Persian
Language
Geographical Research is Published in Persian Fulltext.
دوره 33، شماره 3 - ( 1397 )
جلد 33 شماره 3 صفحات 123-106 |
برگشت به فهرست نسخه ها
نوع مقاله:
موضوع مقاله:
History
دریافت: 1396/7/16 | پذیرش: 1397/6/25 | انتشار: 1397/9/28
دریافت: 1396/7/16 | پذیرش: 1397/6/25 | انتشار: 1397/9/28
How to cite this article
Jafarzadeh ّ, khorshiddoust A, sarraf B, Ghermezcheshmeh B. The Modeling of Future Precipitation Changes, under Climate Change in the Southern Coasts of Caspian Sea.. GeoRes 2018; 33 (3) :106-123
URL: http://georesearch.ir/article-1-243-fa.html
URL: http://georesearch.ir/article-1-243-fa.html
جعفرزاده فاطمه، خورشیددوست علی محمد، ساری صراف بهروز، قرمز چشمه باقر. مدل‌سازی تغییرات آتی بارش‌های سواحل جنوبی دریای خزر تحت شرایط تغییر اقلیم . فصل‌نامه تحقیقات جغرافیایی. 1397; 33 (3) :106-123
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Rights and permissions
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Authors
فاطمه جعفرزاده*1، علی محمد خورشیددوست2، بهروز ساری صراف2، باقر قرمز چشمه3
1- گروه اقلیم شناسی، دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز،تبریز، ایران ، f.jafarzadeh1@gmail.com
2- گروه اقلیم شناسی، دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز،تبریز، ایران
3- گروه اقلیم شناسی، پژوهشکده حفاظت خاک و آبخیزداری، تهران، ایران
2- گروه اقلیم شناسی، دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز،تبریز، ایران
3- گروه اقلیم شناسی، پژوهشکده حفاظت خاک و آبخیزداری، تهران، ایران
چکیده (3877 مشاهده)
مقدمه: بارش مهم‌ترین پارامتر تأثیرگذار بر جنبه های مختلف اجتماعی، اقتصادی و منابع طبیعی است. بررسی تغییرات آتی پارامتر اقلیمی بارش از طریق پیش برآورد مدل‌های اقلیمی میسر می‌شود.
هدف:در پژوهش حاضر تغییرات آتی بارش سواحل جنوبی جهت نیل به برنامه ریزی های صحیح در منطقه سواحل جنوبی دریای خزر بررسی می‌گردد.
مواد و روش‌ها: بارش‌های آتی ایستگاه‌های منتخب سواحل جنوبی دریای خزر با استفاده از ﻣﺪل LARS-WG و داده‌های مشاهداتی بارش در دوره پایه و به کمک نوسانات اقلیمی حاصل از مدل گردش عمومی HadCM3 تحت سناریوهای A2، B1 وA1B در دوره 2039-2011 مدل‌سازی شد.
نتیجه‌گیری: نتایج نشان داد بارش شبیه‌سازی‌شده انطباق بالایی با بارش مشاهده‌ای در دوره پایه دارد. بر اساس معیارهای MBE و MAE مقادیر خطای به‌دست‌آمده برای بارش شبیه‌سازی‌شده در دوره پایه در فصل پاییز زیاد است. با توجه به نتایج به‌دست‌آمده، مدل تغییرات بارش سواحل جنوبی در دوره آتی با استفاده از سناریوهای A2، B1 و A1B ترسیم گردید که بر اساس آن در تمام ایستگاه‌های منطقه مقدار بارش افزایش خواهد یافت. درصد افزایش بارش در ایستگاه‌های انزلی، آستارا، بابلسر، گرگان، نوشهر، رامسر و رشت بر اساس سناریوی A2، به ترتیب 3/0، 9/7، 2/2، 4/1، 7/8-، 8/0، 7/6 درصد، همچنین بر اساس سناریوی A1B، به ترتیب 3/9، 12، 12، 4/12، 1/4-، 7/6، 9/13 درصد و بر اساس سناریوی B1 به ترتیب 7/8، 7/9، 5/6، 5/11، 7/3-، 3/5، 6/13 درصد خواهد بود.
هدف:در پژوهش حاضر تغییرات آتی بارش سواحل جنوبی جهت نیل به برنامه ریزی های صحیح در منطقه سواحل جنوبی دریای خزر بررسی می‌گردد.
مواد و روش‌ها: بارش‌های آتی ایستگاه‌های منتخب سواحل جنوبی دریای خزر با استفاده از ﻣﺪل LARS-WG و داده‌های مشاهداتی بارش در دوره پایه و به کمک نوسانات اقلیمی حاصل از مدل گردش عمومی HadCM3 تحت سناریوهای A2، B1 وA1B در دوره 2039-2011 مدل‌سازی شد.
نتیجه‌گیری: نتایج نشان داد بارش شبیه‌سازی‌شده انطباق بالایی با بارش مشاهده‌ای در دوره پایه دارد. بر اساس معیارهای MBE و MAE مقادیر خطای به‌دست‌آمده برای بارش شبیه‌سازی‌شده در دوره پایه در فصل پاییز زیاد است. با توجه به نتایج به‌دست‌آمده، مدل تغییرات بارش سواحل جنوبی در دوره آتی با استفاده از سناریوهای A2، B1 و A1B ترسیم گردید که بر اساس آن در تمام ایستگاه‌های منطقه مقدار بارش افزایش خواهد یافت. درصد افزایش بارش در ایستگاه‌های انزلی، آستارا، بابلسر، گرگان، نوشهر، رامسر و رشت بر اساس سناریوی A2، به ترتیب 3/0، 9/7، 2/2، 4/1، 7/8-، 8/0، 7/6 درصد، همچنین بر اساس سناریوی A1B، به ترتیب 3/9، 12، 12، 4/12، 1/4-، 7/6، 9/13 درصد و بر اساس سناریوی B1 به ترتیب 7/8، 7/9، 5/6، 5/11، 7/3-، 3/5، 6/13 درصد خواهد بود.
واژه‌های کلیدی:
فهرست منابع
1. Ahmadi, M., Lashkari, H., Keykhosravi, G., & Azadi, M. (2016). Comparing the performance of LARS_WG and RegCM4 models in simulating and post-processing of annual temperature and rainfall data in Great Khorasan. Geographic Information Journal, 25(98), 157-170. [DOI:10.22131/SEPEHR.2016.22144]. (Persian)
2. Awal, R., Bayabil, H. K., & Fares, A. (2016). Analysis of potential future climate and climate Extremes in the Brazos Headwaters basin, Texas. Water, 8(12), 603. [DOI:10.3390/w8120603]
3. Babaian, I., Najafineik, Z., Abbasi, F., Habeibei, M., Adab, H., & Malbisei, S. (2009). Climate Change Assessment over Iran During 2010-2039 by Using Statistical Downscaling of ECHO- G Model. Geography and Development Journal, 7(16), 135-152. [DOI:10.22111/GDIJ.2009.1179]. (Persian)
4. Bahri, M., & Zahedi, E. (2016). Investigation of climate change impacts on streamflow regime of a river Arazkooseh river basin. Researches in Geographical Sciences, 16(42), 109-132. (Persian)
5. Barzegari, F., & Maleki, H. (2016). Prediction and comparison of climate changes in mountainous and palin regions during 2010-2030 (case study: Yazd- Ardakan watershed). Journal of the Earth and Space Physics, 42(1), 171-182. [DOI:10.22059/JESPHYS.2016.55319]. (Persian)
6. Bian, H., Lü, H., Sadeghi, A. M., Zhu, Y., Yu, Z., Ouyang, F., . . . Chen, R. (2017). Assessment on the effect of climate change on streamflow in the source region of the Yangtze River, China. Water, 9(1), 70. [DOI:10.3390/w9010070]
7. Butterworth, M. K., Morin, C. W., & Comrie, A. C. (2016). An analysis of the potential impact of climate change on dengue transmission in the southeastern United States. Environmental health perspectives, 125(4), 579-585. [DOI:10.1289/EHP218]
8. Dalghandi, M. (2016). Envestigation of climate change effect on potential evapotransportration. Irrigation and Water Engineering, 6(23), 156-167. (Persian)
9. Delavar, M., Babaei, O., & Fattahi, E. (2014). Evaluation of climate change impacts on Urmia lake water level fluctuations. Climatology Research Journal, 1393(19), 53-65. (Persian)
10. Esquivel-Arriaga, G., Sánchez-Cohen, I., López-Santos, A., Velásquez-Valle, M. A., & Bueno-Hurtado, P. (2016). Methodological approach to quantify the effect of changing climate patterns on bean crop yield in the State of Durango. Revista Chapingo Serie Zonas Áridas, 15(1), 17-28. [DOI:10.5154/r.rchsza.2015.08.011]
11. Eyni Nargese, H., Deyhimfard, R., Haghighat, S., & Nouri, O. (2015). Predicting the impacts of climate change on irrigated wheat yield in Fars province using APSIM model. Production of Crops Journal, 8(4), 203-224. (Persian)
12. Ghermezcheshmeh, B. (2013). Investigating the effect of uncertainty of downscaling of GCM models on temprature and precipitation. (PhD Thesis), Tabriz University. (Persian)
13. Gilanipour, J., & Gholizadeh, B. (2016). Prediction of rice water requirement using FAO-CROPWAT model in North Iran under future climate change. Preprints, 1-9. [DOI:10.20944/preprints201610.0134.v1]
14. Hejazizadeh, Z., Hoseini, S. M., & Karbalyi Dorri, A. Z. (2015). Simulation of climate variables in semnan province with the general circulation model scenarios. Geography and Environment Journal, 4(15), 1-24. (Persian) [DOI:10.22067/geo.v4i3.44214]
15. IPCC. (2014). Guidance note for lead authors of the IPCC fifth assessment report on consistent treatment of uncertainties. Cambridge University Press. Retrieved from https://pure.mpg.de/rest/items/item_2147184/component/file_2147185/content
16. Jahanbaksh Asl, S., Khorshiddoust, A. M., Dinpashoh, Y., & Sarafrouzeh, F. (2013). Frequency analysis of climate extreme events in Zanjan, Iran. Stochastic environmental research and risk assessment, 27(7), 1637-1650. [DOI:10.1007/s00477-013-0701-6]
17. Jallili, K., Moradi, H., & Bozorg Haddad, O. (2016). Assessment of climate change impacts on water resources in Islam Abad aquifer and land allocation optimization. Desert Ecosystem Engineering Journal, 5(11), 117-131. (Persian)
18. Kazemirad, L., & Mohammadi, H. (2015). Assessing the appropriate model for forecasting climate change in gilan provience. Geography and Environmental Hazard Journal, 4(16), 55-74. [DOI:10.22067/geo.v4i4.38892]. (Persian)
19. Khorshiddoust, A. M., Zanganeh, S., & Zarei, Y. (2014). Analysis and comparison trend of changes in temprature and precipitation index in kermanshah. Paper presented at the Thirty -Second Ghathering and the first international congress of earth sciences, Tehran. (Persian)
20. Mekonnen, D. F., & Disse, M. (2016). Analyzing the future climate change of Upper Blue Nile River Basin (UBNRB) using statistical downscaling techniques. Hydrology and Earth System Sciences Discuss, 22, 2391-2408. [DOI:10.5194/hess-22-2391-2018]
21. Osman, Y., Al-Ansari, N., Adbellatif, M., Al-Jawad, S., & Knutsson, S. (2014). Expected future precipitation in central Iraq using LARS-WG stochastic weather generator. Engineering, 6(13), 948-959. [DOI:10.4236/eng.2014.613086]
22. Racsko, P., Szeidl, L., & Semenov, M. (1991). A serial approach to local stochastic weather models. Ecological Modelling, 57(1), 27-41. [DOI:10.1016/0304-3800(91)90053-4] [DOI:10.1016/0304-3800(91)90053-4]
23. Rashidian, L., & Ebrahimi, A. (2016). Investigating Climate Change Trend Based on Data Simulation and IPCC Scenario during 2010-2030 AD: Case Study of Fars Province. World Academy of Science, Engineering and Technology, International Journal of Environmental, Chemical, Ecological, Geological and Geophysical Engineering, 10(8), 836-841.
24. Rezaei Banafsheh, M., Jalali Ansorudi, T., & Zarghami, M. (2015). Investigate of climate change impacts on groundwater level in Tasuj basin by statistical downscaling method. Water Resourses Research Journal, 11(2), 97-105. (Persian)
25. Salami, H., Naseri, H. R., & Massah Bavani, A. R. (2016). The effect of uncertainty of general circulation models on forcasting of grandwater level changes. Earth Science Research Journal, 7(2), 56-69. (Persian)
26. Samadi, S., Ehteramian, K., & Sarraf, B. S. (2011). SDSM ability in simulate predictors for climate detecting over Khorasan province. Procedia - Social and Behavioral Sciences, 19, 741-749. [DOI:10.1016/j.sbspro.2011.05.193]
27. Semenov, M., & Stratonovitch, P. (2010). Use of multi-model ensembles from global climate models for impact assessments of climate change. Inter-Research Climate Rresearch, 41(1), 1-14. [DOI:10.3354/cr00836]
28. Semenov, M. A. (2008). Simulation of extreme weather events by a stochastic weather generator. Climate Research, 35(3), 203-212. [DOI:10.3354/cr00731]
29. Semenov, M. A., Donatelli, M., Stratonovitch, P., Chatzidaki, E., & Baruth, B. (2010). ELPIS: a dataset of local-scale daily climate scenarios for Europe. Climate Research, 44(1), 3-15. [DOI:10.3354/cr00865]
30. Shahni Danesh, A., Ahadi, M. S., Fahmi, H., Nokhandan, M. H., & Eshraghi, H. (2016). Climate change impact assessment on water resources in Iran: applying dynamic and statistical downscaling methods. Journal of Water and Climate Change, 7(3), 551-577. [DOI:10.2166/wcc.2016.045]
31. Towfiqul Islam, A. R. M., Shen, S., Hu, Z., & Rahman, M. A. (2017). Drought hazard evaluation in boro paddy cultivated areas of western Bangladesh at current and future climate change conditions. Advances in Meteorology, 2017, 1-12. [DOI:10.1155/2017/3514381]
32. Zamani Nuri, A., Farzaneh, M., & Espanayi, K. (2014). Assessment of climatic parameters uncertainty under effect of different downscaling techniques. International Research Journal of Applied and Basic Sciences, 8(9), 1316-1320.