دوره 12، شماره 23 - ( بهار و تابستان 1400 )
جلد 12 شماره 23 صفحات 53-42 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Dehghani M, Kavian A, Habibnejad M, Ghorbani M, Jafarian Z. (2021). An Assessment of Uncertainty of Regional Climate Change Models, Error Correction Methods and Forecasting Climate Change in Birjand Township. J Watershed Manage Res. 12(23), 42-53. doi:10.52547/jwmr.12.23.42
URL: http://jwmr.sanru.ac.ir/article-1-964-fa.html
URL: http://jwmr.sanru.ac.ir/article-1-964-fa.html
دهقانی مرتضی، کاویان عطااله، حبیب نژاد محمود، قربانی محمد، جعفریان زینب. ارزیابی عدم قطعیت مدل های منطقه ای تغییر اقلیم و روش های تصحیح خطا و پیش بینی تغییرات اقلیمی شهرستان بیرجند پژوهشنامه مديريت حوزه آبخيز 1400; 12 (23) :53-42 10.52547/jwmr.12.23.42
1- دانشگاه علوم کشاورزی و منابع طبیعی ساری
2- دانشگاه فردوسی مشهد
2- دانشگاه فردوسی مشهد
چکیده: (3839 مشاهده)
از مهم ترین پیامدهای افزایش واداشت تابشی ناشی از فعالیتهای انسانی، گرمایش جهانی می باشد که دگرگونیهای متنوع و چالش برانگیزی از جمله تغییرات اقلیمی را بر اکوسیستم های مختلف تحمیل کرده و پیش بینی های مختلف نیز نشان دهنده شدت بیشتر آن در آینده است. با توجه به اینکه مدل های اقلیمی و روشهای تصحیح خطای متنوعی برای شناخت شرایط آینده ارائه شده، انتخاب مدل اقلیمی و روش تصحیح خطا مناسب، یکی از چالشهای کلیدی مرتبط با آینده نگری تغییرات اقلیمی در مقیاس محلی و حوزهای میباشد. در این مطالعه صحت و کارایی مدلهای اقلیمی منطقه ای شامل: CanESM2، CSIRO Mk3،C- EARTH ،IPSL ، MIROC51،HadGEM2 ، MPI، NorESM1 و GFDLو روشهای آماری تصحیح خطا شامل: LS، DC، DM، LI ،PT و VS با استفاده از آزمونهای T و F، دیاگرام تیلور و ده شاخص آماری در دو دوره کنترل (2005-1956) و اعتبارسنجی (2015-2006) در ایستگاه بیرجند مورد ارزیابی قرار گرفته است. یافته های این پژوهش نشان می دهد شاخص متوسط ماهیانه دوره، کارایی مدلها و روشها را به صورت اغراق آمیزی افزایش می دهد و مدل برتر متناسب با نوع نمایه آماری و دوره مورد نظر متفاوت است. پیش بینی های روش ریزمقیاس نمایی فاکتور تغییر (CF) در دوره اعتبارسنجی دقت لازم را ندارد و روش ریزمقیاس نمایی خطی و واریانس بهترتیب برای پارامتر بارش و دما مناسب می باشد همچنین متوسط مقادیر شبیه سازی شده دما و بارش همه مدلهای مورد استفاده نسبت به یک مدل از دقت بیشتری برخوردار بوده و مقادیر برآوردی مدلهای اقلیمی EARTH و MPI دقت بیشتری دارد.
واژه‌های کلیدی: ارزیابی، بیرجند، تغییر اقلیم، ریزمقیاس نمایی، متغیرهای اقلیمی، مدل های اقلیمی منطقه ای
فهرست منابع
1. Boé, J., L. Terray, F. Habets and E. Martin. 2007. Statistical and dynamical downscaling of the Seine basin climate for hydro meteorological studies. International Journal of Climatology: A Journal of the Royal Meteorological Society, 27(12): 1643-1655. [DOI:10.1002/joc.1602]
2. Chen, H., C.Y. Xu and S. Guo. 2012. Comparison and evaluation of multiple GCMs, statistical downscaling and hydrological models in the study of climate change impacts on runoff. Journal of hydrology, 434: 36-45. [DOI:10.1016/j.jhydrol.2012.02.040]
3. Chisanga, C.B., E. Phiri and V.R. Chinene. 2017. Climate change impact on maize (Zea mays L.) yield using crop simulation and statistical downscaling models: A review. Scientific Research and Essays, 12(18): 167-187. [DOI:10.5897/SRE2017.6521]
4. Conti, F.L., K.L. Hsu, L.V. Noto and S. Sorooshian. 2014. Evaluation and comparison of satellite precipitation estimates with reference to a local area in the Mediterranean Sea. Atmospheric Research, 138: 189-204. [DOI:10.1016/j.atmosres.2013.11.011]
5. Crossman, J., M.N. Futter, S.K. Oni, P.G. Whitehead, L. Jin, D. Butterfield and P.J. Dillon. 2013. Impacts of climate change on hydrology and water quality: future proofing management strategies in the Lake Simcoe watershed, Canada. Journal of Great Lakes Research, 39(1): 19-32. [DOI:10.1016/j.jglr.2012.11.003]
6. De Amorim, P., K. Barfus, H. Weissand C. Bernhofer. 2014. Trend analysis and uncertainties of mean surface air temperature, precipitation and extreme indices in CMIP3 GCMs in Distrito Federal, Brazil. Environmental earth sciences, 72(12): 4817-33. [DOI:10.1007/s12665-014-3301-y]
7. De Amorim, P.B. 2014. Development of regional climate change projections for hydrological impact assessments in distrito federal, Brazil.
8. Déqué, M. 2007. Frequency of precipitation and temperature extremes over France in an anthropogenic scenario: Model results and statistical correction according to observed values. Global and Planetary Change, 57(1-2): 16-26. [DOI:10.1016/j.gloplacha.2006.11.030]
9. Di Piazza, A., F.L. Conti, L.V. Noto, F. Viola and G. La Loggia. 2011. Comparative analysis of different techniques for spatial interpolation of rainfall data to create a serially complete monthly time series of precipitation for Sicily, Italy. International Journal of Applied Earth Observation and Geoinformation, 13(3): 396-408. [DOI:10.1016/j.jag.2011.01.005]
10. Farmanbar, Z., M. Delavar and S. Imani Amirabadi. 2018. The Effects of Climate Change on Water Resources and Agricultural Systems in the Context of Regional Risk Assessment (Case Study: Lake Zarebar Basin). Journal of Iran-Water Resources Research, 13(4): 74-88.
11. Fowler, H.J., S. Blenkinsop and C. Tebaldi. 2007. Linking climate change modelling to impacts studies: recent advances in downscaling techniques for hydrological modelling. International journal of climatology, 27(12): 1547-1578. [DOI:10.1002/joc.1556]
12. Fowler, H.J., M. Ekström, C.G. Kilsby and P.D. Jones. 2005. New estimates of future changes in extreme rainfall across the UK using regional climate model integrations. 1. Assessment of control climate. Journal of Hydrology, 300(1-4): 212-233. [DOI:10.1016/j.jhydrol.2004.06.017]
13. Ghahreman, N., M. Tabatabaei and I. Babaeian. 2015. Investigation of Uncertainty in the IPCC AR5 Precipitation and Temperature Projection over Iran under RCP Scenarios. Poster on COP21-CMP11, Paris.
14. Hewitson, B.C., J. Daron, R.G. Crane, M.F. Zermoglio and C. Jack. 2014. Interrogating empirical-statistical downscaling. Climatic change, 122(4): 539-554. [DOI:10.1007/s10584-013-1021-z]
15. Immerzeel, W., L.P.H. Van Beek, M. Konz, A.B. Shrestha and M.F.P. Bierkens. 2012. Hydrological response to climate change in a glacierized catchment in the Himalayas. Climatic change, 110(3-4): 721-736. [DOI:10.1007/s10584-011-0143-4]
16. IPCC Climate Change. 2013. The Physical Science Basis, Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change, Cambridge University Press. 1535 pp.
17. Jones, P.D. and P.A. Reid. 2001. Assessing future changes in extreme precipitation over Britain using regional climate model integrations. International Journal of Climatology: A Journal of the Royal Meteorological Society, 21(11): 1337-1356. [DOI:10.1002/joc.677]
18. Kazemi Rad, L. and H. Mohammadi. 2016. Climate Change Assessment by using LARS-WG Model in Gilan Province (Iran), 4(16): 55-74.
19. Kendon, E.J., N.M. Roberts, H.J. Fowler, M.J. Roberts, S.C. Chan and C.A. Senior. 2014. Heavier summer downpours with climate change revealed by weather forecast resolution model. Nature Climate Change, 4(7): 570. [DOI:10.1038/nclimate2258]
20. Khadka, D. and D. Pathak. 2016. Climate change projection for the marsyangdi river basin, Nepal using statistical downscaling of GCM and its implications in geodisasters. Geoenvironmental Disasters, 3(1): 15. [DOI:10.1186/s40677-016-0050-0]
21. Knutti, R. and J. Sedláček. 2013. Robustness and uncertainties in the new CMIP5 climate model projections. Nature Climate Change, 3(4): 369. [DOI:10.1038/nclimate1716]
22. Knutti, R., T.F. Stocker, F. Joos and G.K. Plattner. 2002. Constraints on radiative forcing and future climate change from observations and climate model ensembles. Nature, 416(6882): 719. [DOI:10.1038/416719a]
23. Marino, R., A.S. Atzori, M. D'Andrea, G. Iovane, M. Trabalza-Marinucci and L. Rinaldi. 2016. Climate change: Production performance, health issues, greenhouse gas emissions and mitigation strategies in sheep and goat farming. Small Ruminant Research, 135: 50-59. [DOI:10.1016/j.smallrumres.2015.12.012]
24. Minville, M., F. Brissette and R. Leconte. 2008. Uncertainty of the impact of climate change on the hydrology of a nordic watershed. Journal of hydrology, 358(1-2): 70-83. [DOI:10.1016/j.jhydrol.2008.05.033]
25. Mo, X. G., S. Hu, Z.H. Lin, S.X. Liu and J. Xia. 2017. Impacts of climate change on agricultural water resources and adaptation on the North China Plain. Advances in Climate Change Research, 8(2): 93-98. [DOI:10.1016/j.accre.2017.05.007]
26. Pachauri, R.K., M.R. Allen, V.R. Barros, J. Broome, W. Cramer, R. Christ and N.K. Dubash. 2014. Climate change 2014: synthesis report. Contribution of Working Groups I, II and III to the fifth assessment report of the Intergovernmental Panel on Climate Change IPCC, 151 pp.
27. Piao, S., P. Ciais, Y. Huang, Z. Shen, S. Peng, J. Li and P. Friedlingstein. 2010. The impacts of climate change on water resources and agriculture in China. Nature, 467(7311): 43. [DOI:10.1038/nature09364]
28. Rasuli, A.M, A.R. Rezaei-Banafsheh, A.M. Massah, K. Khorshiddoust and B. Ghermezcheshmeh. 2014. Investigation Impact of Morpho-Climatic Parameters on Aaccuracy of LARS-WG Model. Journal of Watershed Management Science, 8(24): 8-18.
29. Solomon, S., D. Qin, M. Manning, Z. Chen, M. Marquis, K.B. Averyt and H.L. Miller. 2007. Climate change 2007: the physical science basis. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change.
30. Steele-Dunne, S., P. Lynch, R. McGrath, T. Semmler, S. Wang, J. Hanafin and P. Nolan. 2008. The impacts of climate change on hydrology in Ireland. Journal of hydrology, 356(1-2): 28-45. [DOI:10.1016/j.jhydrol.2008.03.025]
31. Su, F., X. Duan, D. Chen, Z. Hao and L. Cuo. 2013. Evaluation of the global climate models in the CMIP5 over the Tibetan Plateau. Journal of Climate, 26(10): 3187-3208. [DOI:10.1175/JCLI-D-12-00321.1]
32. Takhsha, M., O. Nikiéma, P. Lucas-Picher, R. Laprise, L. Hernández-Díaz and K. Winger. 2018. Dynamical downscaling with the fifth-generation Canadian regional climate model (CRCM5) over the CORDEX Arctic domain: effect of large-scale spectral nudging and of empirical correction of sea-surface temperature. Climate Dynamics, 51(1-2): 161-186. [DOI:10.1007/s00382-017-3912-6]
33. Taylor, K.E. 2001. Summarizing multiple aspects of model performance in a single diagram. Journal of Geophysical Research, 106: 7183-7192. [DOI:10.1029/2000JD900719]
34. Tebaldi, C., R.L. Smith, D. Nychka and L.O. Mearns. 2005. Quantifying uncertainty in projections of regional climate change: A Bayesian approach to the analysis of multi model ensembles. Journal of Climate, 18(10): 1524-1540. [DOI:10.1175/JCLI3363.1]
35. Teutschbein, C. and J. Seibert. 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. [DOI:10.1016/j.jhydrol.2012.05.052]
36. Themeßl, M.J., A. Gobiet and G. Heinrich. 2012. Empirical-statistical downscaling and error correction of regional climate models and its impact on the climate change signal. Climatic Change, 112(2): 449-468. [DOI:10.1007/s10584-011-0224-4]
37. Thoai, T.Q., R.F. Rañola, L.D. Camacho and E. Simelton. 2018. Determinants of farmers' adaptation to climate change in agricultural production in the central region of Vietnam. Land Use Policy, 70: 224-231. [DOI:10.1016/j.landusepol.2017.10.023]
38. Towler, E., D. Pai Mazumder and G. Holland. 2017. A framework for investigating large-scale patterns as an alternative to precipitation for downscaling to local drought. Climate Dynamics, 48(3-4): 881-892. [DOI:10.1007/s00382-016-3116-5]
39. Yan, D., S.E. Werners and F. Ludwig. 2015. Hydrological response to climate change: The Pearl River, China under different RCP scenarios, 4: 228-245. [DOI:10.1016/j.ejrh.2015.06.006]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
