سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات162
تعداد شماره‌ها6,579
تعداد مقالات71,071
تعداد مشاهده مقاله125,680,352
تعداد دریافت فایل اصل مقاله98,910,935
روشنی, ادیب, حمیدی, مهدی. (1400). پیش‌بینی اثرات سناریوهای تغییر اقلیم بر دما و بارش بر اساس مدل‌های CMIP6 (مطالعه موردی: ایستگاه ساری). , 11(4), 781-795. doi: 10.22059/jwim.2022.330603.920
ادیب روشنی; مهدی حمیدی. "پیش‌بینی اثرات سناریوهای تغییر اقلیم بر دما و بارش بر اساس مدل‌های CMIP6 (مطالعه موردی: ایستگاه ساری)". , 11, 4, 1400, 781-795. doi: 10.22059/jwim.2022.330603.920
روشنی, ادیب, حمیدی, مهدی. (1400). 'پیش‌بینی اثرات سناریوهای تغییر اقلیم بر دما و بارش بر اساس مدل‌های CMIP6 (مطالعه موردی: ایستگاه ساری)', , 11(4), pp. 781-795. doi: 10.22059/jwim.2022.330603.920
روشنی, ادیب, حمیدی, مهدی. پیش‌بینی اثرات سناریوهای تغییر اقلیم بر دما و بارش بر اساس مدل‌های CMIP6 (مطالعه موردی: ایستگاه ساری). , 1400; 11(4): 781-795. doi: 10.22059/jwim.2022.330603.920

پیش‌بینی اثرات سناریوهای تغییر اقلیم بر دما و بارش بر اساس مدل‌های CMIP6 (مطالعه موردی: ایستگاه ساری)

مدیریت آب و آبیاری
دوره 11، شماره 4، بهمن 1400، صفحه 781-795    اصل مقاله (880.52 K)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22059/jwim.2022.330603.920
نویسندگان
ادیب روشنی1؛ مهدی حمیدی* 2
1دانشجوی کارشناسی ارشد، گروه آب و سازه‌های هیدرولیکی، دانشکده مهندسی عمران، دانشگاه صنعتی نوشیروانی بابل، بابل، ایران.
2دانشیار، گروه آب و سازه‌های هیدرولیکی، دانشکده مهندسی عمران، دانشگاه صنعتی نوشیروانی بابل، بابل، ایران.
چکیده
تغییرات اقلیمی بر تمامی فرآیندهای محیط‌زیستی و جامعه تأثیرگذار است. در این مطالعه سه مدل ACCESS-CM2، HadGEM3-GC31-LL و NESM3 از مجموعه مدل‌های برونداد اقلیمی سری ششم (CMIP6) صحت‌سنجی شده و از مناسب‌ترین مدل (ACCESS-CM2) با استفاده از جدیدترین سناریوهای انتشار که به اسم خط سیر اجتماعی-اقتصادی (SSP) نام گذاری شده است، به شبیه‌سازی پارامترهای آب و هوایی ایستگاه ساری پرداخته شد. برای ریزمقیاس سازی از مدل LARS-WG6 استفاده شد و دو سناریو انتشار SSP2-4.5 و SSP5-8.5‌، برای دو دوره زمانی (2060-2041) و (2100-2081) بکار گرفته شد. در ادامه از آزمون‌های آماری F-test، t-student، Kolomogrov-Smirnov، ضریب تعیین (R2 ) و ریشه میانگین مربعات خطا (RMSE)، جهت صحت‌سنجی مدل LARS-WG بهره گرفته شد و نتایج حاصل از صحت‌سنجی نشان از کارایی مناسب مدل دارد. همچنین با بکار بردن آزمون من-کندال و شیب سن روند پارامترهای مشاهداتی اقلیمی مشخص شد. نتایج به طور کلی نشان داد که میانگین تغییرات دما از 16/1 تا 09/4 درجه سانتی‌گراد افزایش خواهد یافت و میانگین مقدار بارش سالانه نیز در حدود 24 درصد تا 36 درصد افزایش می‌یابد. نتایج آزمون شیب سن برای دمای حداکثر و حداقل نشان دهنده صعودی بودن روند این پارامتر دارد و برای بارش روند مذکور نزولی است. تغییرات بلند مدت آب و هوایی یکی از عناصر تاثیر گذار بر منابع آب‌های زیرزمینی و سطحی می‌باشد، که ضروری است برای حفظ زیست‌بوم و سازگاری انسان با تغییر اقلیم، توسعه استراتژی‌های مدیریتی مناسب برای آینده در نظر گرفته شود.
کلیدواژه‌ها
ریزمقیاس‌سازی؛ سناریوی انتشار؛ LARS-WG؛ SSP
مراجع
  1. Ansarifar, M. M., Salarijazi, M., Ghorbani, KH., & Kaboli, A.R. (2019). Simulation of groundwater level in a coastal aquifer. Marine Georesources and Geotechnology, 38(3), 257-265.
  2. Bagherpour, M., Seyed, M., Fathabadi, A., & Mohamadi, A. (2017). Study of Mann-Kendall Test Performance in Detecting the Series of Autocorrelation. Journal of Watershed Management Science, 11(36), 11-21. (In Persian).
  3. Carneiro, J. F., Boughriba, M., Correia, A., Zarhloule, Y., Rimi, A., & Houadi, B. E. (2010). Evaluation of climate change effects in a coastal aquifer in Morocco using a density-dependent numerical model. Environmental Earth Sciences, 61(1), 241-252.
  4. Goodarzi, E., Massah Bavani, A., Dastorani, M., & Talebi, A. (2014). Evaluating effect of downscaling methods; change-factor and LARS-WG on surface runoff (A case study of Azam-Harat River basin, Iran). Desert, 19(2), 99-109.
  5. Gupta, V., Singh, V., & Jain, M.K. (2020). Assessment of precipitation extremes in India during the 21st century under SSP1-1.9 mitigation scenarios of CMIP6 GCMs. Journal of Hydrology, 590(1), 125422.
  6. Hajjarpour, A., Yousefi, M., & Kamkar, B. (2014). Precision test of simulators LARS-WG WeatherMan and CLIMGEN in three different climates simulated (Gorgan, Gonbad & Mashhad). Geography and Development, 12(35), 201-216. (In Persian).
  7. Hamidi, M., & Sabbagh-Yazdi, S. R. (2008) Modeling of 2D density-dependent flow and transport in porous media using finite volume method. Computers and Fluids, 37(8), 1047-1055.
  8. Hamidi, M., Reza, S., & Yazdi, S. (2006). Numerical modeling of seawater intrusion in coastal aquifer using finite volume unstructured mesh method. WSEAS Transactions on Mathematics, 5(6), 648.
  9. Maddah, H.A. (2016). Modeling the Relation between Carbon Dioxide Emissions and Sea Level Rise for the Determination of Future (2100) Sea Level. American Journal of Environmental Engineering, 6(2), 52-61.
  10. Majumder, M., & Roy, U. (2016) Vulnerability of Watersheds to Climate Change Assessed by Neural Network and Analytical Hierarchy Process (1th ed.). Singapore: Springer
  11. Mann, H. B. (1945). Nonparametric Tests Against Trend. Econometrica, 13(3), 245-259.
  12. Mao, X., Enot, P., Barry, D.A., Li, L., Binley, A., & Jeng, D. Sh. (2006). Tidal Influence on Behaviour of a Coastal Aquifer Adjacent to a Low-Relief Estuary. Journal of Hydrology, 327(1–2), 110-127.
  13. Mekonnen, D. F., & Disse, M. (2018). Analyzing the future climate change of Upper Blue Nile River basin using statistical downscaling techniques. Hydrology and Earth System Sciences, 22(4), 2391-2408.
  14. Murphy, J. (1998). An Evaluation of Statistical and Dynamical Techniques for Downscaling Local Climate. Journal of Climate, 12(8), 2256–2284.
  15. Nasiri, M., Hamidi, M., & Kardan Moghadam, H. (2019). Evaluating the effect of supplying drinking water and agriculture water of Sari-Neka aquifer on the salinity movement with the utilization of Gelvard dam. Journal of Water and Soil Resources Conservation, 9(2), 71-88. (In Persian).
  16. Nasiri, M., Kardan Moghadam, H., & M., Hamidi. (2020). A hybrid approach with SWARA and COPRAS methods in ranking management strategies to control seawater intrusion in coastal aquifers. Water and Irrigation Management, 10(3) 365-379. (In Persian).
  17. O’Neill, B., Kriegler, E., Ebi, K., Kemp-Benedict, E., Riahi, K., Rothman, D., Van Ruijven, B., Van Vuuren, D., Birkmann, J., Kok, K., Levy., & Solecki, W. (2017). The roads ahead: Narratives for shared socioeconomic pathways describing world futures in the 21st century. Global Environmental Change, 42(1), 169-180.
  18. Priestley, M. D., Ackerley, D. Catto, J. L., Hodges, K. I., McDonald, R. E., & Lee, R. W. (2020). An Overview of the Extratropical Storm Tracks in CMIP6 Historical Simulations. Journal of Climate, 33(15), 6315-6343.
  19. Ramezanipour, M. (2018). Predicting climate change for three decades case study: Maz&aran. Physical Geography Quarterly, 11(39), 115-130. (In Persian).
  20. Rasouli, A. A., Rezaeibanafsheh, M., Msah Bovany, AR., Khorshiddoust, A. M., & Qermzcheshmeh, B. (2014). Investigation Impact of Morpho-Climatic Parameters on Aaccuracy of LARS-WG Model. Journal of Science and Watershed Engineering, 8(24), 9-18. (In Persian).
  21. Razack, M., Jallidin, M., & Houmed-Gaba, A. (2019). Simulation of Climate Change Impact on A Coastal Aquifer under Arid Climate. The Tadjourah Aquifer (Republic of Djibouti, Horn of Africa). Water, 11(11), 2347.
  22. Salehnia, N. (2016). Developing a drought monitoring and predicting system under climate change scenarios by a combination of meteorological, gridded data set and numerical model outputs in the Kashafrood Basin. Ph. D. dissertation, University of Ferdowsi, Mashhad (In Persian).
  23. Semenov, M. A., & Barrow, E. M. (1997). Use of a stochastic weather generator in the development of climate change scenarios. Climatic Change, 34(1), 397-414.
  24. Shagega, F. P., Munishi, S. E., & Kongo, V. M. (2020). Assessment of potential impacts of climate change on water resources in Ngerengere catchment, Tanzania. Physics and Chemistry of the Earth, 116(1),
  25. Su, Buda., Huang, J., Mondal, S. K., Zhai, J., Wang, Yanjun., Wen, Shanshan., Gao, Miaoni., Yanran, Lv., Jiang, Shan., Jiang, Tong., & Aiwei, L. (2020). Insight from CMIP6 SSP-RCP scenarios for future drought characteristics in china. Atmospheric Research, 250(1)
  26. Su-Yuan, L., Li-Juan, M., Zhi-Hong, J., Guo-Jie, W., Raj, G. K., Jing, ZH., Hui, ZH., Ke, F., Yu, H., & Chun, L. (2020). Projected drought conditions in Northwest China with CMIP6 models under combined SSPs and RCPs for 2015-2099. Advances in Climate Change Research, 11(3), 210-217
  27. Tam, V. T., Batelaan, O., & Beyen, I. (2016). Impact assessment of climate change on a coastal groundwater system, Central Vietnam. Environmental Earth Sciences, 75(1), 908.
  28. Tayebiyan, A., Mohammad, T. A., Malakotian, M., Nasiri, A., Heidari, M. A., & Yazdanpanah, Gh. (2019). Potential impact of global warming on river runoff coming to Jor reservoir, Malaysia by integration of LARS-WG with artificial neural network. Environmental Health Engineering and Management Journal, 6(2), 130-149.
  29. Zoheyri, Z., ghazavi, R., omidvar, E., & Davudirad, A. (2020). Comparison of LARS-WG and SDSM Downscaling Models for Prediction Temperature and Precipitation Changes under RCP Scenarios. Arid Regions Geographic. Arid Regions Geographic Studies, 10(40), 39-52. (In Persian).
آمار
تعداد مشاهده مقاله: 2,760
تعداد دریافت فایل اصل مقاله: 1,676





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب