ریزمقیاس‌نماییِ تغییرات اقلیم با به‌کارگیری یک رهیافت آماری ناپارامتری در حوضه آبریز کرخه

نوع مقاله: مقاله تحقیقی‌ (پژوهشی‌)

نویسندگان

1 دانشگاه تهران، تهران، ایران

2 پردیس کشاورزی و منابع طبیعی دانشگاه تهران، تهران، ایران

چکیده

سری‌های زمانی خروجی مدل‌های گردش‌ کلی ‌جوّ (GCM) که براساس سناریوهایی از پیش‌تعریف‌شده در اختیار کاربران قرار می‌گیرد، دارای تفکیک مکانی اندک‌اند و برای منطقه‌ای کردن آنها باید از روش‌های ریزمقیاس‌نمایی استفاده کرد. روش‌های ریزمقیاس‌نمایی در دو دسته کلی فیزیکی و آماری قرار دارند، که روش‌های آماری ساده‌تر و در دسترس‌تر هستند. برای اجرای یک روش ریزمقیاس‌نمای آماری دو نوع اطلاعات مورد نیاز است: تغییرات پیش‌بینی‌شده و سری‌زمانی مشاهده‌شده یا تاریخی موجود در ایستگاه‌ها. در این تحقیق با استفاده از یک رهیافت ترکیبی که متشکل از دو روش ناپارامتری است، براساس خروجی مدل CGCM3T63 تحت سناریوی A1B در دو چشم‌‌انداز اقلیمی 30 سال (1391- 1420) و 50 سال (1391- 1440) متغیرهای اقلیمی دما و بارندگی در مقیاس مکانی منطقه‌ای و زمانی ماهانه برای حوضه آبریز کرخه شبیه‌سازی شده است.  نتایج به‌دست‌آمده نشان‌دهنده دقت مناسب رهیافت در زمینه شبیه‌سازی داده‌های هواشناسی و ریزمقیاس‌نمایی تغییرات اقلیمی ناشی از افزایش گازهای گلخانه‌ای است. با توجه به پیش‌بینی افزایشی برای دما و کاهشی برای بارندگی در مدل بزرگ‌مقیاس، این تغییرات با تعیین مناسب «پارامتر شکل» به روش کمترین مربعات خطا به سری ریزمقیاس شده انتقال یافت. علاوه‌‌براین، ساده و کم‌پارامتربودن این رهیافت در کنار ناپارامتری بودن آن، درحکم دلایل برتری آن بر بسیاری از شیوه‌های پارامتری موجود، قابل‌‌ذکر است. بررسی‌های موردی در سایر مناطق برای ارزیابی بیشتر مدل توصیه می‌شود.
 
 

کلیدواژه‌ها


عنوان مقاله [English]

Downscaling of climatic change using a non-parametric statistical approach in Karkheh basin

نویسندگان [English]

  • Mahdi Ghamghami 1
  • Nozar Ghahreman 2
چکیده [English]

The outputs of General Circulation Models (GCMs) which are available for the users based on predefined scenarios have a low spatial resolution. Hence, downscaling techniques should be used for regional studies. Since climate is an effective factor in natural phenomena, a time series of future weather data is required for meteorological, agricultural and hydrological prediction or pre-warning applications. It is also important to select and utilize better and more accurate techniques for theses purposes. Generally, downscaling methods are classified into two categories: dynamical and statistical. The statistical downscaling is commonly considered due to its simplicity and wide applicability. As an example, LARS-WG is a parametric or semi-parametric model which has been used widely, but it underestimates monthly variances. Undoubtedly, it is more useful to use an approach having a non-parametric structure so that it does not rely on a statistical structure by default. These models use a set of observations in the simulation process not  a certain value namely the "parameter".
    The aim of this study was to use a nonparametric approach for downscaling the GCM outputs. This approach is composed of one weather generator (WG) and a technique called strategic re-sampling which creates series that match the GCM output. The weather generator itself is based on a Kernel Density Estimator (KDE) and it is a multivariate weather generator. In the KDE method, all of the observations with a definite kernel function, commonly standardized and normalized, are used. Firstly, one of the normal kernels (with probability 1/n) is selected randomly and its mean is considered as the basic vector. Bandwidth (h) is the only parameter that should be estimated. The strategic re-sampling method includes a stochastic function based on the definition of the "shape parameter", which determines the tendency of the new series. At the first step, a strategic re-sampling is run and then strategic series are prepared as input to the WG and the simulating climate prospect.
    The study area is Karkheh Basin in Khuzestan Province, Southwest of Iran. Downscaling was done for two periods, 30 years (2011 to 2040) and 60 years (2011-2060) for monthly rainfall and air temperature variables based on the A1B scenario of the CGCM3T63 model. The results can be divided into three groups: an estimate of the strategic re-sampling parameter, evaluation of the weather generator applicability and finally, the climate change simulation. Results showed that in case of temperature, by selecting a unit value for the shape parameter, the generated series coincide with the observed or historical series. Substituting the values less or more than one resulted in warmer and colder simulated series, respectively. Similarly, for rainfall series the optimum value was 0.9. Accoring to the results, the ability of the WG in simulation of moments of different orders (mean, variance and skewness coefficient) was acceptable and the coefficients were cross validated. The applied GCM showed warmer and drier series for both study periods. The findings of the study revealed that future climate would be simulated accurately and non-significantly different from GCM outputs. In general, the suggested non-parametric approach can be recommend due to the following features: non existence of a default pattern in its structure, the least number of parameters for running, coincidence of the high accuracy in downscaling with the GCM outputs and simplicity. More case studies are recommended for further scrutiny.
 
Keywords: GCMs, re-sampling, KDE, Karkheh basin, downscaling

اشرف زاده، ا.، 1384، شبیه‌‌سازی دِبی جریان رودخانه با استفاده از روش های ناپارامتری، رسالة دکتری، گروه مهندسی آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی دانشگاه تهران.

بابائیان، ا.، مدیریان، ر.، کریمیان، م. و ملبوسی، ش.،‌1390، بررسی توانمندی مدل اقلیمی PRECIS در شبیه­سازی بارش‌های منطقه­ای ایران: نشریه پژوهش‌های اقلیمی ایران، 43(77)، 125-140.

رجبی، ا.، 1389، مدل‌سازی اقلیم کرمانشاه با استفاده از مدل ریزمقیاس LARS-WG: دومین کنفرانس سراسری مدیریت جامع منابع آب.

علیزاده، ا.، سیاری، ن.، حسامی کرمانی، م.، بنایان اول، م. و فرید، ح.، 1389، بررسی پتانسیل اثرات تغییر اقلیم بر منابع و مصارف آب کشاورزی مطالعه مورد: حوضه آبریز رودخانه کشف­رود: نشریه آب وخاک، 24(4)، 815-835.

قمقامی، م. و بذرافشان، ج.، 1389، ارزیابی عملکرد یک رهیافت ناپارامتری در شبیه­سازی داده­های بارندگی ماهانه در چند ایستگاه قدیمی ایران: چهاردهمین کنفرانس ژئوفیزیک ایران، تهران، موسسه ژئوفیزیک، 32-35.

قمقامی، م.، عراقی­نژاد، ش. و قهرمان، ن.، 1389، کاربرد یک رهیافت ناپارامتری در شبیه­سازی داده‌‌های روزانه دما و بارندگی هم‌سو با تغییرات اقلیم: نشریه پژوهش‌های اقلیم­شناسی، سال اول، 3 و4، 75-94.

قمقامی، م.، قهرمان، ن. و عراقی­نژاد، ش.، 1390، ارزیابی عملکرد رهیافت توسعه­یافته­ نزدیک­ترین همسایه در شبیه­سازی داده­های هواشناسی روزانه: نشریه تحقیقات آب و خاک ایران،42(1)، 45-54.

قهرمان، ن.، فلاح، ا. و بذرافشان، ج.، 1388، ارزیابی مولدهای هواشناسی LARS-WG و ClimGen در تولید داده­های دما و بارش: چهارمین کنفرانس سراسری آبخیزداری و مدیریت منابع آب و خاک، کرمان. 

کمال، ع.، مساح بوانی، ع. و نجفی، م.، 1390، مقایسه روش­های کوچک­مقیاس کردن تناسبی و آماری در تاثیر بر رواناب حوضه تحت تاثیر تغییر اقلیم: دومین کنفرانس ملی پژوهش­های کاربردی منابع آب ایران.

مشکوتی، ا.، کردجزی، م. و بابائیان، ا.، 1389، بررسی و ارزیابی مدل لارس در شبیه­سازی داده­های هواشناسی استان گلستان در دوره 2007-1993 میلادی:‌ نشریه تحقیقات کاربردی علوم جغرافیایی، 16(19)، 81-96.

Cannon, A. J., and Whitfield, P. H., 2002, Downscaling recent stream-flow conditions in British Columbia, Canada using ensemble neural network models: J. Hydrology, 259, 136–151.

Crane, R. G., and Hewitson, B. C., 1998, Doubled CO2 precipitation changes for the Susquehanna basin: downscaling from the general circulation model: International J. Climatology,18, 65–76.

Dinardo, J., and Tobis, L., 2001, Nonparametric density and regression estimation: J. Econ. Persrect., 15(4), 11-28.

 Hewitson, B., 1996, Climate downscaling: techniques and application: Climate Research 7, 85–95.

Klein,W. H., 1983, Objective specification of monthly mean surface temperature from mean 700 mb heights in winter: Monthly Weather Review, 113, 277–290.

Landman, W. A., Mason, S. J., Tyson, P. D., and Tennant, W. J., 2001, Statistical downscaling of GCM simulations to streamflow: J. Hydrology, 252, 221–236.

Rajagopalan, B., Lall, U., and Tarboton, D. G., 1997, Evaluation of kernel density estimation methods for daily precipitation re-sampling: Stochastic Hydrology and Hydraulics, 11, 523-547.

Semenov, M. A., and Barrow, E. M., 1997, Use of stochastic weather generator in the development of climate change scenarios: Climatology, 35, 397-414.

Semenov, M. A., 2009, Impacts of climate change on wheat in England and Wales. J. R. Soc. Interface, 6, 343–350.

Sharif, M., and Burn, D. H., 2006, Simulating climate change scenarios using an improved k nearest neighbor model, J. Hydrology, 325, 179-196.

Sharma, A., O’neil, R., 2002, A nonparametric approach for representing inter-annual dependence in monthly stream-flow": Water Res. Res., 138(7), 5-1:5-10.

Silverman, B. W., 1986, Density Estimation for Statistics and Data Analysis, Chapman and Hall, New York.

Srikanthan, R., Sharma, A., McMahon, and T. A., 2004, Stochastic generation of monthly rainfall data using a nonparametric approach, Technical report  02/8, CRC for Catchment Hydrology, Monash University, Clayton, 40p.

Zorita, E., and Von Storch, H., 1999, The analog method as a simple statistical downscaling: comparison with more complicated methods: J. Climate 12, 2474–2489.

Westmacott, J. R. and Burn, D. H., 1997, Climate change effects on the hydrological regime within the Churchill– Nelson river Basin: J. Hydrology, 202, 263–279.