پروژه های خاتمه یافته و در حال اجرای گروه پژوهشی تغییر اقلیم

 

 

Climate change detection over Iran during 1958-2017

َAbstract

This project provides an updated estimate of climate change in Iran after quality controlling of data, discovery and modification of non-climatic inhomogenities on temperature, precipitation, humidity, radiation, cloudiness, wind and sunshine at 27(115 for decadal mean) weather stations of Iran during the 60-year period of 1958-2017. The results showed that the mean decadal  temperature  of Iran during 1958-1987, 1988-2017 and 2008-2017 are   18.2, 19.1, 19.5oC, respectively; meaning that the mean of country's temperature in the recent decade of 2008-2017 has been increased by 1.2oC(±0.4 )comparing to 1958-1988 reference period. In the same period mean annual precipitation of Iran are approximately 250, 235 and 210mm, meaning that mean annual precipitation of Iran in the recent decade of 2008-2017 has been decreased by about 40mm(15%) comparing to the reference period of 1958-1988. Results also confirmed that, air temperature increasing rate in the country over the recent 30 years is about 2 times faster than the past 60 years and yearly precipitation in recent 30 years has been decreasing four times faster than the past 60 years period.

 

Iran-Climate change_EN

Iran-Climate change_Persian

 

  • پیش‌بینی ماهانه تا فصلی بارش و دمای کشور – خاتمه یافته (خلاصه طرح)

یکی از مهمترین دغدغه‌ها در حوزه آب، کشاورزی و منابع طبیعی پیش‌بینی بارش و دما برای چند ماه آینده جهت برنامه‌ریزی برای مدیریت منابع آبی و سیاست‌های کشت می‌باشد. در سالیان اخیر به دلیل گرمایش جهانی تغییراتی در رفتار اقلیم منطقه به وجود آمده است که موجب افزایش تغییرپذیری مکانی و زمانی بارش و دما گردیده است. پیامد این موضوع بی‌اعتمادی به بارش‌ها و دمای مورد انتظار فصلی در مناطق مختلف کشور می‌باشد. هرچند عمر علم پيش‌بيني فصلي به ندرت به 30 سال مي‌رسد اما محققین تلاش‌های فراوانی در راستای بهبود پیش‌بینی‌های فصلی که دوره زمانی بیش از یک ماه تا کمتر از یک سال را پوشش می‌دهد، به عمل آورده‌اند. از جمله این مراکز می‌توان به مرکز پیش‌بینی‌های میان‌مدت اروپا (ECMWF)، مرکز پیش‌بینی‌های محیطی سازمان هواشناسی و اقیانوس‌شناسی آمریکا (NCEP)، مرکز هادلی سازمان هواشناسی انگلیس (Hadley Center) و مرکز اقلیم توکیو سازمان هواشناسی ژاپن
(Tokyo Climate Center) اشاره کرد. در دو مرکز اخیر تلاش های در جریان است تا بتوانند با استفاده از داده‌های شرایط اولیه اقیانوسی، اقلیم کره زمین را تا حدود 5 سال آینده پیش‌بینی نمایند که نتایج تحقیقات آنها برای مناطق حاره‌ای رضایت‌بخش بوده ولی در سایرمناطق توانایی قابل قبولی نداشته‌اند.

در این پروژه داده‌های پیش‌بینی تاریخی[1] (گذشته‌نگر)، پیش‌بینی زمان واقعی[2]، شبه‌مشاهداتی [3](بازکاوی) و مشاهداتی[4] برای واسنجی برونداد مدل‌های پیش‌بینی دینامیکی در مقیاس فصلی و ماهانه استفاده شد. مدل‌های زیادی هستند که محصولات پیش‌بینی را در مقیاس فصلی به صورت داده [5](GPV) به سهولت در دسترس کاربران قرار می‌دهند که از جمله آنها می‌توان به APCC، CMCC، CWB، MGO، MSC، NASA، NCEP/CFS، PNU و POAMA اشاره کرد؛ اما از مدل‌های یاد شده تنها مدل CFS داده‌های GPV را در مقیاس ماهانه به رایگان و سهولت در اختیار کاربران قرار می‌دهد. واسنجی داده‌های GPV در دو مقیاس فصلی و ماهانه به صورت جداگانه انجام گرفت. نتایج این تحقیق در مقیاس پیش‌بینی‌های فصلی نشان دادند که اعمال پس پردازش آماری به روش SVD می‌تواند توانایی پیش‌بینی فصلی بارش را در دوره سرد با 4/15 افزایش به 61 درصد برساند. این روش توانست صحت پیش‌بینی بارش در دوره گرم را با 5/7 درصد افزایش به 5/51 درصد برساند. اغلب مدل‌های پیش‌بینی فصلی عملکرد قابل‌قبولی در پیش‌بینی فصلی بارش در دوره گرم ندارند که یکی از علل آن وقوع بارش‌های ناگهانی و همرفتی در این دوره از سال می‌باشد. توانایی روش مورد استفاده در پیش‌بینی دما به مقدار محسوسی بیشتر از بارش می‌باشد به طوری که اعمال روش پس‌پردازش توانسته است صحت پیش‌بینی‌های خام مدل را از 50 و 48 درصد در دوره‌های گرم و سرد به ترتیب به 7/64 و 3/64 افزایش دهد. در مقیاس ماهانه، پس‌پردازش آماری به مقدار قابل‌توجهی توانسته است خطای مطلق و میانگین مجذور مربعات مدل را بهبود بخشد، به طوری که میانگین خطای مطلق بارش و مجذور مربعات خطا به ترتیب از 108 میلیمتر به 72 و از 180 به 110 میلیمتر کاسته شده است. همچنین پس‌پردازش آماری به مقدار قابل‎‌توجهی توانسته است خطای مطلق و میانگین مجذور مربعات دمای مدل را بهبود بخشد، به طوری که میانگین خطای مطلق دما و مجذور مربعات خطا به ترتیب از 26/2 درجه سلسیوس به 43/1 و از 94/2 درجه سلسیوس به 05/2 کاسته شده است. در مجموع پس‌پردازش آماری در مقیاس ماهانه توانسته است توانایی پیش‌بینی ماهانه را برای متغیرهای بارش و دما به ترتیب به میزان 2/33 و 5/36 درصد بهبود بخشد.

برای کاهش خطاهای انسانی و تسریع در پس‌پردازش آماری، بااستفاده از نرم‌افزار Matlab بسته نرم‌افزاری به نام CFT طراحی گردید که کارشناسان پیش‌بینی را قادر می‌سازد تا با نصب این نرم‌افزار، از دانلود خودکار داده‌ها از وب‌سایت NOAA، پس‌پردازش آماری و ترسیم نقشه‌ها برای کشور، استان و هر محدوده جغرافیایی دلخواه بهره‌مند گردند.

کلمات کلیدی: پیش‌بینی فصلی، مدل دینامیکی، پس‌پردازش آماری، مدل CFSv.2، بسته نرم‌افزاری CFT.

نحوه ارجاع به مقاله مستخرج از طرح:

بابائیان ا.، خزانه داری ل.، عباسی ف.، مدیریان ر.، کریمیان م.، ملبوسی ش.، 1397، پیش بینی ماهانه خشکسالی در حوضۀ آبريز جنوبغرب كشور با استفاده از مدل CFSv.2، مجله تحقیقات منابع آب، سال 14، شماره 3، صص 145-133.

تمامی حقوق این وب سایت متعلق به پژوهشکده اقلیم شناسی (CRI) می باشد.

Search

منوی اصلی