دوره 14، شماره 27 - ( بهار و تابستان 1402 )                   جلد 14 شماره 27 صفحات 85-75 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Ershadfath F, Shahnazari A, Raeini Sarjaz M, Eivind Olese J. (2023). Combining Bias Correction Methods for Simulated Temperature and Precipitation by CMIP6 Models in Hamedan-Bahar Plain. jwmr. 14(27), 75-85. doi:10.61186/jwmr.14.27.75
URL: http://jwmr.sanru.ac.ir/article-1-1201-fa.html
ارشادفتح فرناز، شاهنظری علی، رائینی سرجاز محمود، ایویند اولسون یورن. ترکیب روش‌های تصحیح اریبیِ برونداد دما و بارش مدل‌های اقلیمی گزارش ششم در دشت همدان- بهار پ‍‍ژوهشنامه مديريت حوزه آبخيز 1402; 14 (27) :85-75 10.61186/jwmr.14.27.75

URL: http://jwmr.sanru.ac.ir/article-1-1201-fa.html

ترکیب روش‌های تصحیح اریبیِ برونداد دما و بارش مدل‌های اقلیمی گزارش ششم در دشت همدان- بهار
فرناز ارشادفتح ، علی شاهنظری ، محمود رائینی سرجاز ، یورن ایویند اولسون
دانشگاه کشاورزی و منابع طبیعی ساری
چکیده:   (1102 مشاهده)
چکیده مبسوط
مقدمه و هدف: استفاده از برونداد خام مدل‌های آب و هوایی منطقه‌ای در ارزیابی اثر تغییرات اقلیمی، به‌دلیل اریبی این داده‌ها چالش برانگیز است. براین اساس تصحیح اریبی این داده‌ها قبل از استفاده برای توسعه‌ سناریوهای اقلیمی آینده ضروری است. هدف از این پژوهش ارزیابی عملکرد و معرفی ترکیب مناسب از روش‌های تصحیح اریبی فراسنجه‌های بارش و دمای کمینه و بیشینه‌ی شبیه‌سازی شده توسط سه مدل اقلیمی CMIP6 می‌باشد.
مواد و روش‌ها: عملکرد پنج روش مقیاس‌‌‌بندی خطی، مقیاس‌‌‌بندی واریانس، مقیاس‌‌‌بندی شدت بارش محلی، تبدیل توان و نگاشت توزیع برای تصحیح اریبی برونداد سه مدل اقلیمی با استفاده از آماره‌های میانگین مربع خطای ریشه‌ (RMSE)، کارایی نش- ساتکلیف (NSE)، ضریب همبستگی (r) و آزمون t استیودنت در دوره‌ی تاریخی (2014-1990) مورد بررسی قرار گرفت. در ادامه از میانگین برونداد سه مدل اقلیمیُ تصحیح اریبی شده توسط بهترین ترکیب از روش‌های مورد بررسی، برای پیش‌نگری فراسنجه‌ها تحت سناریوهای SSP2-4.5 و SSP5-8.5 در دوره‌ی آتی (2075-2051) استفاده شد.
یافته‌ها: بررسی‌های آماری نشان داد روش‌های مقیاس‌‌بندی واریانس، مقیاس‌‌‌بندی شدت بارش محلی و تبدیل توان برای تصحیح اریبی داده‌های مورد بررسی در مقایسه با سایر روش‌ها از خطای بیشتری برخوردارند و در مقایسه با داده‌های خام تفاوت معنی‌داری در سطح اطمینان 95% ایجاد نکردند. دو روش مقیاس‌‌‌بندی خطی و نگاشت توزیع کمترین مقدار RMSE  را در بازتولید فراسنجه‌های مورد بررسی به خود اختصاص دادند. ترکیب این دو روش برای پیش‌نگری داده‌ها نشان داد که میانگین بارش سالانه در منطقه‌ی همدان-بهار در آینده (2075-2051) تحت دو سناریوی SSP2-4.5 و SSP5-8.5 به‌ترتیب به­ مقدار 28 و 37 درصد کاهش خواهد یافت. همچنین میانگین سالانه‌ دمای بیشینه تحت دو سناریوی SSP2-4.5 و SSP5-8.5  به­ ترتیب به مقدار 0/7 و 1/4 و دمای کمینه به ­مقدار 0/9 و 1/5 درجه‌ی سلسیوس افزایش خواهد یافت. بیشترین کاهش فصلی بارش نسبت به دوره‌ی مشاهداتی در فصل بهار تحت سناریوی SSP5-8.5 و به مقدار 19/75 میلی‌متر برآورد شد. بیشترین افزایش فصلی دمای بیشینه و کمینه در مقایسه با دوره‌ پایه به‌ترتیب در فصل زمستان (oC6/1) و بهار (oC7/1) تحت سناریوی SSP5-8.5 پیش‌نگری شد.
نتیجه‌گیری: دو روش مقیاس‌دهی خطی و نگاشت توزیع برای کاهش اریبی برونداد سه مدل‌های اقلیمی در منطقه‌ همدان-بهار مناسب می‌باشند و با توجه به افزایش دما و کاهش بارش پیش‌نگری شده در این منطقه، این مطالعه می‌تواند اطلاعات مفیدی را برای برنامه‌ریزی در مورد ذخیره‌ی آب باران، تغذیه‌ی سفره‌های آب زیرزمینی، انتخاب محصول، دوره‌ی کاشت، تناوب زراعی و شیوه‌های مدیریت محصول برای سازگاری با تغییرات اقلیمی در اختیار برنامه‌ریزان منابع آب و کشاورزی قرار دهد.


 
واژه‌های کلیدی: تغییر اقلیم، سناریوهای SSP، مقیاس‌‌‌بندی خطی، نگاشت توزیع، CMIP6
متن کامل [PDF 2125 kb]   (300 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: هواشناسی
دریافت: 1401/5/20 | ویرایش نهایی: 1402/5/16 | پذیرش: 1401/7/6 | انتشار: 1402/5/16
فهرست منابع
1. Abdo, K.S., B.M. Fiseha, T.H. Rientjes, A.S. Gieske and A.T. Haile. 2009. Assessment of climate change impacts on the hydrology of Gilgel Abay catchment in Lake Tana Basin Ethiopia. Hydrological Processes, 23: 3661-3669. [DOI:10.1002/hyp.7363]
2. Bekele, D., T. Alamirew, A. Kebede, G. Zeleke and A.M. Melesse. 2019. Modeling climate change impact on the hydrology of keleta watershed in the Awash River Basin, Ethiopia. Environmental Modeling & Assessment, 24: 95-107. [DOI:10.1007/s10666-018-9619-1]
3. Das, P., Z. Zhang and H. Ren. 2022. Evaluation of four bias correction methods and random forest model for climate change projection in the Mara River Basin, East Africa. Journal of Water and Climate Change, 13(4): 1900-1919. [DOI:10.2166/wcc.2022.299]
4. Dile, Y.T., R. Berndtsson and S.G. Setegn. 2013. Hydrological response to climate change for Gilgel Abay River, in the Lake Tana Basin - upper Blue Nile Basin of Ethiopia. Plos One, 8: 12-17. [DOI:10.1371/journal.pone.0079296]
5. Donyaii, A., A. Sarraf and H. Ahmadi. 2021. Operation of Golestan Dam Reservoir in Climate Change Conditions Using an Improved Multi-Objective Whale Optimization Algorithm. Journal of Watershed Management Research, 12(23): 238-250 (In Persian). [DOI:10.52547/jwmr.12.23.238]
6. Edwards, P.N. 2011. History of climate modeling. Wiley Interdisciplinary Reviews: Climate Change, 2: 128-139. [DOI:10.1002/wcc.95]
7. Fang, G.H., J. Yang, Y.N. Chen and C. Zammit. 2015. Comparing bias correction methods in downscaling meteorological variables for a hydrologic impact study in an arid area in China. Hydrology and Earth System Sciences, 19: 2547-2559. [DOI:10.5194/hess-19-2547-2015]
8. Fowler, H.J. S. Blenkinsop and C. Tebaldi. 2007. Linking climate change modelling to impactsstudies: recent advances in downscaling techniques for hydrological. Inernational Journal of Climatology, 27: 1547-1578. [DOI:10.1002/joc.1556]
9. Gudmundsson, L., J.B. Bremnes, J.E. Haugen and T. Engen-Skaugen. 2012. Technical note: downscaling RCM precipitation to the station scale using statistical transformations-A comparison of methods. Hydrology and Earth System Sciences, 16: 3383-3390. [DOI:10.5194/hess-16-3383-2012]
10. Ines, A.V.M. and J.W. Hansen. 2006. Bias correction of daily GCM rainfall for crop simulation studies. Agricultural and Forest Meteorology, 138: 44-53. [DOI:10.1016/j.agrformet.2006.03.009]
11. IPCC 2013. Climate Change 2013: The Physical Science Basis. Working Group I Contribution to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change
12. Iran Meteorological Organization (IRIMO), 2019. http://www.irimo.ir/.
13. Lenderink, G., A. Buishand and W. Van Deursen. 2007. Estimates of future discharges of the river Rhine using two scenario methodologies: direct versus delta approach. Hydrology and Earth System Sciences, 11: 1145-1159. [DOI:10.5194/hess-11-1145-2007]
14. Luo, M., T. Liu, F. Meng, Y. Duan, A. Bao, A. Frank and P. De Maeyer. 2019. Spatiotemporal characteristics of future changes in precipitation and temperature in Central Asia. International Journal of Climatology. 39(3): 1571-1588. [DOI:10.1002/joc.5901]
15. Maraun, D. 2016. Bias correcting climate change simulations - a critical review. Current Climate Change Reports, 2: 211-220. [DOI:10.1007/s40641-016-0050-x]
16. Mendez, M., B. Maathuis, D. Hein-Griggs and L.F. Alvarado-Gamboa. 2020. Performance evaluation of bias correction methods for climate change monthly precipitation projections over Costa Rica. Water, 12(2): 482. [DOI:10.3390/w12020482]
17. Moezzi, F., G.R. Yavari, S.H. Mousavi and M. Bagheri. 2020. Assessing the effects of climate change on agriculture in the Hamadan-Bahar plain with emphasis on water productivity and food security. Journal of Economics and Agricultural Development, 34(3): 323-305 (In Persian).
18. Moriasi, D.N., J.G. Arnold, M.W. Van Liew, R.L. Bingner, R.D. Harmel and T.L. Veith. 2007. Model evaluation guidelines for systematic quantification of accuracy in watershed simulations. American Society of Agricultural and Biological Engineers, 50(3): 885-900. [DOI:10.13031/2013.23153]
19. Mudbhatkal, A., R.V. Raikar, B. Venkatesh and A. Mahesha. 2017. Impacts of climate change on Varied River-flow regimes of southern India. Journal of Hydrological Engineering, 22: 1-13. [DOI:10.1061/(ASCE)HE.1943-5584.0001556]
20. Nyunt, C.T., T. Koike and A. Yamamoto. 2016. Statistical bias correction for climate change impact on the basin scale precipitation in Sri Lanka, Philippines. Japan and Tunisia. Hydrology and Earth System Sciences. Discuss, https://doi.org/10.5194/hess-2016-14 [DOI:10.5194/hess-2016-14.]
21. Sachindra, D.A., F. Huang, A. Barton and B.J. Perera. 2014. Statistical downscaling of general circulation model outputs to precipitation-part 2: Bias-correction and future projections. International Journal of Climatology, 34: 3282- 3303. [DOI:10.1002/joc.3915]
22. Salami, H., A. Masah Bavani and H.R. Naseri, 2015. Probabilistic prediction of the effects of climate change on the alluvial aquifer of Hamadan-Bahar plain. Water and Irrigation Management, 5(1): 41-27 (In Persian).
23. Schmidli, J. F. Christoph and P.L. Vidale. 2006. Downscaling from GCM precipitation: A benchmark for dynamical and statistical downscaling methods. International Journal of Climatology, 26: 679-689. [DOI:10.1002/joc.1287]
24. Shrestha, M. 2017. Bias correction of climate models for hydrological modelling - are simple methods still useful? Meteorological Application, 24: 531-539. [DOI:10.1002/met.1655]
25. Smitha, P.S., B. Narasimhan, K.P. Sudheer and H. Annamalai. 2018. An improved bias correction method of daily rainfall data using a sliding window technique forclimate change impactassessment. Journal of Hydrology, 556: 100-118. [DOI:10.1016/j.jhydrol.2017.11.010]
26. Sundaram, G. and S. Radhakrishnan. 2022. Assessment of various bias correction methods and future projection of minimum and maximum temperatures using regional climate model over Thanjavur district. Arabian Journal of Geosciences, 15:1162. [DOI:10.1007/s12517-022-10403-z]
27. 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, 456-457: 12- 29. [DOI:10.1016/j.jhydrol.2012.05.052]
28. 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: 449-468. [DOI:10.1007/s10584-011-0224-4]
29. Wilby, R.L. and T.M. Wigley. 1997. Downscaling general circulation model output: are view of methods and limitations methods and limitations. Progress in Physical Geography, 21: 530-548. [DOI:10.1177/030913339702100403]
30. Worku, G., E. Teferi, A. Bantider and Y.T. Dile. 2018. Observed changes in extremes of daily rainfall and temperature in Jemma Sub-Basin, Upper Blue Nile Basin, Ethiopia. Dynamics of Atmospheres and Oceans, 135: 839- 854. [DOI:10.1007/s00704-018-2412-x]
31. Zabardast Rostami, H., M. Raeini Sarjaz and M.A. Gholami Sefidkouhi. 2021. Assessment of Climate Change Effects on River Flow of Gelevard Dam Basin. Journal of Watershed Management Research, 12(24): 205-216 (In Persian). [DOI:10.52547/jwmr.12.24.205]
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به (پژوهشنامه مدیریت حوزه آبخیز (علمی-پژوهشی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 CC BY-NC 4.0 | Journal of Watershed Management Research

Designed & Developed by : Yektaweb