بررسی عدم قطعیت گروهی مدل‌های گردش عمومی جو در شبیه‌سازی داده‌های هواشناسی (مطالعه موردی ایستگاه سینوپتیک رشت)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 عضو هیات علمی بخش تحقیقات فنی و مهندسی کشاورزی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان گیلان

2 استاد گروه مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران

3 گروه علوم مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد

4 استاد گروه اقتصاد کشاورزی، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران

چکیده

یکی از معتبرترین روش‌ها برای ارزیابی اثرات پدیده تغییر اقلیم استفاده از متغیرهای اقلیمی شبیه‌سازی‌شده توسط مدل‌های گردش عمومی جو (AOGCM) است ولی این شبیه‌سازی‌ها دارای عدم قطعیت می‌باشند. چشم‌پوشی از عدم قطعیت‌های مرتبط با تغییر اقلیم در تحقیقات، از اعتبار نتایج کاسته و منجر به اعمال نتایج غیرواقعی و غیرکاربردی خواهد شد. در این پژوهش ابتدا داده‌های دما، بارش و تابش شبیه‌سازی‌شده توسط 5 مدل HADCM3، NCCCSM، NCCCSM، INCM3، GFCM21 و MPEH5 در ایستگاه سینوپتیک رشت بر اساس سناریوهای انتشار A1B، A2 و B1 به روش آماری ریزمقیاس شدند. ارزیابی کارایی مدل‌ها به‌صورت منفرد و گروهی با استفاده از آماره‌های خطا سنجی انجام شد. همچنین عدم قطعیت هر یک از مدل‌های گردش عمومی جو و سناریوهای انتشار به روش وزن دهی بررسی شد. نتایج آزمون آماره‌های محاسبه‌شده برای هر یک از مدل‌ها به‌صورت منفرد نشان داد مدل INCM3 در سناریوی A1B برای شبیه‌سازی بارش، مدل NCCCSM در سناریوی A1B برای شبیه‌سازی تابش و GFCM21 تحت سناریوی B1 برای شبیه‌سازی دمای کمینه و مدل HADCM3 در سناریوی A1B برای شبیه‌سازی دمای بیشینه بیشترین کارایی را در شبیه‌سازی داشته‌اند. نتایج اجرای گروهی مدل‌ها نشان داد که در برنامه‌ریزی آتی می‌توان از ترکیب گروهی مدل‌ها با عدم قطعیت کمتر و دقت بیشتری پارامترهای اقلیمی را شبیه‌سازی کرد. به‌منظور انتخاب سناریوی برتر بر اساس اجرای گروهی مدل‌ها مشاهده شد بیشترین مطابقت داده‌های بارش شبیه‌سازی‌شده با داده‌های واقعی بر مبنای سناریوی B1، برای داده‌های تابش بر مبنای سناریوی A1B و دمای کمینه و بیشینه بر مبنای سناریوی B1 می‌باشد.

کلیدواژه‌ها

عنوان مقاله [English]

Evaluation of Ensemble Uncertainty in the Simulation of Atmospheric General Circulation Models a Meteorological Data (Case Study of Synoptic Station in Rasht)

نویسندگان [English]

  • Parisa Shahinrokhsar 1
  • Amin Alizadeh 2
  • Hossein Ansari 3
  • Mohammad Ghorbani 4
1 Agricultural Engineering Research Department, Gilan Agricultural and Natural Resources Research
2 Professor, Department of Water Engineering, Ferdowsi University of Mashhad., Mashhad., Iran
3 Department of Water Sciences and Engineering, Ferdowsi University of Mashhad
4 Professor , Department of Agricultural Economics, Ferdowsi University of Mashhad., Mashhad., Iran
چکیده [English]

One of the most reliable methods for assessing the effects of climate change is the use of climate variables simulated by general atmospheric circulation (GCM) models, but these simulations have uncertainties. Avoiding the uncertainties associated with climate change in research will reduce the credibility of the results and result in unrealistic and unrealistic results. In this study, the data of temperature, precipitation and radiation simulated by 5 models HADCM3, NCCCSM, NCCCSM, INCM3, GFCM21 and MPEH5 at the Synoptic Station of Rasht based on A1B, A2 and B1 emission scenarios were statistically analyzed. Also, the uncertainty of each of the general atmospheric circulation models and diffusion scenarios was investigated by weighting method. The results of the test of the calculated statistics for each model were presented individually. The INCM3 model in the A1B scenario for simulating rainfall, the NCCCSM model in the A1B scenario for radiation simulation and GFCM21 under B1 scenario for simulating minimum temperature and HADCM3 model in the A1B scenario for maximum temperature simulation. The results of ensemble performance of the models also showed that in the future planning, the group composition of the models can be simulated with less uncertainty and more accurately the climatic parameters. In order to select the best scenario based on the group implementation of the models, the best match is the simulated rainfall data with real data based on B1 scenario, for A1B scenario data and minimum and maximum temperature based on scenario B1.

کلیدواژه‌ها [English]

  • Climate Change
  • Emission scenarios
  • Statistical Measurement
  • Verification

مراجع

بابائیان، ا. و نجفی نیک، ز. 1385. معرفی و ارزیابی مدل LARS-WG برای مدل‌سازی پارامترهای هواشناسی استان خراسان در دوره 1961 تا 2003، مجله نیوار، 62 و 63: 49 - 69.
اشرف، ب.، علیزاده، ا.، موسوی بایگی، م. و بنایان اول، م. 1393. صحت سنجی داده‌های دما و بارش شبیه‌سازی‌شده توسط اجرای منفرد و گروهی پنج مدل AOGCM برای منطقه شمال شرق ایران. مجله آب‌وخاک، 2: 253-266.
خلیلی اقدم، ن.، ا. مساعدی، ا. سلطانی و ب. کامکار. 1391 . ارزیابی توانایی مدل LARS-WG در پیش‌بینی برخی از پارامترهای جوی سنندج. مجله پژوهش‌های حفاظت آب‌وخاک، 19. 4: 85
سادات آشفته پ. و مساح بوانی، ع. 1389. بررسی تأثیر تغییر اقلیم بر رواناب؛ مطالعه موردی حوضه قرنقو، آذربایجان شرقی، مجموعه مقالات نخستین کنفرانس ملی پژوهش‌های کاربردی منابع آب ایران، هیدرولوژی، هیدرولیک و جنبه‌های مختلف منابع آب ایران، شرکت آب منطقه‌ای کرمانشاه:161 - 147.
عباسی ف.، ملبوسی ش.، بابائیان ا.، اثمری م. و برهانی ر. 1389. پیش‌بینی تغییرات اقلیمی خراسان جنوبی در دوره 2039-2010 میلادی با استفاده از ریزمقیاس نمایی آماری خروجی مدل ECHO-G، مجله آب‌وخاک، 24 .2: 233-218.
علیزاده ا.، سیاری ن.، حسامی کرمانی م.ر.، بنایان اول م.، و فریدحسینی ع. 1389. بررسی پتانسیل اثرات تغییر اقلیمی بر منابع و مصارف آب کشاورزی (مطالعه موردی: حوضه آبریز رودخانه کشف رود). مجله آب‌وخاک،  24 .4: 835-815.
کمال، ع و ع. مساح بوانی. 1389. تأثیر تغییر و نوسانات اقلیمی بر رواناب حوضه با دخالت عدم قطعیت دو مدل هیدرولوژیکی. مجله آب‌وخاک، 24 .5: 931-920.
مساح بوانی، ع.، س. مرید و م. محمد زاده. 1389. مقایسه روش‌های کوچک‌مقیاس کردن و مدل‌های AOGCM  بررسی تأثیر تغییر اقلیم در مقیاس منطقه‌ای. مجله فیزیک زمین و فضا، 36 .4: 110 -99.
Andarzian B., Bannayan M., Stedutoc P., Mazraeha H., Baratid M.E., Baratie M.A., and Rahnamaa A. 2011. Validation and testing of the Aqua Crop model under full and deficit irrigated wheat production in Iran. Journal of Agricultural Water Management, 100: 1– 8.
Bannayan M., Kazuhiko K., Han-Yong K., Liefferingd M., Okadae M. and Miura Sh. 2005. Modeling the interactive effects of atmospheric CO2 and N on rice growth and yield. Journal of Field Crops Research, 93: 237–251.
Bannayan, M. and G. Hoogenboom. 2009. Using Pattern Recognition for Estimating Cultivar Coefficients of a Crop Simulation Model. Field Crops Research, 111:290–302.
Benestad, R.E. 2004. Empirical Statistical Downscaling in Climate Modeling. EOS, Transactions American Geophysical Union. 85.42: 417-422.
Covey, C., AchutaRao, K. M., Cubasch, U., Jones, P., Lambert, S. J., Mann, M. E. and Taylor, K. E. 2003. An Overview of Results from The Coupled Model Inter Comparison Project. Global and Planetary Change, 37.1:133-103.
Feng, J. and Fu, C. 2012. A Multi-Ensemble of Regional Climate Simulation from RMIP for Asia. Report Of Key Laboratory of Regional Climate-Environment For East Asia, START Regional Center For Temperature East Asia, IAP,CAS : 1-38.
Fowler, H.J. and Ekstrom, M. 2009. Multi-Model Ensemble Estimates Of Climate Change Impacts On UK Seasonal Precipitation Extremes. International Journal of Climatology, 29: 385-416.
Hashemi Ana, S. K., Khosravi, M. and Tavousi, T. 2015. Validation of AOGCMs Capabilities for Simulation Length of Dry Spells under the Climate Change in Southwestern Area of Iran. Open Journal of Air Pollution, 4 .2:76-85.
Homaee M., Dirksen, C. and Feddes, R.A. 2002. Simulation of Root Water Uptake. I. Nouniform Transient Salinity Stress Using Different Macroscopic Reduction Functions. Agricultural Water Management, 57: 89-109.
IPCC. 2001. Climate Change. The Science of Climate Change. Cambridge University Press, Cambridge, UK.
IPCC. 2010. Expert Meeting on Assessing and Combining Multi Model Climate Projections National Center for Atmospheric Research. Boulder, Colorado, USA.
IPCC.2007. Climate Change 2007: Impacts, Adaptation and Vulnerability, Contribution of Working Group II to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. Edited by M. Parry et al., Cambridge University Press, UK.
Lane, M.E., Kirshen, P.H. and Vogel, R.M. 1999. Indicators of Impact of Global Climate Change on U.S. Water Resources. ASCE, Journal of Water Resource Planning and Management, 125.4: 194-204.
Mavromatis, Th. and Hansen, J.W. 2001. Inter Annual Variability Characteristics And Simulated Crop Response Of Four Stochastic Weather Generators. Agricultural and Forest Meteorology, 109: 283-296.
New, M. and Hulme, M. 2000. Representing Uncertainty in Climate Change Scenarios: A Monte-Carlo Approach, Integrated Assessment, 1: 203–213.
Semenov M.A. and Barrow E.M. 2002. LARS-WG A Stochastic Weather Generator for Use in Climate Impact Studies. User’s Manual, Version 3.0.
Semenov, M. and Stratonovitch, P. 2010. Use of Multi-Model Ensembles from Global Climate Models For Assessment of Climate Change Impacts. Climate Research, 41: 1-14.
Semenov, M.A. 2008. Simulation of Extreme Weather Events by a Stochastic Weather Generator. Climate Research, 35: 203-212.
Semenov, M.A. and Brooks, R.J. 1999. Spatial Interpolation of the LARS-WG Stochastic Weather Generator in Great Britain. Climate Research, 11.2: 137-148.
Semenov, M.A., and Stratonovitch, P., 2010. Use of Multi-Model Ensembles from Global Climate Models for Assessment of Climate Change Impacts. Climate Research, 41, 1-14.
Turley, M.C., and Ford, E.D. 2009. Definition and Calculation of Uncertainty in Ecological Process Models. Ecological Modeling, 220: 1968–1983.
Wilby, R., and Harris, I. 2006. A Framework for Assessing Uncertainties in Climate Change Impacts: Low Flow Scenarios for the River Thames, UK, Water Resources Research, 42: 2419-2429.
Williams, A.G. 1991. Modeling Future Climates: from GCMS to Statistical Downscaling Approaches, University of Toronto At Scarborough, 56p.
نشریه آبیاری و زهکشی ایران
دوره 13، شماره 6 - شماره پیاپی 78
بهمن و اسفند 1398
صفحه 1897-1909

فایل ها

هم رسانی

ارجاع به این مقاله

آمار