پیش نگری دوره های خشک و مرطوب متوالی در ایران مبتنی بر برونداد همادی مدل های تصحیح شده اریبی CMIP۶
محل انتشار: مجله فیزیک زمین و فضا، دوره: 47، شماره: 3
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 89
فایل این مقاله در 19 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JESPHYS-47-3_011
تاریخ نمایه سازی: 26 مهر 1402
چکیده مقاله:
تغییر اقلیم می تواند شدت و فراوانی رخدادهای فرین اقلیمی مرتبط با بارش را در آینده تغییر داده و فشار بیشتری بر دسترسی به منابع آب ایجاد کند. این مطالعه به پیشنگری بلند مدت روزهای خشک (CDD) و مرطوب (CWD) متوالی ایران پرداخته است. برای این منظور از دادههای بارش ۴۱ ایستگاه همدید کشور و برونداد بارش پنج مدل منتخبCMIP۶ شامل GFDL-ESM۴, IPSL-CM۶A-LR, MPI-ESM۱-۲-HR, MRI-ESM۲-۰, UKESM۱-۰-LL در دوره تاریخی (۲۰۱۴–۱۹۷۵) و دو دوره آینده (۲۰۶۰-۲۰۲۱ و ۲۱۰۰-۲۰۶۱) تحت سناریوهای مبتنی بر مسیرهای اجتماعی و اقتصادی (SSPs) استفاده شد. برای درستی سنجی برونداد بارش مدل های منتخب از سنجههای آماری r، RMSE، MBE و جدول توافقی مهارتی (ROC) استفاده شد؛ سپس روزهای خشک و مرطوب متوالی با استفاده از شاخصهای CDD و CWD کارگروه ETCCDI محاسبه شد. نتایج درستی سنجی مدل های منفرد نشان داد از بین پنج مدل CMIP۶، مدل IPSL-CM۶A-LR دارای بیشینه کم برآوردی و UKESM۱-۰-LL بیشینه بیش برآوردی برای بارش ایران است. پس از بررسی مهارت فردی مدلها یک مدل همادی با به کارگیری روش میانگین وزنی مستقل (IWM) ارائه شد. امتیاز مهارتی پس از ایجاد مدل همادی چندگانه (MME) بهبود قابل ملاحظهای یافت. نتایج این مطالعه شواهدی را ارائه میدهد که بیهنجاری دورههای خشک متوالی به عنوان یک نمایه استاندارد برای خشکسالیهای کوتاه مدت تحت شرایط تغییر اقلیم در ایران افزایشی است. بیشترین افزایش روزهای خشک متوالی در ایران با حداکثر ۴/۲۶ روز تحت سناریوی SSP۵-۸.۵ در دوره ۲۱۰۰-۲۰۶۱ در حوضههای آبخیز دریای خزر و دریاچه ارومیه خواهد بود.
کلیدواژه ها:
نویسندگان
Azar Zarrin
استادیار، گروه جغرافیا، دانشگاه فردوسی مشهد، مشهد، ایران
Abbas Ali Dadashi-Roudbari
پژوهشگر پسا دکتری، گروه جغرافیا، دانشگاه فردوسی مشهد، مشهد، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :