تحقیقات کاربردی علوم جغرافیایی

تحقیقات کاربردی علوم جغرافیایی

تحلیل روند تغییرات و پیش بینی پارامترهای حدی دمای ناحیه جنوبی دریای خزر

نویسندگان
مصطفی کریمی 1
فاطمه ستوده 2
سمیه رفعتی 3
1 دانشکده جغرافیای دانشگاه تهران
2 دانشگاه خوارزمی تهران
3 دانشگاه سید جمالدین اسدابادی
10.29252/jgs.18.48.79
چکیده
افزایش دمای کره زمین باعث بروز ناهنجاری­هایی در اقلیم کره زمین شده که این امر بر تمام زوایای زندگی و حیات بشر تاثیر گذار است. هدف از این مطالعه بررسی تغییرات دما و پیش بینی دمای حدی (حداکثر و حداقل دما) در استان گیلان و مازندارن است. جهت این بررسی از مدل آماری- دینامیکی SDSM و برای تحلیل تغییرات و روند دما از تکنیک آماری و گرافیکی من- کندال استفاده شده است. داده­های روزانه دمای ایستگاه رشت، رامسر و بابلسر طی دوره آماری 1961 تا 2010 از سازمان هواشناسی کشور و نیز داده­های مدل گردش عمومی HadCM3 از پایگاه های مربوطه اخذ شد. دوره مورد مطالعه به سه دوره تقسیم بندی گردید. نتایج حاکی از وجود روند مثبت معنی­داری در حداقل و حداکثر دمای ماهانه و سالانه هر سه ایستگاه در دوره اول و سوم است. همچنین در دوره دوم، روند معنی­داری در دماهای حدی رامسر و حداکثر دمای رشت دیده نمی­شود. آزمون گرافیکی من­کندال بر روی دماهای حدی سالانه سه دوره دارد که نتایج نشان داد در سطح 95 درصد اطمینان وقوع تغییرات از نوع روند افزایشی و نیز تغییرات از نوع ناگهانی در هر سه ایستگاه رخ داده است. در دوره پیش بینی شده، بیش­ترین تغییر در حداقل دمای ماهانه و سالانه دیده می­شود. افزایش حد دما حدوده 1/0 تا 7/1 درجه سانتیگراد بود. نوسانات کوتاه مدت و رخداد روند مثبت معنی­دار هم در حداکثر و هم در حداقل دما گویای افزایش دما در سال­های آتی خواهد بود که حاکی از وقوع تغییرات اقلیمی رخ داده می­باشد. در نتیجه می توان گفت که دمای شبانه افزایش داشته و تفاوت دمای فصل سرد و گرم کاهش می یابد.
کلیدواژه‌ها
تحلیل روند
پیش‌بینی
مدل سازی
تغییر اقلیم
دمای حدی

عنوان مقاله English

The Trend Analysis and Forecasting of Extreme Temperature Parameters in southern part of the Caspian Sea

نویسندگان English

Mostafa Karimi 1
Fatemeh Sotoudeh 2
Somayeh Rafati 3
1 Unoversity of Tehran
2 Unoversity of Kharazmi
3 , University of Sayyed Jamaleddin Asadabadi
چکیده English

Increasing CO2 emissions and consequently, air temperature causes climate anomalies which affects all the aspects of human life. The purpose of this study was to assess the temperature changes and also to predict the extreme temperatures in Gilan and Mazandaran Provinces. To do this, the SDSM statistical and dynamical model was used. As well, it was applied the Mann-Kendal graphical and statistical technique to analyze the temperature changes and its trend. In this regard, the daily temperature was obtained from Rasht, Ramsar and Babolsar synoptic stations during 1961 – 2010, and also the general circulation models data of HadCM3 and NCEP were collected from related databases. The results revealed a significant positive trend in monthly and annual minimum and maximum temperature in all three stations in the first (1961-2010) and third (1961-2040) periods. There is not a significant trend in extreme temperatures in Ramsar and maximum temperature in Rasht in the second period (2011-2040). The Mann-Kendal graphical test was used for the yearly extreme temperatures in all periods. The results showed that it was occurred both increasing trend and suddenly changes or shifts at the 95% confidence level in all stations. It is occurred the highest of changes in monthly and annual of the minimum temperature at forecasted period (2011-2040). It was predicted extreme temperature to increase about 0.1 to 1.7° C. The short time oscillations and significant positive trend occurred in both the maximum and minimum temperature shows the temperature increase and climate changes in the future. Thus it is obvious the decrease in temperature difference in warm and cold seasons.

کلیدواژه‌ها English

trend analysis
Forecasting
modeling
Climate Change
Extreme Temperature
Aqilah Tukimat, Nadarah Agilah, Nurul, & Harun, Sobri. (2013). Multi-Correlation Matrix (M-CM) for the Screening Complexity in the Statistical Downscaling Model (SDSM). International Journal of Engineering Science and Innovative Technology (IJESIT) (2), 331-341.
Barsugli, Joseph, Anderson, Chris, Smith, Joel. B., & Vogel, Jason.M., (2009). Options for Improving Climate Modeling to Assist Water Utility Planning for Climate Change. WUCA, Warer Utility Climate Alliance.
Burke, Eleanor.J., Brown, Simon.J. & Christidis, Nikolas. (2006). Modeling the recent evolution of global drought and projections for the twenty-first century with the Hadley Centre climate model. Journal of Hydrometeorology, 7(5), 1113-1125.
Chen, Hua., Xu, Chong.Yu., & Guo, Shenglian., (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.
Fiseha B. M., Melesse A.M, Romano E, Volpi E. & Fiori A., (2012). Statistical Downscaling of Precipitation and Temperature for the Upper Tiber Basin in Central Italy Regular Paper. International Journal of Water Sciences, 1(3), 1-14.
Hassan, Zulkarnain., Harun, Sobri. & Abdul Malek, Marlinda., (2012). Application of ANNs Model with the SDSM for the Hydrological Trend Prediction in the Subcatchment of Kurau River, Malaysia. Journal of Environmental Science and Engineering, (1), 577-585.
Goossens CH. & Berger, Andre. (1986). Annual and seasonal climatic variations over the northern hemisphere and Europe during the last century. Annales Geophysicae, (4), 385–400.
IPCC (2001). Climate change 2001. scientific basis. Cambridge University Press, Cambridge, UK and NewYork, NY, USA.
IPCC, (2001). Summary for Policymakers Emissions Scenarios, A Special Report of IPCC Working Group III.
IPCC (2007), Climate Change 2007. Synthesis Report. Contribution of Working Groups I, II and III to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. Geneva, Switzerland, IPCC.
IPCC (2013), Working Groups I Contribution to the IPCC Fifth Assessment Report of the Intergovernmental Panel on Climate Change 2013, The Physical Science Basis, Chapter 2, P58 , 113.
Loukas, A. , Vasiliades, L. & Tzabiras, J. (2008). Climate change effects on drought severity. Adv. Geosci., (17), 23–29.
Mekonnen. Dagnenet Fenta., Disse, Markus, (2016). Analyzing the future climate change of Upper Blue Nile River Basin (UBNRB) using statistical down scaling techniques, Hydrol. Earth Syst. Sci. Discuss, doi:10.5194/hess-2016-543.
Mirza, M. Q., Warrick, R. A., Ericksen, N. J. & Kenny, G. J. (1998). Trends and persistence in precipitation in the Ganges, Brahmaputra and Meghna river basins. Hydrological Sciences-Journal- des Sciences Hydrologiques, 43(6), 845- 858.
Samadi. S, Carbone. G. J, Mahdavi. M, Sharifi. F, & Bihamta. M. R, (2012). Statistical downscaling of climate data to estimate streamflow in a semi-arid catchment. Hydrology and Earth System Sciences Discussions, (9), 4869–4918.
Saraf, R., Vidya, Regulwar, G., Dattatray, (2016). Assessment of Climate Change for Precipitation and Temperature Using Statistical Downscaling Methods in Upper Godavari River Basin, India. Journal of Water Resource and Protection. 8, 31-45.
Serrano, A., Mateos, V.L. & Garcia, J.A., (1999). Trend Analysis of Monthly Precipitation Over the Iberian Peninsula for the Period 1921-1995. phys. Chem. Earth(B). 24(1-2), 85-90.
Sheffield, Justin. & Wood, .F.Eric. (2008). Projected changes in drought occurrence under future global warming from multi-model, multi-scenario. IPCC AR4 simulations, Clim Dyn, (31), 79–105.
Sneyers R. (1975). Sur l’analyse statistique des series d’observations. OMM Publication No.415, Note technique 143. OMM: World Meteorological Organization (WMO) Geneva & Switzerland; 192.
Wilby, R.L., Dawson, C.W. & Barrow, E.M., (2001). SDSM User Manual- A Decision Support Tool for the Assessment of Regional Climate Change Impacts. http://wwwstaff. lboro.ac.uk/~cocwd/sdsm.html.