ریز مقیاس نمایی آماری و ارایه سناریوهای آتی رویدادهای حدی بارش درحوضه کشف رود

نوع مقاله : مقاله پژوهشی

نویسندگان

1 عضو گروه پژوهشی اقلیم‌شناسی کاربردی، پژوهشکده اقلیم شناسی، مشهد

2 دانشیار گروه مهندسی آب، دانشگاه فردوسی مشهد

3 استادیار گروه مهندسی آب، دانشگاه فردوسی مشهد

4 استادیار گروه آمار، دانشگاه فردوسی مشهد

چکیده

بر طبق گزارشهای IPCC فراوانی و شدت رویدادهای حدی آب و هوایی تحت شرایط تغییر اقلیم افزایش یافته بطوریکه افزایش گازهای گلخانهای و گرمایش زمین به شکل افزایش شدت، فراوانی و سهم رویدادهای فرین تجلی پیدا کرده است. در واقع گرمایش جهانی تغییر در متوسط متغیرهایی چون دما و بارش نیست بلکه در مجموع، افزایش رویدادهای حدی میباشد. تغییرات پیش بینی شده در رویدادهای حدی در نتیجه تغییر اقلیم و گرمایش جهانی در ارزیابی اثرات بالقوه تغییر اقلیم بر بخش های مختلف مانند آب، کشاورزی و مدیریت آب های سطحی شهری اهمیت زیادی دارد. در این راستا، در این مقاله میزان تغییرات رویدادهای حدی بارش حوضه کشف رود در آینده نزدیک (2040-2011) مورد بررسی قرار گرفته است. بدین منظور پس از ریزگردانی بارش در مقیاس روزانه و محاسبه نمایه های حدی بارش، توانمندی این مدل در شبیه‌سازی نمایه‌های صدک نودم، سهم بارش سنگین، بیشینه تعداد روزهای خشک متوالی و بیشینه بارش ماهانه طی دوره حاضر مورد بررسی قرار گرفت. نتایج نشان داد که امکان شبیه سازی الگوی تغییر ماهانه و مقدار بارش در مقیاس ماهانه در سطح قابل قبولی وجود دارد. اگرچه بین مقدار نمایه های حدی شبیه سازی شده و مشاهداتی تفاوت و خطا وجود داشت اما مدل، الگوی تغییرات ماهانه این نمایه ها را در اکثر ماه‌ها به خوبی شبیه سازی کرد. در ادامه بارش روزانه با استفاده از متغیرهای بزرگ مقیاس مدل HadCM3 تحت دو سناریوی A2 و  B2ریزگردانی شد و نمایه های حدی فوق برای دوره  2040-2011 محاسبه گردید. میزان تغییرات بارش و نمایه‌های حدی این دوره نسبت به دوره پایه 2000-1971 نشان داد مقدار بارش پیش بینی شده نسبت به دوره پایه، 3/3 درصد در سناریوی A2 و 6/3 درصد در سناریوی B2 کاهش می یابد و قابل ملاحظه ترین تفاوت در نمایه های حدی آتی، در فصل تابستان و تحت سناریوی A2 با افزایش بیشینه بارش، صدک نودم بارش و سهم بارش سنگین رخ خواهد داد.   

کلیدواژه‌ها


عنوان مقاله [English]

Statistical Downscaling of Extremes of precipitation and construction of their future scenarios in the Kashfroud Basin

نویسندگان [English]

  • M Kouhi 1
  • M Mousavi Baygi 2
  • A. R. Farid hosseini 3
  • S. H. Sanaei Nejad 2
  • H Jabbari Nooghabi 4
چکیده [English]

Introduction

The Intergovernmental Panel on Climate Change (IPCC) stated that there is high confidence that recent climate changes have had discernible impacts on physical and biological systems. Impacts of climate change are felt most strongly through changes in extreme climate events, which are responsible for a major part of climate-related economic losses (Jiang, et. al. 2012). The state-of-the art General Circulation Models (GCMs) can reproduce important processes in global and continental scale of atmosphere and predict future climate under different emission scenarios. Since spatial resolutions of GCMs are often coarse (hundreds of kilometer), there is a mismatch of scale between GCMs and the scale of interest for regional impacts.  Therefore, a range of downscaling methods have been developed to bridge the gap between the coarse resolution of the climate model outputs and the need for surface weather variables at finer spatial resolution (Wang et. al. 2011). Downscaling methods can be divided into two classes: dynamical downscaling (DD) and statistical (empirical) downscaling (SD). In this study, SD Model was evaluated by downscaling precipitation in the Kashafroud Basin. The statistical downscaling model (SDSM) used in our study here is a hybrid of a stochastic weather generator and regression methods (Wilby et al. 2001). This method includes a built-in transform functions in order to obtain secondary data series of the predictand and/or the predictor that have stronger correlations than the original data series (Wilby et al. 2004).

 

Materials and Methods

Study area

The KashafRoud basin, located between   58° 2´ and 60° 8´ E and 35° 40´ and 40° 36´ N, totally has an  area of about 16500 km2. To the north east of the catchment is the HezarMasjed Mountain, to the south west is the Binaloud mountain and in the center of the catchment is the Mashhad plain. The climate of KashafRoud river basin ranges from severe semiarid to arid climate. The multi-year average precipitation and air temperature of the basin is about 220 mm and 12/2 °C respectively (Sayari et. al., 2011).

 

Data

The data used for evaluation were large-scale atmospheric data encompassing daily NCEP/NCAR reanalysis data during 1961-2001 and the daily mean climate model results for scenarios A2 and B2 of the HadCM3 model during 1961-2099. Areal average daily precipitation data of the KashafRoud basin (Mean of four weather stations daily precipitation data) during 1969-2001 was used for downscaling. Modeling of four extreme precipitation indices including the Maximum length of continuous dry-spell, P-90 percentile, Percentage of all precipitation from events greater than P-90 percentile and the Maximum precipitation were investigated.

 

Methodology

As a first step, a quantitative statistical relationship between large-scale atmospheric variables and local-scale variables was established (Chen 2010) as:

R=F (L)    

in which R means the local predictand, L(l1, l2,..., ln) represents n large-scale atmospheric predictors, and F is the built quantitative statistical relationship. SDSM uses large-scale atmospheric variables to condition the rain occurrence as well as the rainfall amount in wet days. It can be expressed as follows (Wetterhall et al. 2009; Wilby et al.  2004):

 

in which i is time (days), ωi is the conditional possibility of rain occurrence on day i,  is the normalized predictor, αj is the regression parameter and ωi−1 and αi−1 are the conditional probabilities of rain occurrence on day i−1 and lag-1 day regression parameters, respectively. These two parameters are optional, depending on the study region and predictand. We used a uniformly distributed random number ri (0≤ri≤1) to determine the rain occurrence and supposed that rain would happen if ωi≤ri. On a wet day, rainfall can be expressed by a z-score as:

 

in which Zi is the z-score on day i, βj is the calculated regression parameter, and βi−1 and Zi−1 are the regression parameter and the z-score on day i−1, respectively. As mentioned above, they are also optional; ε is a random error term represented by the normal distribution N (0, ).

 

Downscaling precipitation

Calibration and validation of SDSM

First, all of the 26 atmospheric variables in the region were taken as potential predictors, then most sensitive predictors for the region were analyzed month by month. The analysis results were integrated; and finally, 3 predictors were selected for predictand (table 1).

 

Table 1- Details of downscaling model in the study region for Daily precipitation (1969-1984)

Predictors

Vorticity at 500 hPa (p5_z)

Divergence at 500 hPa (p5zh)

850 hPa U-component (P8_u)

Model type

Daily

Fourth root model

Conditional (amounts) and unconditional (occurrence) process

 

Results

The results showed that the pattern of change and numerical value of precipitation can be reasonably simulated. Although some differences existed between values of observed and simulated indices but the pattern of change in most of months were good. In the next 30 years, total annual precipitation would decrease by about 3.3 % in A2 scenario and 3.6% in B2 scenario and summer might be the most distinct season among all the changes in extreme precipitation indices.

 

 

کلیدواژه‌ها [English]

  • Statistical Downscaling
  • KashafRoud Basin
  • Scenario
  • Extreme Index

مقدمه

گزارش‌های سازمان‌های معتبر جهانی طی سالیان اخیر بیانگر این مسئله است که اثرات تغییر اقلیم با تغییر در رویدادهای حدی اقلیمی چون سیل، توفان، خشکسالی نمود بیشتری یافته است (WMO, 2011). تلفات و صدمات ناشی از چنین بلایایی تقاضا برای خدمات اطلاع رسانی مرتبط با این رویدادها را نیز افزایش داده است. به همین جهت در سال‌های اخیر توجه زیادی به ردیابی تغییرات این رویدادها و روش‌های مختلف تحلیل آن معطوف شده است (Yan et. al. 2002, Tank et. al., 2009). در واقع یکی از جنبه‌های کلیدی تغییر اقلیم شناخت رفتار رویدادهای حدی است. رویداد حدی یا فرین[1] عبارت است از یک پدیده نادر که از دیدگاه آماری احتمال وقوع آن رویداد خیلی کم می باشد و در برگیرنده معانی مختلفی است. برای مثال می‌تواند مقادیر پایین و بالای صدک‌های (95 و 5) (90 و 10) و یا به صورت مقادیر بالاتر از یک آستانه و یا تداوم یک شرایط ویژه تعریف شود (عسکری و همکاران، 1386).

به منظور پیش‌بینی تغییرات در شدت و فراوانی حدی‌ها، نیاز به تولید سناریوی‌های اقلیمی می‌باشد. مدل‌های جهانی اقلیم[2]که در حال حاضر به عنوان معتبرترین منبع اطلاعات اقلیمی مطرح می‌باشند قادرند فرآیندهای مهم جو را در مقیاس جهانی و قاره‌ای باز تولید کنند و اقلیم آینده را تحت سناریوهای مختلف انتشار پیش‌بینی نمایند. نسل جدید این مدل‌ها به صورت مدل‌های جفت ‌شده اقیانوس- اتمسفر AOGCM[3] ارایه گردیده‌اند و این توانایی را دارند تا سیستم اقلیمی را خیلی دقیق‌تر و کامل‌تر شبیه‌سازی نمایند. از آن جایی که برونداد این مدل‌ها در مقیاس بزرگ شبکه‌بندی شده‌اند بنابراین بین مقیاس این مدل‌ها و مقیاس مورد نیاز جهت بررسی اثرات تغییر اقلیم و ارزیابی آن‌ها، عدم تطابق وجود دارد که این امر منجر به توسعه چندین روش ریز مقیاس نمایی شده است. عمل ریز مقیاس نمایی به فنون مختلفی گفته می‌شود که به منظور تبدیل شبکه‌بندی‌های بزرگ مدل‌های اقلیمی به سطوح کوچک‌تر در حد محلی و ناحیه‌ای توسعه و کاربرد یافته‌اند و به دو دسته الف) روش‌های دینامیکی که مدل‌های منطقه‌ای اقلیم [4]‌(RCMs) را بکار می‌برند و ب) رهیافت‌های آماری تقسیم می شوند (IPCC, 2007).

در روش‌های آماری، روابط تجربی بین متغیرهای مستقل (پیش‌گوها) و متغیرهای وابسته (پیش‌بینی شونده) مشخص می‌گردند و از این روابط جهت پیش‌بینی متغیرهای اقلیمی تحت شرایط تغییر اقلیم استفاده می‌گردد. علی رغم مزیت مدل‌های دینامیکی در بررسی ویژگی‌های جوی ریز مقیاس مانند بارش‌های کوهستانی، کاربرد این مدل‌ها به دلیل نیاز آن‌ها به محاسبات و هزینه‌بری زیاد محدود شده است. در مقابل، روش‌های آماری همانند روش‌های دینامیکی توانمند اما کم هزینه می‌باشند لذا به طور گسترده‌ای به کار می‌روند. نقطه ضعف این مدل‌ها، نیاز آن‌ها به سری‌های آماری دراز مدت متغیر پیش‌بینی شونده می‌باشد. علاوه بر این، فرض بنیادی این مدل‌ها (معتبر بودن رابطه آماری بدست آمده برای دوره‌های آتی) را نمی‌توان در شرایط حاضر اثبات نمود. روش‌های ریز مقیاس نمایی آماری عبارتند از: روش‌های مبتنی بر الگوی آب و هوا[5]، روش‌های تولید داده[6] (Semenov & Brooks, 1999) و روش‌های رگرسیونی[7] (Wilby et. al., 2001, Hessami et. al., 2008).

از بین مدل‌های آماری، مدل ریز گردانی آماری          [8] (SDSM) امروزه یکی از کاراترین مدل‌ها جهت انجام مطالعات اقلیمی در سطح جهان محسوب می‌گردد که در سال 2001 توسط ویلبی و همکاران به عنوان ابزاری برای ریز مقیاس نمایی به روش آماری در انگلستان تهیه شده است (Wilby & Dawson, 2004). مبنای این مدل، رگرسیون چند متغیره می‌باشد و برای پیش بینی پارامترهای اقلیمی چون بارش و دما در درازمدت با توجه به متغیرهای بزرگ مقیاس اقلیمی استفاده می شود. از آن جا که در SDSM ساخت داده‌های هواشناسی با استفاده از ترکیب دو روش احتمالاتی و رگرسیونی صورت می‌گیرد، لذا در طبقه‌بندی مدل‌های مختلف ریز مقیاس نمایی، این مدل جزو بهترین‌ها محسوب می‌شود (Khan et. al., 2006). تاکنون، این مدل در پژوهش‌های بسیاری چون    Harpham & Wilby (2005)، Wilby et. al. (2006)، Khan et. al. (2006)، ،Wetterhall et. al. (2009)،  Liu et. al. (2011) ، سیاری و همکاران (1390)، Karamouz et. al. (2009) و رجبی (1390) استفاده شده که نتایج نشان دهنده توانمندی این مدل و در پی آن، کاربرد گسترده آن در پژوهش‌های مرتبط با ارزیابی اثرات تغییر اقلیم می‌باشد. به عنوان مثال، چو و همکاران (Chu et. al., 2010) اقدام به ارزیابی این مدل در شبیه‌سازی دمای هوا، تبخیر، بارش و همچنین برخی رویدادهای حدی دما و بارش در 11 ایستگاه هواشناسی در حوضه رودخانه‌های1 چین نمودند. نتایج نشان دهنده­ قابلیت مناسبSDSM  در ریز مقیاس نمایی بارش، دما و تبخیر بود. اگرچه در شبیه‌سازی رویدادهای حدی خطاهای سیستماتیک وجود داشت اما نتایج حاصل جهت کاربردهای عملی قابل قبول تشخیص داده شد. نتایج این پژوهش نشان داد که طی 30 سال آینده، اقلیم گرم‌تر و خشک‌تر و رویدادهای حدی شدیدتر خواهند بود. سویوجنت و هنریک (Souvignet &  Heinrich, 2010)در پژوهش خود اقدام به بررسی توانمندی SDSM در شبیه‌سازی داده‌های بارش و دما با استفاده از برونداد سه مدل گردش عمومی جو GCGM3)، GFDL و (MRI بر روی منطقه‌ای ناهمگن واقع در آندس مرکزی (آمریکای جنوبی) نمودند. علاوه بر این، قابلیت متغیرهای ریزمقیاس شده در نمایش رویدادهای حدی با استفاده از تحلیل فراوانی انجام شد. نتایج نشان داد که عدم قطعیت‌ها در بارش ریز مقیاس شده بالاست و این متغیرها قادر به تولید مجدد رویدادهای حدی به طور صحیح نیستند. جیانگ و همکاران (Jiang et.al. 2012) از داده‌های 550 ایستگاه زمینی در چین طی دوره 2000-1961 جهت ارزیابی هفت مدل جفت شده اقلیمی در شبیه‌سازی نمایه‌های حدی دما و بارش استفاده کردند. یافته‌های این پژوهش نشان داد که مدل‌ها دارای قابلیت مطمئنی در شبیه‌سازی روند و توزیع مکانی رویدادهای حدی اقلیمی هستند. ونگ و همکاران (Wang et. al. 2011) اقدام به پیش‌بینی رویدادهای حدی بدست آمده از دما و بارش روزانه تحت سناریوهای مختلف اقلیمی در حوضه رودخانه زرد برای قرن 21 نمودند. نتایج نشان‌دهنده شبیه‌سازی مناسب دو متغیر دمای میانگین و تبخیر از تشت بود در حالی که رتبه‌های مهارت بدست آمده برای بارش ناکافی ارزیابی شد. اغلب نمایه‌های حدی در طی سال کم برآورد شدند (به جز دمای میانگین). نتایج این پژوهش نشان داد نمایه‌های دما و تبخیر تحت سناریوهای اقلیمی افزایش و بیشینه بارش و میانگین آن کاهش خواهند داشت[9]

هدف این پژوهش ارایه سناریوهای رویدادهای حدی است که از داده‌های روزانه بارش ریزگردانی شده در منطقه مورد مطالعه طی دوره 2040-2011 بدست آمده است. در این راستا تلاش شده تا 1) متغیر بارش طی دوره پایه ریز مقیاس شود، 2) توانمندی SDSM در ریز مقیاس نمایی بارش و نمایه‌های حدی در حوضه کشف رود ارزیابی گردد و 3) دورنمایی از تغییرات رویدادهای حدی بارش طی دوره مورد بررسی ارایه گردد. با توجه به وضعیت بحرانی منابع آبی حوضه کشف رود، انجام این پژوهش در راستای بهره برداری پایدار از منابع آبی حوضه تحت تغییر آتی اقلیم امری ضروری به نظر می‌رسد. نتایج این بررسی در پژوهش‌های مرتبط با ارزیابی منابع آبی در شرایط تغییر اقلیم قابل استفاده می‌باشد.

 

مواد و روش‌ها

منطقه مورد مطالعه

حوضه کشف رود بخشی از حوضه آبریز قره قوم است که شامل محدوده‌های مطالعاتی مشهد- چناران، سنگ بست، نریمانی و آق دربند می‌باشد (شکل 1). این حوضه یکی از مهمترین حوضه‌های آبریز در استان خراسان رضوی است که بین طول‌های جغرافیایی 58 درجه و 2 دقیقه تا 60 درجه و 8 دقیقه و عرض‌های جغرافیایی 35 درجه و 40 دقیقه تا 36 درجه و 30 دقیقه واقع شده است. وسعت کل این حوضه در حدود 16500 کیلومتر مربع و ارتفاع متوسط آن از سطح دریا حدود 1335 متر می‌باشد. اقلیم دو محدوده مشهد- چناران و سنگ بست نیمه خشک شدید و محدوده‌های آق دربند و نریمانی اقلیم بیابانی می‌باشند. میانگین بارش سالانه این حوضه برابر با 220 میلی متر است. تاکنون در رابطه با وضعیت آتی دما و بارش این حوضه پژوهش‌هایی با استفاده مدل ASD انجام شده است (سیاری و همکاران، 1390) اما در مورد تغییر رویدادهای حدی اقلیمی در سطح این حوضه با هدف ارایه چشم‌اندازی از این رویدادها طی دوره‌های آتی اطلاعات زیادی در دسترس نمی‌باشد.

 

 

 

 

شکل شماره 1- موقعیت حوضه کشف رود در خراسان رضوی و محدودههای آن

 

 

 

داده‌ها

مدل‌های ریزمقیاس گردانی آماری با پیش‌بینی شونده‌های در مقیاس ناحیه‌ای نسبت به مقیاس ایستگاهی عملکرد بهتری دارند که این امر به علت کاهش خطای نمونه‌گیری تصادفی محلی از طریق میانگین‌گیری مقادیر ایستگاهی است (Hundecha & Bardossy, 2008) لذا در این پژوهش از میانگین بارش در سطح حوضه استفاده شده است. از بین 40 ایستگاه آب‌سنجی، باران‌سنجی و تبخیرسنجی موجود در حوضه کشف رود با توجه به نیاز به دوره آماری طولانی مدت جهت برآورد میانگین بارش، از 4 ایستگاه با دوره آماری مشترک از سال 1347 تا 1380 هجری شمسی (2001-1969 میلادی) استفاده گردید (جدول 1).[10] داده‌های مفقود بارش هر ایستگاه با مقادیر روزانه میانگین گیری شده از سایر سال‌های بدست آمده از همان ایستگاه جایگزین شدند (Liu et. al., 2011).

  برای استخراج روابط کمی بین متغیرهای جوی بزرگ مقیاس و متغیرهای محلی با استفاده از SDSM می بایست متغیرهای نرمال بزرگ مقیاس جوی (26 متغیر) از دو مدل در دسترس قرار گیرند. 1) داده‌های بازکاوی روزانه میان یابی شده از پایگاه داده  NCEP[11] طی دوره 2001-1961 با قدرت تفکیک 5/2 در 5/2 درجه که خروجی‌های مرکز ملی پیش‌بینی‌های محیطی هستند و در سال 1991 به منظور تولید داده‌های شبکه‌بندی شده و فراهم نمودن نیاز محققان اقلیم در قالب پروژه ای به نام بازکاوی[12] آماده و در دسترس می‌باشند و 2) برونداد مدل HadCM3 تحت دو سناریوی انتشار A2 و B2 طی دوره 1961 تا 2099 که با توجه به طول و عرض جغرافیایی محدوده مطالعاتی و یاخته شبکه مدل استخراج و به مدل معرفی می‌گردد. داده‌های مربوط مدل NCEP و خروجی‌های مدل HadCM3 از طریق منبع شماره (7) قابل دسترسی می‌باشد. این داده‌ها نسبت به دوره 1990-1961 نرمال شده‌اند (جدول 2).

 

جدول شماره 1- مشخصات جغرافیایی و نوع ایستگاههای مورد استفاده در برآورد میانگین بارش حوضه کشف رود

ردیف

نام ایستگاه

نوع ایستگاه

طول جغرافیایی

عرض جغرافیایی

ارتفاع(متر)

سال شروع (شمسی)

1

مشهد

همدیدی

´38°59

´16°36

999

1330

2

گلمکان

باران سنجی

´10°59

´29°36

1394

1347

3

اولنگ اسدی

آب سنجی

´48°59

´15°36

905

1345

4

سد کارده

باران سنجی

´41°59

´37°36

1275

1339

 

 

کنترل کیفی و همگنی داده‌ها

در ارزیابی رویدادهای حدی به رکوردهای اقلیمی طولانی مدت، با کیفیت بالا و قابل اعتماد با تفکیک زمانی روزانه (یا بالاتر) مورد نیاز است. در این پژوهش کنترل کیفی داده‌ها با استفاده از یکی از توابع کلیدی SDSM انجام شد. این مدل، داده‌های مفقود را شناسایی و کدگذاری کرده و قادر به تشخیص خطاهای موجود در سری داده‌ها می‌باشد (Wilby et. al. 2004). همگنی داده‌های بارش روزانه حوضه کشف رود نیز بر مبنای آزمون رگرسیون دو مرحله‌ای توسط نرم‌افزار RHtests_dlyPrcp انجام گردید (Wang et. al., 2010, Wang, 2008).

 

 

جدول 2. متغیرهای بزرگ مقیاس جوی بدست آمده از داده‌های باز کاوی NCEP

و برونداد مدل‌های گردش عمومی جو (Chu et. al. 2010)

ردیف

تعریف متغیر

ردیف

تعریف متغیر

1

میانگین فشار سطح دریا (mslp)

14

سرعت جریان هوا ژئوستروفیک در ارتفاع  hPa850  (p8_f)

2

سرعت جریان هوا ژئوستروفیک در نزدیک سطح  (p_f)

15

مولفه سرعت مداری در ارتفاع  hPa850 (p8_u)

3

مولفه سرعت مداری نزدیک سطح (p_u)

16

مولفه سرعت نصف النهاری در ارتفاع  hPa 850 (p8_v)

4

مولفه سرعت نصف النهاری نزدیک سطح  (p_v)

17

تاوایی در ارتفاع hPa850 (p8_z)

5

تاوایی نزدیک سطح (p_z)

18

ارتفاع ژئوپتانسیل سطح  hPa850 (p850)

6

واگرایی نزدیک سطح   (p_zh)

19

واگرایی در ارتفاع hPa 850   (p8zh)

7

سرعت جریان هوا ژئوستروفیک در ارتفاع  hPa 500  (p5_f)

20

جهت باد در ارتفاع hPa850 (p8th)

8

مولفه سرعت مداری در ارتفاع  hPa500 (p5_u)

21

رطوبت نسبی در نزدیک سطح  (rhum)

9

مولفه سرعت نصف النهاری در ارتفاع  hPa 500  (p5_v)

22

رطوبت نسبی در ارتفاع hPa 500  (r500)

10

تاوایی در ارتفاع hPa 500 (P5_z)

23

رطوبت نسبی در ارتفاع hPa 850  (r850)

11

ارتفاع ژئوپتانسیل سطح hPa 500 (P500)

24

رطوبت ویژه در نزدیک سطح  (shum)

12

جهت باد در ارتفاع hPa 500 (p5th)

25

میانگین دما در ارتفاع 2 متری  (temp)

13

واگرایی در ارتفاع hPa 500 (p5zh)

26

جهت باد در نزدیک سطح  (p_th)

 

 

مدل SDSM

رهیافت ریز مقیاس نمایی به صورت رابطه آماری بین متغیرهای بزرگ مقیاس جو و متغیرهای محلی به صورت زیر ارایه می‌گردد:

(1)                                                                     R=F (L)

که در این رابطه، R متغیر پیش‌بینی شونده (متغیر اقلیم محلی)، L=(l1, l2, …, ln) متغیرهای پیش‌گوی بزرگ مقیاس و F تابع نشان دهنده ارتباط آماری است.

در این مدل، برای هر ماه از سال یک مدل رگرسیون خطی چند متغیره بین متغیرهای پیش‌گوی بزرگ مقیاس منتخب (متغیرهای مستقل) و متغیر پیش‌بینی شونده به عنوان مثال بارش، تدوین می‌گردد. پیش‌گوهای بزرگ مقیاس مناسب با استفاده از تحلیل‌های همبستگی بین متغیرهای پیش‌گو، همبستگی جزئی بین پیش‌گوها و پیش‌بینی شونده‌ها و همچنین با توجه به حساسیت فیزیکی میان پیش‌گوها و پیش‌بینی شونده‌ها در محدوده حوضه مطالعاتی انتخاب می‌شوند. از آنجایی که نمی‌توان مقادیر منفی را به بارش نسبت داد. لذا این مقادیر به صورت یک فرآیند شرطی، مدل‌سازی می‌شوند که در آن مقادیر بارش محلی با وقوع روزهای تر مرتبط است که این امر نیز با پیش گوها در مقیاس منطقه‌ای مرتبط می‌باشند. یک روز تر به عنوان «روزی که بارش بیش از 3/0 میلی‌متر است» تعریف می‌شود. توسعه و تدوین مدل بارش ماهانه شامل دو گام متمایز است. در اولین گام وقوع یا عدم وقوع بارش در هر روز تعیین می‌شود (معادله 2).

(2)                          

که در آن، i نشان دهنده زمان (روز)، ωi احتمال شرطی وقوع یا عدم وقوع بارش در روز i،  عبارت است از پیش گوی نرمال شده در روز i و jα ضریب رگرسیونی برآورد شده برای هر ماه با استفاده از رگرسیون حداقل مربعات و ωi-1 و i-1α به ترتیب احتمالات شرطی وقوع بارش در روز i-1 و ضرایب رگرسیونی روز قبل می باشد. این دو پارامتر انتخابی هستند که بسته به منطقه مورد مطالعه و متغیرهای پیش بینی شونده می باشند. اگر ri ≥ ωi  باشد آنگاه بارش در روز i رخ می دهد که در آن  ri عدد تصادفی توزیع شده به صورت یکنواخت است (ri =0 ≤ ri ≤1 ( (خروجی تصادفی حاصل از مولد خطی عددی- تصادفی (Karamouz et. al., 2009)).j   نشان دهنده متغیرهای رطوبت جو و الگوهای چرخش روزانه بزرگ مقیاس می‌باشد (j=1, 2, 3,…n).

مقدار بارش در هر روز بارانی در گام بعدی با استفاده از رتبه یz  به صورت زیر بدست می آید:

(3)                    

(4)                                                                                                            

در این معادله Zi رتبه z محاسبه شده از ضرایب رگرسیونی برآورد شده (βj) برای هر روز با استفاده از رگرسیون مربعات خطا و ε عبارت خطای تصادفی توزیع نرمال N(0,)   و β j-1ضریب رگرسیون در روز قبل می باشد. در ادامه مقدار بارش  yiدر روز i به صورت معادله 4 نوشته می شود. Øتابع توزیع تجمعی نرمال و F تابع توزیع تجربی yi می باشند.

در این مدل می توان متغیرهای پیش گوی را تغییر فاز داد بطوری­که از این متغیرها در گام های زمانی جلوتر یا عقب تر استفاده کرد. طی واسنجی[13]مدل، میانگین بارش روزانه با تصحیح اریبی[14] و عامل تورم واریانس[15] با هدف وادار کردن مدل به همانند سازی با داده های مشاهداتی قابل اصلاح می باشد. مقدار این متغیرها با سعی و خطا تعیین می شوند. تصحیح اریبی هر نوع تمایل به بیش برآورد[16]/کم برآورد[17]میانگین متغیرهای ریزمقیاس شده را جبران می کند. تورم واریانس، واریانس متغیرهای آب و هوایی روزانه ریزمقیاس شده را تغییر می‌دهد که این امر به منظور توافق بهتر با داده‌های مشاهداتی صورت می‌پذیرد. کاربرد این مولفه تصادفی، مدل رگرسیونی SDSM را قادر می سازد که اسمبل های چندگانه ای را از متغیرهای آب و هوایی ریزمقیاس شده تولید نماید.

با توجه به لزوم بررسی عدم قطعیت در نتایج حاصل از مدل های اقلیمی، در این بررسی از سناریوهای انتشار A2 و B2 به عنوان ابزاری مناسب برای ارزیابی عدم قطعیت استفاده شد. سناریوی A2 بر هویت منطقه ای و حفظ آن ها تکیه دارد که منجر به افزایش جمعیت می شود. همچنین رشد اقتصادی و فناوری در این سناریو به کندی صورت می گیرد. در سناریوی انتشار B2 فرض بر جامعه ای ناهمگن است که در آن جهت حفظ پایداری اقتصادی، اجتماعی و محیطی بر راه حل های محلی بیش از راه حل های جهانی تکیه می شود. در این سناریو، رفاه انسان و حفاظت از محیط زیست دارای اولویت بالایی می باشد (IPCC, 2010, Semenov & Stratonovitch, 2010).

رویدادهای حدی (فرین)

در این پژوهش جهت بررسی رویدادهای حدی از نمایه های توصیه شده ی پروژه STARDEX[18] استفاده شده است. STARDEX یکی از سه پروژه ای است که از سال 2002 تا 2005 تحت حمایت مالی برنامه پنجم چارچوب اروپای متحد در پاسخ به نیاز و مشکل پژوهش های مرتبط با اثرات رویدادهای حدی انجام شد و نمایه ها کلیدی رویدادهای حدی اقلیمی به منظور مطالعات ریزمقیاس گردانی ارایه گردید. این پروژه (10 نمایه اصلی) بر رویدادهای حدی نسبتا متوسط تاکید دارد. نمایه های استفاده شده در این پژوهش در جدول 3 آورده شده است.

 

 

 

 

جدول 3- نمایه های رویدادهای حدی بارش STARDEX

ردیف

نمایه

تعریف

واحد

1

pq90

صدک نودم مقادیر بارش روزانه (آستانه بارش سنگین)

میلی متر بر روز

2

Pxcdd

بیشینه تعداد روزهای خشک متوالی

روز

3

pfl90

درصد کل بارش ناشی از رویدادهای بالاتر از صدک 90 طولانی مدت (سهم بارش سنگین)

درصد

 


ارزیابی عملکرد مدل

در این پژوهش جهت ارزیابی توانمندی مدل و میزان کارایی آن از معیارهایی چون ضریب کارایی نش- ساتکلیف[19] (Ens) و ریشه دوم میانگین مربعات خطا[20](RMSE) استفاده شد (رابطه های 5 و 6).                                                                                       

 (5)                                                                                

که در آن:                                                                                      

در این معادله n تعداد گام های زمانی، Oi داده مشاهداتی در زمان i و Si داده شبیه سازی شده در زمان i است. این معیار دامنه ای از ∞ -تا 1 را در برمی گیرد. اگر جواب معادله 5 برابر 1 شود نشان از همخوانی عالی خروجی مدل با داده های شبیه سازی شده دارد. اگر جواب معادله صفر شود نشان می دهد که پیش بینی های مدل دارای دقتی برابر میانگین داده های مشاهداتی هستند. مقدار معیار کم تر از صفر، زمانی بدست می آید که واریانس باقیمانده (صورت کسر) از واریانس داده ها (مخرج کسر) بیشتر است یعنی میانگین داده های مشاهداتی، پیش گوی بهتری نسبت به مدل می باشد.

RMSE معیاری است که جهت اندازه گیری تفاوت بین مقادیر پیش بینی شده توسط یک مدل و مقادیر مشاهداتی استفاده می شود و کاربرد فراوانی دارد. در این معادله  Si داده ی شبیه سازی شده و Oi داده ی مشاهده شده در گام زمانی i و n تعداد گام های زمانی می باشد.

 (6)                                                                                

از RMSE بدون بعد (نرمال شده) جهت مقایسه نمایه‌های مختلف با واحدهای متفاوت استفاده می شود. در این پژوهش از این نمایه به صورت رابطه 7 (نرمال کردن نسبت به دامنه داده های مشاهداتی) استفاده شده است.

(7)                                                                     

از دیگر معیارهای بکار رفته در این پژوهش، نسبت انحراف معیار [21](RS) نمایه های مدل شده و شبیه سازی شده است که نشان دهنده ی پراکندگی متغیرها می باشد و به صورت زیر محاسبه می‌شود:

(8)                                 

در این رابطه Ssim انحراف معیار نمایه های شبیه سازی شده و Sobs، انحراف معیار نمایه های مشاهده شده می باشد. همچنین از نمایه همبستگی نیز جهت نمایش رابطه بین دو متغیری که هر دو تحت تاثیر عوامل مشترک قرار دارند استفاده شده است (Wang et. al.  2011).                                                                                       

در این مقاله، به منظور ساخت سناریوهای آتی رویدادهای حدی اقلیمی، در ابتدا بارش روزانه ریزمقیاس شد و واسنجی و صحت سنجی مدل صورت گرفت. سپس با استفاده از این مقادیر، نمایه‌های حدی محاسبه گردید. در ادامه با هدف ارزیابی توانمندی متغیرهای بزرگ مقیاس مشاهداتی در ریزگردانی رویدادهای حدی اقلیمی، مقایسه ای بین مقادیر مشاهداتی و مدل شده انجام شد. در مرحله آخر سناریوهای آتی رویدادهای حدی اقلیمی با استفاده از مدل HadCM3 در منطقه مورد مطالعه تولید گردید.

نتایج

واسنجی و صحت سنجی بارش

دوره آماری موجود برای بارش محدوده چناران- مشهد شامل سال‌های 1969 تا 2001 میلادی می شود. برای دوره واسنجی مدل، داده های بارش مربوط به سال های 1984-1969 میلادی (16 سال) انتخاب شد. متغیرهای پیش گوی بزرگ مقیاس مشاهداتی (NCEP) طی این سال ها انتخاب و وارد مدل شد. از بین 26 متغیر پیش گوی موجود، سه متغیر که در ترکیب با یکدیگر مقدار بارش را طی 12 ماه سال توجیه می کردند با استفاده از نمودار پراکندگی و همبستگی بین متغیرهای پیش گو و ضریب همبستگی جزئی بین متغیرهای پیش گو و پیش بینی شونده انتخاب شدند. در مرحله غربالگری متغیرهای بزرگ مقیاس مشاهداتی، از تجارب کارشناسان مرکز پیش بینی اداره کل هواشناسی خراسان رضوی نیز استفاده شد (جدول 4).

جدول 4. جزئیات مدل ریزمقیاس گردانی بارش روزانه در منطقه مورد مطالعه (1984-1969)

متغیرهای پیش گو

  • ·       مولفه سرعت مداری در ارتفاع 850 هکتوپاسکال (P8_u)
  • ·        تاوایی در ارتفاع 500 هکتوپاسکال (p5_z)
  • ·          واگرایی در ارتفاع 500 هکتوپاسکال ((p5zh
 
 

نوع مدل

  • ·          روزانه
  • ·         مدل ریشه چهارم
  • ·      فرآیند شرطی (مقدار) و غیر شرطی (وقوع)

 

با هدف بهبود نتایج شبیه سازی مدل، میانگین و واریانس بارش ریزمقیاس شده با مقدارهای متفاوت عامل تورم واریانس و تصحیح اریبی طی چندین بار اجرای مدل (بیش از 10 بار) ارزیابی و مقایسه شد. در ادامه بارش روزانه طی دو دوره واسنجی و صحت سنجی مدل (2000-1985) شبیه سازی و میزان RMSE طی دو دوره محاسبه گردید. مقدار این معیار طی دوره واسنجی 1/2 و در دوره صحت سنجی 2 میلی متر بدست آمد. مقدار میانگین ماهانه بارش (بر حسب میلی متر بر روز) و انحراف معیار بارش مشاهداتی و شبیه سازی شده طی این دوره نیز از سری داده ها استخراج شد (شکل های 2 و3). همانطور که در شکل 2 مشاهده می شود بیش برآورد قابل ملاحظه مقدار بارش در ماه های ژانویه و می و کم برآورد قابل ملاحظه در ماه های فوریه و مارس رخ داده است. در بقیه ماه ها تفاوت مقدار دو سری بسیار ناچیز می باشد. علی رغم اختلاف در مقدار برخی ماه ها، الگوی تغییرات بارش به خوبی مدل شده است.

در شکل 3 انحراف معیار دو سری مورد مقایسه قرار گرفته است. همان طور که مشاهده می گردد بیشترین اختلاف در مقدار عددی انحراف معیار، طی ماه های سپتامبر، آگوست و فوریه با کم برآورد مقدار شبیه سازی شده رخ داده است اما الگوی تغییرات میانگین این آماره نیز طی سال به خوبی شبیه سازی شده است.

 

 

 

 

 

شکل 2. مقایسه میانگین بارش ماهانه مشاهداتی و شبیه سازی شده توسط مدل NCEP طی دوره صحت سنجی

 

 

شکل 3. مقایسه انحراف معیار بارش ماهانه مشاهداتی و شبیه سازی شده توسط مدل NCEP طی دوره صحت سنجی

 


با توجه اینکه عملکرد واقعی مدل SDSM در ریزمقیاس گردانی بارش، بر اساس معیارهای دقت محاسبه شده طی این دوره (صحت سنجی)  می باشد لذا در ادامه نتایج بدست آمده از این ارزیابی ارایه شده است (جدول5). همان­گونه که مشاهده می شود بر مبنای ضریب نش و ضریب همبستگی، مدل در شبیه سازی میانگین بارش ماهانه بهتر از بارش روزانه عمل کرده است. انحراف معیار بارش شبیه سازی شده در دو متغیر کم برآورد شده است که این کم برآورد در بارش روزانه قابل ملاحظه می باشد. به عبارت دیگر، در دو متغیر (بویژه بارش روزانه)، تغییرپذیری میان سالی کم تر از مقدار مشاهداتی می باشد که این مورد یکی از مشخصه های عمومی مدل های ریزمقیاس گردان می باشد (Von Storch, 1999).

 

جدول 5. ارزیابی توانمندی مدل برای متغیرهای شبیه سازی شده در دوره صحت سنجی (2000-1985)

متغیر

معیار دقت

Ens

NRMSE

RS

r

 

بارش روزانه (mm)

14/0

1/0

50/0

40/0

 

جمع بارش ماهانه

66/0

16/0

80/0

64/0

           

 

ریزمقیاس نمایی بارش با استفاده از متغیرهای بزرگ مقیاس مدل HadCM3

پس از شناسایی متغیرهای بزرگ مقیاس مشاهداتی و اطمینان از قابلیت مدل SDSM در ریزمقیاس گردانی بارش (با توجه به نتایج بدست آمده طی دوره صحت سنجی)، متغیرهای بزرگ مقیاس مدل HadCM3 طی دوره ی صحت سنجی وارد مدل شد و داده های بارش روزانه ریزمقیاس گردید. طی دوره صحت سنجی با وجود تفاوت میزان بارش ماهانه طی ماه های می (بیش برآورد)، دسامبر، مارس و فوریه (کم برآورد)، تغییرات الگوی ماهانه بارش به خوبی شبیه سازی شده است. انحراف معیار نیز از نظر مقدار بجز در ماه‌های ژانویه، نوامبر، دسامبر، جولای و آگوست در بقیه ماه‌ها متناسب با مقدار مشاهداتی می باشد. از نظر تغییر پذیری میان سالی، الگوی تغییرات ماهانه این شاخص پراکندگی نیز به خوبی شبیه سازی شده است (شکل های 4 و 5).

 

 

 


 

شکل 4. مقایسه میانگین بارش ماهانه دو سری داده های مشاهداتی و ریزمقیاس شده توسط مدل HadCM3 تحت سناریوی A2 و B2 طی دوره صحت سنجی

 

شکل 5. مقایسه انحراف معیار دو سری بارش مشاهداتی و ریزمقیاس شده توسط مدل HadCM3 تحت سناریوی A2 و B2 طی دوره صحت سنجی


 

مقایسه نمایه های حدی ریزمقیاس شده طی دوره صحت سنجی

در بخش قبل مشاهده شد که مقدار میانگین بارش ریزمقیاس شده، همچنین مقدار انحراف معیار آن توسط مدل SDSM با برونداد NCEP و HadCM3 (تحت دو سناریویA2  و B2) به طور قابل قبولی شبیه سازی شده است. اما رویدادهای حدی نسبت به مقادیر میانگین بارش دارای اثرات بالقوه بزرگتری بر بخش مدیریت منابع آب هستند. بنابراین ارزیابی قابلیت این مدل در نمایش ویژگی های رویدادهای حدی ضروری است. لذا در این بخش توانمندی مدل SDSM در ریزمقیاس کردن این رویدادها با استفاده از نمایه های NRMSE، ضریب نش، نسبت انحراف معیار نمایه های شبیه سازی شده نسبت به نمایه های مشاهداتی (RS) و نمودار میانگین ماهانه مقدار نمایه ها مورد بررسی قرار می گیرد.

    همان­گونه که در جدول 6 ملاحظه می شود دامنه ضریب نش از 24/0 تا 57/0 در چهار نمایه متغیر می باشد که بیشترین مقدار به نمایه pxcdd تعلق دارد که این امر نشان دهنده ی عملکرد مناسب‌تر مدل در شبیه سازی این نمایه می باشد.

 


 

جدول 6. ارزیابی توانمندی مدل در شبیه سازی رویدادهای حدی بارش در دوره صحت سنجی

نمایه

Ens

NRMSE

RS

r

pq90

35/0

17/0

59/0

63/0

Pxcdd

57/0

21/0

90/0

77/0

pfl90

24/0

27/0

58/0

50/0

p-max

40/0

17/0

62/0

64/0

 


مقدار RMSE نرمال شده که در ستون سوم جدول6 آمده است دارای دامنه ای از 17/0 تا 27/0 می باشد که کمترین مقدار این معیار به بارش بیشینه و صدک نودم تعلق دارد و نشان می دهد این دو نمایه بر اساس این معیار، بهتر از سایر نمایه ها شبیه سازی شده اند. نسبت انحراف معیار یا RS محاسبه شده نیز نشان می دهد که مقدار این معیار در نمایه بیشینه تعداد روزهای خشک متوالی (pxcdd) بهتر از سایر نمایه ها بدست آمده است اما در کل تغییرپذیری هر چهار نمایه شبیه سازی شده کمتر از نمایه مشاهداتی می باشد. بررسی مقدار ضریب همبستگی نیز نشان می دهد که الگوی زمانی نوسانات مشاهدات و پیش بینی ها در نمایه pxcdd بهتر از سه نمایه دیگر شبیه سازی شده است. 

در شکل 6 نیز مقایسه میانگین ماهانه نمایه های حدی ارایه شده است. در قسمت الف، نمایه بیشینه بارش ماهانه در دو سری مشاهداتی و شبیه سازی شده مورد مقایسه قرار گرفته است. همان‌گونه که ملاحظه می شود مدل در ماه های جون، آگوست، سپتامبر و اکتبر، بیشینه بارش را به طور قابل ملاحظه ای کم برآورد کرده است. کم برآورد بیشینه بارش طی ماه های تابستان توسط مدل به دلیل رخداد بسیار کم بارش طی این ماه ها می باشد به عنوان مثال در ماه جون طی کل دوره 2000-1985 تنها 30 روز بارش بیش از یک میلی متر مشاهده شده است و بیشینه بارش این ماه مربوط به تنها رخداد آن در ماه جون 1992 به میزان 4/11 میلی‌متر می باشد لذا مدل نتوانسته است به خوبی این رخداد را نشان دهد. در مورد ماه های آگوست، سپتامبر و اکتبر نیز دقیقا چنین شرایطی وجود دارد ( به ترتیب 5/7 میلی متر در سال 1998، 3/17 میلی متر در سال  1995 و 8/12 میلی متر در سال 1987). در ماه جولای میزان بیشینه بارش 5/2 میلی متر بوده است که این مقدار بارش، قابل ملاحظه نمی باشد. از آن­جایی که تمام داده ها در محاسبه صدک نودم بارش (قسمت ب نمودار 6) استفاده می شوند لذا تحلیل به کار رفته برای بیشینه بارش، برای این نمایه قابل استفاده نیست و می توان به این نتیجه بسنده کرد که مدل در برخی ماه ها قادر به شبیه سازی دقیق این نمایه نیست. نمایه بیشینه تعداد روز دوره خشک طی ماه های تابستان به خوبی شبیه سازی شده است. بیشترین تفاوت بین مقدار شبیه سازی شده و مشاهداتی طی ماه های مارس، آوریل، می و دسامبر قابل مشاهده می باشد. در این ماه ها مقدار این نمایه کم برآورد شده اما همانطور که قسمت ج نمودار 6 نشان می دهد الگوی تغییرات ماهانه این نمایه به خوبی شبیه سازی گردیده است. در نمایه سهم بارش سنگین (قسمت د نمودار 6)، کم برآورد میزان بارش به علت روزهایی با بارش سنگین نسبت به کل بارش نیز به علت کم برآورد این رخدادها (بویژه در ماه های سپتامبر و اکتبر) می باشد. لذا مدل در شبیه سازی مقدار این نمایه ها دارای محدودیت است.

 


 

 

 

ج

 

الف

 

 

ب

 

 

 

 

 

د

 

شکل6. مقایسه میانگین ماهانه نمایه های حدی بارش در دوره صحت سنجی (الف- بیشینه بارش، ب- صدک نودم، ج-بیشینه تعداد روزهای خشک متوالی و د- سهم بارش سنگین)

 


ریزمقیاس کردن نمایه های حدی بارش در اقلیم فعلی توسط دو مدل NCEP و HadCM3

 در این بخش مدل SDSM با متغیرهای بزرگ مقیاس جوی دو مدل NCEP و HadCM3 برای استخراج نمایه­های حدی بارش طی دوره حاضر (2001-1969) و ارزیابی توانمندی SDSM در تولید مجدد الگوی تغییرات رویدادهای حدی بارش اجرا گردید. جهت مقایسه نتایج از معیار دقت NRMSE و RS استفاده شد.

    NRMSE

در جدول 7 نتایج حاصل از محاسبه ریشه میانگین مربعات خطای نرمال شده آمده است. دامنه محاسبه شده برای این معیار از 17/0 تا 50/0 متغیر می باشد. بیشترین مقدار این معیار متعلق به نمایه سهم بارش سنگین در مدل HadCM3 تحت سناریوی A2 در فصل پاییز و کمترین مقدار آن در بارش بیشینه در مدل NCEP در فصل زمستان محاسبه شده است. مقدار این معیار برحسب مدل و فصل مقادیر متفاوتی را به خود اختصاص داده است و بیشترین مقدار آن در نمایه سهم بارش سنگین (pfl90) در فصل پاییز در هر دو مدل مشاهده می شود که نشان می دهد این نمایه در مقایسه با سایر نمایه ها توسط مدل به خوبی شبیه سازی نشده است. درکل نتایج نشان می دهد در بازهای زمانی مورد بررسی، مدل NCEP نسبت به مدل HadCM3 برآورد بهتری از چهار نمایه ارایه کرده است که با توجه به تدوین مدل های بارش بر اساس واسنجی با متغیرهای بزرگ مقیاس مشاهداتی (NCEP) این امر قابل پیش‌بینی می باشد.

 


 

جدول 7. RMSE بین نمایه های حدی بارش مشاهده شده و شبیه سازی شده توسط دو مدل NCEP و HadCM3 (سناریوی A2 و  (B2طی دوره 2001-1969

 

زمستان

 

بهار

 

تابستان

 

پاییز

نمایه

NCEP

A2

B2

 

NCEP

A2

B2

 

NCEP

A2

B2

 

NCEP

A2

B2

pxccd

35/0

27/0

39/0

 

29/0

30/0

30/0

 

40/0

41/0

42/0

 

34/0

37/0

37/0

pq90

36/0

48/0

43/0

 

25/0

29/0

26/0

 

24/0

24/0

24/0

 

29/0

31/0

32/0

p-max

17/0

24/0

33/0

 

34/0

40/0

34/0

 

31/0

26/0

38/0

 

42/0

37/0

27/0

pfl90

31/0

25/0

28/0

 

31/0

28/0

32/0

 

21/0

26/0

26/0

 

47/0

5/0

49/0

                                         

 


تغییر پذیری

در جدول 8 نسبت های انحراف معیار هر کدام از نمایه های حدی بارش شبیه سازی شده به مشاهداتی آورده شده است. نسبت انحراف معیار نمایه بیشینه تعداد روزهای متوالی (pxccd) در تمام فصل ها به غیر از زمستان (در مدل NCEP و مدل HadCM3 تحت سناریوی (B2 کم برآورد شده است. بیش برآورد نسبت انحراف معیار صدک نودم بارش در فصل زمستان در دو مدل NCEP و  HadCM3(سناریوی A2) و در فصل پاییز در NCEP و HadCM3 (سناریوی B2) رخ داده است. کمترین مقدار RS مربوط به فصل تابستان در مدل ) HadCM3با توجه به صفر بودن انحراف معیار در مقدار شبیه سازی شده) بدست آمده است. مقدار RS در نمایه بیشینه بارش در دو مدل در بیشتر موارد کم برآورد شده است. مقدار انحراف معیار مقادیر شبیه سازی شده در فصل پاییز در مدل NCEP  بالاترین مقدار را به خود اختصاص داده است. در نمایه سهم بارش سنگین (pfl90)، نتایج نشان می دهد مدل HadCM3 تحت سناریوی B2 عملکرد بهتری در نمایش تغییرپذیری مقدار این نمایه طی فصل های زمستان، بهار و تابستان دارد.

 


 

جدول 8. RS  نمایه های حدی بارش مشاهده شده و شبیه سازی شده توسط دو مدل NCEP و HadCM3 (سناریوی A2 و (B2 طی دوره 2001-1969

نمایه

زمستان

 

بهار

 

تابستان

 

پاییز

 

NCEP

A2

B2

 

NCEP

A2

B2

 

NCEP

A2

B2

 

NCEP

A2

B2

pxccd

11/1

9/0

40/1

 

45/0

90/0

60/0

 

76/0

80/0

80/0

 

63/0

50/0

70/0

pq90

02/1

40/1

1

 

77/0

70/0

70/0

 

2/0

0

0

 

01/1

70/0

30/1

p-max

66/0

87/0

03/1

 

81/0

15/1

74/0

 

60/0

52/0

11/1

 

30/1

90/0

70/0

pfl90

87/0

1

1/1

 

78/0

79/0

82/0

 

50/0

82/0

95/0

 

77/0

79/0

74/0

                                       

 


سناریو های آتی رویدادهای حدی بارش

با اطمینان از توانمندی مدل SDSM در ریزمقیاس نمایی بارش در سطح حوضه کشف رود، اقدام به ریزمقیاس نمایی بارش طی دوره 2020 (یا آینده نزدیک[22]) با استفاده از برونداد مدل HadCM3 تحت دو سناریوی A2 وB2  شد. این امر با ساخت 100 سری بارش روزانه و میانگین گیری از آنها و محاسبه درصد تغییر مقدار بارش و نمایه های حدی مورد بررسی نسبت به همانند این نمایه ها طی دوره پایه 2000-1971 میلادی یا اقلیم فعلی (CC)[23] انجام شد که نتایج حاصل در جدول 9 به صورت فصلی و سالانه آورده شده است.

طی این دوره مقدار سالانه بارش نسبت به دوره پایه در هر دو سناریو A2 و B2 به میزان تقریبا به میزان برابر کاهش می یابد. بیشترین تفاوت در نتایج بین دو سناریو در فصل تابستان قابل مشاهده می باشد. همانطور که نتایج نشان می دهد سناریوی A2 افزایش 6/16 درصدی را برای بارش فصلی پیش بینی کرده است در صورتی­که مقدار بارش این فصل در سناریوی B2 تقریبا تفاوتی با مقدار بارش طی دوره پایه ندارد. در عوض در سناریوی B2 شاهد افزایش بارش پاییزه می باشیم. بیشینه بارش هم به صورت فصلی و هم به صورت سالانه در سناریوی A2 افزایش نشان می دهد که مقدار قابل ملاحظه باز هم در فصل تابستان بدست آمده است. در آینده نزدیک، صدک نودم بارش بجز در فصل تابستان سناریوی A2، در بقیه مقیاس های زمانی مورد بررسی و در هر دو سناریو کاهش می یابد که بیشترین تفاوت دو سناریو مربوط به فصل تابستان می باشد. بیشینه تعداد روزهای خشک متوالی نیز در مقیاس سالانه در سناریوی A2 کاهش و در سناریوی دیگر افزایش نشان می دهد. درصد کل بارش ناشی از رویدادهای بالاتر از صدک نودم (سهم بارش سنگین) دارای تغییر بسیار چشم­گیر در دو سناریو  طی فصل تابستان است بطوری­که در سناریوی A2 شاهد افزایش 50 درصدی این نمایه خواهیم بود. کاهش این نمایه در سناریوی B2 با کاهش بیشینه بارش در این فصل همخوانی دارد. در کل نتایج نشان داد کل بارش طی دوره آتی به میزان 5/7 میلی متر نسبت به دوره پایه کاهش می یابد اما نتایج آزمون t نشان داد که کاهش در سطح 05/0 معنی دار نمی باشد. در سناریوی A2، بیشینه بارش و سهم بارش سنگین طی تمام فصل ها شاهد افزایش خواهد بود که درصد تفاوت این دو نمایه با دوره پایه در تابستان بیشترین مقدار می باشد. چنین پیش بینی می تواند به معنای افزایش احتمال سیل و شدت آن در منطقه طی فصل تابستان در دوره 2040-2011 میلادی باشد.

 


جدول 9. محاسبه درصد تغییر مقدار بارش و سایر نمایه های حدی ریزمقیاس شده توسط مدل HadCM3 تحت دو سناریوی A2 و B2 نسبت دوره پایه

دوره

فصل

مجموع بارش

بیشینه بارش

صدک نودم بارش

بیشینه روزهای خشک متوالی

سهم بارش سنگین

A2

(F-C)

B2

(F-C)

A2

(F-C)

B2

(F-C)

A2

(F-C)

B2

(F-C)

A2

(F-C)

B2

(F-C)

A2

(F-C)

B2

(F-C)

2020

زمستان

7/1-

1/0-

7/0

2/3-

7/0-

9/0-

1-

8/3-

4/0

4/0

بهار

6-

6/7-

1/0

2/4-

4/0-

9/0-

2/0-

4/11

5/0

0

تابستان

6/16

3/0-

6/11

8/12-

9/7

6/6-

4/2-

7/1-

53

9/42-

پاییز

2/1-

5/5

4/2

3/4 -

9/0-

8/0-

6/0

7/4

2/0

4/4

سالانه

3/3-

6/3-

1/3

3/2-

1-

4/1-

9/1-

1

3/0

3/0-

 


بحث و نتیجه گیری

مدل های ریزمقیاس نمایی به عنوان ابزار موثری جهت استفاده از برونداد مدل های گردش عمومی جو در مقیاس ایستگاهی و ناحیه ای بکار می روند. در بین روش های ریزمقیاس نمایی، SDSM بطور گسترده ای در پژوهش های مرتبط با تغییر اقلیم بکار رفته است که در این مطالعه نیز از این مدل جهت ریزمقیاس نمایی بارش در حوضه کشف رود استفاده شد و توانمندی مدل مورد ارزیابی قرار گرفت. همچنین با محاسبه نمایه‌های حدی بارش، الگوهای تغییر بارش روزانه و نمایه های حدی طی دوره 2040-2011 میلادی بررسی شد که چنین نتایجی امکان مطالعه اثرات هیدرولوژیکی تحت تاثیر تغییر اقلیم آتی حوضه کشف رود را فراهم می سازد.

 در انجام ریزمقیاس نمایی، ابتدا اقدام به شناسایی متغیرهای پیش‌گوی بزرگ مقیاس مشاهداتی تعیین کننده ی روزهای بارانی و مقدار بارش (به صورت شرطی) شد که این امر از طریق نمودارهای پراکنش، مقدار ضریب همبستگی و ضریب همبستگی جزئی در مرحله غربال­گری مدل و ضریب تبیین بین متغیر پیش بینی شونده ( بارش) و متغیرهای پیش گوی این مدل طی دوره واسنجی صورت پذیرفت. واسنجی و صحت سنجی مدل با داده‌های بازکاوی شده NCEP انجام شد و مدل های ماهانه بارش بدست آمد. در جدول10 مقایسه ای بین نتایج این پژوهش با پژوهش های مشابه (با تاکید بر رویدادهای حدی) انجام شده است. همان­گونه که ملاحظه می گردد متغیرهای بزرگ مقیاس استفاده شده جهت ریزمقیاس گردانی بارش در هر پژوهش با توجه به نوع اقلیم هر منطقه با یکدیگر از نظر نوع و تعداد متفاوت می باشند. اما از سه متغیر واگرایی (*_zh)، تاوایی  (*_z) و رطوبت نسبی (r) در تدوین مدل های بارش ماهانه بیشتر استفاده شده است.

 

 


 

جدول 10. متغیرهای پیش گوی انتخاب شده جهت برآورد بارش در برخی پژوهش های مشابه

منطقه/ایستگاه

متغیر پیش بینی شونده

متغیرهای پیش گو

R2

نویسندگان

کرمانشاه

بارش

p_z, p8_z, r500

-

رجبی (1390)

حوضه رودخانه زرد

بارش

mslp, r500, r850, p5zh, temp, shum

-

Wang et. al., 2011

حوضه رودخانه هایهی

بارش

r850

89/0

Chu et al., 2010

حوضه رودخانه یانگ تسه

بارش

8_z, r500, r850, shum

-

Hung et. al., 2011

حوضه کلوتها

بارش

mslp, p5_z, p5_u, p5zh, p8_u, p8_v, p8_z, p850, p_z, r500

-

Hashmi et. al., 2011

حوضه رودخانه کاجو

بارش

r850, shum, rhum

-

Karamouz et al., 2009

بلاگسویل

بارش

p_v, p_z, p500,shum

10/0

Wilby &  Dawson, 2004

حوضه قره سو

بارش

P_v, p8_f, p8_u, p8_z, p8th, rhum, mslp

38/0

گل محمدی و مساح (1390)

حوضه کشف رود

بارش

mslp, p_u, p_v, p_z, p_zh, p5_f, p5_z, p8_u, p8_v, p8_zh, p8_z, temp

40/0

سیاری (1390)

             

 


ارزیابی توانمندی مدل در شبیه سازی بارش توسط معیارهای دقت انجام شد. نتایج نشان داد که مقدار بارش و الگوی تغییر فصلی آن به خوبی شبیه سازی شده است. در ریزمقیاس نمایی رویدادهای حدی، در برخی ماه ها خطا مشاهده شد. جهت ارایه سناریوهای اقلیمی رویدادهای حدی، با استفاده از متغیرهای پیش گوی مدل HadCM3 تحت دو سناریوی A2 و B2، برای هر سناریو، 100 سری زمانی بارش برای دوره 2099-1961 تولید شد و میانگین سری های بدست آمده مبنای مقایسه قرار گرفت. تفاوت مقادیر بارش از مقدار میانگین دوره پایه (2000-1971) در شکل 7 تشان داده شده است.

 

 

 

 

 

 

شکل 7- تغییرات در بارش سالانه بین دوره 2000-1971 و دوره 2099-2011 میلادی تحت دو سناریوی A2 و B2 مدل HadCM3

 


قابل ملاحظه ترین تغییر طی دوره آتی، در مقدار بارش و نمایه های بیشینه بارش، درصد کل بارش ناشی از رویدادهای بالاتر از صدک 90 طولانی مدت (سهم بارش سنگین) در فصل تابستان تحت سناریوی A2 مشاهده شد که بیشترین تفاوت را با دوره پایه نشان داد. در کل نتایج این پژوهش با توجه به پیش بینی های نمایه های حدی بر مبنای دو سناریو نشان داد که عدم قطعیت زیادی در برآورد میزان تغییرات در نمایه های حدی طی دوره 2020 وجود دارد. مشهودترین تفاوت در نتایج دو سناریو طی دوره مورد بررسی، در فصل تابستان با بیشترین افزایش در مجموع بارش، بیشینه بارش و سهم بارش سنگین در سناریوی A2 مشاهده می گردد که این تغییرات در میزان بارش و نمایه های حدی آن بویژه طی این فصل، نشان از احتمال وقوع سیل های مخرب تر خواهد داشت که بعضا در این منطقه مشکل ساز بوده اند.



2. Global Climate Model

4. Regional Climate Models

6. Stochastic Weather Generators

8. Statistical DownScaling Model

 

1. Extreme Event

3. Atmoshphic-Ocean General Circulation Model

5. Weather Pattern-based Approaches

7. Regression Methods

 

 

[9]. Haihe

Reanalysis 2.

1. National Center for Environmental Prediction

 

[13]. Calibration

[14]. Bias Correction

[15]. Variance Inflation Factor

[16]. Overestimate

[17].Underestimate

[18]. STAtistical and Regional Dynamical downscaling of Extremesfor European regions

[19]. Nahs-Sutcliffe efficiency coefficient

[20]. Root-mean-squre error

[21]. Ratio of standard deviation

[22]. The Near Future

[23].The Current Climate

  1. Asgari, A., Rahimzadeh, F., Mohammadian, N., Fattahi, E, 2008, Trend Analysis of Extreme Precipitation Indices Over Iran, Iran-Water Resources Research, 3( 3):42-55.
  2. Chu, J.T., Xia, J., Xu, C.-Y., Singh, V.P, 2010, Statistical downscaling of daily mean temperature, pan evaporation and precipitation for climate change scenarios in Haihe River. China. Theoretical Applied Climatology, 99:149–161.
  3. Harpham, C., Wilby, R. L. 2005. Multi-site downscaling of heavy daily precipitation occurrence and amounts. Journal of Hydrology, 312:235–255.
  4. Hashmi, M. Z., Shamseldin, A. Y., Melville, B. W., 2011, Comparison of SDSM and LARS-WG for simulation and downscaling of extreme precipitation events in a watershed, Stochastic Environmental Research & Risk Assessment, 25:475-484.
  5. Hessami, M., Gachon, P., Quarda, T.B.M.J., St-Hailaire, A. 2008. Automated regression-based statistical downscaling tool. Environmental Modeling and Software, 23(6): 813-834.
  6. http://www.cics.uvic.ca/scenarios/sdsm/select.cgi
  7. Hundecha, Y., Bardossy, A., 2008, Statistical downscaling of extremes of daily precipitation and temperature and construction of their future scenarios. International Journal of Climatolology, 28(5):589–610.
  8. Hung, J., Zhang, J., Zhang, Z., Sun, S., Jian, Y., 2011,  Simulation of extreme precipitation indices in Yangtze River basin by using statistical downscaling method (SDSM), Theoretical Applied Climatology,
  9. Intergovernmental Panel on Climate Change, 2007, the Fourth Assessment Report. Parry, M.L., Canziani, O.F., Palutikof, J.P., van der Linden, P.J., Hanson, C.E. (eds), Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA.
  10. Intergovernmental panel on climate change, 2010, Meeting Report, IPCC Expert Meeting on Assessing and Combining Multi Model Climate Projections, National Center for Atmospheric Research, Boulder, Colorado. USA.
  11. Jiang, Z.,·Song, J., Li,·L., Chen, W., Wang, Z., Wang, J, 2012, Extreme climate events in China: IPCC-AR4 model Evaluation and projection, Climatic Change, 11(1-2), pp. 385-401
  12. Karamouz, M., Fallahi, M., Nazif, S., Rahimi Farahani, M., 2009, Long lead rainfall prediction using statistical downscaling and artificial neural network modeling. Civil Engineering, 16(2): 165-172.
  13. Khan, M. S., Coulibaly, P., Dibike, Y., 2006, Uncertainty analysis of statistical downscaling methods. Journal of Hydrology, 319:357-382.
  14. 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.
  15. M. Golmohammadi, M., Massah Bavani, A. 2010.The Perusal of Climate Change Impact on Drought Intensity and Duration. Journal of Water and Soil, 25 (2): 315-326.
  16. Rajabi, A. 2011, Uncertainty Analysis of Climate Change by SDSM in Kermanshah, 4th Iran Water Resources Management Conference, Amirkabir University of  Technology, Tehran.
  17. Sayari, N., Alizadeh, A., Bannyayan,.M., Farid Hosseini, A., Hessami, M. R., 2011, Drought Monitoring under Climate Change Conditions in Kashafrood Basin (Mashhad Station) in Future Periods Using HadCM3 Model under A2 and B2 Emission Scenarios,  Journal of Climate Research, 2(7): 21-39
  18. Semenov, M. A., Stratonovitch, P., 2010, Use of Multi-model Ensembles from Global Climate Models for Assessment of Climate Change Impacts, Climate Research, 4: 1–14.
  19. Semenov, M.A., Brooks, R.J., 1999, Spatial interpolation of the LARS-WG stochastic weather generator in great Britain, Climate Research. 11: 137-148.
  20. Souvignet, M., Heinrich, J., 2010, Statistical downscaling in the arid central Andes: uncertainty analysis of multi-model simulated temperature and precipitation. Theoretical Applied Climatology, 106:229–244.
  21. Tank, A. K., Zwiers, F. W., Zhang, X., 2009, Guidelines on Analysis of extremes in a changing climate in support of informed decisions for adaptation, World Meteorological Organization, pp. 52.
  22. Wang, X. L., Feng, Y., 2010, RHtestsV3 User Manual, Climate Research Division, Atmospheric Science and Technology Directorate, Science and Technology Branch, Environment Canada, Toronto, Ontario, Canada, Published online at http://cccma.seos.uvic.ca/ ETCCDMI/ software.shtml, January 2010 (updated in June 2010).
  23. Wang, X., L.,2008, Accounting for Autocorrelation in Detecting Mean Shifts in Climate Data Series Using The Penalized Maximal t or F Test, Journal of Applied Meteorology and Climatology, 47: 2423-2444.
  24. Wang, X., Yang, T., Shao, Q., Kumud, A., Wang, W., Yu, Z., 2011, Statistical downscaling of extremes of precipitation and temperature and construction of their future scenarios in an elevated and cold zone, Stochastic Environmental Research and Risk Assessment, 26: 405-418.
  25. Wetterhall, F., Halldin, S., Xu, C.-Y., 2009, Seasonality properties of four statistical-downscaling methods in central Sweden. Theoretical and Applied Climatology, 87: 123-137.
  26. Wilby, R.L., Whitehead, P.G., Wade, A.J., Butterfield, D., Davis, R.J., Watt, G., 2006, Integrated modeling of climate change impacts on water resources and quality in a low land catchment :River Kennet. UK, Journal of Hydrology, 330: 204–220.
  27. Wilby, R. L., Dawson, C. W., 2004, SDSM 4.2 – A decision support tool for the assessment of regional climate change impacts. User Guide.
  28. Wilby, R. L., Dawson, C. W., Barrow, E. M., 2001, a decision support tool for the assessment of regional climate change impacts. Journal of Environmental Modeling and Software, 17: 147-159.
  29. World Meteorological Organization, 2011, Weather extremes in a changing climate: hindsight on foresinght, ISBN:978-92-63-11075-6.
  30. Yan. Z., Jones, P.D., Davies, T.D., Moberg, A., Bergstrom, H., Camuffo, D., Cocheoc, M., Demaree, G. R., Verhoeve, T., Theoen, E., Barriendos, M., Rodriguez, R., Marttin-Vide, J., Yang, C. 2002. Trends of extreme temperature in Europe and China based on daily observations. Climatic Change, 53:355-392.
  31. Von Storch, H., 1999, On the use of "inflation" in stastical downscaling, Journal of Climate, 12:3505-3506.