Document Type : Research Paper

Authors

4-15

Abstract

With the seriousness of the climate change debate in the world, the study of parameters and elements of the climate has been widely considered. With changes in climate patterns and changes in temperature and precipitation patterns, other components such as runoff and soil moisture, which are important for natural and human systems, will undergo metamorphosis. Therefore, long-term prediction of climatic variables has been considered by many scientific communities worldwide in order to know about their changes and considering the necessary measures to moderate the adverse effects of climate change. The phenomenon of climate change is of increasing importance due to its scientific and practical dimensions, since human systems dependent on climatic elements such as agriculture, industry and the like are designed and operated on the basis of the stability and stability of the climate. Accordingly, general circulation models (GCMs) have been developed. Although these models represent significant results on the atmospheric and continental spatial scales, they combine a large part of the complexity of the planet's system, but they are inherently unable to control the dynamics and forms with a fine grid Local scalability. Therefore, an assessment of the effect of climate change on a local scale requires an interim and spatial gap between large-scale climatic variables and meteorological variables with local scale, in which case the main approach is the same downscaling models. The SDSM model is one of the most widely used statistical microscopic instruments, which has many uses in meteorological, hydrological, geographic and environmental studies. Because in this method, large-scale daily circulation patterns are used on a stationary scale; and when used for the rapid and cost-effective estimation of climate change, and for randomized meteorological generators and modified functions, have given acceptable results. Given that global models have generally simulated climatic elements until the year 2100, it is possible to use global model data to simulate the desired variables such as precipitation and temperature on a station scale. The Intergovernmental Panel on Climate Change (IPCC) has used its latest assessment report (AR5) on new scenarios for the RCP as representatives of different levels of greenhouse gas emissions. The new emission scenarios have four key paths RCP2.6, RCP4.5, RCP6 and RCP8.5, which are named after their radiation in 2100, Future Perspective. The variation of the maximum temperatures of the synoptic station of Urmia during the period (2021-2050) of the CanESM2 global model has been used under three scenarios RCP2.6, RCP4.5 and RCP8.5.

Keywords

Main Subjects

- اسپنانی، کیامرث؛ شهیدی، علی؛ رستمیان، رخساره؛ فرزانه، محمدرضا، 1391، بررسی تغییر اقلیم در دوره‌های آتی به کمک مدل  SDSM مطالعه موردی حوضه بهشت‌آباد کارون شمالی، اولین همایش ملی بیابان، 11 ص.
- آبکار، علی­جان.، حبیب­نژاد، محمود.، سلیمانی، کریم.، نقوی، هرمزد. 1392. بررسی میزان کارآیی مدل SDSM در شبیه­سازی شاخص­های دمایی در مناطق خشک و نیمه­خشک، فصلنامه مهندسی آبیاری و آب، سال چهارم، ش 14، صص 17-1.
- پیرمرادیان، نادر؛ هادی نیا، حسین؛ اشرف­زاده، افشین، 1395،پیش‌بینی دمای کمینه و بیشینه، تابش و بارش در ایستگاه سینوپتیک رشت تحت سناریوهای مختلف تغییر اقلیم، دوره 20، ش 55، صص 44-29.
- خورانی، اسدالله؛ جمالی، زهرا، 1395، اثر تغییر اقلیم بر شدت و مدت خشکسالی در ایستگاه­های خشک و نیمه خشک (بندرعباس و شهرکرد) تحت مدل HadCM3، نشریه جغرافیا و برنامه ریزی، دوره 20، ش 57، صص 131-115.
- دشت­بزرگی، آمنه.، علیجانی، بهلول.، جعفرپور، زین­العابدین.، شکیبا، علیرضا. 1394. شبیه­سازی شاخص­های حدی دمای استان خوزستان بر اساس سناریوهای RCP. جغرافیا و مخاطرات محیطی، ش 16، صص 123-105.
- ذهبیون، باقر؛ گودرزی، محمدرضا؛ مساح­بوانی، علیرضا، 1389،  کاربرد مدل SWAT در تخمین رواناب حوضه در دوره­های آتی تحت تأثیر تغییر اقلیم، نشریه پژوهش­های اقلیم­شناسی، ش 1و 2، صص 58-43.
- رسولی، علی اکبر.، جهانبخش.، سعید، قاسمی ، احمدرضا. 1393. بررسی ارتباط بین پارامترهای مهم ابر و بارش روزانه در ایران، فصلنامهتحقیقاتجغرافیایی، سال 29 ، ش  1، صص 112.
- شائمی، اکبر و مجید حبیبی­نوخندان (1388)، گرمایش جهانی و پیامدهای زیستی اکولوژیکی، چاپ اول، انتشارات دانشگاه فردوسی مشهد. 216 ص.
- صداقت­کردار، علی؛ فتاحی، ابراهیم، 1387، شاخص­های پیش آگاهی خشکسالی در ایران، مجله جغرافیا و توسعه، دانشگاه سیستان و بلوچستان، جلد 6، ش 11، صص 76-59.
- صلاحی، برومند.، گودرزی، مسعود.، حسینی، سید اسعد. 1395. پیش­بینی تغییرات دما و بارش در دهه  2050 در حوزه آبخیز دریاچه ارومیه، نشریه علوم و مهندسی آبخیزداری، ج 8، ش 4، صص 438-425.
- صمدی، سیده زهرا؛ مساح­بوانی، علیرضا، 1387، معرفی روش­های شبکه عصبی مصنوعی و SDSM به منظور کوچک مقیاس کردن آماری داده­های دما و بارندگی، سومین کنفرانس مدیریت منابع آب ایران، دانشگاه تبریز، 9 ص.
- عزیزی، قاسم.، روشن ،محمود. 1387. مطالعه تغییر اقلیم در سواحل جنوبی دریای خزر به روش من- کندال، مجله،پژوهش­هایجغرافیایی، ش 64، صص 28-13.
- قرمزچشمه، باقر، رسولی، علی اکبر.، رضایی­بنفشه، مجید، مساح­بوانی، علیرضا.، خورشیددوست، علی­محمد. 1393. بررسی اثر عوامل مرفو- اقلیمی بر دقت ریز مقیاس گردانی مدل SDSM، نشریه مهندسی و مدیریت آبخیز، ج 6، ش 2، صص 164-155.
- کارآموز، محمد.، رمضانی، فرید.، رضوی، سامان. 1385. پیش­بینی بلند مدت بارش با استفاده از سیگنال­های هواشناسی: کاربرد شبکه­های عصبی مصنوعی. هفتمین کنگره بین المللی مهندسی عمران.تهران، 11ص.
- کوهی، منصوره؛ ثنایی­نژاد، حسین، 1392، بررسی سناریوهای تغییراقلیم بر اساس نتایج حاصل از دو روش ریزمقیاس گردانی آماری برای متغیر تبخیر- تعرق مرجع در منطقه ارومیه، نشریه آبیاری و زهکشی ایران، جلد 7، ش 4، صص 574-559.
- گودرزی، مسعود.، صلاحی، برومند.، حسینی، سید اسعد. 1394. ارزیابی عملکرد مدل­های ریزمقیاس گردانی LARS-WG و SDSM در شبیه­سازی تغییرات اقلیمی در حوضه آبریز دریاچه ارومیه. فصلنامه علوم و مهندسی آبخیزداری ایران، انتشارات انجمن آبخیزداری ایران، ش 31، صص 22-11.
- مدرسی، فرشته، عراقی­نژاد، شهاب، ابراهیمی، کیومرث و مجید خلقی (1389)، بررسی منطقه­ای تغییر اقلیم با استفاده از آزمون­های آماری (مطالعه مورد: آبریز گرگانرود- قره سو)، نشریهآبوخاک(علوموصنایع کشاورزی)، ش 3، صص 489-476.
 
-Carter, T. R., Parry, M. L., Harasawa, H. and Nishioka, S.: 1994. IPCC technical guidelines for assessing climate change impacts and adaptions, IPCC Special Report to Working Group II of IPCC, London
- Chen, H., Yu Xu,C., Guo, SH. 2012. Comparison and evaluation of multiple GCMs, statistical downscaling and hydrological models in the study of climate change impacts on runoff. Journal of Hydrology,434-435: 36–45.
- Chiotti, Q.P. and Johnston, T. (1995) "Extending the boundaries of climate change research: A discussion on agriculture", J. of Rural Studies 11: 335-350.
Goodarzi, M., Jahanbakhsh, S., Rezaee, M., Ghafouri, A., Mahdian, M H. 2011. Assessment of Climate Change Statistical Downscaling Methods in a Single Site in Kermanshah , Iran, American-Eurasian Journal. Agric. & Environ. Sci., 6 (5): 564-572.
- Guo, B., Zhang, J., Gong, H., Cheng, X. 2014. Future climate change impacts on the ecohydrology of Guishui River Basin China, Ecohydrology & Hydrobiology, Available online,Volume null, Issue null, Page null.
- Hashmi, M.Z., Shamseldin A.Y., Melville, B.W. 2009. Downscaling of future rainfall extreme events: a weather generator based approach. 18th World IMACS. MODSIM Congress, Cairns, Australia, 13-17.
- Hu, T.S., Lam, K.C., Ng, S.T.2001. River flow time series prediction with a range dependent neural network. Hydrological Science Journal, 46: 729-745.
- IPCC. 2001. In: Watson, R.T., Zinyowera, M.C., Moss, R.H., Dokken, D.J. (Eds.), Special Report on The RegionalImpacts of Climate Change, An Assessment of Vulnerability. Cambridge University Press, UK.
- IPCC. 2007. Solomon, S., D. Qin, M. Manning, Chen, M., Marquis, K.B. Averyt, M.Tignor and H.L. Miller (eds.), Summary for Policymarkers, in: Climate Change 2007. Climate Change 2007: The Physical Science Basis, Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental.
-Lin, J.Y., Cheng,C.T., Chau, K.W. 2006. Using support vector machines for long-term discharge prediction. Hydrological Science Journal, 51: 599-612.
-Osman,Y., AL-Ansari, N., Abdellatif, M., Aljawad, S.B. Knutsson, S. 2013. Expected future precipitation in central Iraq using Lars-WG stochastic weather generator. Engineering Scientific Research, 6: 948-959.
-Qian, B., Gameda, S., Hayhoe, H., DeJong, R. and Bootsma, A (2004). Comparison of LARS-WG and AAFC-WG stochastic weather generators for diverse Canadian climates. Climate Research. 26:175-191
-Sharma D., Gupta A.D., Babel M.S.  2007. Spatial disaggregation of bias-corrected GCM precipitation for improved hydrologic simulation: Ping River Basin, Thailand, Hydrol. Earth Syst. Sci. 11: 1373–1390.
-Wigley, T.W. L., Jones, P. D., Briffa, K. R. and Smith, G.: 1990. Obtaining sub-grid scale information from coarse resolution general circulation model output, J. Geophys. Res. 951: 1943–1953.
-Wilby R.L., Dawson C.W, Barrow E.M. 2002. SDSM- a decision support tool for the assessment of regional climate change impacts, Environmental Modeling & Software, 17: 147-159.
-Zhang, X., Aguilar. E., Sensoy. S. 2005. Trends in middle east climate extreme indices from 1950 to 2003. Journal of Geophysical Research. 110: 12P.