پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,502 |
| تعداد مشاهده مقاله | 124,117,129 |
| تعداد دریافت فایل اصل مقاله | 97,222,163 |
پیش‌نگری چشم‌انداز بلندمدت دمای آینده ایران مبتنی بر برونداد پروژة مقایسة مدلهای جفت‌شدة فاز ششم (CMIP6) | ||
| فیزیک زمین و فضا | ||
| مقاله 10، دوره 46، شماره 3، آبان 1399، صفحه 583-602 اصل مقاله (1.54 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jesphys.2020.304870.1007226 | ||
| نویسندگان | ||
| آذر زرین* 1؛ عباسعلی داداشی رودباری2 | ||
| 1استادیار، گروه جغرافیا، دانشگاه فردوسی مشهد، مشهد، ایران | ||
| 2پژوهشگر پسا دکتری، گروه جغرافیا، دانشگاه فردوسی مشهد، مشهد، ایران | ||
| چکیده | ||
| در این پژوهش برونداد سه مدل از مدلهای فاز ششمCMIP6 (Coupled Model Intercomparison Project phase 6) برای درستی‌سنجی انتخاب و چشم‌انداز بلندمدت دمای آیندة کشور پیش‌نگری شد. بنابراین از دو دسته داده شامل دمای 43 ایستگاه همدید و برونداد سه مدل BCC-CSM2-MR، CAMS-CSM1-0 و MRI-ESM2-0 از مجموعه مدلهای CMIP6 برای دو دوره (2009-۱۹۹۰ و 2100-2020) با تفکیک افقی ۱۰۰ کیلومتر و سنجههای متداول آماری شامل MAE (Mean Absolute Error)، MBE (Mean Bias Error)، RMSE(Root Mean Square Error)، t-Jacovids برای اختلاف دمای ایستگاه و مدلها استفاده شد. مقایسة سنجههای آماری محاسبه‌شده نشان‌دهندة عملکرد بهتر مدل MRI-ESM2-0 در بین سه مدل یاد‌شده می‌باشد. بنابراین مدل MRI-ESM2-0 به‌عنوان مدل منتخب جهت پیش‌نگری دمای آتی کشور تحت دو سناریوی SSP2-4.5 و SSP5-8.5 انتخاب شد. برای حذف اریبی مدلMRI-ESM2-0 از روش تغییر عامل دلتا DCF (Delta Change Factor) و برای مطالعة روند و شیب روند از آزمون‌های من-کندال و سنس استفاده شد. به‌طورکلی نتایج بیانگر بیهنجاری مثبت دما (متوسط سالانة کل کشور برای سناریو SSP2-4.5، 15/2 و SSP5-8.5، 34/3 oC) در ایران در تمام ماههای سال تا پایان قرن بیست‌ویکم است. شدت بیهنجاری در ماههای گرم سال بیشتر از ماههای سرد سال است. متوسط روند دما در تمامی ماهها و سناریوها افزایشی و این مقدار از نظر آماری در سطح 1/0 معنیدار است. متوسط شیب روند بین سالانه در سناریوی SSP2-4.5، year-1 02/0 و بر اساس سناریوی SSP5-8.5، year-1 05/0 درجة سلسیوس محاسبه شد. پیش‌نگری دما در چشم‌انداز بلندمدت نشان داد بیشینة بیهنجاری دمای ایران در مناطق مرتفع و کمینة بیهنجاری در سواحل شمالی، شمالشرق و سواحلی جنوبی خواهد بود. | ||
| کلیدواژه‌ها | ||
| دما؛ مدلهای CMIP6؛ سناریوهای SSP؛ روند دما؛ ایران | ||
| عنوان مقاله [English] | ||
| Projection the Long-Term Outlook Iran Future Temperature Based on the Output of The coupled model intercomparison project phase 6 (CMIP6) | ||
| نویسندگان [English] | ||
| Azar Zarrin1؛ Abbas Ali Dadashi Roudbari2 | ||
| 1Assistant Professor, Department of Geography, Ferdowsi University of Mashhad, Mashhad, Iran | ||
| 2Post-Doc Researcher, Department of Geography, Ferdowsi University of Mashhad, Mashhad, Iran | ||
| چکیده [English] | ||
| The Intergovernmental Panel on Climate Change (IPCC) has stated that climate change is undoubtedly real and greenhouse gas emissions continue to heat up all components of the climate system (IPCC, 2013). In this study, we have addressed two main concerns: First, we assessed the performance of temperature simulations of the available CMIP6 and next, we projected future temperature in Iran by underlying socioeconomic scenarios by the late 21th century. In this study, the average annual temperature data of 43 synoptic stations were obtained for the period of 1980-2018. Also, the latest Coupled Model Intercomparison Project phase 6 (CMIP6) dataset was analyzed to examine the projected changes in temperature over Iran during the twenty-first century. Three available CMIP6 models used in this study including BCC-CSM2-MR, CAMS-CSM1-0, and MRI-ESM2-0. To project the temperature anomaly and the monthly temperature trend of Iran to the end of 21st century, data from the CMIP6 model set under two SSP2.4-5 scenarios (Consistent with the RCP4.5 scenario of the CMIP5 modes) and SSP5.8-5 (Consistent with RCP8.5 scenario of the CMIP5 modes) was used for the period (2020-2100) with a horizontal resolution of 100 km. The Delta change factor (DCF) method was used to correct the bias of the data and to test the trend analysis in the long-term data series of the Man-Kendall nonparametric test (MK). Sen’s Slope Estimator nonparametric method was also used to estimate the actual slope of the trend in the time series. The minimum monthly temperature in Iran was investigated based on observational data with 5.64 degrees Celsius in January and the maximum temperature of 29.21 degrees Celsius in July. The same is true for future data; the minimum monthly temperature of Iran during the projected future (2020-2100) under the scenario of SSP245 is 7.14 degrees Celsius and under the scenario of SSP585 is 33.8. The maximum temperature, like the observational period in the future projected period in July, for SSP2.4-5 and SSP5.8-5 scenarios, 31.38 and 32.76 degrees Celsius was calculated, respectively. The average temperature anomaly, according to the SSP2.4-5 scenario, is more than 2 degrees Celsius in 9 months of the year, and less than 2 degrees Celsius in January, November and December, which are considered the coldest months of the year. Investigating the temperature trends for over 80 years, it is found that the overall trend of increase in the amount of the increase in intensity in the scenario of SSP5.8-5 under the 0.1 level in all months is significant. The maximum trend intensity was calculated with a Z score of 10.60 in September and the minimum trend intensity was calculated as 2.77 in January. The average temperature trend based on the non-parametric Man-Kendall (M-K) test in Iran is increasing in all months in both of the studied scenarios. This value is statistically significant at the alpha level of 0.1. The trend slope was also measured using the nonparametric Sen’s Slope Estimator (SSE); Under the SSP2.4-5 scenario, the average annual Celsius will be 0.02 year-1 degrees Celsius, and according to the SSP5.8-5 scenario, the average -0.05 year-1 degrees Celsius will increase. Locally, the maximum monthly temperature variability was observed in the mountainous areas of the Zagros and Alborz highlands, respectively. In other words, the highest monthly temperature change rate was observed in the cold period of the year in the mountainous regions. One of the reasons for this high variability can be due to the existence of different weather conditions in the cold season of the year to Iran. | ||
| کلیدواژه‌ها [English] | ||
| CMIP6 Models, SSP Scenarios, DCF, Temperature Trend, Iran | ||
| مراجع | ||
|
احمدی، ح.، فلاح قالهری، غ. و باعقیده، م.، 1398، پیش‌نگری اثرات تغییر اقلیم بر بارش فصلی مناطق سردسیر ایران بر اساس سناریوهای واداشت تابشی RCP))، فیزیک زمین و فضا، 45(1)، 177-196. احمدی، م.، داداشی رودباری، ع.، احمدی، ح. و علی‌بخشی، ز.، 1397، واکاوی ساختار دمای ایران مبتنی بر برونداد پایگاه داده مرکز پیشبینی میانمدت هواسپهر اروپایی (ECMWF) نسخه ERA Interim، 50 (2)، 353-372. احمدی، م.، داداشی رودباری، ع.، اکبری ازیرانی، ط. و کرمی، ج.، 1398، کارایی مدل HadGEM2-ES در ارزیابی نابهنجاری فصلی دمای ایران تحت سناریوهای واداشت تابشی، فیزیک زمین و فضا، 45(3)، 625-644. انصاری، ح.، مهدی خدیوی، صالح‌نیا، ن. و بابائیان، ا.، 1393، بررسی عدم‌قطعیت مدل LARS تحت سناریوهای A1B، A2 و B1 در پیشبینی بارش و دما (مطالعه موردی: ایستگاه سینوپتیک مشهد)، نشریۀ آبیاری و زهکشی ایران، 4، 664-672. بابائیان، ا.، نجفی نیک، ز.، عباسی، ف.، حمید، ن.، ادب، ح. و ملبوسی، ش.، 1387، ارزیابی تغییر اقلیم کشور در دوره 2039-2010 با استفاده از ریزمقیاس نمائی داده‌های مدل گردش عمومی جو ECHO-G، جغرافیا و توسعه، 16، 41- 34. بابائیان، ا.، ملبوسی، ش.، اثمری، م. و گلی مختاری، ل.، 1391، ارزیابی تغییر اقلیم ایران در دهه‌های آینده (2025 تا 2100 میلادی) با استفاده از ریزمقیاس نمایی داده‌های مدل گردش عمومی جو، فصلنامه تحقیقات جغرافیایی، 27 (1)، 205-230. بحری، م.، دستورانی، م. و گودرزی، م.، 1394، بررسی خشکسالیهای دهه 2030-2011 تحت اثر تغییر اقلیم، مطالعه موردی: حوزه آبخیز اسکندری، استان اصفهان، نشریه مهندسی و مدیریت آبخیز، 2، 157-171. بختیاری، ب.، پور موسوی، ش. و سیاری، ن.، 1393، بررسی اثر تغییر اقلیم بر منحنیهای شدت-مدت-فراوانی بارش ایستگاه بابلسر طی دورۀ زمانی 2030-2011، نشریه آبیاری و زهکشی، 4، 694-704. پورمحمدی، س.، دستورانی، م.ت. و مساح بوانی، ع. 1396، بررسی اثرات تغییر اقلیم بر رواناب رودخانه و ارائه راهکارهای سازگار با اثرات آن (مطالعه موردی: حوضه آبریز تویسرکان همدان). نشریه علمی پژوهشی علوم و مهندسی آبخیزداری ایران، سال 11، شماره 37، صفحات 1-13. تابان، ح.، ظهرابی، ن. و نیکبخت شهبازی، ع.، 1397، ارزیابی عدم‌قطعیت‌های مدلهای گردش کلی در تخمین بارش و رواناب حوضۀ دز علیا تحت‌تأثیر تغییر اقلیم، فیزیک زمین و فضا، 44(1)، 89-102. جهانبخش‌اصل، س.، خورشید دوست، ع.م.، عالی نژاد، م. ح. و پور اصغر، ف.، 1395، تأثیر تغییر اقلیم بر دما و بارش با در نظر گرفتن عدم‌قطعیت مدلها و سناریوهای اقلیمی (مطالعة موردی: حوضة شهر چای ارومیه)، هیدروژئومورفولوژی 2(7)، 107-122. حمیدیان‌پور، م.، باعقیده، م. و عباس‌نیا، م.، 1395، ارزیابی تغییرات دما و بارش جنوب شرق ایران با استفاده از ریزمقیاس‌نمایی خروجی مدلهای مختلف گردش عمومی جو در دوره 2099-2011، پژوهشهای جغرافیای طبیعی، 1: 107-123. خورانی، ا. و جمالی، ز.، 1395، اثر تغییر اقلیم بر شدت و مدت خشکسالی در ایستگاههای خشک و نیمه‌خشک (بندرعباس و شهرکرد) تحت مدل HADCM3. نشریه جغرافیا و برنامهریزی، 57، 115-131. روحبخش سیگارودی، ح.ع.، کرمپور، م.، قائمی، ه.، مرادی، م. و آزادی، م.، 1397، بررسی بیهنجاری میانگین دمای کمینه و بیشینة ایران در دوره گرم سال به‌منظور شناسایی دوره گرم و سرد، جغرافیا و مخاطرات محیطی، شماره 27، 161-178. زرین، آ. و صالح‌آبادی، ن.، ۱۳۹۸، پیش‌آگاهی مخاطره خشکسالی در تهران بر اساس برونداد مدلهای CMIP6، ششمین کنفرانس منطقه‌ای تغییر اقلیم، تهران، سازمان هواشناسی کشور. عساکره، ح. و اکبرزاده، ی.، 1396، شبیه‌سازی تغییرات دما و بارش ایستگاه سینوپتیک تبریز طی دوره (2100-2010) با استفاده از ریزمقیاس‌نمایی آماری (SDSM) و خروجی مدل CanESM2، جغرافیا و مخاطرات محیطی، 21، 153-174. عسکری‌زاده، م.، مظفری، غ. و مزیدی، ا.، 1397، پیشبینی نوسانات نمایه‌های حدی بارش در شهر مشهد با استفاده از ریزمقیاس‌نمایی مدل LARS-WG برای دو دورۀ آتی 2030-2011 و 2065-2046، جغرافیای و توسعه ناحیه‌ای، 16(1)، 50-25. علیزاده چوبری، ا. و نجفی، م.، 1396، روند تغییرات دمای هوا و بارش در مناطق مختلف ایران، فیزیک زمین و فضا، 43(3)، 569-584. کریمی م.، ستوده، ف. و رفعتی، س.، ۱۳۹۷، تحلیل روند تغییرات و پیشبینی پارامترهای حدی دمای ناحیه جنوبی دریای خزر، نشریه تحقیقات کاربردی علوم جغرافیایی، ۱۸ (۴۸)، ۷۹-۹۳.
Alizadeh-Choobari, O., Ghafarian, P. and Adibi, P., 2016, Inter-annual variations and trends of the urban warming in Tehran. Atmospheric research, 170, 176-185. Chen, J., Brissette, F. P., Chaumont, D. and Braun, M., 2013, Finding appropriate bias correction methods in downscaling precipitation for hydrologic impact studies over North America. Water Resources Research, 49(7), 4187-4205. Chen, J., Brissette, F. P., Zhang, X. J., Chen, H., Guo, S. and Zhao, Y., 2019, Bias correcting climate model multi-member ensembles to assess climate change impacts on hydrology. Climatic Change, 153(3), 361-377. Dadashi-Roudbari, A. and Ahmadi, M., 2020, Evaluating temporal and spatial variability and trend of aerosol optical depth (550 nm) over Iran using data from MODIS on board the Terra and Aqua satellites. Arabian Journal of Geosciences 13(6), 277. Ehret, U., Zehe, E., Wulfmeyer, V., Warrach-Sagi, K. and Liebert, J., 2012, HESS Opinions" Should we apply bias correction to global and regional climate model data?". Hydrology & Earth System Sciences Discussions, 9(4). Estoque, R. C., Ooba, M., Togawa, T. and Hijioka, Y., 2020, Projected land-use changes in the Shared Socioeconomic Pathways: Insights and implications. Ambio. Fallah-Ghalhari, G., Shakeri, F. and Dadashi-Roudbari, A., 2019, Impacts of climate changes on the maximum and minimum temperature in Iran. Theoretical and Applied Climatology, 138(3-4), 1539-1562. Frame, B., Lawrence, J., Ausseil, A. G., Reisinger, A. and Daigneault, A., 2018, Adapting global shared socio-economic pathways for national and local scenarios. Climate Risk Management, 21, 39-51. Guo, Q., Chen, J., Zhang, X., Shen, M., Chen, H. and Guo, S., 2019, A new two-stage multivariate quantile mapping method for bias correcting climate model outputs. Climate Dynamics, 53(5-6), 3603-3623. Hagemann, S., Göttel, H., Jacob, D., Lorenz, P. and Roeckner, E., 2009, Improved regional scale processes reflected in projected hydrological changes over large European catchments. Climate Dynamics, 32(6), 767-781. Harding, R. J., Weedon, G. P., Van Lanen, H. A. and Clark, D. B., 2014, The future for global water assessment. Journal of Hydrology, 518, 186-193. Intergovernmental Panel on Climate Change, 2013, Summary for policymakers, in Climate Change (2013), The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change, edited by T. F. Stocker et al., Cambridge Univ. Press, Cambridge, U. K., and New York. Jacovides, C. P., 1998, Reply to comment on" Statistical procedures for the evaluation of evapotranspiration computing models", Agricultural Water Management, 37(1), 95-97. Liu, H., Remer, L. A., Huang, J., Huang, H. C., Kondragunta, S., Laszlo, I., Oo, M. and Jackson, J. M., 2014, Preliminary evaluation of S‐NPP VIIRS aerosol optical thickness. Journal of Geophysical Research: Atmospheres, 119(7), 3942-3962. Lu, A., Pang, D., Ge, J., He, Y., Pang, H. and Yuan, L., 2006, Effect of landform on seasonal temperature structures across China in the past 52 years, Journal of Mountain Science, 3(2), 158. M’Po, Y. N. T., Lawin, A. E., Oyerinde, G. T., Yao, B. K. and Afouda, A. A., 2016, Comparison of daily precipitation bias correction methods based on four regional climate model outputs in Ouémé Basin, Benin. Hydrology, 4(6), 58-71. Maghrabi, A. H. and Alotaibi, R. N., 2018, Long-term variations of AOD from an AERONET station in the central Arabian Peninsula. Theoretical and Applied Climatology, 134(3-4), 1015-1026. Maraun, D., 2016, Bias correcting climate change simulations-a critical review. Current Climate Change Reports, 2(4), 211-220. Maraun, D., Wetterhall, F., Ireson, A.M., Chandler, R.E., Kendon, E.J., Widmann, M., Brienen, S., Rust, H.W., Sauter, T., Themeßl, M. and Venema, V.K.C., 2010, Precipitation downscaling under climate change: Recent developments to bridge the gap between dynamical models and the end user. Reviews of Geophysics, 48(3). Maurer, E. P., Das, T. and Cayan, D. R., 2013, Errors in climate model daily precipitation and temperature output: time invariance and implications for bias correction. Mendez, M., Maathuis, B., Hein-Griggs, D. and Alvarado-Gamboa, L. F., 2020, Performance Evaluation of Bias Correction Methods for Climate Change Monthly Precipitation Projections over Costa Rica. Water, 12(2), 482. O’Neill, B. C., Kriegler, E., Ebi, K. L., Kemp-Benedict, E., Riahi, K., Rothman, D. S., van Ruijven, B. J., van Vuuren, D. P., Birkmann, J., Kok, K. and Levy, M., 2017, The roads ahead: Narratives for shared socioeconomic pathways describing world futures in the 21st century. Global Environmental Change, 42, 169-180. Räty, O., Räisänen, J. and Ylhäisi, J. S., 2014, Evaluation of delta change and bias correction methods for future daily precipitation: intermodel cross-validation using ENSEMBLES simulations. Climate dynamics, 42(9-10), 2287-2303. Riahi, K., Van Vuuren, D. P., Kriegler, E., Edmonds, J., O’neill, B. C., Fujimori, S., Bauer, N., Calvin, K., Dellink, R., Fricko, O. and Lutz, W., 2017, The shared socioeconomic pathways and their energy, land use, and greenhouse gas emissions implications: an overview. Global Environmental Change, 42, 153-168. Rogelj, J., Popp, A., Calvin, K.V., Luderer, G., Emmerling, J., Gernaat, D., Fujimori, S., Strefler, J., Hasegawa, T., Marangoni, G. and Krey, V., 2018, Scenarios towards limiting global mean temperature increase below 1.5 C. Nature Climate Change, 8(4), 325. Shabalova, M. V., Van Deursen, W. P. A. and Buishand, T. A., 2003, Assessing future discharge of the river Rhine using regional climate model integrations and a hydrological model. Climate research, 23(3), 233-246. Sharafati, A., Nabaei, S. and Shahid, S., 2020, Spatial assessment of meteorological drought features over different climate regions in Iran. International Journal of Climatology, 40(3), 1864-1884. Shepherd, T. G., 2014, Atmospheric circulation as a source of uncertainty in climate change projections. Nature Geoscience, 7(10), 703-708. Soltani, M., Laux, P., Kunstmann, H., Stan, K., Sohrabi, M.M., Molanejad, M., Sabziparvar, A.A., SaadatAbadi, A.R., Ranjbar, F., Rousta, I. and Zawar-Reza, P., 2016, Assessment of climate variations in temperature and precipitation extreme events over Iran. Theoretical and Applied Climatology, 126(3-4), 775-795. Teutschbein, C. and Seibert, J., 2012, Bias correction of regional climate model simulations for hydrological climate-change impact studies: Review and evaluation of different methods. Journal of hydrology, 456, 12-29. Warnatzsch, E. A. and Reay, D. S., 2019, Temperature and precipitation change in Malawi: Evaluation of CORDEX-Africa climate simulations for climate change impact assessments and adaptation planning. Science of The Total Environment, 654, 378-392. Wu, T., Lu, Y., Fang, Y., Xin, X., Li, L., Li, W., Jie, W., Zhang, J., Liu, Y., Zhang, L. and Zhang, F., 2019, The Beijing Climate Center climate system model (BCC-CSM): The main progress from CMIP5 to CMIP6. Geoscientific Model Development, 12, 1573-1600. Yan, L. and Liu, X., 2014, Has climatic warming over the Tibetan Plateau paused or continued in recent years, J. Earth Ocean Atmos. Sci, 1(1), 13-28. Yang, X., Wood, E. F., Sheffield, J., Ren, L., Zhang, M. and Wang, Y., 2018, Bias correction of historical and future simulations of precipitation and temperature for China from CMIP5 models. Journal of Hydrometeorology, 19(3), 609-623. Yue, S. and Hashino, M., 2003, Temperature trends in Japan: 1900–1996. Theoretical and Applied Climatology, 75(1-2), 15-27. Yukimoto, S., Kawai, H., Koshiro, T., Oshima, N., Yoshida, K., Urakawa, S., Tsujino, H., Deushi, M., Tanaka, T., Hosaka, M. and Yabu, S., 2019, The Meteorological Research Institute Earth System Model version 2.0, MRI-ESM2. 0: Description and basic evaluation of the physical component. Journal of the Meteorological Society of Japan. Ser. II. Zhou, T., Chen, Z., Zou, L., Chen, X., Yu, Y., Wang, B., Bao, Q., Bao, Y., Cao, J., He, B. and Hu, S., 2020, Development of Climate and Earth System Models in China: Past Achievements and New CMIP6 Results. Journal of Meteorological Research, 34(1), 1-19. | ||
|
آمار تعداد مشاهده مقاله: 3,249 تعداد دریافت فایل اصل مقاله: 1,914 |
||