میز خدمت الکترونیک
دوره ویراستاری

  اخبار و اعلانات

 آمار

تعداد نشریات127
تعداد شماره‌ها7,120
تعداد مقالات76,548
تعداد مشاهده مقاله153,036,412
تعداد دریافت فایل اصل مقاله115,217,460
مهدوی نژاد, الهام, حسینی, سید زین العابدین, ملکی نژاد, حسین, رحیمیان, محمدحسن, اسدی, محمد امین. (1404). مقیاس کاهی داده‌های دمایی مدل گردش کلی CMIP6 به کمک داده‌های دمای سطح زمین (LST) سنجنده MODIS مطالعه موردی: استان یزد. , 57(2), 99-117. doi: 10.22059/jphgr.2025.389196.1007871
الهام مهدوی نژاد; سید زین العابدین حسینی; حسین ملکی نژاد; محمدحسن رحیمیان; محمد امین اسدی. "مقیاس کاهی داده‌های دمایی مدل گردش کلی CMIP6 به کمک داده‌های دمای سطح زمین (LST) سنجنده MODIS مطالعه موردی: استان یزد". , 57, 2, 1404, 99-117. doi: 10.22059/jphgr.2025.389196.1007871
مهدوی نژاد, الهام, حسینی, سید زین العابدین, ملکی نژاد, حسین, رحیمیان, محمدحسن, اسدی, محمد امین. (1404). 'مقیاس کاهی داده‌های دمایی مدل گردش کلی CMIP6 به کمک داده‌های دمای سطح زمین (LST) سنجنده MODIS مطالعه موردی: استان یزد', , 57(2), pp. 99-117. doi: 10.22059/jphgr.2025.389196.1007871
مهدوی نژاد, الهام, حسینی, سید زین العابدین, ملکی نژاد, حسین, رحیمیان, محمدحسن, اسدی, محمد امین. مقیاس کاهی داده‌های دمایی مدل گردش کلی CMIP6 به کمک داده‌های دمای سطح زمین (LST) سنجنده MODIS مطالعه موردی: استان یزد. , 1404; 57(2): 99-117. doi: 10.22059/jphgr.2025.389196.1007871

مقیاس کاهی داده‌های دمایی مدل گردش کلی CMIP6 به کمک داده‌های دمای سطح زمین (LST) سنجنده MODIS مطالعه موردی: استان یزد

پژوهش های جغرافیای طبیعی
دوره 57، شماره 2، مرداد 1404، صفحه 99-117    اصل مقاله (1.7 M)
نوع مقاله: مقاله کامل
شناسه دیجیتال (DOI): 10.22059/jphgr.2025.389196.1007871
نویسندگان
الهام مهدوی نژاد1؛ سید زین العابدین حسینی* 1؛ حسین ملکی نژاد1؛ محمدحسن رحیمیان2؛ محمد امین اسدی1
1گروه مرتع و آبخیزداری، دانشکده منابع طبیعی و کویرشناسی، دانشگاه یزد، یزد، ایران
2مرکز ملی تحقیقات شوری، سازمان تحقیقات، آموزش و ترویج کشاورزی، یزد، ایران
چکیده
در مطالعات تغییر اقلیم، مقیاس کاهی و تبدیل داده‌های مدل‌های گردش کلی (GCMs) از سلول‌های بزرگ‌مقیاس به واحدهای کوچک‌تر و یا نقطه‌ای بسیار حائز اهمیت است. در این پژوهش روشی برای مقیاس کاهی داده‌های بزرگ‌مقیاس دمای ماهانه مدل‌های گردش کلی CMIP6 ارائه گردیده است که در آن، از رابطه بین دمای هوای استان یزد با دمای سطح زمین (LST) به‌عنوان یکی از محصولات تصاویر سنجنده مودیس استفاده گردید تا داده‌های دمایی سه مدل گردش کلی TaiESM1، ACCESS-CM2 و CanESM5 با دقت‌های مکانی 105*118 کیلومترمربع، 138*175 کیلومترمربع و 310*270 کیلومترمربع را به نقشه‌های دمای ماهانه استان یزد با دقت مکانی 1*1 کیلومترمربع بهبود دهد. نتایج حاصله نشان داد که روش پیشنهادی برای مقیاس کاهی دما، کارآیی مناسب‌تری نسبت به روش‌های پیشین نظیر روش دلتا داشته و در مدل‌های مختلف گردش کلی با دقت‌های مکانی مختلف دارای کارایی‌های متفاوتی بوده است؛ به‌طوری‌که دقت این روش در مدل Can-ESM5 نسبت به مدل‌های Access-CM2 و Tai-ESM2 بیشتر بود. در ادامه، اقدام به شبیه‌سازی میانگین دمای ماهانه و سالانه استان یزد به کمک مدل‌های TaiESM1، ACCESS-CM2 و CanESM5 تحت سه سناریوی SSP1-2.6، SSP2-4.5 و SSP5-8.5 در دهه‌های آتی (2100-2015 میلادی) شد. بر اساس نتایج به‌دست‌آمده از محدوده مطالعاتی استان یزد، میانگین دمای سالانه دهه‌های آتی استان یزد دارای روند افزایشی بوده و این مدل‌ها افزایش دمای 15 تا 35 درصد (میانگین 22 درصد) نسبت به دوره پایه را پیش‌نگری می‌کند. در بین سه مدل گردش کلی مذکور، بیشترین افزایش دما توسط CanESM5 پیش‌نگری شده و در بین سه سناریوی SSP بیشترین افزایش دما توسط سناریوی SSP5-8.5 پیش‌نگری شده است.
کلیدواژه‌ها
تصاویر ماهواره‌ای؛ دمای سطح زمین؛ سناریوهای SSP؛ مدل گردش کلی جو و اقیانوس
مراجع
  1. ایرانشاهی، معین؛ ابراهیمی، بهروز؛ یوسفی، حسین و مریدی، علی. (1401). بررسی اثرات تغییر اقلیم بر وضعیت دما و بارش با استفاده از شبکه عصبی و گزارش ششم IPCC (مطالعه موردی: ایستگاه‌های الشتر و خرم‌آباد). مدیریت آب و آبیاری، 12(4)،
  2. 821-845. https://doi:10.22059/jwim.2022.346796.1009
  3. بابائیان، ایمان؛ کریمیان، مریم؛ مدیریان، راهله؛ فلامرزی، یاشار و کوهی، منصوره. (1400). پیش‌نگری بارش و دمای شرق کشور با استفاده از مقیاس کاهی ترکیبی دینامیکی-آماری. پژوهش‌های تغییرات آب و هوایی، 2(5)، 41-58. https://doi:10.30488/ccr.2020.252239.1026
  4. خزائی، محمدرضا؛ بایزیدی، مطلب و شرافتی، احمد. (1396). اثر تغییر اقلیم بر دما و بارش سالانه استان زنجان با بررسی عدم قطعیت‌ها. مجله اکو هیدرولوژی، 4(3)، 847-860. https://doi: 10.22059/ije.2017.62641
  5. دهقانی، مرتضی؛ کاویان، عطااله؛ حبیب نژاد، محمود؛ قربانی، محمد؛ جعفریان، زینب. (1400). ارزیابی عدم قطعیت مدل‌های  منطقه‌ای تغییر اقلیم و روش‌های تصحیح خطا و پیش‌بینی تغییرات اقلیمی شهرستان بیرجند. پ‍‍ژوهشنامه مدیریت حوزه  آبخیز، ۱۲ (۲۳)، ۵۳-۴۲. https://doi:10.52547/jwmr.12.23.42
  6. رحیمیان، محمدحسن؛ شایان نژاد، محمد؛ اسلامیان، سعید؛ جعفری، رضا؛  قیصری، مهدی و تقوائیان صالح. (1396).  ارزیابی روش‌های مختلف تعیین دمای پوشش گیاهی درختان پسته به کمک تصاویر ماهواره‌ای لندست 8. نشریه مهندسی فناوری اطلاعات مکانی، ۵ (۲)، ۷۹-۹۸. https://doi:10.29252/jgit.5.2.79
  7. شهیدی، علی؛ تاجبخش، سید محمد؛ خاشعی سیوکی، عباس؛ خزیمه نژاد، حسین و جعفرزاده، احمد. (1396). تحلیل عدم قطعیت  تغییرات متغیرهای اقلیمی بارش و دما تحت تأثیر تغییر اقلیم (مطالعه موردی: استان خراسان جنوبی). مجله اکوهیدرولوژی،  4(4)، 943-953. https:// doi: 10.22059/ije.2017.63204
  8. کاظمی قراچه، محمد؛ سلیمانی، بهنام؛ و فیضی زاده، بختیار (1399). ارزیابی انواع الگوریتم‌های پنجره مجزاء برای محاسبه دمای  سطح زمین جهت تعیین بهترین الگوریتم برای تصاویر سنجنده مودیس. نشریه سنجش‌ازدور و سامانه اطلاعات جغرافیایی  در منابع طبیعی، 11(2 (پیاپی 39))، 106-127. https:// doi: 10.30495/girs.2020.674659
  9. عبدالعلی‌زاده، فیروز؛ محمد خورشیددوست، علی و جهانبخش اصل، سعید. (1401). ارزیابی دقت مدل‌های CMIP6 برای  شبیه‌سازی دما و بارش حوضه آبریز دریاچه ارومیه. پژوهش‌های تغییرات آب و هوایی، 3(11)، 17-30.
  10. https:// doi: 10.30488/ccr.2022.361233.1093
  11. مهدوی نژاد، الهام؛ حسینی، سید زین‌العابدین؛ ملکی نژاد، حسین؛ رحیمیان, محمدحسن و اسدی، محمدامین (1403). ریزمقیاس نمایی داده‌های بارندگی مدل‌های اقلیمی CMIP6 توسط نقشه رقومی ارتفاع (مطالعه موردی: استان یزد). مهندسی اکوسیستم بیابان، 13(44)، 49-62. ‌ https:// doi: 10.22052/deej.2025.255109.1063
  12. Abdolalizadeh, F., Mohammad Khorshiddoost, A., & Jahanbakhsh Asl, S (2018). Evaluation of  the accuracy of CMIP6 models for simulating temperature and precipitation in the Urmia  Lake basin. Climate Change Research, 3(11), 17-30. https:// doi: 10.30488/ccr.2022.361233.1093. [in Persian]
  13. Bartkowiak, P., Castelli, M., & Notarnicola, C. (2019). Downscaling Land Surface Temperature from  MODIS Dataset with Random Forest Approach over Alpine Vegetated Areas. Remote  Sensing. 11(11):1319. https://doi.org/10.3390/rs11111319
  14. Babaiyan, I., Karimian, M., Modirian, R., Falamarzi, Y., & Kouhi, M. (2017). Forecasting precipitation and temperature in the east of the country using a combined dynamic-statistical
  15.  downscaling. Climate Change Research, 2(5), 41-58. https://doi:10.30488/ccr.2020.252239.1026. [in Persian]
  16. Benali, A., Carvalho, A.C., Nunes, J.P., Carvalhais, N., & Santos, A. (2012). Estimating air surface temperature in Portugal using MODIS LST data. Remote Sens. Environ, 124, 108–121. https:// doi: 10.1016/j.rse.2012.04.024.
  17. Blizer, A., Glickman, O., & Lensky, I.M. (2024). Comparing ML Methods for Downscaling Near-Surface Air Temperature over the Eastern Mediterranean. Remote Sensing. 16(8):1314. https://doi.org/10.3390/rs16081314
  18. Cristóbal, J., Jiménez-Muñoz, J. C., Sobrino, J. A., Ninyerola, M., & Pons, X. (2009).  Improvements in land surface temperature retrieval from the Landsat series thermal band  using water vapor and air temperature. J. Geo. Res, 114, 91-107. https://doi:10.1029/2008JD010616, 2009
  19. Dehghani, M., Kavian, A., Habibnejad, M., Ghorbani, M., & Jafarian, Z. (2021). An Assessment of Uncertainty of Regional Climate Change Models, Error Correction Methods and Forecasting  Climate Change in Birjand Township. J Watershed Manage Res. 12(23), 42-53. https://doi:10.52547/jwmr.12.23.42 [in Persian]
  20. Diaz, R.C. (2013). Evaluation of MODIS Land products for air temperature estimations in  Colombia. Agron. Colomb, 31(2), 223-233.
  21. Efron, B., & Tibshirani, V. (1993). An introduction to the bootstrap. Chapman and Hall, New York, 456 pp.
  22. Eghdamirad, S., Johnson, F., Woldemeskel, F., & Sharma, A. (2016). Quantifying the sources of  uncertainty in upper air climate variables. Journal of Geophysical Research: Atmospheres, 121(8), 3859-3874. https://doi 10.1002/2015JD024341
  23. Graham L. P., Andréasson, J., & Carlsson, B. (2007). Assessing climate change impacts on  hydrology from an ensemble of regional climate models, model scales and linking methods  – a case study on the Lule River basin, Climatic Change; 81:293–307. https://doi 10.1007/s10584-006-9215-2
  24. Iranshahi, M., Ebrahimi, B., Yousefi, H., & Moridi, A. (2022). Investigating the Effects of  Climate Change on Temperature and Precipitation Using Neural Network and CMIP6 (Case
  25.  Study: Aleshtar and Khorramabad Stations). Journal of Water and Irrigation Management,  12 (4), 821-845. https://doi: 10.22059/jwim.2022.346796.1009. [in Persian]
  26. James, G., Witten, D., Hastie, T. & Tibshirani, R. (2013). An Introduction to Statistical  Learning with Applications in R. Springer, New York.
  27. Jiménez-Muñoz, J. C., Sobrino, J. A., Skokovic, D., Mattar, C., & Cristóbal, J. (2014). Land  Surface Temperature Retrieval Methods From Landsat-8 Thermal Infrared Sensor Data.  IEEE.Geo. Rem. Sen. let. 11(10): 25-37. https://doi 10.1109/LGRS.2014.2312032
  28. Jiménez-Muñoz, J. C., Cristóbal, J., Sobrino, J. A., Sòria, G., Ninyerola, M., & Pons, X. (2009). Revision of the single-channel algorithm for land surface temperature retrieval from Landsat
  29.  thermal-infrared data. IEEE Trans. Geo. Rem. Sen, 47(1), 339-349. https://doi 10.1109/TGRS.2008.2007125
  30. Kalma J. D., McVicar T. R., & McCabe, M. F. (2008). Estimating land surface evaporation: A  review of methods using remotely sensed surface temperature data. J. Sur. Geo, 29(4/5),  421–469. https://doi 10.1007/s10712-008-9037-z
  31. Kazemi Garajeh, M., Salmani, B., & Feizizadeh, B. (2020). Evaluating the types of split  window algorithms for calculating the land surface temperature to determine the best algorithm for MODIS sensor images. journal of rs and gis for natural  resources (journal of applied rs and gis techniques in natural resource science), 11(2 (39)), 106-127. https:// doi: 10.30495/girs.2020.674659 [in Persian]
  32. Khazaei, M., Bayazidi, M., & Sherafati, A. (2017). The effect of climate change on annual  temperature and precipitation in Zanjan province with an examination of  uncertainties. Journal of Ecohydrology, 4(3), 847-860. https://doi: 10.22059/ije.2017.62641 [in Persian]
  33. Kustas, W. & Anderson, M. (2009). Advances in thermal infrared remote sensing for land surface modeling. J. Agri. For. Meteo, 149(12), 2071-2081. https:// doi: 10.1016/j.agrformet.2009.05.016
  34. Lima C.H.R., Kwon, H.H., & Kim, Y.T. (2021). A Bayesian Kriging model applied for spatial  downscaling of daily rainfall from GCMs, Journal of Hydrology, Volum 597, 0022- 1694. https:// doi: 10.1016/j.jhydrol.2021.126095
  35. Liu, J., Tang, H., Yan, F., Liu, S., Tang, X., Ding, Z., & Yu, P. (2023). Future variation of land surface temperature in the Yangtze River Basin based on CMIP6 model. International Journal of Digital Earth, 16(1), 2776–2796. https://doi.org/10.1080/17538947.2023.2239777.
  36. Mahdavinejad, E., Hosseini, S.Z., Malekinejad, H., Rahimian, M.H., & Asadi, M.A. (2014).  Downscaling of CMIP6 Rainfall Data Using Digital Elevation Model (Case Study: Yazd  Province). Desert Ecosystem Engineering, 13(44), 49-62. https:// doi: 10.22052/deej.2025.255109.1063 [in Persian]
  37. Mani, A., & Tsai, F.T. (2016). Ensemble Averaging Methods for Quantifying Uncertainty Sources in  Modeling Climate Change Impact on Runoff Projection. Journal of Hydrologic  Engineering. 1, 04016067. https:// doi: 10.1061/(ASCE)HE.1943-5584.0001487
  38. Moradi, M., & Salahi, B. (2023). The Comparison of MODIS Land Surface Temperature with  Meteorological Stations Measurements in Iran. Journal of the Earth and Space Physics,  48(4), 161-172. https:// doi: 10.22059/jesphys.2023.343651.1007433
  39. Moradi, M., & Darand, M. (2022). Spatiotemporal and physiographic relationship between  MODIS land surface temperature and air temperature over Iran. Clim Res, 87, 99-116. https://doi.org/10.3354/cr01686
  40. Naserikia M., Hart, M. A., Nazarian, N., Bechtel, B., Lipson, M., & Nice, K. A. (2023). Land surface  and air temperature dynamics: The role of urban form and seasonality. Science of The Total  Environment, 905 (167306), 0048-9697.. https:// doi.org/ 10.1016/j.scitotenv.2023.167306
  41. Rahimian, M. H., shayannejad, M., Eslamian, S., Jafari, R., Gheysari, M., & Taghvaeian, S. (2017).  Evaluation of different LST approaches for determination of pistachio tree canopy  temperature through Landsat 8 satellite data. Journal of Geospatial Informtion Technology, 5 (2),79-98. https://doi:10.29252/jgit.5.2.79 [in Persian]
  42. Peng, S., Ding, Y., Wen, Z., Chen, Y., Cao, Y., & Ren, J. (2017). “Spatiotemporal Change and  Trend Analysis of Potential Evapotranspiration Over the Loess Plateau of China During  2011–2100.” Agricultural and Forest Meteorology, 233, 183–194. https:// doi.org/10.1016/j.agrformet.2016.11.129
  43. Quattrochi, D. A. &  Luvall, J.C. (2004). Thermal Remote Sensing in Land Surface Processing . CRC Press, Boca Raton, FL, USA.
  44. Saskia (2019). How to normalize the RMSE. Retrieved June 18, 2021 from:  https://www.marinedatascience.co/blog/2019/01/07/normalizing-the-rmse/
  45. Shahidi, A., Tajbakhsh, S.M., Khashei-Siouki, A., Khazimenejhad, H., & Jafarzadeh, A.  (2017). Uncertainty analysis of changes in climatic variables of precipitation and  temperature under the influence of climate change (case study: South Khorasan Province).  Journal of Ecohydrology, 4(4), 943-953. https:// doi: 10.22059/ije.2017.63204 [in Persian]
  46. Semenov M.A., Brooks R.J., Barrow E.M., & Richardson C.W. (1998). Comparison of  WGEN and LARS-WG stochastic weather generators for diverse climates. Climate  Research 10, 95–107. https:// doi: 10.3354/cr010095
  47. Shui, J., Ren, J., Peng, S., & Zhan, X. (2019). A Dataset of 1 km-Spatial-Resolution Monthly  Mean Temperature and Monthly Precipitation in the Loess Plateau from 1901 to 2014. Science Data Bank. 4, 133–142. https:// doi: 10.1016/j.gloplacha.2015.05.011
آمار
تعداد مشاهده مقاله: 392
تعداد دریافت فایل اصل مقاله: 158





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب