مدل‌سازی و پیش‌بینی پارامترهای اقلیمی با استفاده ازمدل CanESM2 تحت سناریوهای RCP (مطالعه موردی : ایستگاه کرج)

نوع مقاله : پژوهشی

نویسندگان

1 دانشیار، گروه علوم و فناوری‌های محیطی، دانشکده مهندسی انرژی و منابع پایدار، دانشگاه تهران، تهران، ایران

2 استادیار، گروهی مهندسی طبیعت دانشکده منابع طبیعی دانشگاه جیرفت، جیرفت، ایران

3 استادیار، گروه علوم و فناوری‌های محیطی، دانشکده مهندسی انرژی و منابع پایدار، دانشگاه تهران، تهران، ایران

چکیده

موضوع: تغییر اقلیم یکی از چالش‌های مهم قرن حاضر است. پیامدهای این تغییرات و چگونگی سازگاری با آن‌ها و همچنین کاهش علل ایجاد تغییرات اقلیمی از نکات مهم این پدیده است. درحال حاضر، شواهد علمی و قطعی در مورد گرم شدن زمین وجود دارد و میزان افزایش بی‌سابقۀ دما در سطح زمین و جو که ناشی از فعالیت‌های انسانی بوده، شاهدی بر این موضوع است. از مهم‌ترین پارامترهای مؤثر بر روی پدیدۀ تغییر اقلیم، بارندگی و دما هستند.
هدف: در این مطالعه به‌منظور پیش‌بینی تغییرات اقلیمی در ایستگاه کرج از مدل CanESM2 برای مدل‌سازی پارامترهای اقلیمی دما، بارندگی و سرعت باد تحت سناریوهای RCP استفاده شد.
روش تحقیق: در این مطالعه از مدل‌های ریزمقیاس‌نمایی برای پیش‌بینی پارامتر‌های دما، بارش و باد در ایستگاه کرج استفاده شد.
یافته‌ها: نتایج نشان داد براساس نتایج حاصل از شبیه‌سازی بارندگی در ایستگاه کرج، میانگین بارندگی در دورۀ تاریخی 96/247 میلی‌متر بوده که طبق سناریوهای RCP2.6، RCP4.5 و RCP 8.5 به‌ترتیب 36/44، 8/75 و 15/62 درصد در آیندۀ نزدیک (2060-2030) و 62/81، 14/53 و 16/47 درصد در آیندۀ دور (2100-2070) نسبت به دورۀ مشاهداتی (2017-1985) کاهش خواهد یافت. نتایج حاصل از شبیه‌سازی دمای متوسط طبق سناریوهای RCP2.6، RCP4.5 و RCP8.5 نشان داد دمای متوسط در دورۀ آیندۀ نزدیک 0/53، 0/17 و 0/19 درصد نسبت به دورۀ مشاهداتی (81/15 درجۀ سانتی‌گراد) کاهش خواهد یافت؛ درحالی‌که در آیندۀ دوره (2100-2070) تحت سناریو RCP2.6  1/11 درصد کاهش و براساس سناریوهای RCP4.5 و  RCP8.539/0 و 2/13 درصد افزایش خواهد داشت. میانگین سرعت باد شبیه‌سازی‌شده نشان داد سرعت باد 27/89، 25/03 و 24/55 درصد در دورۀ 2030 تا 2060 و 34/16، 25/37 و 23/84 درصد در دورۀ 2070تا 2100 تحت سناریوهای RCP نسبت به مقدار مشاهداتی (2/41 متر بر ثانیه) افزایش خواهد یافت.
نتیجه‌گیری: نتایج ارزیابی مدل CanESM2 در این مطالعه می‌تواند به‌عنوان یک نتیجۀ آماری قابل ‌قبول برای بررسی تغییرات پارامترهای اقلیمی در نظر گرفته شود. رعایت الگوی مصرف و استفادۀ بهینه از منابع آبی و همچنین جلوگیری از افزایش گازهای گلخانه‌ای می‌تواند روند افزایش دما و کاهش بارندگی را کنترل کند.

کلیدواژه‌ها

موضوعات


Awel, Y. M. (2024). Forecasting GDP growth: Application of autoregressive integrated moving average model. Empirical Economic Review, 1(2), 1–16. https://ojs.umt.edu.pk/index.php/eer/article/view/15
Balyani, S., Khosravi, Y., Ghadami, F., Naghavi, M., & Bayat, A. (2017). Modeling the spatial structure of annual temperature in Iran. Modeling Earth Systems and Environment, 3(2), 581–593. (in persian).
Barzegari, F., & Maleki-Najad, H. (2015). Investigation and comparison of climate changes in plain and mountain areas in the period from 2010 to 2030 (case study: Abkhiz area of Yazd Ardakan plain). Physics and Earth, 42(1), 171–182. (in persian).
Buba, L. F., Kura, N. U., & Dakagan, J. B. (2017). Spatiotemporal trend analysis of changing rainfall characteristics in Guinea Savanna of Nigeria. Modeling Earth Systems and Environment, 3(3), 1081–1090.
Cantelaube, P., & Terres, J. M. (2005). Seasonal weather forecasts for crop yield modeling in Europe. Tellus A: Dynamic Meteorology and Oceanography, 57(3), 476–487.
Chen, L., & Xu, H. (2012). Autoregressive integrated moving average model in food poisoning prediction in Hunan Province. PubMed, 37(2), 142–146. https://doi.org/10.3969/j.issn.1672-7347.2012.02.005
Chen, L., Singh, V. P., Guo, S., Mishra, A. K., & Guo, J. (2013). Drought analysis using copulas. Journal of Hydrologic Engineering, 18(7), 797–808.
Cong, R.-G., & Brady, M. (2012). The interdependence between rainfall and temperature: Copula analyses. Scientific World Journal, 2012, 1–11.
Cooper, P., Dimes, J., Rao, K., Shapiro, B., Shiferaw, B., & Twomlow, S. (2008). Coping better with current climatic variability in the rain-fed farming systems of sub-Saharan Africa: An essential first step in adapting to future climate change?. Agriculture Ecosystems and Environment, 126(1–2), 24–35.
Das, P. K., Jhajharia, D., & Pandey, V. (2018). Modeling of interdependence between rainfall and temperature using copula. Modeling Earth Systems and Environment, 4(2), 867–879.
Dibike, Y. B., & Coulibaly, P. (2005). Hydrologic impact of climate change in the Saguenay watershed: Comparison of downscaling methods and hydrologic models. Hydrology, 307(1–4), 145–163.
Dupuis, D. J. (2007). Using copulas in hydrology: Benefits, cautions, and issues. Journal of Hydrologic Engineering, 12(4), 381–393.
Erskine, W., & El Ashkar, F. (1993). Rainfall and temperature effects on lentil (Lens culinaris) seed yield in Mediterranean environments. Journal of Agricultural Science, 121(3), 347–354.
Gebremeskel, S. Y. B., de Smedt, L. F., Hoffmann, L., & Pfister, L. (2005). Analyzing the effect of climate changes on stream flow using statistically downscaled GCM scenarios. International Journal River Basin Management, 2(4), 271–280.
Ghanchepour, D., Saaduddin, A., Bahramand, A. R., Jikman, A., & Mahini, A. R. (n.d.). Application of quantitative screening method in the statistical exponential microscale model (SDSM) to create climate change scenarios (case study: Gorgan Rood River Basin). Ecohydrology, 6(2), 379–414. (in persian)
Ghorbani, Kh., Sohrabian, A., Salari Jezi, M., & Hosseini, M. (2016). Forecasting the effect of climate change on the monthly flow of the river using the IHACRES hydrological model (case study: Galiksh watershed). Protection of Water and Soil Resources, 5(4), 19–34.
Hassan, Z., Shamsudin, S., & Harun, S. (2014). Application of SDSM and LARS-WG for simulating and downscaling of rainfall and temperature. Theoretical and Applied Climatology, 116(1–2), 243–257.
Hay, L. E., Wilby, R. L., & Leavesley, G. H. (2000). A comparison of delta changes and downscaled GCM scenarios for three mountainous basins in the United States. Journal of the American Water Resources Association, 36(2), 387–397.
Huang, J., Zhang, J., Zhang, Z., Xu, C., Wang, B., & Yao, J. (2011). Estimation of future precipitation change in the Yangtze River basin using the statistical downscaling method. Stochastic Environmental Research and Risk Assessment, 25(6), 781–792.
Iqbal, M. A., & Naveed, M. A. (2016). Forecasting inflation: Autoregressive integrated moving average model. European Scientific Journal, 12(1), 83–83. https://doi.org/10.19044/esj.2016.v12n1p83
Keerthirathne, D. G. T. C., & Perera, K. (2015). Joint distribution of rainfall and temperature in Anuradhapura, Sri Lanka using copulas. Proceedings of the International Research Symposium on Engineering Advancements (RSEA), SAITM, Malabe, Sri Lanka.
Khan, M. S., Coulibaly, P., & Dibike, Y. (2006). Uncertainty analysis of statistical downscaling methods. Journal of Hydrology, 319, 357–382.
Kreyling, J., & Beier, C. (2013). Complexity in climate change manipulation experiments. Bioscience, 63(9), 763–767.
Liu, L., Liu, Z., Ren, X., Fischer, T., & Xu, Y. (2011). Hydrological impacts of climate change in the Yellow River Basin for the 21st century using hydrological model and statistical downscaling model. Quaternary International, 244(2), 211–220.
Lobell, D., & Field, C. (2007). Global scale climate-crop yield relationships and the impacts of recent warming. Environmental Research Letters, 2(1), 014002.
Luceño, A., & Peña, D. (2007). Autoregressive integrated moving average (ARIMA) modeling. Encyclopedia of Statistics in Quality and Reliability. https://doi.org/10.1002/9780470061572.eqr276
Miao, C., Duan, Q., Sun, Q., & Li, J. (2013). Evaluation and application of Bayesian multi-model estimation in temperature simulations. Progress in Physical Geography: Earth and Environment, 37(6), 727–744.
Mirakbari, M., Mesbahzadeh, T., Mohseni Saravi, M., Khosravi, H., & Mortezaei Farizhandi, Q. (2017). Evaluation of CMIP5 model efficiency in simulating and forecasting climatic parameters of rainfall, temperature, and wind speed (case study: Yazd province). Natural Geographic Research, 50(3), 593–609.
Muchow, R., Sinclair, T., & Bennett, M. (1999). Temperature and solar-radiation effects on potential maize yield across locations. Agronomy Journal, 82(2), 338–343.
Olesen, J. E., & Bindi, M. (2002). Consequences of climate change for European agricultural productivity, land use, and policy. European Journal of Agronomy, 16(4), 239–262.
Samrad Jafarian Namin, M. T., Mohsen Shojaie, & Saeed Shavvalpour. (2021). Annual forecasting of inflation rate in Iran: Autoregressive integrated moving average modeling approach. Engineering Reports, 3(4). https://doi.org/10.1002/eng2.12344
Sethi, R., Pandey, B. N., & Pandey, R. N. (2006). Climate change, water resources, and agriculture in India. Current Science, 91(10), 1296–1302.
Wilby, R. L., Dawson. C. W., & Barrow, E. M. (2002). SDSM–A decision support tool for the assessment of regional climate change impacts. Journal of Environmental Modeling and Software. 17(2); 147–159.
Zhao, J., Huang, L., Li, Y., Wang, H., & Zhang, H. (2018). Simulation and prediction of future climate in the Qinghai-Tibetan Plateau using statistical downscaling model and CMIP5. International Journal of Climatology, 38(1), 524–536.
دوره 11، شماره 3
مهر 1403
صفحه 411-426
  • تاریخ دریافت: 20 تیر 1403
  • تاریخ بازنگری: 18 مرداد 1403
  • تاریخ پذیرش: 28 شهریور 1403
  • تاریخ اولین انتشار: 01 مهر 1403
  • تاریخ انتشار: 01 مهر 1403