بررسی هم‌زمان عدم قطعیت های نوسانات اقلیمی و سناریوهای انتشار در ارزیابی اثرات تغییر اقلیم آینده بر دما و بارش زنجان

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار، گروه مهندسی عمران، دانشگاه پیام نور، ایران.

2 استادیار، گروه مهندسی آب، واحد سنندج، دانشگاه آزاد اسلامی، سنندج، ایران.

3 استادیار، پژوهشکده اقلیم شناسی، سازمان هواشناسی کشور.

10.22034/jest.2020.12355.2091

چکیده

زمینه و هدف: در این تحقیق آثار تغییر اقلیم آینده زنجان بر متغیرهای بارش روزانه، کمینه دمای روزانه و بیشینه دمای روزانه، با تحلیل عدم قطعیت­های نوسانات طبیعی اقلیم و سناریوهای انتشار، ارزیابی شده است. با منظور نمودن این عدم قطعیت­ها، نتایج دامنه وسیعی از حالات محتمل آینده را در بر می­گیرد که در افزایش قابلیت اعتماد نتایج بسیار مهم است.
روش بررسی: برای کاهش مقیاس سناریوهای آینده از مدل استوکستیک LARS-WG استفاده شده است. خروجی­های مدل CGCM3 برای زنجان ریز مقیاس شده است. تحلیل عدم قطعیت سناریوهای انتشار، با مقایسه­ی نتایج برای سه سناریوی A1B، A2، و B1 که به ترتیب بیان­گر حالات غلظت متوسط، زیاد، و کم گازهای گل­خانه­ای هستند، انجام شده است. تحلیل عدم قطعیت نوسانات اقلیمی با مقایسه حدود 90% تغییرات 100 سری 30 ساله­ی تولید شده توسط مدل­ LARS-WG برای اقلیم حال و برای هر سناریوی انتشار اقلیم آینده انجام شده است.
یافته­ها: نتایج حاکی از افزایش قابل توجه میانگین­های کمینه دمای روزانه و بیشینه دمای روزانه در اقلیم آینده است. علی­رغم نوسانات اقلیم، پیش­یابی می­شود که در همه ماه­های سال میانگین­های بیشنه دمای روزانه و کمینه دمای روزانه افزایش یابد. به­علاوه، عدم قطعیت سناریوهای انتشار در مقایسه با میزان افزایش دما اندک است. هم­چنین در اغلب ماه­های سال انتظار می­رود که مقدار بارش اقلیم آینده کاهش یابد، اما به دلیل نوسانات اقلیمی، افزایش مقدار بارش نیز با احتمال اندک ممکن است.
بحث و نتیجه­گیری: متغیرهای دما و بارش اقلیم آینده زنجان نسبت به اقلیم فعلی تغییر خواهد داشت و عدم قطعیت­های نوسانات طبیعی اقلیم و سناریوهای انتشار مهم است و لازم است که مورد توجه قرار گیرد.

کلیدواژه‌ها

موضوعات


 

 

 

 

علوم و تکنولوژی محیط زیست، دورهبیست و دوم، شماره ده، دی ماه 98

                                        

 

بررسی هم­زمان عدم قطعیت های  نوسانات اقلیمی و سناریوهای انتشار در ارزیابی اثرات تغییر اقلیم آینده بر دما و بارش زنجان

 

 

محمد رضا خزائی[1]*

m_r_khazaee@yahoo.com

مطلب بایزیدی[2]

 ایمان باباییان[3]

تاریخ دریافت:07/06/94

تاریخ پذیرش:22/12/94

 

چکیده

زمینه و هدف: در این تحقیق آثار تغییر اقلیم آینده زنجان بر متغیرهای بارش روزانه، کمینه دمای روزانه و بیشینه دمای روزانه، با تحلیل عدم قطعیت­های نوسانات طبیعی اقلیم و سناریوهای انتشار، ارزیابی شده است. با منظور نمودن این عدم قطعیت­ها، نتایج دامنه وسیعی از حالات محتمل آینده را در بر می­گیرد که در افزایش قابلیت اعتماد نتایج بسیار مهم است.

روش بررسی: برای کاهش مقیاس سناریوهای آینده از مدل استوکستیک LARS-WG استفاده شده است. خروجی­های مدل CGCM3 برای زنجان ریز مقیاس شده است. تحلیل عدم قطعیت سناریوهای انتشار، با مقایسه­ی نتایج برای سه سناریوی A1B، A2، و B1 که به ترتیب بیان­گر حالات غلظت متوسط، زیاد، و کم گازهای گل­خانه­ای هستند، انجام شده است. تحلیل عدم قطعیت نوسانات اقلیمی با مقایسه حدود 90% تغییرات 100 سری 30 ساله­ی تولید شده توسط مدل­ LARS-WG برای اقلیم حال و برای هر سناریوی انتشار اقلیم آینده انجام شده است.

یافته­ها: نتایج حاکی از افزایش قابل توجه میانگین­های کمینه دمای روزانه و بیشینه دمای روزانه در اقلیم آینده است. علی­رغم نوسانات اقلیم، پیش­یابی می­شود که در همه ماه­های سال میانگین­های بیشنه دمای روزانه و کمینه دمای روزانه افزایش یابد. به­علاوه، عدم قطعیت سناریوهای انتشار در مقایسه با میزان افزایش دما اندک است. هم­چنین در اغلب ماه­های سال انتظار می­رود که مقدار بارش اقلیم آینده کاهش یابد، اما به دلیل نوسانات اقلیمی، افزایش مقدار بارش نیز با احتمال اندک ممکن است.

بحث و نتیجه­گیری: متغیرهای دما و بارش اقلیم آینده زنجان نسبت به اقلیم فعلی تغییر خواهد داشت و عدم قطعیت­های نوسانات طبیعی اقلیم و سناریوهای انتشار مهم است و لازم است که مورد توجه قرار گیرد.

 

واژه‌های کلیدی: تغییر اقلیم، نوسانات اقلیم، عدم قطعیت، LARS-WG، استوکاستیک.

 

J. Env. Sci. Tech., Vol 21, No.9,November, 2019

 

 

 

 

 


Estimation of Joint Uncertainties Due to Natural Climate Variability and Emission Scenarios in Climate Change Assessment on Precipitation and Temperature in Zanjan

 

Mohammad Reza Khazaei[4]*

m_r_khazaee@yahoo.com

 Motalleb Byzedi[5]

 Iman Babaeian[6]  

 

Accepted: 2016.03.12

Received: 2015.08.29

 

Abstract

Background and Objective: In this paper climate change impacts on daily precipitation, daily maximum, and daily minimum temperature are estimated, while joint uncertainties due to natural climate variability and emission scenarios are estimated. By considering these uncertainties, the results incorporate a wide range of future possible situations which is a great importance in increasing the reliability of the results.

Method: For downscaling of future GCM scenarios, Weather Generator method is used using LARS-WG model. CGCM3 outputs for based on three emissions scenarios, medium (A1B) and high (A2), low (B1), are downscaled for Zanjan. Uncertainty due to natural climate variability is estimated by comparison of 90% limits of 100 LARS-WG generated series for historic and for each future climate scenarios.

Findings: The results of this research show that the daily minimum and maximum temperature will increase in the future. Despite the Uncertainty due to natural climate variability, if is expected that the monthly means of daily minimum and maximum temperature will increase for the entire calendar months. Moreover, the uncertainty of emission scenarios is low in comparison with the future increase in temperature. It is expected that the average of monthly precipitation will decrease for the most of the calendar months; although, there is a little possibility for increase in precipitation due to natural climate variability.

Discussion and Conclusion: In result of climate change, temperature and precipitation of the Zanjan will change in the future and uncertainties due to natural climate variability and emission scenarios are important in climate change impact assessment on precipitation and temperature.

Key words: Climate change, natural climate variability, Uncertainty, LARS-WG, Stochastic

 

 

مقدمه


رشد صنایع و افزایش فعالیت­های انسان در کره زمین باعث افزایش غلظت گازهای گل­خانه‌ای و به تبع آن ایجاد تغییراتی در شرایط اقلیمی مناطق مختلف کره زمین شده است. سناریو‌های منتشر شده توسط هیأت بین دول تغییر اقلیم (IPCC[7]) حاکی از آن است که این تغییرات در آینده نیز ادامه خواهد داشت و دمای کره زمین تا سال 2100 میلادی،  °c8/5-‌4/1  نسبت به سال 1990 افزایش خواهد یافت (1). نتایج جدیدترین مطالعات IPCC در سال 2013 حاکی از تشدید وضعیت تغییر اقلیم می­باشد. این افزایش، دیگر متغیرهای اقلیمی را نیز تحت تاثیر خود قرار می‌دهد و موجب تغییر اقلیم می‌شود (2). با تغییر متغیرهای اقلیمی از جمله دما و بارش، سیستم های متأثر از اقلیم نیز تغییر می‌کند. از جمله آثار تغییر اقلیم می­توان به تغییر مقدار و نوسانات منابع آب و تغییر رژیم هیدرولوژیکی رودخانه‌ها، اشاره کرد که در مطالعات متعددی ذکر شده است (1). ویژگی­های تغییر اقلیم و آثار آن در مناطق مختلف متفاوت است و عموماً نتایج مطالعات تغییر اقلیم در هر منطقه را نمی توان به سایر مناطق تعمیم داد. برای هر منطقه، شناخت و پیش­یابی اقلیم تغییر یافته آینده و دخالت دادن آن در برنامه­ریزی­های بلند مدت، برای کسب آمادگی برای شرایط اقلیمی آینده و کاهش آثار زیان­بار آن اهمیت دارد. مطالعات متعددی حاکی از وقوع تغییر اقلیم در مناطق مختلف ایران است (3، 4، 5، 6، 7، 8).

معتبرترین وسیله برای شبیه­سازی واکنش اقلیم جهانی به غلظت گازهای گل­خانه­ای، مدل­های جهانی اقلیم (GCM[8]) هستند (1). این مدل­ها داده­های اقلیمی را به صورت سه بعدی برای سراسر کره زمین شبیه‌سازی می‌کنند. اما مطالعات ارزیابی اثرات تغییر اقلیم هنوز با دشواری ها و عدم قطعیت­های زیادی همراه هستند. به دلیل وضوح[9] مکانی کم خروجی GCMs، استفاده از آن­ها برای ارزیابی اثر تغییر اقلیم در مقیاس محلی مناسب نیست و لازم است خروجی این مدل­ها برای استفاده در مطالعات منطقه ای، با استفاده از یک روش مناسب زیر مقیاس شود.

علاوه بر آن، در حال حاضر در نتایج مطالعات آثار تغییر اقلیم، عدم قطعیت­های مهمی وجود دارد. از عوامل عدم قطعیت در نتایج پیش­یابی اقلیم آینده یک منطقه، عدم قطعیت سناریوهای انتشار گازهای گل­خانه ای در آینده می­باشد. میزان انتشار گازهای گل­خانه ای در آینده به صورت قطعی معلوم نیست و سناریوهای مختلفی برای آن محتمل است. هیأت بین دول تغییر اقلیم،  IPCC[10]، درسال۱۹۹۶ چهل سناریوی مختلف را منتشر کرد که در آن­ها انواع مختلفی از چگونگی انتشار گازهای گل­خانه‌ای وجود دارد. این سناریو‌ها دامنه وسیعی از تغییرات محتمل در آینده را در بر می­گیرد (9).

از دیگر عوامل عدم قطعیت، نوسانات طبیعی اقلیمی[11] است که می­تواند به عنوان مهم­ترین عامل عدم قطعیت مطرح باشد (10). نوسانات طبیعی اقلیمی حاصل ساختار تصادفی متغیرهای اقلیمی (از جمله بارش و دما) است. از آن­جا که سری­های داده­های اقلیمی مشاهداتی (و نیز خروجی­های GCMs) اغلب از طول آماری کوتاهی (نوعاً 30 سال) برخوردارند، نوسانات طبیعی اقلیم را به تعداد کافی در­برنمی­گیرد، لذا عدم قطعیت کوتاهی طول آمار، می­تواند نتایج مقایسه اقلیم فعلی و آینده را تحت تاثر قرار دهد و لازم است که در مطالعات ارزیابی آثار تغییر اقلیم مورد توجه قرار گیرد.

مطالعات بسیاری به ارزیابی آثار تغییر اقلیم در مناطق مختلف جهان پرداخته اند. در بسیاری از این مطالعات عدم قطعیت سناریوهای انتشار مورد توجه بوده است. اما در مطالعات اندکی عدم قطعیت نوسانات طبیعی اقلیمی مدنظر قرار گرفته است. از جمله مطالعاتی که در آن­ها به عدم قطعیت نوسانات طبیعی اقلیم پرداخته شده است، موارد زیر را می­توان نام برد: رینی و فولر (2008) به منظور بررسی عدم قطعیت­های نوسانات طبیعی اقلیم در مطالعه اثر تغییر اقلیم بر جریان رودخانه، از یک مدل استوکستیک WG به نام EARWIG برای کاهش مقیاس و تولید سری­های طولانی مدت اقلیم حال و آینده استفاده کردند (11). مینویل و همکاران (2008) عدم قطعیت­ها را در ارزیابی اثر تغییر اقلیم بر رژیم هیدرولوژیکی یک حوضه در کانادا ارزیابی کردند (12). ایشان برای مطالعه عدم قطعیت نوسانات طبیعی اقلیم از یک مدل استوکستیک  WG به نام WeaGets  استفاده نمودند. به این ترتیب با تولید 30 سری 30 ساله برای هر یک از اقلیم های حال و آینده، نوسانات اقلیمی در مطالعه اثر تغییر اقلیم منظور شد. کی و همکاران (2009) منابع عدم قطعیت را در "مطالعه اثر تغییر اقلیم بر سیلاب"  بررسی کردند (10). این مطالعه بر روی دو حوضه آبریز در انگلستان به مساحت­های 277 و 86 کیلومتر مربع انجام شد. در نتیجه این تحقیق، عدم قطعیت نوسانات اقلیمی برای اقلیم حال و آینده، بحرانی و مهم­ترین عامل عدم قطعیت گزارش شد. خزائی و همکاران (2013) با توسعه یک مدل WG به نام IWG و نیز با استفاده از مدل LARS-WG، عدم قطعیت نوسانات طبیعی اقلیمی را در مدل­سازی سیلاب حوضه کارون بررسی کردند (13).

در این تحقیق در نظر است تغییر اقلیم زنجان در سال­های آتی با منظور نمودن عدم قطعیت نوسانات طبیعی اقلیم و عدم قطعیت سناریوهای انتشار مورد بررسی قرار گیرد. در این خصوص متغیرهای بارش، کمینه دما و بیشینه دمای روزانه مورد مطالعه قرار می گیرند. با منظور نمودن عدم قطعیت­های نوسانات طبیعی اقلیم و سناریوهای انتشار، نتایج دامنه وسیعی از حالات محتمل آینده را در بر می­گیرد که در افزایش قابلیت اعتماد نتایج بسیار مهم است و می تواند در اتخاذ تدابیر احتیاطی سازگاری با شرایط اقلیم آینده موثر باشد.

 

مواد و روش ها

-کاهش مقیاس

روش‌های مختلفی برای ریز مقیاس کردن خروجی GCMs

وجود دارد. این روش ها به طور کلی به دو دسته تقسیم بندی می‌شوند، اول کاهش مقیاس دینامیکی با استفاده از مدل­های منطقه­ای اقلیم (RCMs[12]) و دوم کاهش مقیاس آماری[13].

استفاده از RCMs بسیار پرهزینه و زمان بر بوده و خروجی‌های آن­ها معمولاً در زمان مورد نیاز در دسترس نیست (14). در مواردی که کم هزینه بودن و تخمین سریع تأثیرات موضعی تغییر اقلیم مورد نیاز است، گزینه کاهش مقیاس آماری مناسب‌تر می­باشد (15).

روش­های کاهش مقیاس آماری زیادی برای انتقال خروجی های GCM به وضوح بهتر توسعه داده شده است. ساده ترین این روش­ها، روش عامل تغییرات [14](CFs) است (16). در این روش تفاوت میانگین بین خروجی­های GCM برای دوره پایه و آینده، به هر داده سری مشاهداتی دوره پایه[15]، به صورت جمع یا ضرب، اعمال می­شود. روش­های پیچیده­تر کاهش مقیاس آماری عموماً به سه دسته شامل 1- مدل های رگرسیونی، 2-روش­های کلاسه بندی هواشناسی[16]  و 3- مولدهای استوکستیک داده های هواشناسی[17](WGs)، تقسیم می شوند (17 و 18).

در این میان، استفاده از WGs برای مطالعات ارزیابی اثر تغییر اقلیم، از مزایای ویژه ای برخوردار است. از جمله آن­که این مدل­ها با تولید سری­های طولانی مدت روزانه، دامنه وسیعی از حالات ممکن را تولید می­کنند و امکان بررسی عدم قطعیت مربوط به نوسانات اقلیمی و افزایش قابلیت اعتماد نتایج را فراهم می­نماید (19). عدم قطعیت نوسانات اقلیمی (بی نظمی اقلیمی) نقش مهم و تعیین کننده­ای در این گونه مطالعات دارد و می­تواند حتی مهم­تر از عدم قطعیت مطرح در مورد سناریوهای انتشار و ساختار GCMs باشد (10). مزیت دیگر WGs آن است که در کاهش مقیاس، تغییرات آماره­های مختلف متغیرهای اقلیمی که توسط GCMs مدل می شود، در سری های ریز مقیاس شده حفظ می­شود (17). علاوه بر این، در کاهش مقیاس توسط WGs، همبستگی بین متغیرها نیز حفظ می­گردد (17). در نتیجه در این تحقیق برای ارزیابی تغییر اقلیم زنجان از مدل LARS-WG، که یکی از خوش نام ترین مدل­های WG است، استفاده می­شود.

 LARS-WG با بیش از 140 ارجاع در مقالات ISI، یکی از دو WG است که بیش­تر از همه در مورد آن­ها گزارش شده است (20) و به عنوان یک روش کاهش مقیاس آماری خوب به رسمیت شناخته شده است (21). این مدل در مطالعات مختلفی، با عملکرد نسبی خوب مبنای مقایسه WGs و روش­های کاهش مقیاس قرار گرفته است (19، 20، 21، 22، و 23) و به صورت یک نرم­افزار در دسترس است. مدل مذکور برای تولید داده­های روزانه دمای حداکثر و حداقل روزانه، بارش و تابش خورشیدی به کار می­رود (19).

-معرفی مدل LARS-WG

مدل LARS-WG از نوع مدل­های مولد­های استوکستیک داده­های روزانه هواشناسی (WGs)[18] است. این نوع از مدل­ها، از مدل­های آماری استفاده می­کنند تا سری­های طولانی مدت داده­های هواشناسی را که در خصوصیات آماری به سری­های مشاهداتی شبیه­اند، باز تولید نمایند. پارامترهای این مدل­ها، از سری­های مشاهداتی به دست می­آیند و برای تولید داده­های اقلیم حال مورد استفاده قرار می گیرد. با تغییر پارامترهای به دست آمده از داده­های مشاهداتی، مطابق با سناریوهای تغییر اقلیم GCMs، می­توان سری­های داده­های هواشناسی اقلیم تغییر یافته را برای محل مورد نظر تولید نمود. ساختار و روش کار این مدل در ادامه توصیف می­شود (19 و 24).

در LARS-WG طول سری­های خشک و تر، مقدار بارش و تابش خورشیدی روزهای تر و روزهای خشک، از توزیع های نیمه تجربی مدل می­شود. توزیع های نیمه تجربی برای هر ماه تقویمی به صورت جداگانه از داده­های مشاهداتی به دست می­آیند. هر توزیع نیمه تجربی از تعدادی بازه  برخوردار است و برای انتخاب مقدار متغیر، ابتدا یک بازه، با احتمالی برابر با نسبت داده های مشاهداتی داخل آن بازه، به صورت تصادفی انتخاب می­گردد و سپس یک مقدار از داخل آن بازه با توزیع یکنواخت برداشته می شود.

 در این مدل ابتدا طول سری های متناوب خشک (روزهای بدون بارش) و تر (روزهای با بارش) به صورت تصادفی از توزیع نیمه تجربی مربوط به ماهی که سری از آن ماه شروع می­شود انتخاب ­شده و سپس مقدار بارش هر روز تر، به صورت تصادفی و مستقل، از توزیع تجربی مقادیر بارش همان ماه انتخاب می­شود. برای مدل سازی سری های کمینه دمای روزانه و بیشنه دمای روزانه، میانگین­ها و انحراف معیار روزانه، به صورت جداگانه برای روزهای خشک و تر محاسبه شده و سیکل فصلی  آن­ها توسط سری فوریه درجه 3 مدل شده و حذف می­شود. پس از حذف سیکل میانگین و انحراف معیار، بر باقیمانده­های متغیرهای دمای حداقل و دمای حداکثر، یک مدل خودهمبسته (AR(1)) چند متغیره برازش داده می شود. در این مدل برای تخمین دماهای حداقل و حداکثر، به جای توزیع نرمال از توزیع نیمه تجربی استفاده می­شود که برای هر ماه تقویمی و برای روزهای خشک و تر به صورت مجزا تعیین می­گردد و پارامترهای آن با درون­ یابی به همه روزهای سال تعمیم داده   می­شود.

-کاهش مقیاس توسط مدل LARS-WG

به طور معمول برای کاهش مقیاس توسط WGs، پارامترهای به دست آمده از سری­های مشاهداتی، مطابق با سناریوهای تغییر اقلیم مدل­های اقلیم، تغییر داده می شود و سناریوهای اقلیم آینده با استفاده از پارامترهای تغییر یافته، تولید می شود. این تغییرات، با استفاده از تغییرات آماره­های سری­های اقلیمی متناظر خروجی GCM، برای سناریوی آینده نسبت به دوره پایه، برای سلول مربوط به منطقه مورد مطالعه به دست می آید. به این ترتیب که :

1- از سری­های روزانه بارش، کمینه دما و بیشینه دمای روزانه خروجی GCM، برای دوره پایه و هم­چنین برای سناریوی آینده، آماره­های مورد نیاز WG (در اینجا مدل LARS-WG) محاسبه می­شود.

2- تغییرات آماره­های به دست آمده از خروجی­های GCM برای سناریوی مورد نظر، به مقادیر آماره­های محاسبه شده از داده­های مشاهداتی اعمال می­شود.

-اعتبارسنجی مدل LARS-WG

برای ارزیابی عملکرد مدل، لازم است آماره­های سری زمانی تولید شده و مشاهداتی با هم مقایسه شود. برای مقایسه آماره­های سری زمانی مشاهداتی و سری­های زمانی تولیدی، 100 سری هم­طول با سری­های مشاهداتی، توسط مدل واسنجی شده تولید می­شود. این تکرار به دلیل تغییرپذیری نمونه­گیری[19] است. برای هر سری تولید شده، آماره­های متغیرها محاسبه شده و میانه و حدود اطمینان[20] 90% (حدودی که 90 درصد آماره سری­های تولید شده در آن قرار دارند)، با آماره­های متناظر سری مشاهداتی مقایسه می­شود. قرارگیری آماره­های سری مشاهداتی در حدود تعیین شده، حاکی از نکویی عملکرد مدل در سطح احتمال مورد نظر است (25 و 26).

-تحلیل عدم قطعیت

سری­های داده­های اقلیمی مشاهداتی (و نیز خروجی­های GCMs) اغلب از طول آماری کوتاهی (نوعاً 30 سال) برخوردارند. با تولید مصنوعی سری­های طولانی مدت، می­توان دامنه وسیعی از حالات ممکن را فراهم نمود که سری­ مشاهداتی تنها یکی از این حالات است. به این ترتیب می­توان عدم قطعیت مربوط به نوسانات طبیعی اقلیمی را در نتایج مطالعه در نظر گرفت. با استفاده از مدل­های WG استوکستیک (از جمله LARS-WG) می­توان سری­های طولانی مدت مصنوعی را بر مبنای داده های مشاهداتی یا خروجی مدل­های اقلیمی تولید کرد. این داده ها ضمن شباهت آماری با داده های مبنا (مشاهداتی یا خروجی GCM)، دامنه وسیعی از حالات ممکن را فراهم می­کند که سری­ مبنا تنها یکی از این حالات است. به این ترتیب از عدم قطعیت مربوط به نوسانات اقلیمی و کوتاهی طول آمار ­کاسته می­شود و نتایج قابل اعتماد تری به دست می­آید (3، 10، 13، 19، و 27).

در این مطالعه، ارزیابی اثر تغییر اقلیم بر هر متغیر و تحت هر

سناریو، با مقایسه حدود تغییرات 100 سری تولید شده توسط مدل­ LARS-WG برای اقلیم حال و اقلیم آینده انجام می­شود. به این ترتیب برای ارزیابی تغییر اقلیم تحت هر سناریو، به جای آن­که یک سری اقلیم فعلی و یک سری اقلیم آتی مقایسه شود، مقایسه بین دامنه 100 سری اقلیم فعلی و 100 سری اقلیم آتی خواهد بود. این 100 سری دامنه­ای از حالات ممکن از هر اقلیم را در بر دارند و در نتیجه به این ترتیب عدم قطعیت نوسانات اقلیمی کاهش خواهد یافت (1، 3، 13، 19، 22 و 28).

هم­چنین مقایسه­ها برای سناریوهای انتشار مختلف است و در نتیجه عدم قطعیت سناریوهای انتشار نیز در نتایج مشاهده بررسی خواهد شد.

-منطقه تحقیق و داده ها

به منظور واسنجی مدل LARS-WG برای اقلیم فعلی و استفاده از آن برای کاهش مقیاس سناریوهای اقلیمی آینده، لازم است از داده­های روزانه مشاهداتی که دوره زمانی آن با داده­های دوره پایه مدل GCM مشترک است، استفاده شود. در این خصوص از 30 سال آمار روزانه بارش، کمینه دمای روزانه و بیشینه دمای روزانه ثبت شده در ایستگاه هواشناسی زنجان در سال­های 2000-1971 استفاده شده است. این دوره آماری در اغلب مطالعات تغییر اقلیم به عنوان دوره پایه منظور می­شود. هم­چنین سناریوهای اقلیمی A1B، A2، و B1 مدل جهانی اقلیم CGCM3 برای سل مربوط به زنجان مورد استفاده قرار گرفته است. علت انتخاب این سه سناریو که مبنای اجرای مدل CGCM3 بوده­اند و در این پژوهش نیز از آن­ها استفاده شده، آن است که سه سناریوی A1B، A2، و B1 به ترتیب بیان­گر حالات غلظت متوسط، غلظت زیاد و غلظت کم گازهای گل­خانه­ای هستند و تقریباً به ترتیب در موقعیت­های میانه و حدود 80 درصد بالا و پایین سناریوهای انتشار قرار دارند. لذا این سه سناریو دامنه وسیعی از حالات ممکن انتشار گازهای گل­خانه­ای در آینده را در برمی­گیرند. خروجی های روزانه مورد استفاده از مدل CGCM3 مربوط به دو دوره پایه 2000-1971  و دوره آینده 64-2035  است.

 

 

3. نتایج

-ارزیابی عملکرد مدل LARS-WG

مدل برای شبیه­سازی داده­های هواشناسی ایستگاه­ زنجان واسنجی شد و 100 سری 30 ساله برای زنجان تولید گردید. برای ارزیابی عملکرد مدل­، آماره­های مشاهداتی با حدود اطمینان 90% آماره­های شبیه­سازی شده، مقایسه می­شود. به این منظور، آماره‌های هر سری تولید شده محاسبه شد و میانگین و حدودی که 90 درصد هر آماره­ی سری‌های تولید شده در آن قرار دارد (حدود اطمینان 90%)، با آماره متناظر سری مشاهداتی مقایسه شد. برای اطمینان از نکویی عملکرد مدل، لازم است آماره‌های سری مشاهداتی، در محدوده اطمینان مورد نظر قرار گیرد.


 

 

شکل 1- مقادیر میانگین های بارش های ماهانه زنجان برای دوره تاریخی مشاهداتی و حدود 90% میانگین های بارش های ماهانه زنجان در شبیه سازی 100 سری 30 ساله بارش روزانه توسط مدل LARS-WG. مقادیر مشاهداتی با نقاط نشان داده شده است.

Figure 1- Comparison of observed rainfall monthly means and 90% bounds of the simulated rainfall monthly means, calculated from 100 30-years simulated series


 


 

شکل 2- مقادیر میانگین های ماهانه بیشینه دمای روزانه زنجان برای دوره تاریخی مشاهداتی و حدود 90% میانگین های ماهانه بیشینه دمای روزانه زنجان در شبیه سازی 100 سری 30 ساله روزانه توسط مدل LARS-WG. مقادیر مشاهداتی با نقاط نشان داده شده است.

Figure 2- Comparison of monthly means of observed maximum daily temperature and 90% bounds of the simulated corresponding values, calculated from 100 30-years simulated series


 

شکل 3- مقادیر میانگین های ماهانه کمینه دمای روزانه زنجان برای دوره تاریخی مشاهداتی و حدود 90% میانگین های ماهانه کمینه دمای روزانه زنجان در شبیه سازی 100 سری 30 ساله روزانه توسط مدل LARS-WG. مقادیر مشاهداتی با نقاط نشان داده شده است.

Figure 3- Comparison of monthly means of observed minimum daily temperature and 90% bounds of the simulated corresponding values, calculated from 100 30-years simulated series

 


در ‏شکل (1) مقایسه میانگین بارش روزانه مشاهداتی و تولید شده در هر ماه تقویمی نشان داده شده است. هم­چنین در ‏شکل­های (2)­و (3) به ترتیب مقایسه میانگین مقادیر مشاهداتی و تولید شده در هر ماه تقویمی برای بیشینه دمای روزانه و کمینه دمای روزانه نشان داده شده است. دراین شکل­ها مشاهده می­شود که میانگین­های بارش مشاهداتی، بیشینه دمای روزانه و کمینه دمای روزانه، تقریباً در همه ماه­ها در حدود 90 درصد مقادیر تولید شده قرار گرفته است. این نتایج نشان می­دهد که میانگین­های مشاهداتی به خوبی در داده های مصنوعی  باز تولید شده است که حاکی از  عملکرد قابل قبول مدل می­باشد.

هدف از تولید 100 سری به روش استوکستیک، آن است که دامنه وسیعی از حالات ممکن رفتار یک اقلیم فراهم شود. سری 30 ساله مشاهداتی، تنها یک نمونه آماری از رفتار یک اقلیم را ارایه می­کند. در حالی که اگر یک سری بسیار طولانی از داده های مشاهداتی برای یک اقلیم ثابت در اختیار بود، به دلیل ماهیت تصادفی متغیرهای اقلیمی، انتظار می رفت که آماره­های دوره های 30 ساله مختلف در آن یکسان نباشد.

به عنوان نمونه، نتایج در خصوص بارش ماه ژانویه را می توان به شرح زیر تفسیر نمود. بر مبنای نتایج شبیه سازی (که در جدول 2 نیز ارایه شده است)، میانگین طولانی مدت بارش زنجان در ماه ژانویه  mm1/34 است؛ این در حالی است که میانگین یک دوره 30 ساله بارش ژانویه زنجان با احتمال 90 درصد در حدود  mm3/28 تا  mm4/38 متغیر است که به معنای آن است که در یک دوره 30 ساله دیگر (با شرط نبودن تغییر اقلیم) 10 درصد احتمال دارد که میانگین بارش ژانویه زنجان در این دامنه نباشد.

- کاهش مقیاس و تولید سناریوی اقلیم آینده زنجان

با استفاده از تغییرات سناریوهای اقلیمی روزانه­ی خروجی مدل CGCM3 پارامترهای مدل LARS-WG برای تولید سناریوهای روزانه اقلیم آینده (دوره 2064-2035) تنظیم شد و سناریوهای روزانه اقلیم آتی زنجان تولید گردید. برای در نظر گرفتن عدم قطعیت نوسانات اقلیمی در نتایج، 100 سری 30 ساله هر یک از متغیرهای بارش، بیشینه دما و کمینه دمای روزانه برای هر سناریوی انتشار اقلیم تغییر یافته آینده (A2، B1، و A1B) تولید شد و حدود 90 درصد این سری ها در ارزیابی اثر تغییر اقلیم وارد گردید. در جدول (1) نتایج ارزیابی آثار تغییر اقلیم و نوسانات اقلیمی بر میانگین های ماهانه بارش زنجان ارایه شده است. هم­چنین جمع بندی این نتایج در جدول (2) و شکل (4) نشان داده شده است.


 


جدول 1- میانگین و حدود 90% میانگین های ماهانه بارش زنجان در شبیه سازی 100 سری 30 ساله برای اقلیم های تاریخی (2000-1971) و تغییر یافته آینده (64-2035) تحت سناریوهای انتشار A1B، B1، و A2

Table 1- Mean and 90 percentile bounds of historical rainfall monthly means as well as corresponding values for future A2, B1, and A1B scenarios for Zanjan.

Jan

Feb

Mar

Apr

May

Jun

Jul

Aug

Sep

Oct

Nov

Dec

 

 

30/7

29/9

48/8

47/2

44/2

8/5

5/3

3/3

3/4

21/5

29/9

30/5

 

مشاهداتی

28/3

29/7

42/3

44/1

35/1

7

2/5

1/5

2/4

14/2

25/2

26/2

حد بالای 90%

 

34/1

34

49

50/2

41

10/2

5

2/9

4

19/5

30/2

31/7

میانه

دوره پایه

38/4

38/9

57/2

59/8

47/8

13/5

8/1

5/2

5/8

24/4

37

37/3

حد پایین 90%

 

23/4

22/8

41

50/1

34/8

5/3

1/8

1/1

1/7

16/8

25

29/5

حد بالای 90%

آینده

27/5

28/2

49/1

57/4

42/9

9/5

3/6

2/3

2/8

23/9

31/2

34/7

میانه

A1B

32/1

33/3

56/2

65

52/2

13/2

6/3

3/7

3/9

30/6

36/8

39/4

حد پایین 90%

 

27/5

31/6

36/4

37/5

40/3

4/5

6/1

0/2

0/4

12/3

20/1

22/1

حد بالای 90%

آینده

32/6

38/4

42/9

44/9

50

7

10/3

0/5

0/9

19/7

28/2

28/2

میانه

B1

38/1

46/3

51/4

52/4

58/8

9/3

17/2

0/8

1/7

28/6

36/1

33/4

حد پایین 90%

 

26/7

24/1

37/5

35/4

30/1

6/5

0/9

5/3

8/9

9/4

25/5

25

حد بالای 90%

آینده

31

29/2

44/3

41/1

37/2

9/4

1/8

9/5

13/6

13/1

32/3

31/2

میانه

A2

35/7

34/3

50/7

48/5

44/4

12/2

2/9

15/2

20/1

16/2

39/1

37/9

حد پایین 90%

 


 

 

 

در جدول (2) میانگین 100 سری 30 ساله شبیه سازی شده برای دوره تاریخی و میانگین های 100 سری 30 ساله شبیه سازی شده­ی هر یک از سناریوهای انتشار در آینده، مقایسه شده است. علاوه بر آن، حدود 90 درصد میانگین­های 100 سری دوره تاریخی با حدود بالا و پایین 90 درصد همه سری­های 30 ساله مربوط به همه سناریوهای انتشار آینده با هم مقایسه شده است. به این ترتیب دامنه نوسانات اقلیم فعلی با دامنه نوسانات و سناریوهای انتشار اقلیم آینده مقایسه می شود و عدم قطعیت ها در نتایج مورد نظر قرار می گیرد.

به عنوان نمونه ای از تفسیر نتایج، در ماه ژانویه میانگین بارش اقلیم تاریخی 1/34 میلی متر است. در حالی که میانگین بارش اقلیم آینده آن تحت سناریوهای مختلف بین 8/28 تا 8/32 پیش­یابی می­شود. این موضوع حاکی از آن است که تحت این سناریوها انتظار می رود که میانگین بارش این ماه در اقلیم آینده بین 3/1 میلی­متر تا 3/5 میلی متر کاهش یابد. اما به دلیل نوسانات اقلیمی، میانگین اقلیمی می تواند اتفاق نیفتد و لذا حدود 90 درصد نوسانات نیز در نظر گرفته می شود. تحت اقلیم فعلی حدود 90 درصد نوسانات میانگین بارش ماه ژانویه برای دوره های 30 ساله، بین 3/28 تا 4/38 است. اما حدود بالا و پایین 90 درصد سناریوهای آینده بین 8/24 تا 1/38 پیش­یابی شده است. بنابراین تحت سناریوهای مورد بررسی، در سطح احتمال 90 درصد، مقدار بارش اقلیم آینده زنجان در ژانویه نسبت به میانگین بارش اقلیم تاریخی آن، می تواند بین 4 میلی­متر افزایش تا 3/9 میلی متر کاهش داشته باشد. با توجه به شکل (4) مقادیر میانگین بارش اقلیم آینده تحت سناریوهای مختلف و در اغلب ماه­های سال، مقداری کاهش نسبت به میانگین های اقلیم تاریخی نشان می دهد. لیکن حدود بالا و پایین 90 درصد آن گسترده تر شده است و حد بالای این حدود عموما بالاتر از مقادیر مشاهداتی اقلیم گذشته است. لذا اگرچه در اغلب ماه های سال انتظار می رود که مقدار بارش اقلیم آینده کاهش داشته باشد، اما افزایش مقدار بارش نیز با احتمال اندک ممکن است.


جدول 2- مقادیر میانگین و حدود 90% میانگین های ماهانه بارش زنجان در شبیه سازی 100 سری 30 ساله برای اقلیم تاریخی و میانگین و حدود حداکثر وحداقل 90% سناریوهای اقلیم تغییر یافته آینده آن­ها

Table 2- 90 percentile bounds of historical rainfall monthly means as well as mean and 90 percentile bounds of future A2, B1, and A1B scenarios for rainfall monthly means for Zanjan.

Jan

Feb

Mar

Apr

May

Jun

Jul

Aug

Sep

Oct

Nov

Dec

 

34/1

34

49

50/2

41

10/2

5

2/9

4

19/5

30/2

31/7

دوره تاریخی 1971-2000

28/8

28/8

42/3

44/9

34/8

6/9

2/6

1/9

2/5

17/6

25/2

32/5

 میانگینA1B  2035-64

32/6

38/4

42/9

44/9

50

7

10/3

0/5

0/9

19/7

28/2

28/2

 میانگین    B1  2035-64

32/8

32/7

39/9

38/7

37/8

7/6

3/8

1/9

3/7

14/8

26/2

31/9

 میانگین    A2   2035-64

28/3

29/7

42/3

44/1

35/1

7

2/5

1/5

2/4

14/2

25/2

26/2

حد بالای 90% دوره تاریخی

38/4

38/9

57/2

59/8

47/8

13/5

8/1

5/2

5/8

24/4

37

37/3

حد پایین 90%  دوره تاریخی

38/1

46/3

51/4

52/4

58/8

10/1

17/2

3/3

6/3

28/6

36/1

39/2

حد بالای 90% سناریوهای  آینده

24/8

24/1

35/3

33

25/8

4/5

1/7

0/2

0/4

10/5

18/5

22/1

حد پایین 90%  سناریوهای  آینده

 

 

 

 

 

شکل 4- خلاصه نتایج ارزیابی آثار تغییر اقلیم و نوسانات اقلیمی بر میانگین های ماهانه بارش زنجان با درنظر گرفتن هم­زمان عدم قطعیت­های نوسانات طبیعی اقلیم و سناریوهای انتشار. میانگین های اقلیم تاریخی بارش ماهانه (خط ضخیم) و حدود 90% آن (خط نازک)، با میانگین های ماهانه سناریوهای بارش اقلیم آینده (خط چین های ضخیم) و حدود حداکثر وحداقل 90% آن ها (خط چین های نازک) مقایسه شده است.

Figure 4- Summary of results for climate change impact assessment on rainfall monthly means by considering uncertainties of climate variability and emission scenarios for Zanjan.

 

 

خلاصه نتایج ارزیابی اثر تغییر اقلیم بر کمینه دمای روزانه زنجان تحت سناریوهای B1، A2، و A1B، در شکل (5) و  جدول (3) ارایه شده است. میانه های میانگین ماهانه­های دمای حداقل روزانه زنجان برای اقلیم فعلی و حدود 90% نوسانات طبیعی آن به همراه میانه های میانگین های ماهانه دمای حداقل روزانه سناریوهای اقلیم آینده و حدود 90%  مجموعه سناریوهای آینده ارایه شده است. نتایج حاکی از افزایش قابل توجه دمای حداقل روزانه در اقلیم آینده نسبت به اقلیم فعلی است. این نتایج نشان می دهد دامنه حدود 90% سناریوهای اقلیم آینده به کلی خارج از دامنه نوسانات 90% اقلیم فعلی است و علی رغم نوسانات اقلیم، افزایش دما در همه ماه های سال پیش­یابی می شود. هم­چنین عدم قطعیت سناریوهای انتشار در مقایسه با میزان افزایش دما اندک است. مقادیر این افزایش در ماه های مختلف سال با منظور نمودن عدم قطعیت نوسانات اقلیمی و سناریوهای انتشار در شکل (5) و  جدول (3) قابل مشاهده می­باشد.

 

 

 

شکل 5- چکیده ای از نتایج ارزیابی آثار تغییر اقلیم و نوسانات اقلیمی بر میانگین های ماهانه کمینه دمای روزانه زنجان تحت سناریو­های انتشار مختلف مدل CGCM3 با استفاده از شبیه سازی مدل LARS-WG.

Figure 5- Summary of results for climate change impact assessment on monthly means of minimum daily temperature under different emission scenarios using LARS-WG model.

 

 

 

جدول 3- مقادیر میانگین و حدود 90% میانگین های کمینه دمای روزانه زنجان در شبیه سازی 100 سری 30 ساله برای اقلیم تاریخی و میانگین و حدود حداکثر و حداقل 90% سناریوهای اقلیم تغییر یافته آینده آن­ها

Table 3- Means and 90 percentile bounds of historical monthly means of minimum daily temperature as well as mean and 90 percentile bounds of future scenarios for monthly means of minimum daily temperature for Zanjan.

Jan

Feb

Mar

Apr

May

Jun

Jul

Aug

Sep

Oct

Nov

Dec

 

-8/3

-6/7

-1/8

3/9

74/

11/1

14/9

14/4

9/8

5/3

0/7

-4/4

مشاهداتی

-7/7

-6/3

-1/4

4

7/7

11/1

15

14/2

9/9

4/8

0/5

-4/4

دوره تاریخی 1971-2000

-2/5

-1/2

1/1

5/7

10/2

13/9

17/9

16/8

13/4

7/3

2/4

-1/5

A1B    2035-64

-4/1

-2/8

0/4

5/5

9/4

13/1

17/1

16/7

12/6

7/2

3

-1

    B1     2035-64

-2/7

-1/9

1/3

6

10/3

14/1

18/1

17

13/7

7/4

3/4

-1/3

    A2     2035-64

-8

-6/6

-1/7

3/8

7/5

10/9

14/8

14/1

9/7

4/6

0/3

-4/7

حد بالای 90% دوره تاریخی

-7/3

-6

-1/1

4/2

7/8

11/2

15/1

14/3

10

5

0/8

-4/1

حد پایین 90%  دوره تاریخی

-2/2

-0/9

1/6

6/3

10/4

14/3

18/2

17/2

13/9

7/6

3/6

-0/7

حد بالای 90% سناریوهای  آینده

-4/5

-3/2

0/2

5/2

9/2

13

17

16/5

12/5

7

2/2

-1/8

حد پایین 90%  سناریوهای  آینده

 

 

 

به عنوان نمونه ای از تفسیر نتایج، در ماه دسامبر میانگین دمای حداقل روزانه اقلیم تاریخی 4/4- میلی متر است. در حالی که میانه های میانگین های دمای حداقل روزانه اقلیم آینده آن تحت سناریوهای مختلف بین 3/1- تا 5/1-  پیش­یابی می شود. این موضوع حاکی از آن است که میانگین دمای حداقل روزانه این ماه بین 9/2 تا 1/3 درجه سانتی­گراد افزایش یابد. اما به دلیل نوسانات اقلیمی، میانگین اقلیمی می تواند اتفاق نیفتد و لذا حدود 90 درصد نوسانات نیز در نظر گرفته می­شود. تحت اقلیم فعلی حدود 90 درصد نوسانات میانگین های دمای حداقل روزانه ماه دسامبر برای دوره های 30 ساله، بین 1/4- تا 7/4- است. اما حدود بالا و پایین 90 درصد سناریوهای آینده بین 7/0- تا 8/1- پیش­یابی شده است. بنابراین تحت سناریوهای مورد بررسی، در سطح احتمال 90 درصد، مقدار میانگین کمینه دمای روزانه اقلیم آینده زنجان در دسامبر نسبت به میانگین کمینه دمای روزانه اقلیم تاریخی آن، می تواند بین 6/2 تا 8/3 درجه افزایش داشته باشد. از شکل (5) و  جدول (3) نتایج مشابهی برای سایر ماه ها نیز مشهود است.

هم­چنین در خصوص ارزیابی اثر تغییر اقلیم بر بیشینه دمای روزانه زنجان، چکیده نتایج تحت سناریوهای B1، A2، و A1B، در شکل (6) و  جدول (4) ارایه شده است. در مورد بیشینه دمای روزانه زنجان نیز، دامنه حدود 90% سناریوهای اقلیم آینده به کلی خارج از دامنه نوسانات 90% اقلیم فعلی است و علی رغم نوسانات اقلیم، پیش­یابی می شود که میانگین­های ماهانه بیشینه دمای روزانه در همه ماه های سال افزایش یابد. از طرفی عدم قطعیت سناریوهای انتشار در مقایسه با میزان افزایش دما اندک است. در مجموع علی رغم عدم قطعیت سناریوهای انتشار و نوسانات اقلیمی، نتایج حاکی از افزایش مهم و قابل توجه میانگین­های ماهانه بیشینه دمای روزانه زنجان است. مقادیر این افزایش در ماه­های مختلف سال در شکل (6) و  جدول (4) قابل مشاهده است.

 

 

 

شکل 6- چکیده ای از نتایج ارزیابی آثار تغییر اقلیم و نوسانات اقلیمی بر میانگین های ماهانه بیشینه دمای روزانه زنجان تحت سناریوهای انتشار مختلف مدل CGCM3 با استفاده از شبیه سازی مدل LARS-WG.

Figure 6- Summary of results for climate change impact assessment on monthly means of maximum daily temperature under different emission scenarios using LARS-WG mode


 

 

 

جدول 4- مقادیر میانگین و حدود 90% میانگین های بیشینه دمای روزانه زنجان در شبیه سازی 100 سری 30 ساله برای اقلیم تاریخی؛ و میانگین و حدود حداکثر وحداقل 90% سناریوهای اقلیم تغییر یافته آینده آن­ها

Table 4-Means and 90 percentile bounds of historical monthly means of maximum daily temperature as well as mean and 90 percentile bounds of future A2, B1, and A1B scenarios for monthly means of maximum daily temperature, each calculated from 100 simulated 30 years’series for Zanjan.

Jan

Feb

Mar

Apr

May

Jun

Jul

Aug

Sep

Oct

Nov

Dec

 

1/6

3/6

9/1

17/2

22/1

28/3

31/9

31/7

27/9

20/1

12/1

5/1

مشاهداتی

1/6

3/6

9/5

17/5

22/5

28/1

32/1

31/9

27/8

19/8

11/9

4/9

دوره تاریخی 1971-2000

4/1

6

11/2

21/1

26/8

31/2

35/1

34/1

31

22/4

13/4

6/8

A1B    2035-64

3/5

4/8

11/2

20/4

24/8

30/2

34/3

33/8

30/1

22

13/6

6/8

    B1     2035-64

3/7

5/3

11/6

22/5

27/1

31/5

35/6

34/3

31

22/3

14/2

7

    A2     2035-64

1/4

3/2

9/3

17/2

22/3

27/9

31/9

31/8

27/6

19/6

11/6

4/5

حد بالای 90% دوره تاریخی

1/9

3/8

9/9

17/7

22/8

28/3

32/3

32/1

28

20/1

12/2

5/1

حد پایین 90%  دوره تاریخی

4/3

6/2

11/9

22/8

27/3

31/7

35/8

34/4

31/1

22/6

14/4

7/2

حد بالای 90% سناریوهای  آینده

3/2

4/5

10/9

20/2

24/6

30

34/1

33/6

29/9

21/7

13/2

6/5

حد پایین 90%  سناریوهای  آینده


 

نتیجه گیری

 

سناریو‌های منتشر شده توسط هیأت بین دول تغییر اقلیم حاکی از تداوم تغییر اقلیم مناطق مختلف کره زمین در سال­های آینده است. ویژگی­های تغییر اقلیم و آثار آن در مناطق مختلف متفاوت است و عموماً برای هر منطقه، پیش­یابی اقلیم تغییر یافته آینده برای کسب آمادگی برای شرایط اقلیمی آینده اهمیت دارد. در حال حاضر نتایج پیش­یابی اقلیم تغییر یافته آینده با عدم قطعیت های مهمی روبه­رو است که از جمله مهم­ترین آن­ها عدم قطعیت نوسانات طبیعی اقلیم و عدم قطعیت سناریوهای انتشار است. با منظور نمودن عدم قطعیت های نوسانات طبیعی اقلیم و سناریوهای انتشار، نتایج دامنه وسیعی از حالات محتمل آینده را در بر می­گیرد که در افزایش قابلیت اعتماد نتایج بسیار مهم است. در این تحقیق آثار تغییر اقلیم آینده زنجان بر متغیرهای بارش روزانه، کمینه دمای روزانه و بیشینه دمای روزانه، با تحلیل هم­زمان عدم قطعیت­های نوسانات طبیعی اقلیم و سناریوهای انتشار، ارزیابی شده است.

برای کاهش مقیاس سناریوهای آینده از روش مولد­های استوکستیک داده­های هواشناسی توسط مدل LARS-WG استفاده شده است. خروجی های مدل CGCM3 برای سناریوهای انتشار A1B، A2، و B1 که به ترتیب بیان­گر حالات غلظت متوسط، غلظت زیاد و غلظت کم گازهای گل­خانه­ای هستند توسط مدل LARS-WG برای زنجان ریز مقیاس شده است. برای تحلیل عدم قطعیت نوسانات اقلیمی و سناریوهای انتشار، ارزیابی اثر تغییر اقلیم بر هر متغیر ، با مقایسه حدود 90% تغییرات 100 سری تولید شده توسط مدل­ LARS-WG برای اقلیم حال و برای هر سناریوی اقلیم آینده انجام شده است. به این ترتیب نتایج دامنه­ای از حالات ممکن از هر اقلیم را در بردارند و در نتیجه به این ترتیب قابلیت اعتماد نتایج افزایش می­یابد.

نتایج ارزیابی عملکرد مدل LARS-WG حاکی از عملکرد قابل قبول مدل در بازتولید میانگین های متغیرهای مشاهداتی

است. تحت سناریوهای مورد بررسی، نتایج ارزیابی آثار تغییر اقلیم زنجان حاکی از افزایش قابل توجه میانگین­های کمینه دمای روزانه و بیشینه دمای روزانه در اقلیم آینده (2064-2035) نسبت به اقلیم فعلی (2000-1971) است. این نتایج نشان می­دهد برای هر یک از متغیرهای کمینه دمای روزانه و بیشینه دمای روزانه، دامنه 90% سناریوهای اقلیم آینده زنجان به کلی خارج از دامنه نوسانات 90% اقلیم فعلی است. در نتیجه حتی با وجود عدم قطعیت­های نوسانات طبیعی اقلیم و سناریوهای انتشار، پیش­یابی می­شود که در همه ماه­های سال میانگین­های بیشنه دمای روزانه و کمینه دمای روزانه افزایش یابد. مقدار افزایش میانگین این متغیرها در ماه های مختلف سال متفاوت است. با مقایسه میانگین هر متغیر اقلیم فعلی در هر ماه از سال با حدود 90% سناریوهای اقلیم آینده (که در برگیرنده عدم قطعیت نوسانات اقلیمی و سناریوهای انتشار است)، مشاهده شد که میانگین ماهانه دمای کمینه اقلیم آتی بین 2/1 تا 4/5 درجه سانتی­گراد افزایش خواهد یافت. این افزایش برای دمای بیشینه بین 9/0 تا 3/5 درجه است. در خصوص متغیر بارش، در اغلب ماه­های سال میانگین سناریوهای اقلیم آینده کمتر از میانگین بارش اقلیم فعلی است. لیکن با توجه به عدم قطعیت­های موجود و تداخل دامنه نوسانات اقلیم فعلی با حدود سناریوهای اقلیم آینده، افزایش مقدار بارش نیز با احتمال اندک ممکن است. با مشاهده دامنه عدم قطعیت­ها در نتایج، مشخص شد که در نظر گرفتن عدم قطعیت­های سناریوهای انتشار و نوسانات اقلیمی در نتایج مهم است، ضمن آن­که دامنه عدم قطعیت­ها در بارش بسیار بیش­تر از دامنه عدم قطعیت­ها در دما است.

Reference

  1. IPCC, 2001. Climate change 2001. Impacts, Adaptation and Vulnerability. Contribution of Working Group II to the third assessment report of the Intergovernmental Panel on Climate Change. UK: Cambridge University Press.
  2. IPCC, 1995. Impacts, Adaptations and Mitigation of Climate Change: Scientific-Technical Analyses. In: WATSON, R. T., ZINYOWERA, M.C., MOSS, R.H. (ed.). UK.
  3. Khazaei, M.R., Zahabiyoun, B., and Saghafian, B., 2012. Assessment of climate change impact on floods using weather generator and continuous rainfall-runoff model, International Journal of Climatology, 32:1997-2006
  4. Khazaei, M.R., Climate Change Impacts assessment on Floods Frequency and Magnitude, Ph.D. thesis, Iran University of Science and Technology, School of Civil Engineering, 2010, 187 pages. (In Persian)
  5. Babaeian, E., Nagafineik, Z., Zabolabasi, F., Habeibei, M., Adab, H., malbisei, S., 2010. Climate Change Assessment over Iran During 2010-2039 by Using Statistical Downscaling of ECHO- G Model, Geography and Development Iranian Journal, 16:135-152. (In Persian)
  6. Ghorbanizadeh Karazi, H., Chelehmal Dezfoulnezhad, M., 2010. Study on the effect of climate change on snowmelt runoff timing in Dez basin. Journal of Wetland Ecobiology, 2: 56-66. (In Persian)
  7. Kamal, A.R., Masah Bavani, A.R., 2011. Climate change and variability impact in basin’s runoff with interference of tow hydrology models uncertainty. Journal of Water and Soil, 24:920-931. (In Persian)
  8. Heidari, A.R., Assessment of various climate change scenarios on multi objective reservoirs operation (Case study: Ami Kabir Dam), Master science thesis, Tarbiat Modares University, School of Civil Engineering, 2011, 125 pages. (In Persian)
  9. IPCC, 2007. General Guidelines on the use of Scenario Data for Climate Impact and Adaptation Assessment, version 2.
  10. Kay, A. L., Davies, H. N., Bell, V. A. & Jones, R. G., 2009. Comparison of uncertainty sources for climate change impacts: flood frequency in England, Climatic Change, 92, 41-63.
  11. Reaney, S. M.; Fowler, H. J., 2008. Uncertainty estimation of climate change impacts on river flow incorporating stochastic downscaling and hydrological model parameterisation error sources, BHS 10th National Hydrology Symposium, Exeter.
  12. Minville M, Brissette F, Leconte R., 2008. Uncertainty of the impact of climate change on the hydrology of a nordic watershed, Journal of Hydrology 358:70-83.
  13. Khazaei M.R., Ahmadi S., Saghafian B., Zahabiyoun B., 2013. A new daily weather generator to preserve extremes and low-frequency variability, Climatic Change: 119:631–645.
  14. Prudhomme, C., Jakob, D. & Svensson, C., 2003. Uncertainty and climate change impact on the flood regime of small UK catchments, Journal of Hydrology, 277, 1-23.
  15. Wilby RL, Christian WD., 2007. SDSM 4.1- a decision support tool for the assessment of regional climate change impacts, User Manual. http://co-public.lboro.ac.uk/cocwd/SDSM/SDSMManual.pdf
  16. Prudhomme, C., Reynard, N. & Crooks, S., 2002. Downscaling of global climate models for flood frequency analysis: where are we now?, Hydrological Processes, 16, 1137-1150.
  17. Fowler HJ, Blenkinsop S, Tebaldi C. 2007. Linking climate change modelling to impacts studies: recent advances in downscaling techniques for hydrological modeling, International Journal of Climatology 27:1547-1578.
  18. Wilby, R.L., Dawson, C.W. & Barrow, E.M., 2002. SDSM - a decision support tool for the assessment of regional climate change impacts, Environmental Modelling & Software, 17, 147-159.
  19. Semenov, M.A., and Brooks, R.J., 1998. Comparison of the WGEN and LARSWGstochastic weather generators for diverse climates, Climate Research,10: 95-107.
  20. Utset, A., Martinez-cob, A., Farre, I. & Cavero, J., 2006. Simulating the effects of extreme dry and wet years on the water use of flooding-irrigated maize in a Mediterranean landplane, Agricultural Water Management, 85, 77-84.
  21. 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.
  22. Mavromatis, T. & Hansen, J.W., 2001. Interannual variability characteristics and simulated crop response of four stochastic weather generators, Agricultural and Forest Meteorology, 109, 283-296.
  23. Khan, M. S., Coulibaly, P. & Dibike, Y., 2006. Uncertainty analysis of statistical downscaling methods. Journal of Hydrology, 319, 357-382.
  24. Semenov, M. A., 2007. Development of high-resolution UKCIP02-based climate change scenarios in the UK, Agricultural and Forest Meteorology, 144, 127-138.
  25. Holman, I.P., Tascone, D. & Hess, T.M., 2009. A comparison of stochastic and deterministic downscaling methods for modelling potential groundwater recharge under climate change in East Anglia, UK: implications for groundwater resource management, Hydrogeology Journal, 17, 1629-1641.
  26. Kilsby, C. G., Jones, P.D., Burton, A., Ford, A. C., Fowler, H.J., Harpham, C., James, P., Smith, A. & Wilby, R.L. 2007, A daily weather generator for use in climate change studies, Environmental Modelling & Software, 22, 1705-1719.
  27. Dubrovsky, M., Buchtele, J. & Zalud, Z., 2004. High-frequency and low-frequency variability in stochastic daily weather generator and its effect on agricultural and hydrologic modeling, Climatic Change, 63, 145-179.
  28. Hansen, J.W., Mavromatis, T., 2001. Correcting low-frequency variability bias in stochastic weather generators, Agricultural and Forest Meteorology 109:297-310.

 



[1]- استادیار، گروه مهندسی عمران، دانشگاه پیام نور، ایران*(مسوول مکاتبات).

[2]- استادیار، گروه مهندسی آب، واحد سنندج، دانشگاه آزاد اسلامی، سنندج، ایران.

[3]- استادیار، پژوهشکده اقلیم شناسی، سازمان هواشناسی کشور.

[4]- Department of Civil Engineering, Payame Noor University, I.R of Iran. (Corresponding author)

[5]- Department of Water Engineering, Sanandaj Branch, Islamic Azad University, Sanandaj, Iran.

[6]- Climatological Research Institute, Mashhad, Iran.

[7]- Intergovernmental Panel on Climate Change

[8]- General Climate Model

[9]- Resolution

[10]- Intergovernmental Panel of Climate Change

[11]- Uncertaintydue to naturalclimate variability

[12]- Regional Climate Models

[13]- Statistical Downscaling

[14]- Change Factors ( or Delta change)

[15]- Baseline

[16]- Weather typing schemes

[17]- Weather Generator

[18]- Weather Generators

[19]- Sampling variability

[20]- Confidence interval

  1. IPCC, 2001. Climate change 2001. Impacts, Adaptation and Vulnerability. Contribution of Working Group II to the third assessment report of the Intergovernmental Panel on Climate Change. UK: Cambridge University Press.
  2. IPCC, 1995. Impacts, Adaptations and Mitigation of Climate Change: Scientific-Technical Analyses. In: WATSON, R. T., ZINYOWERA, M.C., MOSS, R.H. (ed.). UK.
  3. Khazaei, M.R., Zahabiyoun, B., and Saghafian, B., 2012. Assessment of climate change impact on floods using weather generator and continuous rainfall-runoff model, International Journal of Climatology, 32:1997-2006
  4. Khazaei, M.R., Climate Change Impacts assessment on Floods Frequency and Magnitude, Ph.D. thesis, Iran University of Science and Technology, School of Civil Engineering, 2010, 187 pages. (In Persian)
  5. Babaeian, E., Nagafineik, Z., Zabolabasi, F., Habeibei, M., Adab, H., malbisei, S., 2010. Climate Change Assessment over Iran During 2010-2039 by Using Statistical Downscaling of ECHO- G Model, Geography and Development Iranian Journal, 16:135-152. (In Persian)
  6. Ghorbanizadeh Karazi, H., Chelehmal Dezfoulnezhad, M., 2010. Study on the effect of climate change on snowmelt runoff timing in Dez basin. Journal of Wetland Ecobiology, 2: 56-66. (In Persian)
  7. Kamal, A.R., Masah Bavani, A.R., 2011. Climate change and variability impact in basin’s runoff with interference of tow hydrology models uncertainty. Journal of Water and Soil, 24:920-931. (In Persian)
  8. Heidari, A.R., Assessment of various climate change scenarios on multi objective reservoirs operation (Case study: Ami Kabir Dam), Master science thesis, Tarbiat Modares University, School of Civil Engineering, 2011, 125 pages. (In Persian)
  9. IPCC, 2007. General Guidelines on the use of Scenario Data for Climate Impact and Adaptation Assessment, version 2.
  10. Kay, A. L., Davies, H. N., Bell, V. A. & Jones, R. G., 2009. Comparison of uncertainty sources for climate change impacts: flood frequency in England, Climatic Change, 92, 41-63.
  11. Reaney, S. M.; Fowler, H. J., 2008. Uncertainty estimation of climate change impacts on river flow incorporating stochastic downscaling and hydrological model parameterisation error sources, BHS 10th National Hydrology Symposium, Exeter.
  12. Minville M, Brissette F, Leconte R., 2008. Uncertainty of the impact of climate change on the hydrology of a nordic watershed, Journal of Hydrology 358:70-83.
  13. Khazaei M.R., Ahmadi S., Saghafian B., Zahabiyoun B., 2013. A new daily weather generator to preserve extremes and low-frequency variability, Climatic Change: 119:631–645.
  14. Prudhomme, C., Jakob, D. & Svensson, C., 2003. Uncertainty and climate change impact on the flood regime of small UK catchments, Journal of Hydrology, 277, 1-23.
  15. Wilby RL, Christian WD., 2007. SDSM 4.1- a decision support tool for the assessment of regional climate change impacts, User Manual. http://co-public.lboro.ac.uk/cocwd/SDSM/SDSMManual.pdf
  16. Prudhomme, C., Reynard, N. & Crooks, S., 2002. Downscaling of global climate models for flood frequency analysis: where are we now?, Hydrological Processes, 16, 1137-1150.
  17. Fowler HJ, Blenkinsop S, Tebaldi C. 2007. Linking climate change modelling to impacts studies: recent advances in downscaling techniques for hydrological modeling, International Journal of Climatology 27:1547-1578.
  18. Wilby, R.L., Dawson, C.W. & Barrow, E.M., 2002. SDSM - a decision support tool for the assessment of regional climate change impacts, Environmental Modelling & Software, 17, 147-159.
  19. Semenov, M.A., and Brooks, R.J., 1998. Comparison of the WGEN and LARSWGstochastic weather generators for diverse climates, Climate Research,10: 95-107.
  20. Utset, A., Martinez-cob, A., Farre, I. & Cavero, J., 2006. Simulating the effects of extreme dry and wet years on the water use of flooding-irrigated maize in a Mediterranean landplane, Agricultural Water Management, 85, 77-84.
  21. 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.
  22. Mavromatis, T. & Hansen, J.W., 2001. Interannual variability characteristics and simulated crop response of four stochastic weather generators, Agricultural and Forest Meteorology, 109, 283-296.
  23. Khan, M. S., Coulibaly, P. & Dibike, Y., 2006. Uncertainty analysis of statistical downscaling methods. Journal of Hydrology, 319, 357-382.
  24. Semenov, M. A., 2007. Development of high-resolution UKCIP02-based climate change scenarios in the UK, Agricultural and Forest Meteorology, 144, 127-138.
  25. Holman, I.P., Tascone, D. & Hess, T.M., 2009. A comparison of stochastic and deterministic downscaling methods for modelling potential groundwater recharge under climate change in East Anglia, UK: implications for groundwater resource management, Hydrogeology Journal, 17, 1629-1641.
  26. Kilsby, C. G., Jones, P.D., Burton, A., Ford, A. C., Fowler, H.J., Harpham, C., James, P., Smith, A. & Wilby, R.L. 2007, A daily weather generator for use in climate change studies, Environmental Modelling & Software, 22, 1705-1719.
  27. Dubrovsky, M., Buchtele, J. & Zalud, Z., 2004. High-frequency and low-frequency variability in stochastic daily weather generator and its effect on agricultural and hydrologic modeling, Climatic Change, 63, 145-179.
  28. Hansen, J.W., Mavromatis, T., 2001. Correcting low-frequency variability bias in stochastic weather generators, Agricultural and Forest Meteorology 109:297-310.