![سامانه نشر مجلات علمی دانشگاه تهران](./data/logo.png)
تعداد نشریات | 162 |
تعداد شمارهها | 6,579 |
تعداد مقالات | 71,072 |
تعداد مشاهده مقاله | 125,681,136 |
تعداد دریافت فایل اصل مقاله | 98,911,448 |
ارزیابی تغییرات دما و بارش جنوبشرق ایران با استفاده از ریزمقیاس نمایی خروجی مدلهای مختلف گردش عمومی جو در دورة 2011-2099 | ||
پژوهش های جغرافیای طبیعی | ||
مقاله 8، دوره 48، شماره 1، فروردین 1395، صفحه 107-123 اصل مقاله (1.77 M) | ||
نوع مقاله: مقاله کامل | ||
شناسه دیجیتال (DOI): 10.22059/jphgr.2016.57030 | ||
نویسندگان | ||
محسن حمیدیان پور1؛ محمد باعقیده* 2؛ مجسن عباس نیا3 | ||
1استادیار گروه اقلیمشناسی، دانشگاه سیستان و بلوچستان، زاهدان، ایران | ||
2استادیار گروه اقلیمشناسی، دانشگاه حکیم سبزواری، سبزوار، ایران | ||
3دانشجوی دکتری اقلیمشناسی، دانشگاه سیستان و بلوچستان، زاهدان، ایران | ||
چکیده | ||
در این پژوهش، با استفاده از مدل ریزمقیاس نمایی آماری LARS-WG5.1، تغییرات بارش و دمای ماهانه در جنوب شرق کشور بر اساس خروجی چهار مدل با سه سناریوی مشترک (A1B ، A2 و B1 )، پس از بررسی توانمندی مدل لارس در شبیهسازی اقلیم گذشته، همچنین با درنظرگرفتن عدم قطعیتها طی سه دورة زمانی آینده (2011-2030، 2046-2065 و 2080-2099) بررسی شد. یافتههای پژوهش نشان از افزایش دما بر اساس تمام مدل- سناریوها، طی دورههای آتی دارد، بهطوری که میزان این افزایش دما در ایستگاههای واقع در خشکی از ایستگاههای مناطق ساحلی بیشتر است. برعکس رفتار یکنواخت افزایشی در دما، تغییرات فصلی بارش در ایستگاههای مختلف بسیار نوسانی است. مقدار بارش طی فصول سرد سال در تمامی ایستگاهها روندی افزایشی دارد، در حالی که بارشهای بهاره روی ایستگاههای واقع در خشکی نسبت به نواحی ساحلی افزایش بیشتری خواهد داشت، بهطوری که در آینده میتوان انتظار افزایش وقوع سیلابهای بهاره را در این مناطق داشت. نتایج تحلیل عدم قطعیتها نیز نشان داد که بهترین عملکرد در شبیهسازی مقدار دمای ماهانه را مدل HADCH3 و ضعیفترین عملکرد در شبیهسازی مقدار بارش ماهانه را مدل INCM3 نسبت به سایر مدل- سناریوها دارد. | ||
کلیدواژهها | ||
تغییر اقلیم؛ جنوب شرق ایران؛ ریزمقیاس نمایی؛ گردش عمومی جو | ||
مراجع | ||
بابائیان، ا.؛ نجفینیک، ز. (1385). معرفی و ارزیابی مدل LARS-WG برای مدلسازی پارامترهای هواشناسی استان خراسان در دورة 1961تا 2003، مجلة نیوار، 62 و63، پاییز و زمستان: 49-69. بذرافشان، ج.؛ خلیلی، ع.؛ هورفر، ع.؛ ترابی، ص.؛ و حجام، س. (1388). بررسی و مقایسه عملکرد دو مدل LARS-WG و ClimGen در شبیهسازی متغیرهای هواشناسی در شرایط مختلف اقلیمی ایران، مجلة تحقیقات منابع آب ایران، 13: 44-57. سادات آشفته، پ.؛ مساحبوانی، ع. (1391). بررسی تأثیر عدم قطعیت مدلهای چرخة عمومی جو و اقیانوس و سناریوهای انتشار گازهای گلخانهای بر رواناب حوضة تحت تأثیر تغییر اقلیم؛ مطالعه موردی حوضة قرنقو، آذربایجان شرقی. مجلة تحقیقات منابع آب ایران، 2: 36-47. ضرغامی، م.؛ حسنزاده، ی.؛ بابائیان، ا.؛ کنعانی، ر. (1389). مطالعة تغییر اقلیم و آثار آن بر خشکسالی استان آذربایجان شرقی، مجموعه مقالات نخستین کنفرانس ملی پژوهشهای کاربردی منابع آب ایران، هیدرولوژی، هیدرولیک و جنبههای مختلف منابع آب ایران، شرکت آب منطقهای کرمانشاه، ص 163-172. عباسی، ف.؛ اثمری، م. (1390). پیشبینی و ارزیابی تغییرات دما و بارش ایران در دهههای آینده با الگوی MAGICC-SCENGEN، نشریة آب وخاک، 25(1): 70-83. مساح بوانی، ع.؛ مرید، س.؛ محمدزاده، م. (1385). بررسی عدم قطعیت در توزیع تجمعی احتمالاتی رواناب تحت تأثیر تغییر اقلیم. دومین کنفرانس منابع آب ایران، 3و4 بهمن، اصفهان. Abbasi, F.; Asmari, M. (2011). Forecasting and assessment of climate change over Iran during future decades using MAGICC-SCENGEN model. J Water and Soil25: 70-83. )In Persian).
An Assessment of the Intergovernmental Panel on Climate Change IPCC, Climate Change (2007). Synthesis Report.
Ashofteh, P.S.; Massah, A.R. (2012). Investigation of AOGCM Model Uncertainty and Emission Scenarios of Greenhouse Gases Impact on the Basin Runoff under Climate Change, Case study Gharanghu Basin, East Azerbaijan. Iran-Water Resources Research 2 (8): 36-47. )In Persian).
Babaeian, I.; Najafi Nik, Z. (2006). The introduction and evaluation of the LARS model for modeling the meteorological parameters of Khorasan Province in the period 1961–2003. J Nivar 62: 49–65. )In Persian).
Bazrafshan, J.; Khalili, A.; Hoorfar, A.; Torabi, S.; Hajjam, S. (2009). Comparison of the Performance of ClimGen and LARS-WG Models in Simulating the Weather Factors for Diverse Climates of Iran. Iran-Water Resources Research, 5 (1): 12-14. )In Persian).
Babaeian, I.; Kwon, W.T.; Im, E. (2004). Application of Weather Generator technique for climate change assessment over Korea. Korea Meteorological Research Institute, Climate Research lab.
Bae, D.H.; Jung, W.; Chang, H. (2008). Potential changes in Korean water resources estimated by high-resolution climate simulation. J. Clim Res, Vol. 35: 213-226.
Bardossy, A. (1997). Downscaling from GCMs to local climate through stochastic linkages. J Environ Manage, 49:7–17.
Barrow, E.; Hulme, M.; Semenov, M.A. (1996). Effect of using different methods in the construction of climate change scenarios: examples from Europe. Clim Res, 7:195–211.
Barrow, E.M.; Semenov, M.A. (1995). Climate change scenarios with high spatial and temporal resolution for agricultural applications. Forestry, 68:349–360.
Covey, C.; Achuta, K.M.; Cubasch, U.; Jones, P.; lambert, S.J.; Mann, M.E.; Phillipis, T.J.; Taylor, K.E. (2003). An overview of results from the Couplec Model Intercomparison Project. Global Planet. Change, 37: 103-133.
Darwin, R.; Kennedy, D. (2000). Economic effects of CO2 fertilization Of crops: transforming changes in yield into changes in supply. Environmental Modelingand Assessment 5, 3: 157–168.
Dibike, Y.B.; Coulibaly, P. (2005). Hydrologic impact of climate change in the Saguenay watershed: comparison of downscaling methods and hydrologic models, Journal of Hydrology, 307: 145–163. www.elsevier.com/locate/jhydrol.
Dubrovsky, M. (1996). Met&Roll: the stochastic generator of daily weather series for the crop growth model. Meteorological Bulletin, 49: 97-105.
Elmahdi, A.; Shahkarami, N.; Morid, S.; Massah Bavani, A.R. (2009). Assessing the impact of AOGCMs uncertainty on the risk of agricultural water demand caused by climate change. 18th World IMACS / MODSIM Congress, Cairns, Australia 13-17 July. http://mssanz.org.au/modsim09
Khan, M.S.; Coulibaly, P.; Dibike, Y. (2006). Uncertainty analysis of statistical downscaling methods. Journal of Hydrology 319: 357–382. www.elsevier.com/locate/jhydrol.
Massah Bevani, A.; Morid, S.; Mohammad Zadeh, M.; Godos, C. (2007). Uncertainty analysis in cumulative distribution probability of runoff under climate change. Isfahan University of Technology, Isfahan. Iran, 23 & 24 January: )In Persian).
Murphy, J. (1999). An evaluation of statistical and dynamical techniques for downscaling local climate. J Clim, 12: 2256–2284.
Nakicenovic, N.; Swart, R. (eds) (2000). Emissions scenarios. Special Report of the Intergovernmental Panel on Climate Change. Cambridge University Press, Cambridge.
Parrey, M.L.; Rosenzweig, C.; Iglesias, A.; Livermore, M.; Fischer, G. (2004). Effects of climate change on global food production under SRES emissions and socio-economic scenarios. Global Environmental Change 14: 53–67.
Racsko, P.; Szeidl, L.; Semenov, M. (1991). A serial approach to local stochastic weather models. Ecol Model, 57:27–41.
Reaney, S.M.; Fowler, J.H. (2008). Uncertainty estimation of climate change impacts on river flow incorporating stochastic downscaling and hydrological model parameterization error source. BHS 10th National Hydrology Symposium, Exeter.
Richardson, C.W. (1981). Stochastic simulation of daily precipitation, temperature, and solar radiation. Water Resour Res, 17:182–190.
Richardson, C.W.; Wright, D.A. (1984). WGEN: a model for generating daily weather variables: Agricultural Research Service ARS-8, US Department of Agriculture, Washington, DC.
Salon, S.; Cossarini, G.; Libralato, S.; Gao, X.; Solidoro, S.; Giorgi, F. (2008). Downscaling experiment for the Venice lagoon. I. Validation of the present-day precipitation climatology. Clim Res, 38: 31–41.
Semenov, M.A. (2009). Impacts of climate change on wheat in England and Wales. J. R. Soc. Interface, 6: 343–350.
Semenov M.A. (2008). Ability of a stochastic weather generator to reproduce extreme weather events, Climate Research, 35:203-212
Semenov, M.A. (2007). Development of high-resolution UKCIP02-based climate change scenarios in the UK. Agric For Meteorol, 144:127–138.
Semenov, M.A.; Brooks, R.J.; Barrow, E.M.; Richardson, C.W. (1998). Comparison of the WGEN and LARS-WG stochastic weather generators in divers climates. Climate Research, 10: 95-107.
Semenov, M.A.; Stratonovitch, P. (2010). Use of multi-model ensembles from global climate models for assessment of climate change impacts. Climate Research, 41(2) 1–14.
Trigo, R.M.; Palutikof, J.P. (2001). Precipitation scenarios over Iberia: a comparison between direct GCM output and different downscaling techniques. J Clim, 14: 4422–4446.
Wilby, R.L.; Wigley, T.M.L.; Conway, D.; Jones, P.D.; Hewiston, B.C.; Main, J.; Wilks, D.S. (1998). Statistical downscaling of general circulation model output: a comparison of methods. Water Resour Res, 34: 2995–3008.
Wilby, R.L.; Charles, S.P.; Zorita, E.; Timbal, B.; Whetton, P.; Mearns, L.O. (2004). Guidelines for Use of Climate Scenarios Developed from Statistical Downscaling Methods, IPCC Task Group on Data and Scenario Support for Impact and Climate Analysis.
Wilby, R.L.; Conway, D.; Jones, P.D (2002). Prospects for downscaling seasonal precipitation variability using conditioned weather generator parameters, hydrological processes: 1215-1234.
Wilby, R.L.; Dawson, C.W.; Barrow, E.M. (2001). SDSM Version 3.1–A decision support tool for the assessment of regional climate change impacts.
Wilks, D.S.; Wilby, R.L. (1999). The weather generation game: a review of stochastic weather models. Progress in Physical Geography, 23: 329-357.
Wilks, D.S. (1992). Adapting stochastic weather generation algorithms for climate change studies. Climate change, 22: 67-84.
Zarghami, M.; Hassanzadeh, Y.; Babaian, I.; Kanani, R. (2010). The study of climate change and its effects on the drought in East Azerbaijan province. Proceedings of the 1st Iranian National ConferenceonApplied ResearchesinWater Resources (INCRW), Technical University of Kermanshah, Iran, 11-13 May: 163-172. )In Persian). | ||
آمار تعداد مشاهده مقاله: 2,771 تعداد دریافت فایل اصل مقاله: 1,773 |