Journal of Watershed Management Research

fa ترکیب روش‌های تصحیح اریبیِ برونداد دما و بارش مدل‌های اقلیمی گزارش ششم در دشت همدان- بهار Combining Bias Correction Methods for Simulated Temperature and Precipitation by CMIP6 Models in Hamedan-Bahar Plain هواشناسی هواشناسی پژوهشي Research <div style="text-align: justify;">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.  </div> <div style="text-align: justify;">Extended Abstract Introduction and Objective: Applying the raw data of regional climate models in assessing the impact of climate change is not advisable due to possible biases. Therefore, correcting the bias of these data is necessary before using them for climate scenarios of the future. The aim of this study is to evaluate the performance and introduce the best combination of bias correction methods for precipitation and minimum and maximum temperature simulated by three CMIP6 climate models. Material and Methods: Five bias correction methods including linear scaling, variance scaling, local intensity scaling, power transformation and distribution mapping were investigated using root mean square error (RMSE), Nash-Sutcliffe efficiency (NSE), correlation coefficient (r) and Student's t test for the historical period (1990-2014). Afterward, the combination of the best bias correction methods was used to project precipitation and temperature under SSP2-4.5 and SSP5-8.5 scenarios in the future period (2051-2075). Results: Based on the results, three methods of variance scaling, local intensity scaling and power transformation for correcting the bias of the investigated data had weaker performances compared to the other methods. Two methods of linear scaling and distribution mapping had the lowest RMSE and highest r and NSE. Projecting the future climate using the combination of these two selected methods showed that the average annual precipitation in the Hamedan-Bahar region will decrease by 28 and 37 percent under scenarios of SSP2-4.5 and SSP5-8.5, respectively. Furthermore, the annual average of the maximum and minimum temperature will increase by 0.7, 0.9 under scenarios of SSP2-4.5 and 1.4 and 1.5 °C, under scenarios of SSP5-8.5, respectively. In addition, the highest seasonal decrease in precipitation (19.8 mm) compared to the baseline period will occur in the spring under the SSP5-8.5 scenario. Moreover, the highest seasonal increase of maximum and minimum temperature compared to the baseline period was projected in winter (1.6°C) and spring (1.7°C), respectively, under the SSP5-8.5 scenario. Conclusion: Two methods of linear scaling and distribution mapping are suitable for reducing the bias of the CMIP6 models in the Hamedan-Bahar plain. Also, considering the projected increase in temperature and decrease in precipitation in this region, this study can provide useful information for policy-makers of water resources and agriculture to decide about the rainwater harvesting, recharging of aquifers, crop selection, cultivating period, crop rotation and management methods to reduce the impact of future climate change. </div>   تغییر اقلیم, سناریوهای SSP, مقیاس‌‌‌بندی خطی, نگاشت توزیع, CMIP6 Bias correction, CMIP6, Climate change, Distribution mapping, Linear scaling, SSPs scenarios 75 85 http://jwmr.sanru.ac.ir/browse.php?a_code=A-11-30-14&slc_lang=fa&sid=1 Farnaz Ershadfath فرناز ارشادفتح farnaz.ershadfath@yahoo.com 100319475328460012814 100319475328460012814 No Sari University of Agriculture and Natural Sciences دانشگاه کشاورزی و منابع طبیعی ساری Ali Shahnazari علی شاهنظری aliponh@yahoo.com 100319475328460012815 100319475328460012815 Yes Sari University of Agriculture and Natural Sciences دانشگاه کشاورزی و منابع طبیعی ساری Mahmoud Raeini Sarjaz محمود رائینی سرجاز raeini@yahoo.com 100319475328460012816 100319475328460012816 No Sari University of Agriculture and Natural Sciences دانشگاه کشاورزی و منابع طبیعی ساری Jorgen Eivind Olese یورن ایویند اولسون jeo@agro.au.dk 100319475328460012817 100319475328460012817 No Aarhus University گروه آب و هواشناسی، دانشگاه آرهوس، ویبورگ، دانمارک