پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,228 |
| تعداد مقالات | 67,750 |
| تعداد مشاهده مقاله | 115,083,449 |
| تعداد دریافت فایل اصل مقاله | 89,822,246 |
پیش بینی وضعیت خشک‌سالی در دوره های آتی با استفاده از مدل LARS-WG (مطالعة موردی: شهرستان کرمانشاه) | ||
| مجله علمی " آمایش سرزمین " | ||
| دوره 13، شماره 2، مهر 1400، صفحه 647-669 اصل مقاله (964.97 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jtcp.2021.332432.670263 | ||
| نویسندگان | ||
| سارا حشمتی* 1؛ هادی رمضانی اعتدالی2 | ||
| 1دانشجوی دکتری منابع آب، دانشکدة کشاورزی، دانشگاه بین المللی امام خمینی(ره)، قزوین، ایران | ||
| 2دانشیار دانشکدة کشاورزی، دانشگاه بین المللی امام خمینی(ره)، قزوین، ایران | ||
| چکیده | ||
| پیش‌بینی تغییرات اقلیمی به دلیل آثار مخرب بر منابع آبی، زیست‌محیطی، اقتصادی، و اجتماعی از اهمیتی ویژه برخوردار است. بنابراین، هدف از این تحقیق پیش‌بینی تغییرات اقلیمی شهرستان کرمانشاه با استفاده از مدل‌های ریزمقیاس گردش عمومی جوّ قابل دسترس در مدل LARS-WG6 (GFDL-CM3, MPI-ESM-MR, MIROC5) تحت سناریوهای RCP4.5 و RCP8.5 برای دورة 2020 تا 2100 با دورة پایة 1980 تا 2010 بود. برای ارزیابی دادههای پیشبینیشده در مدل LARS-WG به بررسی میزان خطای دادههای مشاهداتی و پیشبینیشده با استفاده از معیارهای R2, RMSE, MSE, MAD پرداخته شد. نتایج نشان داد مدل LARS-WG قابلیت لازم را برای پیش‌بینی دادههای اقلیمی در آینده دارد و بین زیرمدلها مدل MPI-ESM-MR تحت سناریوی RCP4.5 از ضریب اطمینان بالاتری نسبت به سایر زیرمدلهای ارزیابی‌شده برخوردار است. همچنین، همة مدل‌ها بیانگر افزایش متوسط دمای حداقل و حداکثر و تغییر الگوی بارش در دوره‌های زمانی آینده در منطقة مورد مطالعه بودند. در ادامه شاخصهای SPI و دو مارتن برای همة مدل‌ها محاسبه شدند. بر اساس شاخص SPI همة مدل‌های اقلیمی مورد ارزیابی نشان دادند تا سال 2100 سال‌های با شاخص نرمال کاهش‌یافته در مقابل شرایط خشک افزایش خواهند یافت و همچنین بر اساس شاخص دو مارتن مدل GFDL تحت سناریوی RCP8.5 میزان تغییرات اقلیم بیشتر از سایر مدل‌ها برآورد شد و سال‌های خشک و نیمه‌خشک بیشتر از سال‌های مرطوب خواهد بود. اما در مقابل مدل MIRO تحت سناریوی RCP45 خوشبینانه‌تر عمل کرد و میزان تغییر اقلیم کمتری صورت خواهد گرفت. | ||
| کلیدواژه‌ها | ||
| تغییر اقلیم؛ ریزمقیاس نمایی؛ شاخصه ای SPI و PNI؛ مدل LARS-WG | ||
| عنوان مقاله [English] | ||
| Drought Forecasting for Future Periods Using LARS-WG Model: The Case Study of Kermanshah City | ||
| نویسندگان [English] | ||
| Sara Heshmati1؛ Hadi Ramezani Etedali2 | ||
| 1PhD Student of Water Resources Engineering, Faculty of Agriculture and Natural Resources, Imam Khomeini International University, Qazvin, Iran | ||
| 2Associate Professor, Faculty of Agriculture and Natural Resources, Imam Khomeini International University, Qazvin, Iran | ||
| چکیده [English] | ||
| The prediction of climactic changes is of great importance due to their destructive effects on aquatic, environmental, economic, and social resources. Accordingly, the purpose of this study was to predict the climactic changes of Kermanshah city using micro-scale general atmospheric circulation models accessible in LARS-WG6 (GFDL-CM3, MPI-ESM-MR, MIROC5) model in scenarios RCP4.5 and RCP8.5 for the 2020 to 2100 period based on the benchmark period of 1980-2010. In order to evaluate the data forecasted in LARS-WG model, the error rate of the observed and predicted data was addressed using R2, RMSE, MSE, and MAD criteria. The results showed that LARS-WG model had the needed capability to predict climactic data in future. In the secondary models, the MPI-ESM-MR model in scenario RCP4.5 showed a higher reliability rate compared to other secondary models evaluated in the study. Moreover, all models indicated increases in the average minimum and maximum temperature and forecasted changes in rainfall pattern in future periods in the studied area. Then, the SPI and De Martonne indices were calculated for all models. According to SPI index, all evaluated climactic models demonstrated that by the year 2100, the years with normal index would decrease while the years with dry conditions would increase. Moreover, based on De Martonne index, the GFDL model in RCP8.5 scenario estimated the climactic changes level more than other models, and predicted that dry and semi-dry years will be more than wet years. Contrarily, the MIRO model in RCP45 scenario acted more optimistically and predicted less climactic changes. | ||
| کلیدواژه‌ها [English] | ||
| climate change, micro-scale, SPI and PNI index, LARS-WG model | ||
| مراجع | ||
|
آقاشاهی، محسن؛ مجتبی اردستانی؛ محمدحسین نیک‌سخن؛ بهشته طهماسبی (1391). «معرفی و مقایسة مدل‌ها به منظور ریزمقیاس‌سازی پارامترهای زیست‌محیطی در مطالعات تغییر اقلیم، ششمین SDSM و LARS-WG»، همایش ملی و نمایشگاه تخصصی مهندسی محیط زیست، تهران، 10.
بیگلی، زینب؛ مجید منتصری؛ یدالله بلیانی؛ اسماعیل جوکار؛ علی بیات (1395). «پیش‌بینی تغییرات اقلیمی آذربایجان غربی با استفاده از ریزمقیاس‌نمایی آماری خروجی مدل HADCM3 و ارزیابی اثرات آن بر خشک‌سالی استان»، اندیشة جغرافیا، 8 (15)، صص 91 ـ 113.
جعفری گدنه، میثم؛ علی سلاجقه؛ پارسا حقیقی (1399). «پیش‌بینی مقایسه‌ای بارش و دمای شهرستان کرمان با استفاده از مدل‌های LARS-WG6»، اکوهیدرولوژی، (2) 7، صص 29 ـ 538.
جهانگیر، محمدحسین؛ مریم جهان‌پناه؛ مهناز ابوالقاسمی (1399). «پیش‌بینی وضعیت خشک‌سالی برای دوره‌های آتی با استفاده از مدل LARS-WG (مطالعة موردی: ایستگاه شیراز)»، محیط زیست و مهندسی آب، 6 (1)، صص 69 ـ 82.
زهرهوندی، حسن؛ حسن خورشیددوست؛ بهروز ساری‌صراف (1399). «پیش‌بینی تغییرات اقلیمی در غرب ایران با استفاده از ریزمقیاس‌گردانی خروجی مدل HadCM3 تحت سناریوهای مختلف»، تحلیل فضایی مخاطرات محیطی، 1 (99)، صص 49 ـ 64.
شائمی، اکبر؛ مجید حبیبی نوخندان (1388). گرمایش جهانی و پیامدهای زیستی اکولوژیکی، انتشارات دانشگاه فردوسی مشهد.
قضاوی، رضا؛ میثم ندیمی؛ ابراهیم امیدوار؛ رسول ایمانی (1397). «بررسی تأثیر تغییرات اقلیمی آینده بر تغییرات دبی رودخانة هروچای اردبیل با استفاده از مدل‌های SWAT و LARS-WG»، هیدروژئومورفولوژی، 5 (15)، صص 54 ـ 79.
References
Aghashahi, M., Ardestani, M., Niksokhan, M.H., & Tahmasbi, B. (2014). “Introduction and comparison of SDSM and LARS-WG models for down scaling of ecosystem parameters in climate change studies”, Sixth National Conference and Specialized Exhibition of Environmental Engineering, Tehran, pp. 10-16. (in Persian)
Beigli, Z., Montaseri, M., Balyani, Y., Jokar, E., & Bayat, A. (2017). “West Azerbaijan's Climate Changes Predict using exponential statistical Downscaling, HADCM3 model's output and evaluation of its effects on drought”, Geographic Thought, 8 (15), pp. 91-113. (in Persian)
Dunne, JP., John, JG., Adcroft, AJ., Griffies, SM., Hallberg, RW., Shevliakova, E., Stouffer, RJ., Cooke, W., Dunne, KA., Harrison, MJ., & Krasting, JP. (2012). “GFDL’s ESM2 global coupled climate–carbon earth system models. Part I: Physical formulation and baseline simulation characteristics”, Journal of climate, (25) 19, pp. 6646-65.
Gaitán, E., Monjo, R., & Pórtoles. J. (2019). “Pino-Otín MR Projection of temperatures and heat and col waves for Aragón (Spain) using a two-ste statistical downscaling of CMIP5 model outputs.Science of the Total Environment”, 10, pp. 650: 2778-95.
Ghazavi, R., Nadimi, M., Omidvar, E., & Imani, R. (2018). “The Study of the Effects of the Future Climate Change on Discharge Variation of the Herochay River using SWAT and LARS-WG”, Hydrogeomorphology, 5 (15), pp. 54-79. (in Persian)
IPCC. (2001). in: Watson, R.T., Zinyowera, M.C., Moss, R.H., & Dokken, D.J. (Eds.), Special Report on The Regional Impacts of Climate Change: An Assessment of Vulnerability, Cambridge University Press, UK. 517 p.
-------. (2007). Solomon, S., Qin, D., Manning, M., Chen, Marquis, M., Averyt, K.B., Tignor, M., & Miller, H.L. (eds.) (2007). Summary for Policymarkers, in: Climate Change, 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, 996 p.
Jafary, G., Salajeghe, A., & Haghighi, P. (2020). “Forecast Comparative of Rainfall and Temperature in Kerman County Using LARS-WG6 Models”, Iranian journal of Ecohydrology, 7 (2), pp. 529-538. (in Persian)
Jahangir, M., Jahanpanah, M., & Abolghasemi, M. (2020). “Drought Forecasting for Future Periods Using LARS-WG Model (Case Study: Shiraz Station)”, Environment and Water Engineering, 6 (1), pp. 69-82. (in Persian)
Latifi, M., Zakeri, N, M., & Moazemi, G. S. (2020). “The effect of climate change on climate parameters of Takab and Saghez stations in Zarrinehroud Basin via LARS-WG”, Water Resources Engineering, 12 (43), pp. 37-48. (in Persian)
Lin, J.Y., Cheng, C.T., Chau, K.W. (2006). “Using support vector machines for long-term discharge prediction”, Hydrological Science Journal, 51, pp. 599-612.
Moss, RH., Edmonds, JA., Hibbard, KA., Manning, MR., Rose, SK., Van Vuuren, DP., Carter, TR., Emori, S., Kainuma, M., Kram, T., & Meehl, GA. (2010). “The next generation of scenarios for climate change, research and assessment”, Nature, (463) 742, pp. 56.
Raddatz, TJ., Reick, CH., Knorr, W., Kattge, J., Roeckner, E., Schnur, R., Schnitzler, KG., Wetzel, P., & Jungclaus, J. (2007). “Will the tropical land biosphere dominate the climate–carbon cycle feedback during the twenty-first century?”, Climate Dynamics, Nov. 1, 29 (6), pp. 565-574.
Sarkar, J. & Chicholikar, JR. (2015). “Climate change scenario in the Gujarat region, Analyses based on LARS-WG model”, Asian Journal of Water, Environment and Pollution, 12, pp. 31-41.
Semenov, M.A. & Barrow, E. M. (2008). A stochastic weather generator for use in climate impact studies, User’s manual, Version 3.0.
Shagega, FP., Munishi, SE., Kongo, VM. (2019). “Prediction of future climate in Ngerengere river catchment”, Tanzania, Physics and Chemistry of the Earth, Parts A/B/C. (1) 112, pp. 200-209.
Watanabe, M., Suzuki, T., O’ishi, R., Komuro, Y., Watanabe, S., Emori, S., Takemura, T., Chikira, M., Ogura, T., Sekiguchi, M., & Takata, K. (2010). “Improved climate simulation by MIROC5: mean states, variability, and climate sensitivity”, Journal of Climate, (23) 23, pp. 6312-3.
Won, J., Moradkhani, H., & Chang, H. (2012). “Uncertainty assessment of climate change impacts for hydrological distinct river basins”, Journal of Hydrology, (466), pp. 73–87.
Zhang, H., Wang, B., Li Liu, D., Zhang, M., Feng, P., Cheng, L., Yu, Q., & Eamus, D. (2019) “Impacts of future climate change on water resource availability of eastern Australia: A case study of the Manning River basin”, Journal of hydrology, (1) 573, pp. 49-59.
Zohrevandi, H., Khorshiddost, H., & Sari saraf, B. (2019). “Predicting Climate Change in Western Iran Using HADCM3 Model Output down scaling Under Different Scenarios, model's output and evaluation of its effects on drought”, Journal of Spatial Analysis Environmental hazarts, 1 (99), pp. 49-64. (in persian) | ||
|
آمار تعداد مشاهده مقاله: 415 تعداد دریافت فایل اصل مقاله: 343 |
||