فصل نامه جغراف ی ا ی طب ی ع ی، سال نهم، شماره43 ، زمستان9415 34 رس بر یغییرات ت دمای یای خزر دری سواحل جنوبی از سه مدلستفاده ا باLARSWG ، SDSM مدل شبکه عصبی مصنوعی و قاسمی فرلهام اشناسی هوای دکترا آب و دانشجوواره ماه ا یبیت مدرس،نشگاه تر ، دا تهران، ا ی رانجانی علیول بهلستاد آب ای مخل فضای تحلیر قطب علمی و مدیشناسی هوا وه خوارزمی،نشگاطی، داطرات محی ا تهران، ا ی رانحمد سلیقه م دانش ی ار آبه خوارزمی،نشگاطی، داطرات محیی مخال فضای تحلی عضو قطب علمیشناسی و هوا و تهران، ا ی راناریخ دریافت: ت32 / 2 / 9415 یخ پذیرش: تار94 / 4 / 9411 چکیدهمی کهغییرات اقلی تً عمدتانسانی د منشأ ا، پدیده ارد است که طی ای051 سال را تهدید اخیر بشر می کند. کی ازا ی سواحل دنی آس ی ب پذ ی رتر ی ن از این پدیدهستند که نقاطی ه به شدت دگرگون شده اند. پژوهشه سواحل جنوبییستگای حداقل و حداکثر برای پنج ات دماضر میزان تغییرا حاای خزر دریامسر، رشت، بابلسر انزلی، ر شامل و گرگانده ازستفا ا با را دو مدلLARS_WG, SDSM و پایهمی دوره اقلی مدل شبکه عصبی مصنوعی، طی یک0991 - 0990 و آیند ه9109 - 9101 ویز سه سناریده استفا ا باA2,B2 وB1 صل از این. نتایج حاار داده استسی قررد بر مورن داد نشا پژوهش دوره آماری دما طی0991 - 0990 داشته افزایش استیستگاه و هر پنج ارسی دستد بر مور دگرگونیل و خوش این تحو شده اند. اس بر اس نتایج مدلLARS_WG ، طی آینده دوره آماری، افزایش دما تا یک درجه سانتی گراد برای هم ه ی ماه هایستگاه و هر پنج اه شد تشخیص دادما مدل اSDSM وه ع برافزا ی ش دما طی دور ۀ آینده( ود یک در حد جه سانتی گراد بیشتر و گاهی) ، برایز کاهش دماکی ا حایستگاه ا ها در ماه ها ی آوریل، نوامبر می و. مدل شبکه عصبی مصنوعی بودند مدل همانSDSM ن داد نشا برای دمایستگاه ا ها ومه ه ی ماه ها به جز ماه های آوریل نوامبر ، می و افزایش داشت خواهد. مقا ی سه ی نتایج مدل هاشان ن داد که خطای مدلSDSM ( 10 / 1 تا19 / 1 درجه سانتی گراد) کمتر از مدل ها ی دیگر است، مدلLARS_WG بعد از مدلSDSM ه است را داشت کمترین خطا وپس مدل شبکه عصبی مصنوعی سار قر م ی گ ی رد. ین دو همچن آ ز مون ویلککف اسمیرنوف که بگرو کلمون و سو ه ترت یگین و میان برای بریانس دو وا مدل مشخص کرد گرفته شدی بکار سرSDSM مقادیرP ی سطح با معنی دار1015 دارد.یجه صحت محاسب در نت ه ه ا ی مدلSDSM است و با بیشتر اان طمین بیشتر ی می توان بهعتماد کرد.یج آن ا نتاژگان کل وا ی د ی: دما ی حداقل، دما ی حداکثر، مدل ها ی سازی،زمقیاس ریمیغییرات اقلی ت، سواحل جای خزر دری نوبی. ویسنده مسئول: ن11939413539 mail: [email protected]- E
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
34 9415 زمستان ،43 شماره ،نهم سال ،یعیطبی ایجغراف نامهفصل
سواحل جنوبی دریای خزر ییدما تغییرات یبررس
و مدل شبکه عصبی مصنوعیLARSWG، SDSM با استفاده از سه مدل
الهام قاسمی فر
رانیا ،تهران ، دانشگاه تربیت مدرس،یاماهوارهدانشجوی دکترا آب و هواشناسی
بهلول علیجانی
رانیا ،تهران اطرات محیطی، دانشگاه خوارزمی،و هواشناسی و مدیر قطب علمی تحلیل فضایی مخ استاد آب
محمد سلیقه
رانیا ،تهران و هواشناسی و عضو قطب علمی تحلیل فضایی مخاطرات محیطی، دانشگاه خوارزمی، آب اریدانش
94/4/9411 تاریخ پذیرش: 32/2/9415 تاریخ دریافت:
چکیدهاخیر بشر را تهدید سال 051ای است که طی ارد، پدیدهمنشأ انسانی د عمدتاتغییرات اقلیمی که
دگرگون شدتبهنقاطی هستند که از این پدیده نیرتریپذبیآسسواحل دنیا یکی از .کندمی
حاضر میزان تغییرات دمای حداقل و حداکثر برای پنج ایستگاه سواحل جنوبی پژوهش .اندشده
,LARS_WGمدل دورا با استفاده از و گرگانشامل انزلی، رشت، بابلسر، رامسر دریای خزر
SDSM 9109ه آیند و 0990-0991یک مدل شبکه عصبی مصنوعی، طی دوره اقلیمی پایه و-
مورد بررسی قرار داده است. نتایج حاصل از این B1و A2,B2با استفاده از سه سناریوی 9101
و هر پنج ایستگاه است افزایش داشته 0990-0991دما طی دوره آماری پژوهش نشان داد
طی ، LARS_WGمدل نتایج بر اساس .اندشدهخوش این تحول و دگرگونی مورد بررسی دست
و هر پنج ایستگاه هاماه یههمبرای گرادسانتییک درجه تا دما افزایش ،دوره آماری آینده
جه حدود یک در)آینده ۀدوردما طی شیبرافزاعالوه SDSMاما مدل تشخیص داده شد
می و نوامبر آوریل، یهاماهدر هاایستگاهحاکی از کاهش دما برای ،(و گاهی بیشتر گرادسانتی
هاماه یهمهو هاایستگاهدما برای نشان داد SDSMهمانند مدل بود. مدل شبکه عصبی مصنوعی
داد که نشان هامدلنتایج یسهیمقا .خواهد داشتافزایش ، می و نوامبرآوریل هایماه جزبه
مدل ،است دیگر یهامدلکمتر از ( گرادسانتیدرجه 19/1 تا 10/1) SDSMمدل خطای
LARS_WG بعد از مدلSDSM سپس مدل شبکه عصبی مصنوعی و کمترین خطا را داشته است
ب برای میانگین و یترته سون و کلموگروف اسمیرنوف که بویلکک مونزآهمچنین دو .ردیگیمقرار
1015 دارمعنیباالی سطح Pمقادیر SDSMسری بکار گرفته شد مشخص کرد مدل واریانس دو
توان به می یبیشتر طمینانبیشتر است و با ا SDSMمدل یاههدر نتیجه صحت محاسب دارد.
46 9415 زمستان ،43 شماره ،نهم سال ،یعیطبی ایجغراف نامهفصل
ی تفاوت دو میانگین دارمعنیبرای ترتیببه ویلکاکسون و کلموگروف اسمیرنوف که آزمونبا توجه به نتایج بدست آمده از دو
شود مشخص می برای میانگین سری مشاهداتی و شبیه سازی شده و همچنین واریانس دو سری باشدیها مدادهو تطبیق توزیع
اردمعنیباالتر از سطح P-Valueدارد و در همه موارد یترکنواختیمشابه و همچنین واریانس توزیع یهانیانگیم SDSMمدل
است. 1215
منبع نگارندگان(مدل )با شبیه سازی سه هاایستگاهمحاسبه شده برای یخطا :9جدول
منبع نگارندگان() ویسنارو دو ماهانه دمای حداقل انزلی در سه مدل راتییتغ :9شکل
منبع نگارندگان() ویسنارماهانه دمای حداقل گرگان در دو مدل و دو راتییتغ :7شکل
MAE RMSE ایستگاه مدل
max min max min
911 1352/1 1539/1 1491/1 1132/1 SDAM
911 9312/1 9535/1 9299/1 9213/1 LARS-WG انزلی
29/1 2335/1 36/1 265/1 436/1 ANN
911 14/1 1324/1 1319/1 1431/1 SDSM
911 395/1 9619/1 3655/1 3954/1 LARS-WG شتر
ANN
911 1935/1 1124/1 1952/1 1933/1 SDSM
911 9465/1 9924/1 913/1 9321/1 LARS-WG بابلسر
29/1 5112/1 4119/1 6131/1 1513/1 ANN
911 195/1 195/1 1961/1 1921/1 SDSM
911 9435/1 945/1 9531/1 9111/1 LARS-WG رامسر
ANN
911 195/1 1924/1 1393/1 1313/1 SDSM
911 9512/1 9119/1 9123/1 9349/1 LARS-WG گرگان
ANN
.... / الهام قاسمی فر و ... سواحل جنوبی دریای خزر ییتغییرات دما یبررس 42
منبع نگارندگان() ویسنارماهانه دمای حداکثر انزلی در سه مدل و دو راتییتغ :8شکل
ان(منبع نگارندگ) ویسنارماهانه دمای حداکثرگرگان در دو مدل و دو راتییتغ :9شکل
نتیجه گیری
در گرادسانتییک درجه باالی تاافزایش دمای حداقل و حداکثر یهدهندنشان LARS_WGبدست آمده از مدل تایج
عالوه بر افزایش دمای ،SDSMدر مورد مدل .باشدمی اوتمربوط به ماه هاماهدر بیشترین افزایش .ا بودههما بیشتر
نشان داد. هاایستگاههر پنج می و نوامبر برای آوریل، ،مارس هایماهکاهش دما را برای گرم سال، نتایج هایماههوا در
کند از متغیرهای بزرگ مقیاس جهت شبیه سازی خود استفاده می SDSMمدل شبکه عصبی مصنوعی نیز همانند مدل
در شبیه هامدلخطای رسی نشان داد.می و نوامبر در دو ایستگاه مورد بر که این مدل نیز کاهش دما را برای ماه آوریل،
یترنییپاخطای SDSMدر این بین مدل باشند.می هامدلهمچنین ضرایب تعیین به خوبی گویای عملکرد سازی و
است که ترکیبی از مدل رگرسیونی و پیوندیمدلی ،به ثبت رساند چرا که این مدل گراد( راسانتی درجه 11/1تا 19/1)
و تنها یک مدل مولد جوی مصنوعی است LARS_WGنشان کرد که مدل باید خاطر .باشدمیمولد مصنوعی جوی
و همچنین مدل شبکه را داشته باشد)گراد سانتی درجه 3/1تا 9/1 یکمتردرجه خطای SDSMتوانست بعد از مدل
و امترهای جوی داردعصبی مصنوعی نیز مدلی بسیار ضعیف طبقه بندی شد که نشان از ضعف مدل در شبیه سازی پار
در نتیجه مدل .قبلی داشته است یمدل ریز مقیاس سازدو را نسبت به (گرادسانتی درجه 2/1تا 3/1خطای باالیی )
SDSM، همانند مقایسه این پژوهش با سایر مطالعات مشابه .شودهای دما معرفی میشبیه ساز قوی داده به عنوان
41 9415 زمستان ،43 شماره ،نهم سال ،یعیطبی ایجغراف نامهفصل
که تغییرات اقلیم در ایران وغیره ( و9421 ، )عباسی و همکاران،(9411 و همکاران، )اشرف ،(9422 باباییان و همکاران،)
تطابق نتایج این مطالعه با نتایج کار پژوهشی آنان را نشان داد که مطابق با پیش ،خراسان را مورد بررسی قرار دادند
وهشگران در کاناداژنیز پ هامدلابی جهت ارزی مراکز اقلیمی جهان و هیئت بین الدول تغییر اقلیم است. یهاینیب
(Khan et al.2006)نشان دادند مدل (9413همکاران )و سبحانی و (3112همکاران ) ، لوپز وSDSM مدلی با خطای
است. به ویژه دما ن جهت شبیه سازی و ارزیابی اثرات تغییر اقلیمبسیار پایی
منابع
پیش بینی تغییرات فصلی پارامترهای اقلیمی در :(9411) ،کامران داوری و کمالیمحمدموسوی بایگی، غالمعلی ،بتول اشرف، -9موردی استان خراسان رضوی(، ه یمطالع) HADCM3مدل یهادادهآتی با استفاده ازریز مقیاس نمایی آماری سال 31 .135-156 :3شماره ،35علوم و صنایع کشاورزی(،خاک )آب و یهینشر
تغییر یابیارز :(9422) شراره ملبوسی، وزهرا نجفی بیک، فاطمه زابل عباسی، مجیدحبیبی نوخندان، حامد ادب ،مانیا باباییان، -3 ،ECHO-Gمدل گردش عمومی جو یهادادهبا استفاده از ریز مقیاس نمایی یالدیم 3191-3141 یهدوراقلیم کشور در
.945-953: 91شماره جغرافیا و توسعه، مجله در LARS-WG و SDSM یآمار یینما اسیزمقیر یالگوها ییکارا (:9413) ، مهدی اصالحی و ایمان بابائیان،، بسبحانی -4
-311 ،3 شمارة ،36 دورة ،یعیطب یایجغراف یهاپژوهش ه،یاروم اچةیدر زیآبر حوضة در یهواشناس یرهایمتغ یساز هیشب591.
-3141م زاگرس در دوره یر اقلییتغ یابیارز :(9421) ،مرتضی اثمریو مجید حبیبی نوخندان ، شراره ملبوسی،فاطمه عباسی، -3 اقلیم شناسی، یهاپژوهش هینشر ،ECHOGجو یمدل گردش عموم یهاداده ییاس نمایز مقیبا استفاده از ر یالدیم 3191 .4-31 :3-9شماره اول، سال
علوم و فنون هینشر بر جریان رودخانه زاینده رود اصفهان،تغییر اقلیم اثرات :(9423، )علیرضا مریدو رضایعل مساح بوانی، -5 .96-36 :3شماره نهم، سال ع طبیعی،کشاورزی و مناب
6- Abbasnia, M. Tavousi, T. Khosravi, M. (2016): Assessment of Future Changes in The
Maximum Temperature at Selected Stations in Iran Based on HADCM3 and CGCM3
Models, Asia-Pac. J. Atmos. Sci. 52(4), 371-377, DOI:10.1007/s13143-016-0006-z.
7- Abbasnia, M. Toros, H. (2016): Future Changes in Maximum Temperature Using The
Statistical Downscaling Model (SDSM) At Selected Stations of Iran, Model. Earth Syst.
Environ. (2016) 2:68 DOI 10.1007/s40808-016-0112-Z.
8- Cheema, S, B. Rasul, Gh. Ali, G. Kazmi, D.H. (2012): A Comparison of Minimum
Temperature Trends With Model Projections, Pakistan Journal of Meteorology,Vol. 8,
Issue15,pp.39-52.
9- Chu, J. T. Xia, J. Xu, C. Y. Singh, V. P. (2010): Statistical Downscaling of Daily Mean
Temperature, Pan Evaporation and Precipitation for Climate Change Scenarios in Haihe
River, China, Theor Appl Climatol,Vol.99, Issue1-2, pp.149-161.
11- Dorji, S. Herath, S. Mishra, B. K. (2017): Future Climate of Colombo Downscaled With
.... / الهام قاسمی فر و ... سواحل جنوبی دریای خزر ییتغییرات دما یبررس 31
12- Gagnon, S. Singh, B. Rousselle, J. Roy, L. (2005): An Application of The Statistical Down
Scaling Model (SDSM) to Simulate Climatic Data for Stream Flow Modelling in Québec,
Canadian Water Resources Journal,Vol. 30, No.4, pp.297-314.
13- Goodarzi, E. Dastorani, M. Massah Bavani, A. Talebi, A. (2015): Evaluation of The
Change-Factor and LARS-WG Methods of Downscaling for Simulation of Climatic
Variables in The Future (Case study: Herat Azam Watershed, Yazd - Iran), Ecopersia, 3 (1),
833-846. 14- Horton, E. B. (1995): Geographical Distribution of Changes in Maximum and Minimum
Temperatures, Atmospheric Research, Vol.37, pp.102-117. 15- IPCC Report, Climate Change. (2007): Synthesis Report. 16- Karl, T. R. Kukla, G. Razuvayev, V. N. Changery, M. J. Quayle, R. G. Heim, R.R.
Easterling, D. R. Cong Bin Fu. (1991): Global Warming: Evidence for Asymmetric Diurnal
Temperature Change, Geophysical Research Letters, Vol.18, Issue 12, pp. 2253-2256.
17- Khadka, D. Pathak, D. (2016): Climate Change Projection for The Marsyangdi River Basin,
Nepal Using Statistical Downscaling of GCM and Its Implications in Geodisasters,
Geoenvironmental Disasters 3:15, DOI 10.1186/s40677-016-0050-0.
18- Khan, M.S. Coulibaly, P. Dibike, Y. (2006): Uncertainty Analysis of Statistical
Downscaling Methods, Journal of Hydrology, Vol. 319, pp.357-382.
19- Lapp, S. Sauchyn, D. Wheaton, E. (2008): Future Climate Change Scenarios for The South
Saskatchewan River Basin, pp.1-86. 20- Lüthi, D. Floch, M. L. Bereiter, B. Blunier, Th. Barnola, J.M. Siegenthaler, U. Raynaud, D.
Jouzel, J. Fischer, H. Kawamura, K. Stocker, Th. F. (2008): High-Resolution Carbon
Dioxide Concentration Record 650,000-800,000 Years Before Present, Nature, Vol. 453, No.
7193, pp.379-382. 21- Lines, G. S. Pancura, M. Lander, CH. (2006): Building Climate Change Scenarios of
Temperature and Precipitation in Atlantic Canada Using The Statistical Downscaling Model
(SDSM), Meteorological Service of Canada, Atlantic Region, Science Report Series 2005-9,
pp.1-41.
22- Liu, P. Xu, Z. Li, X. (2016): Projection of Climate Change Scenarios in Different
Temperature Zones in The Eastern Monsoon Region, China, Water 2017, 9, 305;
Doi:10.3390/w9050305.
23- Lopes, P.G. Aguiar, R. Casimiro, E. (2008): Assessment of Climate Change Statistical
Downscaling Methods, Application and Comparison of Two Statistical Methods to a Single
site in Lisbon.
24- Mekonnen, D. F. Disse, M. (2016):Analyzing The Future Climate Change of Upper Blue
Nile River Basin (UBNRB) Using Statistical Down Scaling Techniques, Hydrol. Earth Syst.
Sci. Discuss. Doi: 10.5194/hess-2016-543, 2016. 25- Morid,S. Massah Bavani, A. R. (2005): Impact of Climate Change on The Water Resources
of Zayandeh Rud Basin, Journal of Sciences and Technology of Agriculture and Natural
Resources, Water and soil Science, Vol. 9, No.4, pp.17-27.
26- Mahmood, R. Babel, M. (2014): Future Changes in Extreme Temperature Events Using The
Statistical Downscaling Model (SDSM) in The Trans-Boundary Region of The Jhelum River
Basin, Weather and Climate Extremes 5-6 (2014) 56–66.
27- Mulugeta Bekele, H. (2009): Evaluation of Climate Change Impact on Upper Blue Nile
Basin Reservoirs (Case Study on Gilgel Abay Reservoir, Ethiopia), A Thesis Submitted in
Partial Fulfillment of The Requirements for the Degree of Masters of Science in Hydraulics
and Hydropower Engineering of Arba-Minch University, Supervisor, Dr. Ing Seleshi Bekele,
Arba-Minch University School of Post Graduate Studies, pp.1-109. 28- Mutasa, C. (2011): Impact of Climate Change on Ground Water Resources: A Case Study
of The Sardon Catchment, Spain، Thesis Submit for The Degree of Master of Science in Geo
Information Science and Earth Observation, Supervisors, Dr. Ir. M. W Lubczynski and Dr.
Ir. C. Van Der Tol, University of Twente, pp.1-65.
39 9415 زمستان ،43 شماره ،نهم سال ،یعیطبی ایجغراف نامهفصل
29- Rosenzweig, C. Karoly, D. Vicarelli, M. Neofotis, P. Wu, Q. Casassa, G. Menzel, A. Root,
T. L. Estrella, N. Seguin, B. Tryjanowski, P. Liu, CH. Rawlins, S. Imeson, A. (2008):
Attributing Physical and Biological Impacts to Anthropogenic Climate Change, Nature, Vol.
453, pp.353-358.
30- Sayad, T. A. Ali, A. M. Kamel, A. M. (2016): Study The Impact of Climate Change on
Maximum and Minimum Temperature Over Alexandria, Egypt Using Dtatisrtical
Downscaling Model (SDSM), Global Journal of Advanced Research, 3, 8, 694-712. 31- Souvignet, M. Gaese, H. Ribbe, L. Kretschmer, N. Oyarzún, R. (2010): Statistical
Downscaling of Precipitation and Temperature in North‐Central Chile: An Assessment of
Possible Climate Change Impacts in an Arid Andean Watershed, Hydrol. Sci. J. 55(1), 41–
57.
32- Semenov, M. A. (2002): LARS-WG A Stochastic Weather Generator for Use in Climate
Impact Studies Developed by Mikhail A. Semenov. Version 3.0, User Manual.
33- Task Group on Scenarios for Climate Impact Assessment Intergovernmental Panel on
Climate Change, June (2007): General Guidelines on The Use of Scenario Data for Climate
Impact and Adaptation Assessment, Version 2. 34- U. S. Climate Change Science Program, Synthesis and Assessment Product 3/1. July (2008):
Climate Models an Assessment of Strenghts and Limitations. 35- Wilby, R.L. Dawson, C. W. Barrow, E. M. (2001): Sdsm — A Decision Support Tool for
The Assessment of Regional Climate Change impacts, Environmental Modelling &
Software,Vol.17,pp.147-159. 36- Wetterhal, F. Bardossy, A. Chen, D. Halldin, S. Yu Xu, CH. (2006): Daily Precipitation-
Downscaling Techniques in Three Chinese Regions, Water Resources Research, Vol. 42, W
11423, 13 pp. 37- Wilby, R. L. Dawson, C. W. (2007): SDSM 4.2 — A Decision Support Tool for The
Assessment of Regional Climate Change Impacts, User Manual.