شهلا توانگر؛ حمیدرضا مرادی؛ علیرضا مساح بوانی؛ محمود آذری
چکیده
اقلیم سیستم پیچیده‌ای است که عمدتا به‌دلیل افزایش گازهای گلخانه‌ای در حال تغییر است و گرمایش جهانی منجر به تشدید تغییرات عوامل اقلیمی از جمله مقدار بارش و شدت وقایع حدی بارش می‌شود. در اثر تغییر اقلیم در آینده انتظار تغییر در میزان و حجم فرسایش خاک وجود دارد که مهمترین عامل اثر افزایش قدرت فرسایندگی باران می‌باشد. هدف از این تحقیق ...
بیشتر
اقلیم سیستم پیچیده‌ای است که عمدتا به‌دلیل افزایش گازهای گلخانه‌ای در حال تغییر است و گرمایش جهانی منجر به تشدید تغییرات عوامل اقلیمی از جمله مقدار بارش و شدت وقایع حدی بارش می‌شود. در اثر تغییر اقلیم در آینده انتظار تغییر در میزان و حجم فرسایش خاک وجود دارد که مهمترین عامل اثر افزایش قدرت فرسایندگی باران می‌باشد. هدف از این تحقیق تعیین اثر تغییر اقلیم بر عامل فرسایندگی باران است. به این منظور از خروجی‌های مدل اقلیمی HadCM3 تحت سناریوی انتشار A1B استفاده شد و ریزمقیاس سازی با مدل LARS-WG انجام گرفت. سپس با هدف پایش تغییرات عامل فرسایندگی در شمال ایران، عامل فرسایندگی در سه دوره 2030-2011، 2065-2045 و 2099-2080 شبیه‌سازی شد. نتایج شبیه‌سازی‌ها نشان داد که عامل فرسایندگی باران در ایستگاه‌های سنگده، بابل، کورکورسر، انزلی، بهشهر و گرگان در دوره 2030-2011 افزایش خواهد یافت و در ایستگاه‌های بابلسر، هشتپر، رشت و در دوره‌های 2065- 2045 و 2099-2080 کاهش می‌یابد. بیشترین تغییرات عامل فرسایندگی باران در دوره‌های آتی مورد بررسی در دوره 2030-2011 و کمترین تغییرات آن مربوط به دوره 2099-2080 محاسبه شد. همچنین، بیشترین میزان عامل فرسایندگی باران شبیه‌سازی شده، 42.6 مگاژول میلی‌متر بر هکتار ساعت در ایستگاه هشتپر و مربوط به دوره 2030-2011 به‌دست آمد. نتایج به‌دست آمده نشان می‌دهد که عامل فرسایندگی در طول قرن اخیر در منطقه شمال کشور در اکثر نقاط افزایشی خواهد بود.
باقر قرمزچشمه؛ علی‌اکبر رسولی؛ مجید رضائی‌بنفشه؛ علیرضا مساح بوانی؛ علی‌محمد خورشیددوست
چکیده
در روش‌های ریزمقیاس گردانی آماری که بر اساس رابطه بین داده‌های گردش عمومی اتمسفری-اقیانوسی و هر یک از متغیرهای اقلیمی (بارش، دمای کمینه، دمای بیشینه) ایجاد می‌شود، دوره آتی آن متغیر اقلیمی شبیه‌سازی می‌شود. از آن‌جایی که در شبیه‌سازی، تمامی عوامل رخ داد، یک متغیر در مدل وارد نمی‌شود، لذا برآورد به‌وجود آمده همراه با خطا و یا ...
بیشتر
در روش‌های ریزمقیاس گردانی آماری که بر اساس رابطه بین داده‌های گردش عمومی اتمسفری-اقیانوسی و هر یک از متغیرهای اقلیمی (بارش، دمای کمینه، دمای بیشینه) ایجاد می‌شود، دوره آتی آن متغیر اقلیمی شبیه‌سازی می‌شود. از آن‌جایی که در شبیه‌سازی، تمامی عوامل رخ داد، یک متغیر در مدل وارد نمی‌شود، لذا برآورد به‌وجود آمده همراه با خطا و یا عدم قطعیت می‌باشد. خروجی مدل‌های ریزمقیاس گردانی به‌عنوان ورودی در مدل‌های منابع آب و کشاورزی وارد شده و در صورتی که این ورودی‌ها دارای خطا باشند، خروجی مدل‌های ذکر شده نیز با عدم قطعیت بیشتری مواجه خواهد شد. شناخت مقدار خطا و یا عدم قطعیت هر مدل در قضاوت و اطمینان به نتایج به‌دست آمده ضروری است. در این تحقیق سعی شده است، عدم قطعیت ریزمقیاس گردانی مدل‌های GCM با شبکه عصبی در ایستگاه‌های شمال غرب کشور بررسی شود. بدین منظور، مدل شبکه عصبی اجراء و برای هر یک از ماه‌های سال، دمای کمینه، بیشینه و بارش با داده‌های NCEP واسنجی و ارزیابی شد. سپس، با داده‌های HadCM3 در دوره حاضر مدل ایجاد شده، مقادیر فوق شبیه‌سازی شد. داده‌های روزانه مشاهده‌ای هر ماه در دوره (2001-1961) تهیه و در هر ایستگاه و هر ماه با روش بوت استرپ فاصله اطمینان 99 درصد استخراج شد. سپس متوسط ماهانه دوره هر یک از متغیرهای اقلیمی برآورد شده به‌وسیله شبکه عصبی محاسبه شد. برای این منظور از دو معیار میانگین و واریانس داده‌ها استفاده شد. در هر ماه هرگاه میانگین یا واریانس برآورد شده در محدوده اطمیان قرار گیرد، برآورد به‌دست آمده دارای اطمینان است. برای مقایسه نتایج از تعداد ایستگاه-ماه استفاده شد. نتایج نشان داد که میانگین دمای بیشینه در 14 ایستگاه-ماه در محدوده اطمینان واقع شدند. تحلیل ماهانه آن نیز نشان داد، دقت شبکه عصبی در تابستان کم بوده و عدم قطعیت بالاتری نسبت به فصول دیگر دارد. در شبیه‌سازی دمای کمینه بر اساس این معیار 18 ایستگاه-ماه در محدوده اطمینان واقع شد. دقت شبکه عصبی در تابستان برای برآورد دمای کمینه کم و دارای عدم قطعیت در اغلب ایستگاه‌ها بود. به‌طوری که در ماه‌های ژوئن و آگوست در هیچ یک از ایستگاه‌ها برآورد به‌دست آمده در محدوده اطمینان قرار نگرفت. محدوده اطمینان بارش به‌دلیل ماهیت تغییرات زیاد آن نسبت به دما بسیار بالا بوده و تا بیش از 50 درصد بارش متوسط ماه نیز در برخی ایستگاه‌ها رسید. باتوجه به دامنه اطمینان بالای بارش، در 53 مورد ایستگاه-ماه در محدوده اطمینان قرار گرفتند.
