بکارگیری مدلSDSM جهت ریزمقیاس نمائی داده های GCM بارش و دما مطالعه موردی: پیش‌بینی‌های اقلیمی ایستگاهی در ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجو دکتری اقلیم‌شناسی، گروه پزوهشی اقلیم‌شناسی بلایای جوی، پژوهشکده اقلیم‌شناسی

2 استادیار پزوهشکده اقلیم شناسی، رئیس پزوهشکده اقلیم شناسی و مرکز ملی اقلیم

3 کارشناس ارشد هواشناسی، گروه پژوهشی اقلیم‌شناسی کاربردی، پژوهشکده اقلیم شناسی

چکیده

بکارگیری روش‌های جدید در حل معادلات جوی و در اختیار داشتن پیش بینی های اقلیمی با توجه به ماهیت بازه زمانی طولانی مدت آنها، نقش بسیار ارزنده‌ای در مدیریت‌های کلان ایفا می‌نماید. ولیکن در بازه زمانی دراز مدت بدلیل محدودیت جدی در قدرت تفکیک مکانی، قادر به پیش‌بینی آب و هوای واقعی در مقیاس ایستگاهی و خرد مقیاس نمی‌باشد. لذا جهت بکارگیری خروجی مدل‌های اقلیمی تمام کره‌ای و دستیابی به قدرت تفکیک فضائی کم، روش ریز مقیاس نمائی مورد استفاده قرار گرفته که به دو دسته آماری و دینامیکی و گاها تلفیقی از آن دو تقسیم‌بندی می‌گردند. در این میان صحت سنجی داده‌های ریزمقیاس شده جهت تحلیل پیش‌بینی‌های درازمدت بعنوان یکی از پارامترهای اساسی در کسب دقت این گونه مدل‌ها از اهمیت ویژه‌ای برخوردار است. در این تحقیق سعی گردیده تا با انتخاب  کل منطقه کشور و ابتدا برای 41 ایستگاه منتخب کشور که دارای آمار اقلیمی 41 ساله (2001-1961 میلادی) می‌باشند، خروجی مدل اقلیمیHadCM3 تحت سناریوی اقلیمی A2 که یکی از محتمل‌ترین سناریوهای انتشار می‌باشد، توسط مدلSDSM که قادر است خروجی مدل‌های گردش عمومی جو را به مقیاس ایستگاهی تبدیل نماید، ریزمقیاس گردد.  سپس با استفاده از روش‌های آماری و بدست آوردن ضرائب وزنی داده‌‌های ریزمقیاس شده و داده‌های پایه را مورد تجزیه و تحلیل قرار داده و واسنجی مناسبی از آنها ارائه گردد. نتایج بیانگر آنست که بین مقادیر ریزمقیاس شده بارش، دمای حداقل و حداکثر و مقادیر واقعی آنها تفاوت معنا داری با خطای بحرانی 05/0 وجود ندارد و بازه اطمینان داده‌ها مشتمل برمقدار صفر است. لذا بکارگیری داده‌های ریزمقیاس‌شده مدل جهت بهینه‌سازی داده‌های آینده در مقیاس ایستگاهی می‌تواند بصورت قابل قبول مورد استفاده قرار گیرد.

کلیدواژه‌ها


عنوان مقاله [English]

Using SDSM Model to Downscaling Precipitation and Temperature GCM Data for Study Station Climate Predictions over Iran

نویسندگان [English]

  • ُSina Samadi 1
  • Majid Habibi Nokhandan 2
  • Fatemeh Zabol Abbasi 3
چکیده [English]

Introduction:

Iran is located in the south-west of Asia and is in the arid belt of the world and about 60% of the extent of the country is mountainous and the remaining part (1/3) is desert and arid lands. The climate of the country can be divided into three main categories: -Warm temperate, rainy with dry summer in a narrow strip in the north, -Dry, hot desert in the central plateau, -Dry, hot steppe covering the rest of the country. So, it could be so difficult to predict climate change over whole of country. In this case, using new methods for solving weather equations and having climate prediction because of its long term temporal has so many important rolls for massive management.

In climate change studies, the global circulation models (GCMs) are usually used to simulate the past and future global climate. Unfortunately, despite the advancement in GCM research and modern computing technology, the most recent generation of general circulation models still have serious problems due to their low spatial resolutions (with the field variables being represented on grid points 300 km apart). So, because of its serious limitation and resolution, using them in long term forecast couldn’t predict actual weather in station scale or small scale and it is important to assess the accuracy and uncertainty of GCMs in various climatic and geographical regions.

Methodology:

To employ output of Global Climate Models and accesses to good resolution, "Downscaling Methods" are used that are divided in two dynamical and statistical groups and some when syncretistic of them. A thorough evaluation of the current generation of GCMs has only started recently and the evaluation of a rich spectrum of indices on extremes is new. In this, calibrating downscaled data is very important as a main parameter to reach best resolution and for analyzing long term forecast. Two different approaches to downscaling have been employed. It has adopted a methodology that exploits mean inter station correlations to correct the statistics of grid-box means. The method, closely related to block-kriging, is demonstrated to remove the sample size sensitivity of statistics in daily grid-point precipitation. It has adopted a direct downscaling by distance and direction weighted average of point observations. At this filed, SDSM is a Statistical down scaling model that distributed both of these aggregation techniques to the consortium. Several data of selected stations have been started applying to a dataset and coding study area. These datasets will provide a valuable reference for model evaluation simulate predictor variables across selected region. The SDSM model run on selected period and reached amount of precipitation, minimum and Maximum of temperature and their standard deviations. By using statistical methods we could evaluate SDSM outputs to reach the best conclusion and selecting best data. With acceptable results, we could use them for climate prediction over region.

Materials:

In this paper, at the first we tried to select 41 synoptic stations that have 41 years climate data (1961-2001). These stations distributed to whole country with several climates. These data applied our observation dada. At this method we used third version of the coupled global Hadley Centre Climate Model (HadCM3) Outputs as predictor of method and A2 scenario that is one of the most probable emission scenarios. Then we down scaled them by using SDSM model version4.2 that could downscale general circulation models to station scales. Then by using statistical methods and reaching differential coefficients could analyses downscaled data by base data and present suitable correlation of them.

Results and Discussion:

Results was shown, there is no significant deference with 0.5 critical errors and correlation of data and accepted at 0.01 significant levels. And there is a good accepted correlation between modeled data and observing minimum and maximum temperature and precipitation data.

Conclusion:

So, using Downscaled data is acceptable with suitable efficiency to correct future data at station scale. This study should help to fill in the knowledge gap in GCM downscaling research of climate and add an important piece in the global climatic assessment jigsaw puzzle.

 

 

کلیدواژه‌ها [English]

  • Global Circulation Model (GCM)
  • Downscale
  • Climate scenario
  • Climate Models

مقدمه:

با توجه به وقوع بلایای متعدد در کشور و بروز خسارات جانی، مالی، اجتماعی و غیره که ما هرساله شاهد آن هستیم،  لذا در اختیار داشتن سیستم پیش آگاهی به موقع و جامع می‌تواند کمک بسیار شایانی به کاهش خسارات وارده نموده و موجب به حداقل رساندن میزان صدمات و خسارات به بخشهای مختلف جامعه از جمله کشاورزی، صنعت، اقتصاد و سایر... گردد(صمدی،1386،62). جهت ارائه مدیریت بهینه و کارا در حد کلان، از روشهای گوناگونی می توان بعنوان ابزاری مناسب بهره جست. یکی از این روشها بکار گیری خروجی مدلهای گردش عمومی و منطقه ای جو می باشد(Ragab,2000,39). ابزار اصلی پیش‌بینی اقلیم در آینده بوده و ما را قادر می‌سازند تا حساسیت سیستم اقلیمی را در برابر عوامل تأثیرگذار روی آن مانند غلظت گازهای گلخانه‌ای و مکانیزم‌های تغییرپذیری و تغییر اقلیم مورد بررسی قرار دهیم( (Lane,1999,198. این مدلها، فرآیندهای مختلف و مهم را برای سیستم اقلیمی جفت شده جو، اقیانوس و سطح زمین در نظر گرفته و بر هم‌ کنش‌های بین آنها را مورد توجه قرار می‌دهند(بابائیان،1386،45). فرآیندهای مهم جوی، اقیانوس و سطح زمین از قبیل بر هم کنش بین ابرها و تابش، مکانیزم‌های تولید باران، ترکیب جو و اقیانوس، انتقال گرما و رطوبت از طریق خاک و انجماد آب روی سطح دریا، زمین و جو و غیره را میتوان در این مدل ها جستجو نمود. مدلهای اقلیمی در حال حاضر در مدلهای سیستم زمینی نیز، در حال توسعه هستند. با توجه به اینکه در بسیاری از مراکز مهم تحقیقات اقلیمی در سراسر جهان مدلهای اقلیمی مختلفی اجرا شده و داده های خروجی آنها دارای پیش‌بینی‌های بلند مدت بوده که در دسترس نیز می‌باشد، ولیکن استفاده مستقیم از این داده ها جهت بکارگیری در پیش‌بینی‌های طولانی مدت و فصلی در یک منطقه خاص دارای خطا بوده و نیازمند بکارگیری روش های خاصی می باشد(بابائیان، 1385،21). معمولا دو روش بررسی نسبت به سایر روشها از اهمیت بیشتری برخوردار است. در روش اول با استفاده از داده های هواشناسی موجود و با در اختیار گرفتن روشهای ریاضی و آماری سری‌های زمانی پارامترها بررسی و پیش‌بینی صورت می‌گیرد. در روش دوم از مدلهای تغییر مقیاس استفاده می‌شود. در این مدلها با در نظر گرفتن شرایط دینامیکی جو و با فرض سناریوی اقلیمی مشخص قدرت تفکیک فضائی و زمانی خروجی مدلهای گردش عمومی تغییر می یابد(Hellstrom,2006,953). ولیکن با توجه به پارامترهای دیگری که تاثیرگذار بر ارائه این پیش بینی‌ها می باشد بکارگیری هر دو روش آماری و دینامیکی میتواند دقت کار را افزایش بخشد.

 

مواد و روش ها

الف-مروری بر منطقه مورد مطالعه

این  مطالعه بر روی 41 ایستگاه سینوپتیک کشور انجام شده است که توزیع جغرافیایی و مشخصات این ایستگاهها در شکل 1 ارائه  شده است. ایستگاههایی که دارای داده های ناقص قابل توجهی بودند، در این تحقیق حذف گردیده اند. با توجه به اینکه طول دوره آماری ایستگاه های مذکور یکسان نمی باشد، لذا دوره زمانی 1961 تا 2001 میلادی (41 ساله) به عنوان دوره اقلیمی پایه لحاظ گردیده است.  

 

شکل 1. موقعیت جغرافیایی ایستگاههای سینوپتیک کشور

ب- مدل های گردش عمومی (GCM)[1]

مدلهای گردش عمومی، مدل‌های سه بعدی می‌باشند که بعنوان معتبرترین ابزار جهت تولید سناریوهای اقلیمی مورد استفاده قرار می‌گیرند(Schmidli,2004,29). این مدلها بر پایه قوانین فیزیکی که بوسیله روابط ریاضی ارائه می‌شود استوار می‌باشد. روابط ریاضی این مدل‌ها در شبکه‌های سه بعدی، با مقیاس مکانی افقی250 تا 600 کیلومتر و 10 تا 20 لایه اتمسفری و 30 لایه در اقیانوس حل می‌شوند(آشفته،1386،33). این مدل‌ها قادر خواهند بود تا سیستم اقلیمی را با لحاظ نمودن اکثر فرایندها و پارامترهای اقلیمی شناخته شده در ابعاد جهانی و یا قاره‌ای به طور کامل و دقیق شبیه‌سازی نمایند. این نکته نیز در این مدل بسیار حائز اهمیت است که مقیاسهای زمانی مدل توسط مقیاسهای مکانی (افقی) محدود می‌شوند(صمدی،1383،10). تاکنون مدل‌های گردش عمومی مختلفی در مراکز گوناگون تحقیقاتی تدوین و طراحی شده است. از آن جمله می‌توان به مدل‌های HadCM3، ECHAM4، CSIRO، CGCM2، NCAR، GFDL و CCSR اشاره نمود(Widmann,2003,801). از آنجا که مهمترین ورودی این مدل‌ها میزان انتشار گازهای گلخانه‌ای در دوره‌های آتی می‌باشد، از این رو سناریوهای مختلفی که دربرگیرنده چگونگی تغییرات این گازها در آینده می‌باشد، ارائه شده که به سناریوهای انتشار معروفند.یکی از محتملترین این سناریوها سناریوی A2 از مجموعه سناریوهای SRES مس‌باشد که توسط IPCC در سال 1998 ارائه گردید(IPCC,1996). مشخصات این سناریو در جدول 1 بیان گردیده است.

 

 

جدول1. مشخصات سناریویA2 در سال 2100 نسبت به سال 1990 میلادی(IPCC-TGCIA-1999,69)

سناریو

جمعیت(بیلیون نفر)

غلظتCO2(ppmv)

متوسط دمای کره زمین

افزایش سطح آب دریا(cm)

GDP جهانی(1012$)

A2

1/15

834

1/3 (4/4-1/2)

62 (107-27)

243

 

 

ج- روش و داده ها

برای استفاده از داده‌های مدل های GCM بایستی تبدیل مقیاس زمانی ومکانی صورت گیرد تا داده‌ها از مقیاس تمام‌کره‌ای به مقیاس محل مورد مطالعه و درمقیاس زمانی ماهانه، روزانه و در مواردی کمتر از روز تبدیل گردد. تبدیل داده‌های مدل از مقیاس تمام کره ای به داده‌های مورد استفاده درمطالعات محلی و ایستگاهی را تبدیل مقیاس[2] می‌گوییم(ابراهیمی،1383،69). تبدیل مقیاس برای پارامترهای اقلیمی نیاز به شناخت کامل مدل داشته و بعضا همراه با مشکلات و خطا خواهد بود. در این تحقیق جهت تبدیل مقیاس داده های اقلیمی از تمام کره ای به مقیاس ایستگاهی از مدل SDSM[3] استفاده گردیده است که امروزه یکی از کاراترین مدل ها جهت انجام مطالعات اقلیمی در سطح جهان محسوب می گردد. در این مدل اساسا جهت تبدیل مقیاس از روشهای آماری وداده‌های تاریخی استفاده می شود. دراین روش ابتدا روابط بین داده‌های مشاهده شده تاریخی وداده‌های مدل بررسی و تعیین می‌شوند. این معادلات، پایه تبدیل داده‌های مدل برای سالهای آینده خواهند بود. روشهای رگرسیون چند متغیره، شبکه‌های عصبی، پارامترهای آماری بدون بعد وهمبستگی‌های منطقی، نمونه‌ای از روشهای آماری در زمینه تبدیل مقیاس هستند(مهدویان، 1383،9). در این تحقیق از خروجی مدل HadCM3 که در مرکز هادلی انگلستان اجرا می‌گردد((IPCC-DDC,1988 و سناریوی اقلیمی A2 که محتمل‌ترین سناریوی انتشار می‌باشد، بعنوان داده های اقلیمی جهت ریز مقیاس نمائی استفاده گردید. جدول 2 مشخصات این مدل را نشان می‌دهد. جهت داده‌های پایه نیز از داده‌های 41 ایستگاه سینوپتیک که دارای آمار 41 ساله (2001-1961میلادی)می‌باشند استفاده گردیده است که مل داده‌های بارش، دمای مینیمم و دمای ماکزیمم می‌باشد. پس از اخذ داده‌های اقلیمی، به دوروش آماری و تحلیلی تبدیل مقیاس صورت می‌گیرد.

 

جدول2. مشخصات مدل HadCM3 (IPCC-TGCIA-1999,69)

دقت مکانیAGCM

(صول*عرض)

دقت مکانیOGCM

(صول*عرض)

دوره شبیه سازی

طول دوره شبیه سازی

سناریوها

2.5*3.75

2.5*3.75

Co2: 1861-1989

SO2: 1860-1989

دوره کنترل:240

سناریوهایSRES : 1950-2099

A1,A2

,B1,B2

رگرسیون و معادله بین داده‌های مشاهده شده در دوره پایه (که در این تحقیق دوره اقلیمی 2001-1961 میلادی در نظر گرفته شده) وداده‌های مدل درهمین دوره محاسبه گردید. برای داده‌های مشاهده شده(Xo) ودادهای مدل(Xm)ضریب رگرسیون خطی به فرم زیر محاسبه گردید(Hellstrom,2006,954).

(1)                                                                                                       

چنانچه مقادیرr محاسبه شده در سطح اطمینان موردنظر معنی‌دار باشد، معادله بین دونوع داده‌ عبارت است از:

(2)                                                                                                            

( Xom) مقادیر تبدیل مقیاس شده،(Xm ) مقادیرمحاسبه شده از مدل وa وm ضرایب ثابت بوده وازروابط زیر بدست می‌آیند.

(3)                                                                                                     

(4)                                                                                                                              

دراین معادله باداشتن داده‌های مدل برای سالهای بعدی خواهیم توانست پیش بینی از شرایط واقعی داشته باشیم. شرط پذیرش همبستگی بین داده‌های مدل با داده‌های شاهده شده این است که مقدار آمارt محاسبه شده از فرمول زیر از مقدار بحرانی آن بیشتر باشد.

 (5)                                                                                                                                                                                    

 بعنوان نمونه شکل 2 خروجی روش خطی برای ایستگاه مشهد میباشد. این روش زمانی مناسب است که ضریب r باتوجه به فرمول (1) قابل پذیرش باشد(ابراهیمی،1383،91).

در روش تحلیلی روند خطی داده‌های مدل وداده‌های پایه تعیین و روند داده‌های آینده ارائه شده توسط مدل به انتهای داده‌های دیده‌بانی شده منتقل میگردد(بزرگ نیا،1366). تبدیل مقیاس بامعادله زیر انجام پذیر است:

(6)                                                                                                                        

 =XOMداده های تبدیل مقیاس شده مدل

XM = داده های خام مدل

XTO =مقدار پارامتردرسال مورد نظر که از تابع خطی روند دادهای تاریخی بدست می‌آید.

XTM= مقدار پرامتر درسال مورد نظر که از تابع خطی روند داده‌های مدل بدست می‌آید.

(7)                                                                                                                                             

، ،a  وb ضرایب ثابت معادلات خطی روند دادههای مدل و دیده‌بانی شده نسبت به زمان (سال) هستند(Jones,1996,364). نمونه‌ای از خروجی تبدیل مقیاس به روش تحلیلی که در ایستگاه مشهد اجرا گردیده است، در شکل 3 ملاحظه می‌شود. در این روش روند تغییرات داده‌ها باید یکسان باشد.

 

شکل2. نمونه ای از خروجی تبدیل مقیاس پارامتر دمای میانگین داده‌های مدل به روش رگرسیون برای ایستگاه مشهد

 

شکل3. نمونه ای از خروجی تبدیل مقیاس پارامتر دمای میانگین داده‌های مدل به روش تحلیلی برای ایستگاه مشهد

 

نتایج تحقیق

برای دستیابی به بهترین نتایج در هر مدلی، کالیبراسیون صحیح و صحت سنجی اطلاعات از اهمیت بسیار زیادی برخوردار است. از اینرو ،کالیبره کردن مدل با استفاده از 41 سال داده های دیدبانی در دوره پایه 1961-2001 میلادی و مقایسه آن با داده های تولیدشده توسط مدل SDSM برای داده های بارش، دمای ماکزیمم و دمای می نیمم در این دوره صورت گرفت. جهت صحت سنجی داده های کوچک مقیاس شده، ابتدا مدل برای دوره پایه اجرا گردید ومقادیر بارش، دمای کمینه و بیشینه و انحراف معیار آنها برای 41 ایستگاه سینوپتیک ایران تهیه شد. جداول 1و2و3 نتایج بدست آمده از اجرای مدل و همچنین مقادیر واقعی پارامترهای بترتیب بارش، دمای حداکثر و دمای حداقل را در دوره مذکور برای ماههای مختلف سال نشان می دهند. پارمترهای دمایی در ماههای مختلف سال نسبت به بارش دارای همخوانی بهتری میباشد. بارش نیز در ماههای سرد سال نسبت به ماههای گرم سال جواب بهتری را در شبیه سازی ارائه نموده است. البته این همان انتظاری است که از مدلهای اقلیمی نیز داریم. آمار توصیفی مقادیر کوچک مقیاس شده توسط مدل SDSM و واقعی در دوره پایه در جدول 4 نشان داده شده است.

 

جدول1: مقایسه میانگین بارش و انحراف معیار بدست آمده از مدل و مقادیر واقعی(دوره 2001-1961 میلادی)

پارامتر

ژانویه

فوریه

مارس

آوریل

می

ژوئن

ژوئیه

اوت

سپتامبر

اکتبر

نوامبر

دسامبر

میانگین بارش دیدبانی

8/36

9/40

7/48

4/37

6/19

8/3

9/0

6/0

3/1

6/7

3/13

3/30

 

انحراف معیار  داده های واقعی

5/3

4/4

2/4

9/3

7/2

1/1

4/0

3/0

7/0

5/1

1/2

4/3

 

میانگین  بارش مدل شده

1/36

39

9/48

6/34

3/19

2/5

6/1

6/0

1

6

9/12

7/29

 

انحراف معیار داده های مدل

4/3

9/3

1/4

5/3

7/2

2/1

4/0

4/0

8/0

4/1

2/2

1/3

 

 

 

 

 

جدول2: مقایسه میانگین ماکزیمم دما و انحراف معیار بدست آمده از مدل و مقادیر واقعی در دوره 2001-1961 میلادی

پارامتر

ژانویه

فوریه

مارس

آوریل

می

ژوئن

ژوئیه

اوت

سپتامبر

اکتبر

نوامبر

دسامبر

 

میانگین دمای نرمال

4/7

7/9

1/15

3/22

1/28

5/33

2/35

34

3/30

6/23

8/16

4/10

 

 

انحراف معیار داده های واقعی

4/5

7/5

6

7/5

8/4

6/3

1/3

2/3

1/4

8/4

5

5

 

 

میانگین  دمای مدل شده

6/7

7/9

9/14

1/22

28

3/33

2/35

9/33

3/30

8/23

9/16

6/10

 

 

انحراف معیار مدل

5/5

1/6

3/6

6

1/5

4

4/3

4/3

3/4

1/5

4/5

2/5

 

                                             

 

 

جدول3: مقایسه میانگین مینیمم دما و انحراف معیار بدست آمده از مدل و مقادیر واقعی در دوره 2001-1961 میلادی

پارامتر

ژانویه

فوریه

مارس

آوریل

می

ژوئن

ژوئیه

اوت

سپتامبر

اکتبر

نوامبر

دسامبر

 

میانگین دمای نرمال

5/3-

6/1-

1/3

1/9

6/13

1/18

5/20

2/18

3/13

7/7

8/2

2/1-

 

 

انحراف معیار داده های واقعی

1/5

5

5/4

3/4

4

8/3

5/3

9/3

4/4

5/4

8/4

5/4

 

 

میانگین  دمای مدل شده

3/3-

6/1-

1/3

9/8

6/13

18

2/20

1/18

4/13

7/7

8/2

2/1-

 

 

انحراف معیار مدل

9/4

5

5/4

4/4

1/4

8/3

7/3

4

6/4

8/4

6/4

6/4

 

                                             

 

 

جدول4 .آمار توصیفی داده‌های ریزمقیاس شده توسط مدل SDSM و داده‌های واقعی در دوره  2001-1961 میلادی

 

 

بارش

کمینه دما

بیشینه دما

 

داده های

واقعی

میانگین

1/20

3/8

22/22

انحراف استاندارد

8/17

4/8

1/10

میانگین خطای انحراف استاندارد

1/5

4/2

9/2

داده‌های

مدل‌سازی شده

میانگین

6/19

3/8

19/22

انحراف استاندارد

3/17

36/8

06/10

میانگین خطای انحراف استاندارد

0/5

4/2

9/2

                 

 

سپس داده های خروجی مورد آزمون آماری قرار گرفتند. مقادیر میانگین و انحراف معیار محاسبه شده از داده‌های واقعی و بدست آمده از مدل می‌توانند بیانگر این امر باشند که تفاوتی بین مقادیر مدلسازی و واقعی وجود ندارد. .جدول 5 نتایج بدست آمده از آزمون دونمونه ای زوجیt  استیودنت را به منظور مقایسه مقادیر کوچک مقیاس شده و مقادیر واقعی را نشان می‌دهد، همانطور که مشاهده می‌شود بین مقادیر ریزمقیاس بارش، دمای کمینه و بیشینه شبیه سازی شده و مقادیر واقعی دیده‌بانی شده تفاوت معنا‌داری با خطای بحرانی 05/0 وجود ندارد و بازه اطمینان داده‌های دمای کمینه و بیشینه و بارش مشتمل برمقدار صفر است. از طرفی مقادیر همبستگی بین مدل‌ها در سطح معناداری 01/0 قابل قبول می‌باشد.

جدول 5. مقایسه مقادیر ریزمقیاس مدل SDSM با مقادیر واقعی در دوره 2001-1961 میلادی

                                 

بارش

کمینه دما

بیشینه دما

T-TEST

2/1

9/0

5/0

Significance level

2/0

3/0

6/0

95 Percent Confidence  interval

2/1-2/00

09/0-03/0

13/0- 08/

Correlation

999/0

999/0

998/0

**correlation is significant at the 0.01 level (2-tailed).

 

اشکال2 نمودارهای ترسیمی- مقایسه‌ای پارامترهای مذکور را نشان می دهد. همانطور که مشاهده می شود مدل‌سازی دمای کمینه، بیشینه ، بارش ریزمقیاس شده و همچنین انحراف معیار آنها با داده های واقعی دیدبانی شده مطابقت خوبی داشته و مدل به خوبی توانسته روند تغییرات پارامتر های مذکور در ماه های مختلف سال را مدل‌سازی نماید.

 

 

 

 

 

 

 

 

 

(ب)

 

(الف)

 

 

 

 

 

 

 

 

 

 

 

(ج)

 

 

شکل2. مقایسه داده‌های ریزمقیاس شده و دیدبانی شده برای پارامترهای الف. دمای بیشینه ب.دمای کمینه، ج. بارش.

(دوره1961-2001میلادی)

 

 

            مقدار بایاس و خطای مطلق داده‌های ریز مقیاس نیز با استفاده از معادلات زیر نیز محاسبه  گردیدند:

 (8)                                                                                                                  Bias=

 (9)                                                                                            MAE=

 

بطوریکه Si و Oi در آن به ترتیب نشان دهنده پارامتر مدل و دیدبانی شده هستند .اندیسi نشان دهنده ماههای سال است(7). در جدول 5 خطای مطلق ومقادیر بایاس هر یک از پارامترهای مورد مطالعه در کشور آورده شده است.

 

 

جدول5: بایاس و میانگین خطای داده های مدل شده روزانه توسط  SDSMنسبت به داده‌های دیدبانی شده

دمای حداکثر

دمای حداقل

بارش

Mae

Bias

Mae

Bias

Mae

Bias

2/0

3/0-

08/0

9/0

9/0

6-

             

 

 

 

 

 

بحث و نیجه‌گیری:

نتایج نشان می دهند که پارامترهای مذکور به خوبی توسط مدل ریزمقیاس شده‌اند و بطور کلی مدل توانمندی مد‌ل‌سازی و ریزگردانی اقلیم دوره گذشته در ایستگاه‌های تحت مطالعه را دارا است. این نتیجه گیری در اشکال 3 و 4 و 5 به وضوح قابل مشاهده می‌باشد. شکل3 پهنه‌بندی بارش در کشور را توسط داده‌های ریزمقیاس مدل (الف) و داده‌های دیده بانی (ب) نشان می‌دهد. پهنه‌بندی بارش بیانگر نتایج خوب ریزمقیاس نمائی داده‌های اقلیمی توسط مدل است. این نتیجه‌گیری در اشکال 4 و 5 نیز که مربوط به دمای حداکثر و حداقل می‌باشد نیز صادق است. البته همانطور که نقشه‌های پهنه‌بندی نیز بیانگر آنست، در نواحی مرکزی ایران مقداری اختلاف قابل رویت است که این خطاها را می‌توان به دلیل فقر داده‌های آماری دیده‌بانی شده در نواحی مرکزی کشور که ناشی از فاصله نسبتا زیاد بین ایستگاهی در این منطقه می‌باشد، دانست. بطور کلی نتایج بیانگر این امر است که داده‌های ریزمقیاس شده به خوبی توانسته است همخوانی مناسبی با پارامترهای اقلیمی واقعی منطقه داشته باشند و میتوان با صحت بالا این داده‌ها را در شبیه‌سازی‌های دوره‌های آتی در مقیاس ایستگاهی و با بکارگیری مدل های آماری ایستگاه مقیاس[4] بسط و توسعه داد و آینده‌نگری مناسب‌تری از شرایط آب و هوائی در دوره‌های آینده داشته و به کمک آن مدیریت‌های کلان آتی را در زمینه‌های بهره‌وری مناسب‌تر از منابع و بالاخص منابع آبی ارتقاء بخشید

 

 

 

 

 

 

 

 

 

 

 

                       (الف)                                                                   (ب)

شکل3- پهنه‌بندی بارش در ایران (1961-2001). الف) داده های مدل شده ب) داده های دیده بانی شده

 

 

 

 

 

 

 

                                  (الف)                                                                   (ب)

شکل4- پهنه‌بندی دمای حداکثر ایران (1961-2001). الف) داده های مدل شده ب) داده های دیده بانی شده

 

 

 

 

 

 

 

 

 

 

 

 

                                 (الف)                                                                   (ب)

شکل5- پهنه‌بندی دمای حداقل ایران (1961-2001). الف) داده های مدل شده ب) داده های دیده بانی شده

 



[1]. General Circulation Models

[2]- Down Scaling

[3]- Statistical Down Scaling Model

1- Station Scale

 
1- ابراهیمی، ح. 1383. بررسی پتانسیل اثر تغییر اقلیم بر مصارف آب کشاورزی دشت مشهد. رساله دوره دکتری. دانشگاه آزاد اسلامی واحد علوم و تحقیقات:69-91-113.
2- آشفته، پ. س. مساح بوانی، ع. 1386. تاثیر تغییر اقلیم بر شدت و فراوانی سیلاب در دوره‌های آتی، مطالعه موردی حوضه آیدوغموش آذربایجان شرقی، کارگاه فنی اثرات تغییر اقلیم در مدیریت منابع آب:32-45
3- اندرسن، الف. ترجمه بزرگ نیا، الف. 1366. تجزیه و تحلیل سری های زمانی و پیش بینی. چاپ اول، موسسه چاپ و انتشارات آستان قدس رضوی.
4- بابائیان، الف. نجفی نیک، ز. 1385. ارزیابی تغییر اقلیم استان خراسان رضوی در دوره 2039-2010 با استفاده از ریز مقیاس نمایی خروجی مدل GCM. پژوهشکده اقلیم‌شناسی.
5- بابائیان، الف. و همکاران. 1386. پروژه مدلسازی اقلیم ایران در دوره 2039-2010 با استفاده از ریز مقیاس نمایی آماری خروجی مدل ECHO-G. پژوهشکده اقلیم‌شناسی.
6- صمدی، س. 1383. مدلهای اقلیمی. بولتن علمی پژوهشکده اقلیم‌شناسی. جلد چهارم. شماره سوم: 9-13.
7- صمدی، س. 1386. پروژه ارائه پیش‌بینی‌های فصلی با روش تغییر مقیاس داده‌های GCM. پژوهشکده اقلیم‌شناسی:62-71.
9-  مهدویان، ع. 1384. تحلیل و پیش‌بینی بارندگی سالانه و فصلی در استان خراسان جنوبی با استفاده از سری زمانی. طرح پژوهشی سازمان هواشناسی کشور.
10- Jones, P.D. and M. Hulme, 1996, Calculating Regional Climate time series for temperature and precipitation: Methods and illustrations. International, J. Climatol. 16:361-377.
11- Hellstrom C. and Chen D., 2006, Statistical Downscaling Based on Dynamically Downscaled Predictors: Application to Monthly Precipitation in Sweden, Advances in Atmospheric Sciences, Vol. 20, No. 6, PP. 951–958
12- Hummer, G.L., Nicholson, N., 1996, managing for Climate Variability: the role of seasonal Climate forecasting in improving agricultural systems. In: Proc. Second Australian Conference on Agricultural Meteorology, Bureau of Meteorology, Commonwealth of Australia, Melborn, Australia: 19-27.
13- 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 Resources Planning and Management. 125(4): 194-204
14- IPPC, 1996, Climate change 1995, the science of climate change, Summary for Pllicy-makers, contribution of working group1 to the second assessment report of the intergovernmental panel on climate change, Cambridge University Press, Cambridge, UK
15- IPCC-DDC, 1988, http://ipcc-ddc.cru.uea.ac.uk/
16- IPCC-TGCIA, 1999, Guidelines on the use of scenario data for climate impact and adaptation assessment. eds. Carter, T.R., Hulme, M. and Lal, M., Version 1,69 pp. Intergovernmental Panel on Climate Change, Task Group on Scenarios for Climate Impact Assessment.
17- Ragab, R., 2000, Climate Change and Water Resources Management in the Arid Region, Institute of Hydrology, NERC, Wallingford, OXON, OX10, 8BB, UK.
18- Schmidli J., 2004, Statistical Downscaling using GCM Precipitation as a Predictor: An evaluation for the European Alps, Proceeding of 9th International Meeting on Statistical Climatology:29-32
19- Widmann M. AND Bretherton C. S., 2003, Statistical Precipitation Downscaling over the Northwestern United States Using Numerically Simulated Precipitation as a Predictor, Journal of Climate, Vol 16: 801-803.