بررسی ﺗﺄثیرات تغییر اقلیم بر شماره روز اولین یخبندان پاییزه و آخرین یخبندان بهاره در ایران با استفاده از ریز مقیاس نمایی SDSM

نوع مقاله: مقاله پژوهشی

نویسندگان

1 پژوهشکده هواشناسی، عضو هیئت علمی پژوهشکده هواشناسی

2 کارشناس ارشد هواشناسی کشاورزی، دانشگاه تهران

چکیده

تغییر تاریخ اولین یخبندان زودرس پاییزه و آخرین یخبندان دیررس بهاره که به لحاظ کشاورزی بسیار حائز اهمیت است، می تواند یکی از پیامدهای پدیده گرمایش جهانی باشد. یکی از روش های مطالعه اقلیم آینده، استفاده از خروجی مدل های گردش عمومی جو است اما این مدل ها به دلیل قدرت تفکیک زمانی و مکانی پایین، گویای تغییر اقلیم منطقه ای نمی باشند. در این تحقیق از مدل آماریSDSM برای ریز مقیاس نمایی نتایج مدل های گردش عمومی جو تحت دو سناریو انتشار A2 و B2 در چند نمونه اقلیمی استفاده شده است. نتایج این تحقیق برای چشم انداز 2039-2020 نشان می دهد که دمای کمینه در اکثر ایستگاه های انتخابی افزایش و در مابقی ایستگاه ها تفاوتی نخواهد کرد. میانگین شماره روز آخرین یخبندان بهاره هم در ایستگاه های کرمانشاه، گرگان و رشت کاهش و در ایستگاه های اصفهان و زاهدان بدون تفاوت و در مابقی ایستگاه ها افزایش می یابد. میانگین شماره روز اولین یخبندان پاییزه در ایستگاه کرمانشاه افزایش، در ایستگاه رشت بدون تفاوت و در مابقی ایستگاه های مورد مطالعه کاهش خواهد یافت. با توجه به پیش بینی افزایش طول دوره یخبندان در اکثر ایستگاه های مورد مطالعه، فراوانی وقوع یخبندان در تمام ایستگاه ها در دوره 2020 تا 2039 در مقایسه با 1961 تا 1990کاهش خواهد یافت.همچنین نتایج بیانگر کاهش فراوانی وقوع دماهای کمینه کوچکتر از دهک اول یا یخبندان شدید و افزایش وقوع دماهای کمینه بزرگتر از دهک نهم  یا یخبندان ضعیف و افزایش دمای کمینه دهک اول و دهک نهم در ایستگاه های مورد مطالعه می باشد.

 

 

کلیدواژه‌ها


عنوان مقاله [English]

Investigation of climate change effects on early autumn chilling and late spring chilling in Iran using SDSM

نویسندگان [English]

  • M. B. Behyar 1
  • M. Kheyrandish 2
  • M. Zamanian 1
چکیده [English]

Introduction:

Increasing the greenhouse gases change the global climate and lead to global warming. Global warming makes change in dates of early and late chilling. These dates are very important in agricultural meteorology. Recognizing these changes can help us managing and scheduling for future.

Materials and methods:

General Circulation Models (GCMs) indicate that rising concentrations of greenhouse gases will have significant implications for climate at global and regional scales. Unfortunately, GCMs are restricted in their usefulness for local impact studies by. Their coarse spatial resolution (typically of the order 50,000 km2) and inability to resolve important sub–grid scale features such as clouds and topography. Statistical downscaling methodologies have several practical advantages over dynamical downscaling approaches. In situations where low–cost, rapid assessments of localized climate change impacts are required, statistical downscaling (currently) represents the more promising option. In this manual we describe a software package, and accompanying statistical downscaling methodology, that enables the construction of climate change scenarios for individual sites at daily time–scales, using grid resolution GCM output. Stochastic downscaling approaches typically involve modifying the parameters of conventional weather generators such as WGEN or LARS–WG. The WGEN model simulates precipitation occurrence using two–state, first order Markov chains: precipitation amounts on wet days using a gamma distribution; temperature and radiation components using first–order trivariate autoregression that is conditional on precipitation occurrence. Climate change scenarios are generated stochastically using revised parameter sets scaled in direct proportion to the corresponding parameter changes in a GCM. The main advantage of the technique is that it can exactly reproduce many observed climate statistics and has been widely used, particularly for agricultural impact assessment. Furthermore, stochastic weather generators enable the efficient production of large ensembles of scenarios for risk analysis. The key disadvantages relate to the arbitrary manner in which precipitation parameters are adjusted for future climate conditions, and to the unanticipated effects that these changes may have on secondary variables such as temperature.

Regression

Regression–based downscaling methods rely on empirical relationships between local scale predictands and regional scale predictor(s). Individual downscaling schemes differ according to the choice of mathematical transfer function, predictor variables or statistical fitting procedure. To date, linear and non–linear regression, artificial neural networks, canonical correlation and principal components analyses have all been used to derive predictor–predictand relationships. The main strength of regression downscaling is the relative ease of application, coupled with their use of observable trans–scale relationships. The main weakness of regression–based methods is that the models often explain only a fraction of the observed climate variability (especially in precipitation series). In common with weather typing methods, regression methods also assume validity of the model parameters under future climate conditions, and regression–based downscaling is highly sensitive to the choice of predictor variables and statistical transfer function (see below). Furthermore, downscaling future extreme events using regression methods is problematic since these phenomena, by definition, tend to lie at the limits or beyond the range of the calibration data set.

One of the methods to study of future climate is using the general circulation models, but these models have low temporal and spatial resolution and they can’t show local changes in climate of a region. One of the methods to downscale the output of these models is using SDSM model. This research was tried using this method to study future climate of 12 synoptic stations in Iran. First we took daily minimum temperature, maximum temperature and precipitation of these stations from 1961 to 2005. These data are inputs of SDSM and the outputs of GCMs were downscaled with these observed data.  Future climate was predicted for these stations. Then the dates of early and late chilling were extracted of predicted temperature for future climate in these stations.

Results and discussion:

The results show that the date of late spring chilling increases and the date of first autumn chilling decreases in all station but on Rasht station the both parameters for all scenarios decrease and in Gorgan station just for a2 scenario the dates of late chilling decrease.

Conclusions:

This research shows that in the major of stations growing season decreases. So we recommend that farmers and gardeners change their crops or they cultivate early crops. In the rest of stations they should cultivate late crops or alternatively.

 

کلیدواژه‌ها [English]

  • Climate change
  • first autumn chilling
  • last spring chilling
  • Downscaling
  • SDSM
  • Iran

مقدمه

رشد صنایع و کارخانه ها از آغاز انقلاب صنعتی باعث افزایش گازهای گلخانه ای مخصوصا˝ گاز CO2 در چند دههاخیر شده است. افزایش گازهای گلخانه ای تغییراتی را در اقلیم کره زمین بوجود آورده است که در نوشته های علمی به آن تغییر اقلیم گفته می شود. برای کاهش اثرات مخرب پدیده تغییر اقلیم باید به چگونگی تغییرات اقلیم یک منطقه در آینده پی برد. این گونه مطالعات و بررسی روند تغییرات زمانی تاریخ اولین یخبندان زودرس پاییزه و آخرین یخبندان دیررس بهاره در شرایط اقلیم آتی جهان، امکان اتخاذ تصمیمات مدیریتی و تکنولوژیکی جدید جهت تطبیق با شرایط اقلیمی متفاوت و نیز تعدیل اثرات سوء احتمالی را فراهم می سازد. مطالعات متعددی بر روی این دو متغیر در داخل و خارج از ایران انجام گرفته است که به نمونه هایی از آن اشاره می شود. مطالعات متعددی بر روی این دو متغیر در داخل و خارج از ایران انجام گرفته است که به نمونه هایی از آن اشاره می شود. 

ورشاویان و همکاران (1386) به مطالعه روند رخداد یخبندان دیررس بهاره، زودرس پاییزه، طول دوره بدون یخبندان و تعداد روزهای یخبندان به منظور کاهش خسارات کشاورزی پرداختند. نتایج این تحقیق به طور کلی نشان داد که  جز در تبریز و زاهدان طول دوره ای که گیاه به دور از ریسک مواجه با یخبندان می تواند به رشد و تو سعه بپردازند، به طور معنی داری افزایش یافته است. نوحی و همکاران (1387) به تعیین طول دوره بدون یخبندان با استفاده از تاریخ های آغاز و خاتمه یخبندان فرارفتی و تابشی در نواحی زنجان، قزوین و تهران پرداختند. نتایج این تحقیق نشان می دهد که  امکان طولانی تر کردن فصل رشد بهاره در صورتی کشب محافظت ازیخبندان، درصورتیکه اولین یخبندان در پاییز و آخرین یخبندان در بهار از نوع تابشی باشند، در زنجان و تهران ۴ روز و در قزوین ۶ روز است. به این ترتیب، برآورد قابلیت اجرای عملیات محافظت از یخبندان برای محصولات کشاورزی در مناطق مورد مطالعه امکان پذیرمی شود. پدرام و همکاران (1386) به بررسی تغییرات طول دوره بدون یخبندان و تعداد روزهای یخبندان در استان های آذربایجان شرقی و غربی پرداختند. نتایج نشان می دهد که در بین ۸ ایستگاه منتخب، روند تعداد روزهای یخبندان در اغلب ایستگاهها به غیر از ارومیه و جلفا کاهشی بوده است. میانگین میان دوره های ده ساله تعداد روزهای یخبندان در ایستگاههای تبریز، ارومیه، میاندوآب، سراب ومراغه از تغییرات معنی داری برخوردار بوده اما تغییر واریانس آن ها در ایستگاه میاندوآب مشاهده شده است. روند طول دوره بدون یخبندان نیز در ایستگاه های ارومیه، جلفا، سراب و اهر افزایشی، درایستگاه میاندوآب ایستا ودرسه ایستگاه تبریز، مراغه و خوی کاهشی بوده است به طورکلی نتایج به دست آمده تفاوت معنی داری را که بیانگر تغییرات آب وهوایی منطقه باشد، نشان می دهد. بابائیان و همکاران (1386) به مدلسازی اقلیم ایران در دوره ی 2039-2010 برای چهل و سه ایستگاه سینوپتیک با استفاده از ریز مقیاس نمایی آماری خروجی مدل ECHO-G پرداختند. نتایج این تحقیق نشان داد که میانگین دما در دوره 2039-2010 میلادی بطور متوسط 5/0 درجه سانتیگراد در مقایسه با دوره آماری 2005- 1976 افزایش خواهدیافت که بیشتری افزایش ماهانه مربوط ماههای سرد سال به میزان 7/0 سانتیگراد خواهد بود و میزان بارش کل کشور هم به میزان 9% کاهش می یابد. شارات (Sharar, 1991) به تحلیل روند طول فصل رشد در آلاسکا پرداخت. این تحقیق روند طول فصل رشد و تاریخ اولین یخبندان پاییز و آخرین یخبندان بهار را در هشت ایستگاه هواشناسی بین سال های 1924 و 1989 را ارزیابی می کند. دو دمای حداقل صفر و سه درجه سانتی گراد بعنوان معیار برای مشخص شدن تاریخ هاییخبندان مورد استفاده قرار گرفتند. نتایج بیانگر روند افزایشی طول فصل رشد در سه ایستگاه که نتیجه رخداد یخبندان های زودتر دیررس بهاره می باشد. همچنین طول فصل رشد در سه ایستگاه (1970-1940) کوتاه تر شده است.

مواد و روش ها:

داده های مورد استفاده

در این مطالعه از آمار 12 ایستگاه هواشناسی سینوپتیک تهران، بندر عباس، شیراز، اصفهان، بوشهر، زاهدان، کرمان، کرمانشاه، تبریز، مشهد، گرگان و رشت با توجه به سه اصل تنوع اقلیمی (جدول 1)، پراکنش جغرافیایی مناسب  و وضعیت آماری (طول دوره و کامل بودن داده ها) استفاده شد. این داده ها شامل بارندگی، حداقل و حداکثردما در مقیاس روزانه در دوره آماری چهل و چهار ساله (2005 – 1961) می باشند.

استخراج شماره روز اولین یخبندان زودرس پاییزه و آخرین یخبندان دیررس بهاره:

شماره روز (شماره روز ژولیوسی که از اول ژانویه شروع می گردد) اولین یخبندان زودرس پاییزه مصادف با اولین شماره روزی که دمای حداقل، کوچکتر مساوی صفر می باشد که از اواخر شهریور به بعد اتفاق می افتد و آخرین یخبندان دیررس بهاره  مصادف با آخرین شماره روزی که دمای حداقل کوچکتر مساوی صفر می باشد، که از اوایل فروردین به بعد اتفاق می افتد.

ریز مقیاس نمایی مدل های گردش عمومی جو

مدلهای چرخش عمومی جو می تونند، اطلاعات جامعی پیرامون پاسخ جو به افزایش غلظت گازهای گلخانه ای فراهم کند. این مدل ها وابسته به زمان و دارای شبیه سازی های عددی سه بعدی شامل حرکات جوی تبادلات گرمایی و اندرکنش های یخ اقیانوس و خشکی است.

مدل مورد استفاده در این مطالعه HADCM3 است (جدول 2) که توسط مرکز تحقیقاتی انگلستان نوشته شده است

 

 

جدول 1- نوع اقلیم ایستگاه های منتخب در سیستم طبقه بندی اقلیمی دومارتن گسترش یافت

ایستگاه سینوپتیک

میانگین دما سالانه  0c

میانگین بارندگی  سالانه mm

نوع اقلیم

تهران

3/17

1/236

خشک بیابانی

بندر عباس

9/26

0/178

فراخشک

شیراز

7/17

1/328

نیمه خشک معتدل

اصفهان

0/16

7/120

خشک بیابانی

بوشهر

5/24

6/253

فراخشک

زاهدان

0/20

0/120

فراخشک بیابانی

کرمان

8/15

0/135

خشک بیابانی

کرمانشاه

0/14

0/456

نیمه خشک سرد

تبریز

2/12

0/310

نیمه خشک

مشهد

0/14

0/241

نیمه خشک

گرگان

9/17

0/550

مدیترانه ای

رشت

9/15

0/1359

خیلی مرطوب نوع الف

 

 

 

 

 

 

 

 

 

 

 

 

 

 

از ورودی های اصلی این مدلها میزان انتشارگازهای گلخانه ای (SRES) دراتمسفر کره زمین می باشدکه تحت سناریوهای مختلف انتشار، به مدل معرفی میگردد، که هر کدام وضعیت گازهای گلخانه ای را تا سال 2100 بر اساس فرض های مختلف برای وضعیت اقتصادی، اجتماعی و تغییرات رشد جمعیت کره زمین نشان می دهد. جدول 3 به معرفی دو سناریو مورد استفاده در این تحقیق، پرداخته است.


جدول 2- معرفی مدل HADCM3

مرجع

دوره های شبیه سازی شده

سناریو های انتشار

دقت مکانی

نام اختصاری مدل

مدل اقلیمی جهانی

(Gordon et al. 2000, Pope et al.

2000)

Bs*,2020s,

2055s, 2090s

A1B, A2, B1

2.5° x 3.75°

HADCM3

HadCM3

*Baselin

 

خروجی مدل های GCM دارای دقت مکانی و زمانی لازم برای مطالعات تغییر اقلیم منطقه ای نمی باشند. روش های مختلفی برای ریز مقیاس نمایی  وجود دارند که عبارتند از، روشهای دینامیکی (RCM) و روش های آماری(SDSM).در این مطالعه از روش های آماری مبتنی بر مولد داده های هواشناسی استفاده شد. اساس کار مولدها، برقراری همبستگی آماری بین متغیرهای اتمسفری بزرگ مقیاس و متغیرهای محلی می باشد که از مولد SDSM برای ریز مقیاس نمایی آماری استفاده گردید.

SDSM اولین ابزار از نوع خود است که بطور رایگانبه جامعه پهناور تأثیرات تغییر اقلیم، عرضه شده است.ریزمقیاس کردن آماری شامل بسط روابط کمی بین متغیرهای اتمسفری بزرگ مقیاس ومتغیرهای محلی می باشد. روش های ریز مقیاس نمایی ­سازی مبتنی بر رگرسیون، بر روابط تجربی بین متغیرهای وابسته در مقیاس محلی، و متغیر(های) پیش­بین در مقیاس منطقه­ای، تکیه دارند.

 

 

جدول3-  معرفی سناریو های انتشار گازهای گلخانه ای و فرض های بکار رفته در آنها و غلظت Co2) بر حسب پی پی ام) در دهه های مختلف (غلظت  Co2 برای سناریو پایه 334 پی پی ام) (IPCC, 2007a)

غلظت CO2  در دهه

فرض های کلیدی

سناریو

2090

2055

2020

 

538

 

 

 

492

 

410

 

جهانی قابل تحمل، تغییرات سریع در ساختارهای اقتصادی و غیر مادی که شامل افزایش سرمایه و نگرانی های زیست محیطی،یک مشارکت جهانی برای مسائل اجتماعی و محیط زیست وجود دارد و تلاش زیادی برای معرفی تکنولوژی پاک انجام می گردد، جمعیت به 7 بیلیون در سال 2100 می رسد.

B1

754

545

414

دنیای جدا شده، هویت فرهنگی در مناطق مختلف در حال جدا شدن است که موجب افزایش غیریکنواختی واحتمال کاهش همکاری های بین المللی می گردد. به کاهش خانواده ها  و سنت های محلی، رشد بالای جمعیت (83% در سال) در آن تاکید شده است. توجه کمتری به رشد اقتصادی (65/1% در سال) و ثروت مادی شده است.

A2

 

بیشتر مطالعات ریز مقیاس نمایی آماری درمقیاس نقطه ای (ایستگاهی) انجام شده و از متغیرهای اقلیمی چون بارش و درجه حرارت استفاده می شود. متغیرهای پیش بینی کننده شامل متغیرهایی مانند فشار متوسط سطح دریا، ارتفاع ژئوپتانسیل، فاکتورهای بادی، رطوبت مطلق و متغیرهای درجه حرارت هستند که با دقت مکانی 500-300 کیلومتر از GCM ها استخراج می گردد. با برقراری ارتباط آماری مناسب بین  متغیر های پیش بینی  کننده و پیش بینی شونده می توان به روابط مناسب جهت پیش بینی متغیرهای اقلیمی در آینده تحت ﺗﺄثیر پدیده تغییر اقلیم دست یافت:

                f(L) = R

 

در این رابطه R متغیر پیش بینی شونده (متغیر اقلیمی)، L متغیر پیش بینی کننده (یک متغیر اقلیمی بزرگ مقیاس) می‌باشد.

نتایج و بحث:

در مرحله اعتبار سنجی مدل نیز که به منظور بررسی دقت پیش بینی مدل، داده های دمای کمینه از سال 1991 تا 2001 بر اساس سناریو حاکم در سال های 1961 تا 1990 تولید شد و نتایج با مقادیر حقیقی مقایسه گردید. درحالیکه این نتایج نیز بیانگر دقت بالای مدل در اکثر ایستگاه های انتخابی بودند، در ایستگاه های مشهد و گرگان نتایج مدل دارای کم برآوردی، در ایستگاه های رشت و اصفهان بیش برآوردی و در ایستگاه های کرمان و کرمانشاه در برخی ماهها کم برآوردی و مابقی ماه ها بیش برآوردی بود.

 


جدول 4- مقایسه میانگین سالانه دمای کمینه طی دوره 1961 تا 1990 با دوره های پیش بینی شده سناریو های مختلف

ایستگاه              زمان  

1990-1961

2039-2020 سناریو a2

2039-2020 سناریو b2

تبریز

80/6

0/8

22/8

تهران

6/11

06/12

64/12

کرمان

38/7

30/7

24/7

کرمانشاه

4/22

67/23

94/23

اصفهان

45/9

63/9

67/9

شیراز

23/9

31/9

42/9

مشهد

73/6

70/6

70/6

زاهدان

80/9

85/9

84/9

بندرعباس

3/18

26/18

24/18

بوشهر

4/19

25/18

24/18

گرگان

7/12

0/13

9/12

رشت

1/11

07/13

02/13

 

 

همانطور که در جدول مشاهده می شود:

نتایج نشان می دهد در اقلیم آینده 2020 تا 2039 در ایستگاه بوشهر دمای کمینه تحت هر دو سناریو نسبت به دوره آماری مشاهده شده 1961 تا 1990 کاهش و در ایستگاه های مشهد، زاهدان، کرمان، اصفهان، شیراز و بندرعباس تفاوت قابل ملاحظه ای پیش بینی نمی شود. در مابقی ایستگاه ها تبریز، تهران، کرمانشاه و رشت نیز، افزایش دمای کمینه در دوره 2020 تا 2039 پیش بینی می گردد.


 

جدول 5- مقایسه میانگین شماره روز اولین یخبندان پاییزه طی دوره 1961 تا 1990 با دوره های پیش بینی شده سناریو های مختلف

ایستگاه              زمان  

1990-1961

2039-2020 سناریو a2

2039-2020 سناریو b2

تبریز

316

318

314

تهران

340

2/350

346

کرمان

306

285

276

کرمانشاه

310

333

344

اصفهان

322

318

319

شیراز

331

319

317

مشهد

303

8/290

0/301

زاهدان

316

7/294

8/292

بندرعباس

-

-

-

بوشهر

-

-

-

گرگان

360

2/344

7/345

رشت

345

6/349

5/341

 

 

نتایج جدول 5 نشان می دهد که شماره روز اولین یخبندان پاییزه پیش بینی شده در ایستگاه رشت، تبریز، اصفهان و مشهد تفاوت قابل ملاحظه ای نسبت به میانگین آن در دوره 1961 تا 1990 نخواهد داشت. این پارامتر برای کرمانشاه و تهران با افزایش قابل توجهی روبرو خواهد شد و در مابقی ایستگاه ها در مقایسه با دوره 1961 تا 1990 کاهش خواهد یافت.


 

جدول 6- مقایسه میانگین شماره روز آخرین یخبندان بهاره طی دوره 1961 تا 1990 با دوره های پیش بینی شده سناریو های مختلف

ایستگاه              زمان  

1990-1961

2039-2020 سناریو a2

2039-2020 سناریو b2

تبریز

92

82

1/89

تهران

75

70

72

کرمان

81

1/88

2/83

کرمانشاه

99

65

5/63

اصفهان

76

./79

3/78

شیراز

64

9/63

2/65

مشهد

86

3/94

5/87

زاهدان

67

6/61

7/65

بندرعباس

-

-

-

بوشهر

-

-

-

گرگان

62

2/54

2/57

رشت

89

6/56

7/55

 

 

نتایج جدول 6 نشان می دهد که شماره روز آخرین یخبندان بهاره پیش بینی شده در ایستگاه اصفهان، زاهدان، مشهد، شیراز و تهران تفاوت قابل ملاحظه ای نسبت به میانگین آن در دوره 1961 تا 1990 نخواهد داشت. این پارامتر برای کرمانشاه، رشت، گرگان، تبریز با کاهش روبرو خواهد شد. از آن جا که نتایج بیانگر افزایش دمای کمینه در ایستگاه های تبریز، تهران، کرمانشاه و رشت می باشد، کاهش طول دوره یخبندان در ایستگاه های تهران، تبریز، کرمانشاه و رشت مشاهده می گردد. در ایستگاه های کرمان، شیراز و مشهد افزایش طول دوره یخبندان به همراه ثابت ماندن دما پیش بینی می گردد و در ایستگاه های زاهدان و گرگان تفاوت قابل ملاحظه ای در طول این دوره دیده نمی شود. اسماعیلی و همکاران (1389)و  باباییان و همکاران (1391) به ارزیابی تغییرات طول فصل رشد و یخبندان ناشی از نوسانات اقلیمی مطالعه موردی استان خراسان رضوی پرداختند.

در هر دو این مطالعات نتایج حاکی از افزایش طول فصل رشد در ایستگاه های مشهد و سبزوار و کاهش در ایستگاه تربت حیدریه در دوره اقلیمی آینده است، این در حالی است که دما در هر سه این ایستگاه ها افزایش می یابد. در نهایت می توان گفت که چنین نتایج متناقض و متفاوتی در بین ایستگاه های مورد مطالعه در مطالعات قبیلی هم دیده شده است. بعنوان مثال عزیزی (1387) در تحقیقی که با هدف آشکار سازی تغییر اقلیم در غرب کشور انجام داد دریافت که میانگین روزانه در برخی ایستگاه ها دارای روند کاهشی و در برخی دیگر دارای روند افزایشی می باشد.


 

 

 

جدول 7- مقایسه میانگین سالانه فراوانی وقوع یخبندان در دوره 1961 تا 1990 و 2020 تا 2039 تحت سناریو های a2 و b2

ایستگاه              زمان  

1990-1961

2039-2020 سناریو a2

2039-2020 سناریو b2

تبریز

102

87

87

تهران

48

45

43

کرمان

89

80

83

کرمانشاه

14

12

12

اصفهان

68

60

58

شیراز

55

45

43

مشهد

92

85

88

زاهدان

54

47

49

بندرعباس

-

-

-

بوشهر

-

-

-

گرگان

15

11

10

رشت

27

12

12

 

 

افزایش مدت یخبندان در برخی از ایستگاه ها برخلاف انتظار می باشد. در نتیجه به تحلیل فراوانی و شدت یخبندان در دوره های 1961 تا 1990 و 2020 تا 2039 و مقایسه آن ها نیز پرداخته شده است.

نتایج فراوانی یا فرکانس یخبندان در تمامی ایستگاه ها بیانگر کاهش وقوع یا فراوانی آن در اقلیم 2020 تا 2039 نسبت به اقلیم دوره 1961 تا 1990 می باشد.

 

 

شکل 1- وقوع یخبندان ایستگاه اصفهان سناریو a2

 

شکل 2- وقوع یخبندان ایستگاه گرگان سناریوb2

 

 

برای تحلیل شدت یخبندان نیز از فراوانی دمای کمینه زیر دهک اول بعنوان یخبندان شدید و فراوانی دمای کمینه بالای دهک نهم بعنوان یخبندان ضعیف در طول دوره یخبندان استفاده می شود و میانگین سالانه فراوانی ها و مقدار دهک ها در دوره 1961 تا 1990 با دوره 2020 تا 2039 تحت هر دو سناریو مقایسه می گردد. نتایج بیانگر کاهش فراوانی وقوع دماهای کمینه کوچکتر از دهک اول یا همان وقوع یخبندان شدید است. در همه ایستگاه ها طبق جدول 8 می توان مشاهده کرد که از فراوانی یخبندان های کمتر از دهک اول کاسته می شود. در ایستگاه کرمانشاه نیز که تنها در دوره 1961 تا 1990 فقط در طی 5 سال دهک ها قابل محاسبه بودند اما در سناریو های این ایستگاه به دلیل کاهش دوره یخبندان این پارامتر قابل برآورد نبوده است.


 

 

جدول 8- مقایسه میانگین سالانه فراوانی وقوع یخبندان های کوچکتر از دهک اول در دوره 1961 تا 1990 و 2020 تا 2039 تحت سناریو های a2 و b2

ایستگاه              زمان  

1990-1961

2039-2020 سناریو a2

2039-2020 سناریو b2

تبریز

20

15

15

تهران

12

11

11

کرمان

19

16

15

کرمانشاه

-

-

-

اصفهان

17

13

12

شیراز

11

10

11

مشهد

14

15

16

زاهدان

14

12

12

بندرعباس

-

-

-

بوشهر

-

-

-

گرگان

11

6

7

رشت

11

9

10

در ایستگاه کرمانشاه محاسبه دهک ها به دلیل کاهش طول دوره یخبندان قابل محاسبه نبوده است

 

 

 

در جدول 9 همانطور که مشاهده می شود، در اکثر ایستگاه ها مورد مطالعه وقوع یخبندان های بزرگتر از دهک نهم نسبت به دوره 1961 تا 1990 افزایش خواهد یافت. جدول 10حاکی از افزایش دهک اول و دمای کمینه دهک نهم در آینده می باشد.

 

 

 

 

 

 

 

جدول 9 - مقایسه میانگین سالانه فراوانی وقوع یخبندان های بزرگتر از دهک نهم در دوره 1961 تا 1990 و 2020 تا 2039 تحت سناریو های a2 و b2

ایستگاه              زمان  

1990-1961

2039-2020 سناریو a2

2039-2020 سناریو b2

تبریز

17

15

14

تهران

10

13

12

کرمان

10

13

12

کرمانشاه

-

-

-

اصفهان

10

11

11

شیراز

11

11

10

مشهد

15

23

20

زاهدان

14

15

13

بندرعباس

-

-

-

بوشهر

-

-

-

گرگان

5

6

7

رشت

8

10

10

جدول 10 -مقایسه میانگین سالانه دمای کمینه دهک اول در دوره 1961 تا 1990 و 2020 تا 2039 تحت سناریو های a2 و b2

ایستگاه              زمان  

1990-1961

2039-2020 سناریو a2

2039-2020 سناریو b2

تبریز

10-

8-

8-

تهران

8-

5-

5-

کرمان

9-

8-

8-

کرمانشاه

-

-

-

اصفهان

5-

5-

5-

شیراز

6-

3-

4-

مشهد

8-

6-

5-

زاهدان

7/5-

6/5-

6/5-

بندرعباس

-

-

-

بوشهر

-

-

-

گرگان

4-

2-

2-

رشت

3-

0

0

 

جدول 11- مقایسه میانگین سالانه دمای کمینه دهک نهم در دوره 1961 تا 1990 و 2020 تا 2039 تحت سناریو های a2 و b2

ایستگاه              زمان  

1990-1961

2039-2020 سناریو a2

2039-2020 سناریو b2

تبریز

9/1

9/3

5/3

تهران

6

8

5/8

کرمان

6

8

7

کرمانشاه

-

-

-

اصفهان

2/7

8/6

7

شیراز

5

6

6

مشهد

8

6

7

زاهدان

4/9

3/9

2/9

بندرعباس

-

-

-

بوشهر

-

-

-

گرگان

6

8

8

رشت

7

10

9

 

 

نتیجه گیری:

نتایج از تجزیه و تحلیل تولید داده در سال های 1961 تا 1990 و مقایسه با مقادیر حقیقی نشاندهنده توانمندی خوب مدل در بیشتر ایستگاه های انتخابی بود. در حالیکه نتایج میانگین ماهانه دمای کمینه در مرحله کالیبراسیون در بیشتر ایستگاه ها با مقادیر واقعی تطبیق داشت اما مدل در ایستگاه رشت در تمام ماه ها دارای بیش برآوردی و در ایستگاه های کرمان و کرمانشاه در برخی ماه ها بیش برآوردی و در بقیه ماه ها کم برآوردی نسبت به مقادیر واقعی داشت. همچنین نتایج بیانگر ضعف هایی در انحراف معیار و چولگی آن است. . نتایج این تحقیق برای چشم انداز 2039-2020 نشان می دهد که دمای کمینه در اکثر ایستگاه های انتخابی افزایش و در مابقی ایستگاه ها تفاوتی نخواهد کرد. میانگین شماره روز آخرین یخبندان بهاره هم در ایستگاه های کرمانشاه، گرگان و رشت کاهش و در ایستگاه های اصفهان و زاهدان بدون تفاوت و در مابقی ایستگاه ها افزایش می یابد. میانگین شماره روز اولین یخبندان پاییزه در ایستگاه کرمانشاه افزایش، در ایستگاه رشت بدون تفاوت و در مابقی ایستگاه های مورد مطالعه کاهش خواهد یافت. با توجه به پیش بینی افزایش طول دوره یخبندان در اکثر ایستگاه های مورد مطالعه، فراوانی وقوع یخبندان در تمام ایستگاه ها در دوره 2020 تا 2039 در مقایسه با 1961 تا 1990کاهش خواهد یافت.همچنین نتایج بیانگر کاهش فراوانی وقوع دماهای کمینه کوچکتر از دهک اول یا یخبندان شدید و افزایش وقوع دماهای کمینه بزرگتر از دهک نهم  یا یخبندان ضعیف و افزایش دمای کمینه دهک اول و دهک نهم در ایستگاه های مورد مطالعه می باشد.

 

 

شکل 1- نمودار ستونی میانگین دما در دوره های مختلف در ایستگاه های مورد مطالعه

 

شکل 2-  نمودار ستونی میانگین شماره روز اولین یخبندان پاییزه در دوره های مختلف در ایستگاه های مورد مطالعه

 

 

                شکل 3- نمودار ستونی میانگین شماره روز آخرین یخبندان بهاره در دوره های مختلف در ایستگاه های مورد مطالعه

  1. Babaian. A, NajafiNik. Z, 1384, Assessment of climate change in the period 2010 to 2039 in Khorasan Razavi province with a small scale GCM output, repot of a project in climatology centre
  2. Samadi. Z, Mesbah bovani. A, Mahdavi. M, 1386, The effect of small scale the regression to the flood regime , Technical workshop on the impact of climate change on water resources management
  3. Varshavian. V, Ghahreman. N, Khalili. A, Hajam. S, 1386, The study of took place late spring frost, early winter, frost-free period and the number of frost days in order to reduce agricultural damage in some climatic zones in Iran, Agricultural research journal, No. 4 , page: 39-47
  4. Brooks C. E. P, Carrthers. N, 1953, Handbook of Statistical Methods in Meteorology, London
  5. Carter T. R, 1998, Changes in the Thermal Growing Season in Nordic countries During the Past Century and Prospects for the Future, Agric Food Sci. Finland 7, P. 161–179, 1996, Validation of the Stochastic Weather Generator Met&ROLL. MeteorogickeoZpravy, Vol. 49, pp. 12
  6. Johnson. G, L. Hanson C, L, Hardegree. S. P, Ballard. E. B, 1996, Stochastic Weather Simulation: overview and analysis of two commonly used models, J. Applied Meteorology, vol. 35, pp. 1878-1896
  7. Lettenmaier P, Wood E. F, Wallis. R, 1994, Hydro-climatological Trends in the Continental United States, 1948–1988, J. Climate, 7, P. 586–607
  8. Mateescu M, Haidu I, Veronica S, Tugui O, 2007, Recent Evolution of Some Agro climatic Indices in Transylvania, Climate change, Bulletin USAMV-CN, pp. 63 – 64
  9. Myneni R, B. Hall F, G. Sellers, P, J. Marshak, A ,L, 1995, The interpretation of spectral vegetation indexes. IEEE Trans, Geosci.Remote Sens. 33, P. 481–486
  10. Myneni R. C, Keeling C, D. Tucker C, J. Asrar G. Nemani R, R, 1997, Increased plant growth in the northern high latitudes from1981 to 1991, Nature 386, P. 698–702.
  11. Serrano A. Mateos V, L. Garcia J, A , 1999, TrendAnalysis of Monthly Precipitation Over the Iberian Peninsula for the Period 1921-1995, phys. Chem. EARTH(B),VOL. 24, NO. 1-2, P.85-90
  12. Semenov M.Barrow E, 1997, Use of A Stochastic Weather Generator in the Development of Climate Change Scenarios.Climatic Change, vol. 35, pp. 397–414
  13. Sharratt  B, S,. (1992). Growing Season Trends in the Alaskan Climate Record. ,ARCTIC.(vol. 45). (pp. 124-127)
  14. Scheifinger H. Menzel A ,2003, Trends of Spring Time Frost Events and Phenological Dates in Central Europe,Theoretical and Applied Climatology, vol. 74, pp.41–51
  15. Sen P, K ,1968, Estimates of the Regression Coefficient Based on Kendall's tau. Journal of the American Statistical Association, P. 1379-1389
  16. Takeuchi Z, X, Xu. K. Ishidaira H,.2003, Monitoring Trend Step Changes in Precipitation in Japanese Precipitation.Journal of hydrology, 279, P. 144-150.
  17. Turgay P. ErcanK , 2006, Trend Analysis in Turkish Precipitation data.Hydro-logical processes, Volume 20, Issue 9, p. 2011–2026