؛ ریزمقیاس‌نمایی؛ رواناب؛ سناریوی انتشار؛ عدم قطعیت | ||
| عنوان مقاله [English] | ||
| Uncertainty assessment of GCM models for estimating rainfall and runoff of Dez Ulya basin under climate change | ||
| نویسندگان [English] | ||
| Hojjat Taban1؛ Narges Zohrabi2؛ Ali Reza Nikbakht Shahbazi2 | ||
| 1M.Sc. Graduated, Department of Water Science and Engineering, Khouzestan Science and Research Branch, Islamic Azad University, Ahvaz, Iran | ||
| 2Assistant Professor, Department of Water Science and Engineering, Ahvaz Branch, Islamic Azad University, Ahvaz, Iran | ||
| چکیده [English] | ||
| Increase greenhouse gases in the Earth's atmosphere have led to imbalances in the phenomenon of climate over the past decades, defined as Climate Change. Studies show that climate change can have negative effects on water resources, agriculture, environment, health, industry and economy. Global warming and climate change is happening and changing weather and climate volatility is associated with greater risk of damage. Since increasing the likelihood of future climate change could have devastating consequences for human societies, it is essential to examine the drought situation in the future periods in this area. For climate change effects on various resources in the future, climatic variables affected by greenhouse gases should be determined. Different techniques are available to simulate the future climatic variables under climate change effects; the most reliable data is atmospheric general circulation models. GCM models are three-dimensional models of the physical relationships that govern the atmosphere, crysphere, biosphere and hydrosphere. One of the weaknesses of GCM models is large spatial and temporal scales of the climatic variables. Therefore variables regarding hydrological and water resources studies are not sufficiently accurate. It should be downscaled by various techniques. Since different methods are available for downscaling, the uncertainty associated with these methods must be investigated. Various uncertainties affect the final outcome runoff simulation in a basin under the impact of climate change. The credibility of the results by ignoring any of these uncertainties would be reduced. In this study, the GCM models uncertainty, methods of downscaling climate models and the SRES emission scenarios over the period 2069-2040 on Dez Ulya basin runoff were examined. For this purpose, the simulated temperature and precipitation of 10 GCM models, including BCM2.0, CGCM3T63, CNRMCM3, CSIROMK3.0, GFDLCM2.0, GISS-ER, HADCM3, INMCM3.0, IPSLCM4, MIROC3.2MEDRES, with two downscaling methods (Change factor and statistical using LARS-WG software) and three emission scenarios (A1B and A2 and B1) and artificial neural network model were used to simulate rainfall-runoff model. LARS-WG (Long Ashton Research Station Weather Generator) is a stochastic weather generator which can be used for the simulation of weather data at a single site, under both current and future climate conditions. These data are in the form of daily time-series for suitahle climate variables, namely, precipitation (mm), maximum and minimum temperature (°C) and solar radiation (MJm-2day-1). Stochastic weather generators were originally developed for two main purposes: 1) To provide means of simulating synthetic weather time-series with statistical characteristics corresponding to the observed statistics at a site, but which were long enough to be used in an assessment of risk in hydrological or agricultural applications.2) To provide means of extending the simulation of weather time-series to unobserved locations, through the interpolation of the weather generator parameters obtained from running the models at neighboring sites. It is worth noting that a stochastic weather generator is not a predictive tool that can be used in weather forecasting, but is simply a means of generating time-series of synthetic weather statistically ‘identical’ to the observations. New interest in local stochastic weather simulation has arisen as a result of climate change studies. At present, output from global climate models (GCMs) is of insufficient spatial and temporal resolution and reliability to be used directly in impact models. A stochastic weather generator, however, can serve as a computationally inexpensive tool to produce multiple-year climate change scenarios at the daily time scale which incorporate changes in both mean climate and in climate variability. It utilizes semi-empirical distributions for the lengths of wet and dry day series, daily precipitation and daily solar radiation. The rainfall-runoff models for the base period (2000-1971) has been calibrated and verified, then by downscaling of ten GCM-AR4 climate models for the study area and take into account each of them separately for rainfall-runoff models, changes of runoff in the period 2069-2040 under the three scenarios (A1B and A2 and B1) were determined. Results from downscaling models showed that the rainfall for some models increase and others decrease in the future, compared to the base periods. Changing factors in downscaling method showed more decrease than statistical method. Results showed that the percentage change in long-term monthly simulated runoff for the two downscaling methods is about 5.11 percent, while a decreasing trend in the future compared to the base runoff was seen. Runoff simulation scenarios relative to each other in different months had the same difference. The results showed uncertainty in climate models used in this study is more than of uncertainty according to downscaling methods and emission scenarios. | ||
| کلیدواژه‌ها [English] | ||
| Climate change impact, Downscaling models, uncertainty, Emission scenarios, Dez Ulya basin Runoff | ||
| مراجع | ||
|
انصاری، ح.، خدیوی، م.، صالح نیا، ن. و بابائیان، الف.، 1393، بررسی عدم قطعیت مدل LARS پورعلی‌حسین، س. ش. و مساح‌بوانی، ع.، 1392، تحلیل مخاطره و ارزیابی اثر تغییر اقلیم بر دما و بارش استان آذربایجان شرقی دوره 2013-2022، فیزیک زمین و فضا، دوره 39، شماره 4، صفحه‌های 191-208. گوکمن، ت.، 2012، محاسبه نرم در مهندسی منابع آب، ترجمه نیکبخت شهبازی، ع.، انتشارات سیمای دانش. حسینی، س. ح.، قربانی، م. و مساح‌بوانی، ع.، 1394، مدلسازی بارش- رواناب در شرایط تغییر اقلیم به منظور پیش‌بینی جریانات آتی حوزه صوفی چای، پژوهشنامه مدیریت حوزه آبخیز سال ششم. شماره11، 1-14. کمال، ع.ر، مساح‌بوانی، ع. و نجفی‌شهری، م. ر، 1388، عدم قطعیت مدلهای AOGCM-AR4 و مدلهای هیدرولوژی در در تخمین رواناب حوضه تحت تاثیر تغییر اقلیم، مجموعه مقالات اولین کنفرانس بین المللی منابع آب. منصوری، ب.، احمدزاده، ح.، مساح‌بوانی، ع.، مرید، س.، دلاور، م. و لطفی، س.، 1393، بررسی اثرات تغییر اقلیم بر منابع آب حوضه زرینه رود با استفاده از مدل SWAT. نشریه آب و خاک. جلد 28، شماره 6. صفحه‌های 1191-1203. واثقی، ر.، مساح‌بوانی، ع.، مشکاتی، الف. و رحیم زاده، ف.، 1390، بررسی رواناب حوضه تحت تاثیر سناریوهای انتشار A2وB1با در نظر گرفتن اثر دسته جمعی ensemble مدلهای AOGCM. چهارمین کنفرانس مدیریت منابع آب ایران، تهران. هوشمند، د. و خردادی، م.، 1393، بررسی عدم قطعیت مدلهای AOGCM و سناریوهای انتشار در برآورد پارامترهای اقلیمی (مطالعه موردی: ایستگاه سینوپتیک مشهد). جغرافیا و مخاطرات محیطی، شماره 11، صفحه‌های 77-92. یعقوبی م. و مساح‌بوانی، ع.، 1393، بررسی وضعیت رواناب حوزه رودخانه اعظم هرات- یزد در شرایط تغییر اقلیم تحت تأثیر منابع مختلف عدم قطعیت، دومین همایش ملی بحران آب (تغییر اقلیم، آب و محیط زیست). Chen, H., Guo, J., Zhang, Z. and Xu, Ch. Y., 2012, Prediction of temperature and precipitation in Sudan and South Sudan by using LARS-WG in future, Theor Appl Climatol, DOI 10.1007/s00704-012-0793-9. Jones, P. D. and Hulme, M., 1996, Calculating regional climatic times series for tempreture and precipitation: methods and illustrations. International journal of climatology, 16, 361-377. Lane, M. E., Kirshen, P. H. and Vogel, R. M, 1999, Indicators of impact of global climate change on U.S. water resources, ASCE, Journal of Water Resource Planning and Management, 125(4), 194-204. Liu, X. and Coulibaly, P., 2011, Downscaling Ensemble Weather Predictions for Improved Week-2 Hydrologic Forecasting, Journal of Hydrometeorology, 12, 1564-1580. Minville, M., Brissette, F. and Leconte, R., 2008, Uncertainty of the impact of climate change on the hydrology of a nordic watershed, Journal of Hydrology, 358, 70– 83. Mitchell, T. D, 2003, Pattern Scaling: An Examination of Accuracy of the Technique for Describing Future Climates. Climatic Change 60, 217-242. Steele- Dunne, S., Lynch, P., McGrath, R., Semmler, T., Wang, Sh., Hanafin, J. and Nolan, P., 2008, The impacts of climate change on hydrology in Ireland. Journal of Hydrology, 356, 28-45. Setegn, S., Rayner, D., Melesse, A. M., Dargahi, B., and Srinivasan, R., 2011, Impact of climate change on the hydro-climatology of Lake Tana basin, Ethiopia. Water Resources Research, 47, 1-13. Zarghami, M., Abdi, A., Babaeian, I., Hassanzadeh, Y. and Kanani, R., 2011, Impacts of climate change on runoffs in East Azerbaijan، Global and Planetary Change، 78, 137-146. | ||
|
آمار تعداد مشاهده مقاله: 2,302 تعداد دریافت فایل اصل مقاله: 753 |
||