نوع مقاله : فنی و ترویجی
نویسندگان
گروه جغرافیا، دانشگاه فردوسی مشهد، مشهد، ایران
چکیده
مقیاس‌کاهی روشی برای برآورد اقلیمی با تفکیک افقی بالا از برونداد مدل‌های گردش کلی (GCM) با تفکیک نسبتاً پایین است. مقیاس‌کاهی آماری، روابط آماری بین متغیرهای مشاهداتی در مقیاس کوچک (اغلب در سطح ایستگاه) و برونداد مستقیم مدل‌ها در مقیاس بزرگتر را با استفاده از سه رویکرد پیش آگاهی کامل (PP)، آماره‌های برونداد مدل (MOS) و مولدهای جوی (WGs) استخراج می‌کند. تصحیح اریبی که به شکل گسترده در مطالعات تغییر اقلیم استفاده می‌شود رویکرد MOS از مقیاس‌کاهی آماری است. باید توجه داشت که ارزش افزوده‌ای که در مقیاس‌کاهی‌ها به دست می‌آید، توسط روش‌های تصحیح اریبی به دست نمی‌آید. فارغ از عدم قطعیت ذاتی مدل‌ها، به‌کارگیری یک روش و یا یک نرم‌افزار نامناسب نیز ممکن است باعث افزایش اریبی در برونداد مدل‌ها شود. در پژوهش حاضر برونداد مدل EC-Earth3-CC برای دو متغیر دمای کمینه و بیشینه با نرم‌افزار CMhyd و زبان برنامه‌نویسی R مقایسه شد. بررسی نتایج نشان داد نرم‌افزار CMhyd چه در استخراج برونداد مستقیم و چه پس از انجام فرایند تصحیح اریبی، خطای قابل توجهی دارد. برای نمونه درصد اریبی برونداد مستقیم دمای بیشینه در آبادان 2/10 درصد بوده است درحالی‌که در نرم‌افزارCMhyd ،ا 5/10 درصد به‌دست آمد. نتیجه این پژوهش لزوم به‌کارگیری صحیح روش‌ها و نرم‌افزارهای پردازش برونداد GCMs را نشان‌می‌دهد.
کلیدواژه‌ها
موضوعات
شعبان‌پور، فاطمه، بذرافشان، جواد، و عراقی‌نژاد، شهاب. (1399). ارزیابی تاثیر روش‌های تصحیح اریبی بر مهارت پیش‌بینی فصلی بارش مدل اقلیمی CFSv2. تحقیقات آب و خاک ایران، 51(12)، 3017-3032. doi: 10.22059/ijswr.2020.306717.668680
یزدانی، دینا، زرین، آذر، و داداشی رودباری، عباسعلی. (1403). بررسی کارایی روش‌های تصحیح اریبی در بهبود برونداد مستقیم دمای مدل‌های CMIP بر روی ایران. فیزیک زمین و فضا، 50(2)، 429-450. doi: 10.22059/jesphys.2024.363498.1007547
Chen, J., Brissette, F. P., Poulin, A., & Leconte, R. (2011). Overall uncertainty study of the hydrological impacts of climate change for a Canadian watershed. Water Resources Research, 47(12). https://doi.org/10.1029/2011WR010602.
Cho, R. (2023). What uncertainties remain in climate science? Columbia Climate School. Retrieved March 26, 2024, from https://news.climate.columbia.edu/2023/01/12/what-uncertainties-remain-in-climate-science/. Columbia, USA.
Döscher, R., Acosta, M., Alessandri, A., Anthoni, P., Arneth, A., Arsouze, T., & Zhang, Q. (2021). The EC-earth3 Earth system model for the climate model intercomparison project 6. Geoscientific Model Development Discussions, 2021, 1-90. https://doi.org/10.5194/gmd-15-2973-2022
Gates, W. L. (1985). The use of general circulation models in the analysis of the ecosystem impacts of climatic change. Climatic Change, 7(3), 267-284. https://doi.org/10.1007/BF00144171
Glahn, H. R., & Lowry, D. A. (1972). The use of model output statistics (MOS) in objective weather forecasting. Journal of Applied Meteorology and Climatology, 11(8), 1203-1211. https://doi.org/10.1175/1520-0450(1972)011%3C1203:TUOMOS%3E2.0.CO;2
Klein, W. H. (1948). Winter precipitation as related to the 700–mb circulation. Bulletin of the American Meteorological Society, 29(9), 439-453.
Klein, W. H., Lewis, B. M., & Enger, I. (1959). Objective prediction of five-day mean temperatures during winter. Journal of the Atmospheric Sciences, 16(6), 672-682. https://doi.org/10.1175/1520-0469(1959)016%3C0672:OPOFDM%3E2.0.CO;2
Lambert, S., & Boer, G. (2001). CMIP1 evaluation and intercomparison of coupled climate models. Climate Dynamics, 17, 83–106. https://doi.org/10.1007/PL00013736
Lenderink, G., Buishand, A., & Van Deursen, W. (2007). Estimates of future discharges of the river Rhine using two scenario methodologies: direct versus delta approach. Hydrology and Earth System Sciences, 11(3), 1145–1159. https://doi.org/10.5194/hess-11-1145-2007
Manabe, S., & Wetherald, R. T. (1975). The effects of doubling the CO 2 concentration on the climate of a general circulation model. Journal of Atmospheric Sciences, 32(1), 3-15. https://doi.org/10.1175/1520-0469(1975)032%3C0003:TEODTC%3E2.0.CO;2
Maraun, D. (2019). Statistical downscaling for Climate Science. In Oxford Research Encyclopedia of Climate Science. https://doi.org/10.1093/acrefore/9780190228620.013.712
Maraun, D., & Widmann, M. (2018). Statistical downscaling and bias correction for climate research. Vol.1. Cambridge University Press. Cambridge, England. https://doi.org/10.1017/9781107588783
Meehl, G. A., Boer, G. J., Covey, C., Latif, M., & Stouffer, R. J. (1997). Intercomparison makes for a better climate model. Eos, Transactions American Geophysical Union, 78(41), 445–451. https://doi.org/10.1029/97EO00276
Navarra, A. (2021). The role of systematic errors. National Science Review, 8(10), nwab082. https://doi.org/10.1093/nsr/nwab082
Neelin, J. D. (2010). Climate change and climate modeling. Vol.1. Cambridge University Press. Cambridge, England.
Rathjens, H., Bieger, K., Srinivasan, R., Chaubey, I., & Arnold, J. G. (2016). CMhyd user manual. Doc. Prep. Simulated Clim. Change Data Hydrol. Impact Study, 1413. https://swat.tamu.edu/software/cmhyd/
Rummukainen, M. (2016). Added value in regional climate modeling. Wiley Interdisciplinary Reviews: Climate Change, 7(1), 145-159. https://doi.org/10.1002/wcc.378
Schoof, J. T. (2013). Statistical downscaling in climatology. Geography Compass, 7(4), 249–265. https://doi.org/10.1111/gec3.12036
Society, T. R. (2021). Next generation climate models: a step change for net zero and climate adaptation. Royal Society. https://policycommons.net/artifacts/1724705/next-generation-climate-models/
Teutschbein, C., & Seibert, J. (2012). Bias correction of regional climate model simulations for hydrological climate-change impact studies: Review and evaluation of different methods. Journal of Hydrology, 456, 12–29. https://doi.org/10.1016/j.jhydrol.2012.05.052
Trenberth, K. E. (Ed.). (1992). Climate system modeling. Vol.1. Cambridge University Press. Cambridge, England.
)
ارسال نظر در مورد این مقاله