نوع مقاله : مقاله علمی پژوهشی

نویسندگان

• خدیجه جوان ¹
• محمدرضا عزیززاده ²

¹ دانشیار آب و هواشناسی دانشگاه ارومیه

² استادیار دانشگاه پیام نور خوی

چکیده

خروجی‌های مدل‌های اقلیمی جهانی (GCMs) معمولاً دارای اریبی نسبت به داده‌های مشاهداتی هستند و قبل از استفاده از آن‌ها برای توسعه سناریوهای اقلیمی آینده، برخی تصحیحات باید انجام شود. روش‌های تصحیح اریبی از جمله روش‌های آماری متداول برای پردازش خروجی مدل‌های اقلیمی هستند. در این تحقیق تاثیر پنج روش تصحیح اریبی بر پیش‌نگری بارش مدل GFDL-ESM4 در حوضه دریاچه ارومیه مورد ارزیابی قرارگرفته است. روش‌های مورد استفاده در این تحقیق شامل روش‌های نسبت‌گیری خطی (LS)، نسبت‌گیری شدت موضعی (LOCI)، تبدیل توانی (PT)، نگاشت توزیع (DM) و تغییر عامل دلتا (DC) می‌باشند. از معیارهای ضریب همبستگی، مجذور میانگین مربعات خطا (RMSE) و درصد اریبی (PBias) برای ارزیابی دقت داده‌های تصحیح شده در دوره 2014-1990 نسبت به داده‌های مشاهداتی و انتخاب بهترین روش برای تصحیح ‌داده‌های سناریوهای آینده استفاده شده است. نتایج تحقیق نشان داد روش تغییر عامل دلتا برآوردهای خام را پس از اصلاح به طور قابل توجهی بهبود داد؛ بنابراین از این روش برای تصحیح داده‌های سناریوهای SSP1-2.6، SSP2-4.5 و SSP5-8.5 استفاده شد. علاوه بر این، پیش‌نگری‌های میانگین سالانه بارش در سناریوی SSP1-2.6 بین 2 تا 9 درصد، در SSP2-4.5 بین 5 تا 17 درصد و در SSP2-8.5 بین 8 تا 26 درصد کاهش را نسبت به داده‌های مشاهده‌ای نشان می‌دهند.

تازه های تحقیق

انتخاب روش تصحیح اریبی در برآورد پیامدهای تغییر اقلیم بسیار مهم است. این پژوهش با هدف ارائه خلاصه‌ای از روش‌های مختلف تصحیح اریبی و روش‌های ارزیابی آنها در حوضه آبریز دریاچه ارومیه با استفاده از شاخص‌های آماری مختلف (ضریب همبستگی، RMSE و PBIAS) انجام گردید. بدین منظور پیش­نگری­های بارش روزانه مدل GFDL-ESM4 در یک دوره 30 ساله در مقایسه با میانگین مشاهداتی حوضه بررسی شد و در ادامه از روش­های متنوعی برای اصلاح اریبی و بالا بردن دقت پیش­بینی­ها استفاده گردید.نتایج این تحقیق حاکی از آن است که پیش­نگری­های خام بارش در اغلب روزها از دقت مطلوبی برخوردار نبوده­اند. بنابراین نتیجه گرفته می­شود که اصلاح اریبی بارش، مرحله­ای ضروری و مؤثر در بهبود دقّت پیش­نگری­ها محسوب می­شود.مشخص شد که روش تغییر عامل دلتا (DC) مطابقت خوب و انحرافات کمتری در برابر بارش مشاهده شده نسبت به سایر روش­ها دارد. در نتیجه، نشان می‌دهد که روش DC برای تصحیح مجموعه ‌داده‌های سناریوها در این منطقه بهترین روش است.پیش­نگری­های بارش آینده تصحیح اریبی شده، تغییرات قابل توجهی را در طول قرن نشان می­دهد. در مقایسه با داده‌های مشاهده‌شده، پیش­نگری­های میانگین سالانه بارش مدل GFDL-ESM4، نشان‌دهنده کاهش بارش از 2 تا 9 درصد در سناریوی SSP1-2.6 و 8 تا 26 درصد در سناریوی SSP2-8.5 بود.نواحی شمالی و شمال­شرقی حوضه، کاهش بارش بیشتری خواهند داشت، در حالی که بخش‌های جنوبی، کاهش کمتری را تجربه خواهند کرد.علاوه بر این، تجزیه و تحلیل­ها نشان داد که بیشتر سال‌ها در قرن بیست و یکم بارندگی کمی را دریافت می‌کنند که می­تواند منجر به بروز خشکسالی در حوضه شود.

کلیدواژه‌ها

• بارش
• تصحیح اریبی
• حوضه دریاچه ارومیه
• مدل GFDL-ESM4

10.22034/gp.2023.56731.3140

موضوعات

• آب و هواشناسی

عنوان مقاله [English]

Evaluation of different bias correction methods and Projection of Future Precipitation Changes Using GFDL-ESM4 model in Lake Urmia basin

نویسندگان [English]

• khadijeh javan ¹
• mohammadreza Azizzadeh ²

¹ Associate Professor of Hydrology and Meteorology, Urmia University

² payame noor university

چکیده [English]

The outputs of general circulation models (GCMs) usually have a bias compared to observational data, and some corrections must be made before using them to develop future climate scenarios. The bias correction methods are the standard statistical methods for processing the output of climate models. In this research, the effect of five bias correction methods on the projected precipitation of the GFDL-ESM4 model in the Lake Urmia basin has been evaluated. The methods used in this research include linear scaling (LS), local intensity scaling (LOCI), power transformation (PT), distribution mapping (DM) and delta change factor (DC). Statistical metrics such as the correlation coefficient, root mean square error (RMSE) and percentage bias (PBias) have been used to evaluate the accuracy of the corrected data in the period of 1990-2014 compared to the observational data and to choose the best method for correcting the data of future scenarios. research results showed that the delta change method significantly improved the raw estimates after correction; Therefore, this method was used to correct the data of scenarios SSP1-2.6, SSP2-4.5 and SSP5-8.5. In addition, the projection of the mean annual precipitation shows a decrease between 2 and 9 percent in SSP1-2.6, between 5 and 17 percent in SSP2-4.5, and between 8 and 26 percent in SSP2-8.5 compared to the observed data.

کلیدواژه‌ها [English]

• Precipitation
• Bias correction
• Lake Urmia basin
• GFDL-ESM4 model