بررسی مدل‌های CMIP6 در برآورد دمای ایران با تأکید بر حساسیت اقلیم ترازمند ECS)) و پاسخ اقلیم گذرا (TCR)

نوع مقاله : مقاله پژوهشی‌

نویسندگان

1 دانشیار اقلیم شناسی، گروه جغرافیا، دانشگاه فردوسی مشهد، ایران

2 پژوهشگر پسادکتری اقلیم شناسی، گروه جغرافیا، دانشگاه فردوسی مشهد، ایران

چکیده

این پژوهش با هدف بررسی کارایی مدل‌های اقلیمی در برآورد دمای ایران انجام شده است. برای این منظور، با درنظر­گرفتن حساسیت اقلیم ترازمند ECS)) و پاسخ اقلیم گذرا (TCR) تعداد سی مدل از مدل­های فاز ششم پروژه مقایسه مدل‌های جفت‌شده (CMIP6) گزینش و با تمرکز بر پراکنش فضایی داده­ها و روند سالانه دما ارزیابی و درستی این مدل­ها با داده‌های پنجاه و یک ایستگاه هواشناسی همدید برای دوره تاریخی (2014-1980) با استفاده از دو روش نمودار تیلور و نمودار جعبه‌ای بررسی شد. نتایج نشان داد بیشتر مدل‌های CMIP6 در بازتولید پراکنش فضایی دما کارایی مناسبی دارند؛ با این‌حال در متوسط پهنه‌ای کشور، 73 درصد از مدل­های مورد بررسی دمای کشور را کمتر از داده­های ایستگاهی برآورد کرده‌اند. به‌طورکلی بیش از 56 درصد از مدل­های مورد بررسی، همبستگی بیشتر از 5/0 را در مقایسه با داده­های ایستگاهی در متوسط پهنه‌ای دمای ایران نشان دادند. چهار مدل CanESM5، INM-CM5-0، TaiESM1 و UKESM1-0-LL بیشترین کارایی را در برآورد دمای ایران داشتند. روند سالانه دما در متوسط پهنه‌ای کشور که با آزمون من- کندال تصحیح‌شده بررسی شد، نشان داد روند دمای مدل­های CMIP6 همگام با داده­های مشاهداتی برای تمامی مدل­ها افزایشی است. بیشتر مدل­های CMIP6 در دوره تاریخی آهنگ گرمایش بیشتری را شبیه‌سازی کرده‌اند که با داده­های ایستگاهی تفاوت دارد. این تفاوت‌ها را نمی­توان با وردایی درونی اقلیم (ICV) توضیح داد. مدل­هایی با حساسیت اقلیم ترازمند بیشتر، آهنگ بیشتری از گرمایش را ایجاد کرده‌اند؛ برای نمونه مدل­هایی همانند CanESM5 و UKESM1-0-LL که بیشینه روند را نشان داده‌اند، بیشترین ECS و TCR را در بین مدل­ها داشته‌اند.
 

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Evaluation of CMIP6 models in estimating temperature in Iran with emphasis on equilibrium climate sensitivity (ECS) and transient climate response (TCR)

نویسندگان [English]

  • Azar Zarrin 1
  • Abbasali Dadashi-Roudbari 2
1 Associate Professor of Climatology, Department of Geography, Ferdowsi University of Mashhad, Mashhad, Iran
2 Postdoctoral Researcher of Climatology, Department of Geography, Ferdowsi University of Mashhad, Mashhad, Iran
چکیده [English]

Global warming is a gradual increase in the Earth's temperature generally due to the greenhouse effect caused by increased levels of carbon dioxide. Global warming has had significant consequences for human life, significantly affecting agricultural production, ecosystems, and water resources. The climate system of the Earth responds to a perturbation to the top of the atmosphere radiative balance through a change in temperature. This imbalance constitutes a radiative forcing of the climate system, and the magnitude of the response is determined by the strength of the forcing and the net radiative feedback. Equilibrium Climate Sensitivity (ECS) is an estimate of the eventual steady-state global warming at double CO2 and Transient Climate Response (TCR) is the mean global warming predicted to occur around the time of doubling CO2 in GCM and ESM runs for which atmospheric CO2 concentration is prescribed to increase at 1% per year.
   This study aimed to evaluate the performance of Climate Model Intercomparison Project Phase 6 (CMIP6) models by selecting 30 models considering TCR and ECS and to investigate temperature spatial distribution and annual trends in Iran. The performance of these models has been investigated with data from Iran’s fifty-one synoptic stations for the historical period (1980-2014) using the Taylor diagram and box plot. The results showed that most CMIP6 models have good performance in simulating spatial temperature patterns. However, in the area-averaged, 73% of the selected models have estimated the temperature of the country as less than the station data. In general, more than 56% of the models showed a correlation higher than 0.5 compared to station data in the area-averaged temperature of Iran. Four models including CanESM5, INM-CM5-0, TaiESM1, and UKESM1-0-LL have shown the highest performance in estimating the temperature in Iran. The area-averaged annual temperature trend, which was examined by the modified Mann-Kendall test, showed that the temperature trend of CMIP6 models is increasing along with the observational data for all models. Most CMIP6 models, however, have simulated higher warming rates in the historical period, which differs from station data. These differences cannot be explained by internal climate variability (ICV), and the equilibrium climate sensitivity of most CMIP6 models has created a greater rate of warming in the models. For example, models such as CanESM5 and UKESM1-0-LL, which showed the highest trend, had the highest ECS and TCR among all.

کلیدواژه‌ها [English]

  • Temperature
  • CMIP6
  • equilibrium climate sensitivity
  • transient climate response
  • internal climate variability

مراجع

زرین، آ.، داداشی رودباری، ع.، 1399، پیش‌نگری چشم‌انداز بلندمدت دمای آینده ایران مبتنی بر برونداد پروژه مقایسه مدل‌های جفت‌شده فاز ششم (CMIP6): مجله فیزیک زمین و فضا، 46(3)، 583-602.
زرین، آ.، داداشی رودباری، ع.، 1400الف، پیش‌نگری دوره‌های خشک و مرطوب متوالی در ایران مبتنی بر برونداد همادی مدل‌های تصحیح‌شده اریبی CMIP6: مجله فیزیک زمین و فضا، 47(3)، 561-578.
زرین، آ.، داداشی رودباری، ع.، 1400ب، پیش‌نگری دمای ایران در آینده نزدیک (2040-2021) بر اساس رویکرد همادی چند مدلی CMIP6: پژوهش‌های جغرافیای طبیعی، 53(1)، 75-90.زرین، آ.، داداشی رودباری، ع.، حسنی، س.، 1401، پیش‌بینی دمای ماهانه ایران با استفاده از پروژه پیش‌بینی اقلیمی دهه‌ای (DCPP) در دهه‌ آینده (2028-2021): مجله فیزیک زمین و فضا، 48(1)، 189-211.
زرین، آ.، داداشی رودباری، ع.، صالح‌آبادی، ن.، 1400، بررسی بی‌هنجاری و روند دمای ایران در پهنه‌های مختلف اقلیمی با استفاده از مدل‌های جفت­شده پروژه مقایسه متقابل مرحله ششم (CMIP6): مجله ژئوفیزیک ایران، 15(1)، 35-54.
Ayugi, B., Ngoma, H., Babaousmail, H., Karim, R., Iyakaremye, V., Sian, K. T. L. K., and Ongoma, V., 2021, Evaluation and projection of mean surface temperature using CMIP6 models over East Africa: Journal of African Earth Sciences, 181, 104226.
Beobide-Arsuaga, G., Bayr, T., Reintges, A., and Latif, M., 2021, Uncertainty of ENSO-amplitude projections in CMIP5 and CMIP6 models: Climate Dynamics, 56(11), 3875-3888.
Bhattacharya, B., Mohanty, S., and Singh, C., 2022, Assessment of the potential of CMIP6 models in simulating the sea surface temperature variability over the tropical Indian Ocean: Theoretical and Applied Climatology, 148(1), 585-602.
Chen, X., Liu, Y., and Wu, G., 2017, Understanding the surface temperature cold bias in CMIP5 AGCMs over the Tibetan Plateau: Advances in Atmospheric Sciences, 34(12), 1447-1460.
Collins, W. J., Fry, M. M., Yu, H., Fuglestvedt, J. S., Shindell, D. T., and West, J. J., 2013, Global and regional temperature-change potentials for near-term climate forcers: Atmospheric Chemistry and Physics, 13(5), 2471-2485.
Cui, T., Li, C., and Tian, F., 2021, Evaluation of temperature and precipitation simulations in CMIP6 models over the Tibetan Plateau: Earth and Space Science, 8(7), e2020EA001620.
Eyring, V., Bony, S., Meehl, G. A., Senior, C. A., Stevens, B., Stouffer, R. J., and Taylor, K. E., 2016, Overview of the Coupled Model Intercomparison Project Phase 6 (CMIP6) experimental design and organization: Geoscientific Model Development, 9(5), 1937-1958.
Fan, X., Duan, Q., Shen, C., Wu, Y., and Xing,
 
       C., 2020, Global surface air temperatures in CMIP6: historical performance and future changes: Environmental Research Letters, 15(10), 104056.
Flato, G., Marotzke, J., Abiodun, B., et al., 2014, Evaluation of climate models: in Climate change 2013: the physical science basis, Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change (pp. 741-866): Cambridge University Press.
Gou, J., Miao, C., Samaniego, L., Xiao, M., Wu, J., and Guo, X., 2021, CNRD v1.0: a high-quality natural runoff dataset for hydrological and climate studies in China: Bulletin of the American Meteorological Society, 102(5), E929-E947.
Grose, M. R., Narsey, S., Delage, F. P., et al., 2020, Insights from CMIP6 for Australia's future climate: Earth's Future, 8(5), e2019EF001469.
Hamed, K. H., 2008, Trend detection in hydrologic data: the Mann–Kendall trend test under the scaling hypothesis: Journal of Hydrology, 349(3-4), 350-363.
Hamed, K. H., and Rao, A. R., 1998, A modified Mann-Kendall trend test for autocorrelated data: Journal of Hydrology, 204(1-4), 182-196.
Huusko, L. L., Bender, F. A., Ekman, A. M., and Storelvmo, T., 2021, Climate sensitivity indices and their relation with projected temperature change in CMIP6 models: Environmental Research Letters, 16(6), 064095.
IPCC, 2013, Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change: Cambridge University Press, Cambridge and New York.
IPCC, 2021, Summary for policymakers Climate Change 2021: The Physical Science Basis, Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change: Cambridge University Press.
Lehner, F., Deser, C., Maher, N., et al., 2020, Partitioning climate projection uncertainty with multiple large ensembles and CMIP5/6: Earth System Dynamics, 11(2), 491-508.
Li, J., Miao, C., Wei, W., Zhang, G., Hua, L., Chen, Y., and Wang, X., 2021, Evaluation of CMIP6 global climate models for simulating land surface energy and water fluxes during 1979–2014: Journal of Advances in Modeling Earth Systems, 13(6), e2021MS002515.
Martins, F. B., Benassi, R. B., Torres, R. R., and de Brito Neto, F. A., 2022, Impacts of 1.5°C and 2°C global warming on Eucalyptus plantations in South America: Science of The Total Environment, 825, 153820.
Meehl, G. A., Senior, C. A., Eyring, V., et al., 2020, Context for interpreting equilibrium climate sensitivity and transient climate response from the CMIP6 Earth system models: Science Advances, 6(26), eaba1981.
Nijsse, F. J., Cox, P. M., and Williamson, M. S., 2020, Emergent constraints on transient climate response (TCR) and equilibrium climate sensitivity (ECS) from historical warming in CMIP5 and CMIP6 models: Earth System Dynamics, 11(3), 737-750.
Rugenstein, M., Bloch-Johnson, J., Gregory, J., et al., 2020, Equilibrium climate sensitivity estimated by equilibrating climate models: Geophysical Research Letters, 47(4), e2019GL083898.
Shiru, M. S., and Chung, E. S., 2021, Performance evaluation of CMIP6 global climate models for selecting models for climate projection over Nigeria: Theoretical and Applied Climatology, 146(1), 599-615.
Tabari, H., and Marofi, S., 2011, Changes of pan evaporation in the west of Iran: Water Resources Management, 25(1), 97-111.
Tokarska, K. B., Stolpe, M. B., Sippel, S., Fischer, E. M., Smith, C. J., Lehner, F., and Knutti, R., 2020, Past warming trend constrains future warming in CMIP6 models: Science Advances, 6(12), eaaz9549.
Yan, G., Wen-Jie, D., Fu-Min, R., Zong-Ci, Z., and Jian-Bin, H., 2013, Surface air temperature simulations over China with CMIP5 and CMIP3: Advances in Climate Change Research, 4(3), 145-152.
Yang, X., Zhou, B., Xu, Y., and Han, Z., 2021, CMIP6 evaluation and projection of temperature and precipitation over China: Advances in Atmospheric Sciences, 38(5), 817-830.
Yazdandoost, F., Moradian, S., Izadi, A., and Aghakouchak, A., 2021, Evaluation of CMIP6 precipitation simulations across different climatic zones: Uncertainty and model intercomparison: Atmospheric Research, 250, 105369.
Yue, S., & Wang, C. 2004, The Mann-Kendall test modified by effective sample size to detect trend in serially correlated hydrological series: Water resources management, 18(3), 201-218.
Zarrin, A., and Dadashi-Roudbari, A., 2021, Projection of future extreme precipitation in Iran based on CMIP6 multi-model ensemble: Theoretical and Applied Climatology, 144(1), 643-660.
Zarrin, A., Dadashi-Roudbari, A., and Hassani, S., 2021, Future Changes in Precipitation Extremes Over Iran: Insight from a CMIP6 Bias-Corrected Multi-Model Ensemble: Pure and Applied Geophysics, 1-24.
Zelinka, M. D., Myers, T. A., McCoy, D. T., et al., 2020, Causes of higher climate sensitivity in CMIP6 models: Geophysical Research Letters, 47(1), e2019GL085782.
Zhang, X., Hua, L., and Jiang, D., 2022, Assessment of CMIP6 model performance for temperature and precipitation in Xinjiang, China: Atmospheric and Oceanic Science Letters, 15(2), 100128.
Zheng, H., Miao, C., Jiao, J., and Borthwick, A. G., 2021, Complex relationships between water discharge and sediment concentration across the Loess Plateau, China: Journal of Hydrology, 596, 126078.
Zhu, J., Otto-Bliesner, B. L., Brady, E. C., et al., 2021, Assessment of equilibrium climate sensitivity of the Community Earth System Model version 2 through simulation of the Last Glacial Maximum: Geophysical Research Letters, 48(3), e2020GL091220.
Zhu, Y. Y., and Yang, S., 2020, Evaluation of CMIP6 for historical temperature and precipitation over the Tibetan Plateau and its comparison with CMIP5: Advances in Climate Change Research, 11(3), 239-251.
Zolina, O., Simmer, C., Kapala, A., and Gulev, S., 2005, On the robustness of the estimates of centennial-scale variability in heavy precipitation from station data over Europe: Geophysical Research Letters, 32(14).
مجله ژئوفیزیک ایران
دوره 17، شماره 1
اسفند 1401
صفحه 39-56

فایل ها

هم رسانی

ارجاع به این مقاله

آمار