بررسی تغییرات دمایی سواحل جنوبی دریای خزر با استفاده از سه مدل SDSM LARSWG و مدل شبکه عصبی مصنوعی

Transcript

1 34 بررسی دمایی سواحل جنوبی دریای خزر با استفاده از سه مدل SDSM LARSWG و مدل شبکه عصبی مصنوعی الهام قاسمی فر دانشجوی دکترا آب و هواشناسی ماهوارهای دانشگاه تربیت مدرس تهران ایران بهلول علیجانی استاد آب و هواشناسی و مدیر قطب علمی تحلیل فضایی مخاطرات محیطی دانشگاه خوارزمی تهران ایران محمد سلیقه دانشیار آب و هواشناسی و عضو قطب علمی تحلیل فضایی مخاطرات محیطی دانشگاه خوارزمی تهران ایران تاریخ دریافت: 9415/2/32 تاریخ پذیرش: 9411/4/94 چکیده اقلیمی که عمدتا منشأ انسانی دارد پدیدهای است که طی 051 سال اخیر بشر را تهدید میکند. سواحل دنیا یکی از آسیبپذیرترین نقاطی هستند که از این پدیده بهشدت دگرگون شدهاند. پژوهش حاضر میزان دمای حداقل و حداکثر برای پنج ایستگاه سواحل جنوبی دریای خزر شامل انزلی رشت بابلسر رامسر و گرگان را با استفاده از دو مدل LARS_WG, SDSM و یک مدل شبکه عصبی مصنوعی طی دوره اقلیمی و آینده با استفاده از سه سناریوی, و B1 مورد بررسی قرار داده است. نتایج حاصل از این پژوهش نشان داد دما طی دوره آماری افزایش داشته است و هر پنج ایستگاه مورد بررسی دستخوش این تحول و دگرگونی شدهاند. بر اساس نتایج مدل LARS_WG طی دوره آماری آینده افزایش دما تا یک درجه سانتیگراد برای همهی ماهها و هر پنج ایستگاه تشخیص داده شد اما مدل SDSM عالوه برافزایش دما طی دورۀ آینده )حدود یک درجه سانتیگراد و گاهی بیشتر( حاکی از کاهش دما برای ایستگاهها در ماهه یا بود. مدل شبکه عصبی مصنوعی همانند مدل SDSM آوریل می و نوامبر نشان داد دما برای ایستگاهها و همهی ماهها بهجز ماههای آوریل می و نوامبر افزایش خواهد داشت. مقایسهی نتایج مدلها نشان داد که مدل خطای 1/10( SDSM درجه 1/19 تا سانتیگراد( کمتر از مدله یا مدل است دیگر LARS_WG بعد از مدل SDSM کمترین خطا را داشته است و سپس مدل شبکه عصبی مصنوعی قرار میگیرد. همچنین دو آزمون ویلککسون و کلموگروف اسمیرنوف که به ترتیب برای میانگین و واریانس دو سری بکار گرفته شد مشخص کرد مدل SDSM مقادیر P باالی سطح معنیدار 1015 دارد. در نتیجه صحت محاسبههای مدل SDSM بیشتر است و با اطمینان بیشتری میتوان به نتایج آن اعتماد کرد. واژگان کلیدی: دمای حداقل دمای حداکثر مدله یا ریزمقیاس سازی اقلیمی سواحل جنوبی دریای خزر. bralijani@gmail.com نویسنده مسئول:

2 بررسی دمایی سواحل جنوبی دریای خزر... / الهام قاسمی فر و مقدمه از آغاز انقالب صنعتی افزایش انتشار دیاکسید کربن متان و دیگر گازهای گلخانهای باعث آشفتگی شرایط اقلیمی میانگین در سطوح جهانی و محلی بوده است. امروزه سطوح اتمسفری دیاکسید کربن به بیشترین مقدار خود طی حداقل هشتصد هزار سال گذشته رسیده است (2008 al..(luthi et در طی صد و پنجاه سال اخیر میانگین دمای سطحی در نیمکرهی شمالی 1/61 درجه سانتیگراد باال رفته است (2007.(IPCC, این افزایش در دمای میانگین خود بر تمام جوامع زیس یت از و غیرزیس ی ت آثار متعددی میگذارد. افزایش در دما با کاهش برف و پوشش یخی پسروی یخ دریاها و کوهها دراز شدن فصول رشد زودرسی بهار در نیمکرهی شمالی افزایش فراوانی رخدادهای بارشی شدید و بیش بیست و پنج هزار تغییر دیگر در شاخصه یا زیس یت al.2008).zweig et امروزه مطالعات تغییر اقلیم با استفاده از خروجی مدله یا و فیزیکی سازگار با گرمایش جهانی همراه است (Rosen گردش عمومی جو و سناریوهای منتشر شده توسط هیئت بین الدول تغییر اقلیم (IPCC) 9 امکانپذیر شده است. مطالعات اقلیمی با استفاده از مدله یا جملهی از گرفت. قوت و یافت رواج 9161 دهه اواخر از عددی آنها مهمترین Inadvertent " ClimateModification بود 9169 سال در.)U.S.Climate change science program.2008( انتشار با گزارش پنجم IPCC سناریوهای جدید RCP 3 معرفی شدند و در مطالعات گستردهای از آنها استفاده شده است اما قبل از انتشار آنها بیشتر مطالعات بر سناریوهای گزارش سوم یعنی 4 SRES انجام شده است. مطالعات بسیا یر در سر تا سر جهان حاکی از افزایش دما بوده است. در سرتاسر جهان از سال 9151 میانگین دمای حداقل و حداکثر تا حدود دو برابر افزایش داشته است 1995) Horton, (Karl et al. 1991;. دمای آینده افزایش جنبهی بازگو میکند: مروری بر مطالعات انجام گرفته اهمیت موضوع را از مطالعهای در حوضه رودخانه مارسیاندی 3 در نپال با استفاده از دادهه یا CanESM2 که با مدل SDSM و با سناریوهای جدید RCP ریز مقیاس شدهاند انجام شد که نتایج تا دهه ی 3111 افزایش دما تا حدود 3231 و 3234 درجهی سانتیگراد را به ترتیب برای دمای حداکثر و حداقل نشان داد (Khadka and (2016.Pathak, پژوهشی در منطقهای در مصر نیز با این دادهها برای دوره آینده صورت گرفت که افزایش دمای حداقل )9253 تا 3265 درجه سانتیگراد( و حداکثر )1222 تا 9215 درجه سانتیگراد( را نمایش داد (Sayad et al. (2016. در حوضه رودخانه نیل نیز نتایج مطالعهی دما با استفاده از چندین مدل گردش عمومی جو و دادهه یا CanESM2 و دو مدل ریز مقیاس SDSM و LARSWG افزایش دمای 123 تا 324 برای دمای حداکثر و 124 تا 329 برای دمای حدقل را تا دوره 3911 مشخص کرد )2016 Disse,.)Mekonnen and در ناحیه مونسونی چین نتایج بررسی دما با کمک مجموعه داده مدله یا گردش عمومی جو CMIP5 15 و با ریز مقیاس سازی مدل SDSM 1 Intergovernmental Panel on Climate Change 2 Representative Concentration Pathway 3 Special Report on Emissions Scenarios 4 marsyangdi 5 General Circulation Model(GCM) 6 Coupled Model Inter-comparison Project Phase 5

3 35 حاکی از افزایش دمای میانگین هوا به همراه تفاوته یا ناحیهای با مقدار 1221 تا 923 درجه سانتیگراد برای دوره 3131 تا 3151 بوده است )2016 al..)liu et در ناحیه مرزی هند و پاکستان در حوضه رودخانه Jhelum با ریز مقیاس سازی مدل SDSM مشخص شد فراوانی دماهای حدی گرم افزایش در صورتی که دماهای حدی سرد کاهش پیدا خواهد کرد (2014 Babel,.(Mahmood and با استفاده ازمدل SDSM دما برای سه دوره با مرکزیت و 3121 با خروجی از مدل HADCM3 و دو سناریوی و با هدف مطالعه ی آبهای زیرزمینی در حوضه ی ساردن در ایالت 9 در مرکز اسپانیای غربی ریز مقیاس شد نتایج نشان داد تا آخر قرن 39 میانگین دمای حداقل دمای»سالمانکا«حداکثر و دمای میانگین روزانه به ترتیب با مقادیر 6 5 و 5/1 سانتیگراد روند افزایشی دارد (2011.(Mutasa. نتایج مطالعهای در چین با استفاده از دادهه یا HADCM3 و مدل ریز مقیاس ساز SDSM طی دوره 3199 تا 3131 تحت دو سناریوی, افزایش دما تا حدود 1/6 درجه سانتیگراد را نشان داد (2010 al..(chu et همچنین روند افزایشی دما برای حوضهی آند تا دوره 3111 با ریز مقیاس سازی SDSM مشخص شده است al. (Souvignet et (2010. در اتیو یپ مدله یا 3 با استفاده از با تأکید بر نقش تغییر اقلیم و اثراتش روی منابع آب در زیر حوضهی»گیلگل آبی«هیدرولوژیکی مدل SDSM و با خروجیه یا برای دما و بارش پیش بینی انجام گرفت که نتایج حاکی از افزایش دمای 1/6 سانتیگراد 9/3 و 3/5 سانتیگراد به ترتیب برای دورهه یا نشان داد SDSM قابلیت باالیی جهت تولید سناریو و ریز دو مدل HADCM2 و HADCM 3 با دو سناریوی و مقیاس حداکثر و حداقل ساالنه با مقدار 1/43 و 3131 و 3121 تحت سناریوی بود این مطالعه سازی دادهه یا 4 واقع در کانادا با استفاده از پنج مدل گردش عمومی جو و گزارشه یا حوضهی»ساسکتچوان«دما دارد )2009 (Mulugeta,. در مختلف IPCC در تهیهی سناریو برای دوره و برای سه دوره آینده با استفاده از مدل LARSWG دما ریز مقیاس شد نتایج افزایش دمای ماهانه را نشان داد (2008 al. (Lapp et.پژوهشهای برای حوضه اطلس سازی SDSM برای سه دورهی آینده با استفاده از مدل CGCM1 و با سناریوی A1 عملیا یت داد که زمستانها و تابستانها به ترتیب تا سال % و %92-2 مرطوبتر خواهد شد و دم یا روزانه جز برای ساحل البرادور باال خواهد رفت )2006 al..)lines et برای دادهه یا با استفاده از مدل ریز مقیاس شد یافتهه یا آن نشان حداکثر و حداقل دما در سه حوضهی رودخانهای 1 واقع در ایالت کبک کانادا برای دوره آماری با استفاده از 5 و»ورمیالن«3»گراند بولینسنت مارگاریت«مدل ریز مقیاس سازی SDSM تحت مدل CGCM1 و دادهه یا بدست آمده از این مطالعه تنها برای دادهه یا مرکز NCEP مطالعهای انجام شد نتیجهی کلی NCEP رضایتبخش بوده در صورتیکه برای دادهه یا CGCM1 به خوبی عمل نکرده است (2005 al. (Gagnon et. با استفاده از مدل SDSM مطالعهای برای ریز مقیاس سازی دما و 1 Salamanca 2 Gilgel Abey 3 Saskatchewan 4 Saint Margarite 5 Grande bulein 6 Vermillan

4 بررسی دمایی سواحل جنوبی دریای خزر... / الهام قاسمی فر و بارش برای تورنتو با دوره و دوره آینده با استفاده از خروجی مدل CGCM1 صورت گرفت. مدل 61 درصد واریانس توضیح داده شده برای دما وکمتر از 31 درصد برای بارش را تأیید کرد نتایج افزایش بارش ساالنه برای تورنتوی کانادا تا %1 و افزایش دما تا 3/1 سانتیگراد را نشان داد( 2001 al. (Wilby et. در کنار این مطالعات صورت گرفته برخی مطالعات در راستای معرفی بهترین مدل به منظور ریز مقیاس نمایی دادهه یا دما یا بارش انجام شدهاند که به برخی از آنها اشاره میشود: در حوضهی کلمبو در سری النکا با بررسی تفاوته یا دو مدل شبکه عصبی مصنوعی و SDSM مشخص شد SDSM در شبیه سازی دما بهتر عمل میکند در صورتی که مدل شبکه عصبی مصنوعی در شبیه سازی بارش نتایج بهتری دارد و میتوان SDSM را با این مدل ارتقا داد ( al. Dorji et (2017. در پاکستان برای 33 ایستگاه هواشناسی برای پارامتر دمای حداقل روزانه جهت ارزیا یب مدل SDSM برای استفاده از آن در پیش بینیه یا آینده و تطابق این دادهها با روندهای اخیر برای دورهی آماری و با سناریوی برای شش ایالت مطالعهای صورت گرفت. نتایج نشان داد که در همهی ایالتها ضریب همبستگی بین مشاهدهها و دادهه یا مدل شده باال میباشد al.2012) (Cheema et در لیسبون پرتغال مقایسه ی دو مدل ریز مقیاس سازی SDSM و LARS-WG برای دورهی آماری و خروجی مدل HADCM3 تحت سناریو برای دما و بارش صورت گرفت. یافتهها از برتری مدل SDSM در شبیه سازی دما و مدل LARS- WG در شبیه سازی بارش حکایت دارد( 2008 al. (Lopes et. در زمینهی بررسی آزمونهای عدم قطعیت مربوط به سه مدل ریز مقیاس سازی LARS_WG SDSM و ANN با تأکید بر تفاوته یا میانگین و واریانس ماهانه در دادهه یا مشاهداتی و ریز مقیاس شده برای دما و بارش عالوه بر آن توزیع فراوا ین تجمعی میانگین ماهانهی بارش توزیع روزهای خشک و مرطوب و میانگین ماهانهی طول دورهی خشک و مرطوب در سطح %15 برای دورهی با کمک متغیرهای مستقل مرکز NCEP و متغیرهای وابستهی دما و بارش از دو ایستگاه زیر حوضهی»چوت 3 در شمال کبک کانادا پژوهشی صورت گرفت. 9 واقع در حوضه آبخیز»سایونای الک-سنت-جین«دا-دیابله«یافتهه یا حاصل از این مطالعه مشخص کرد که مدل SDSM در ریز مقیاس نمایی خود در تمامی موارد برای اکثر ماهها مقادیر P باالی سطح معنی دار 1/15% دارد و بنابراین خطای مدل برای همهی ماهها و در سطح اطمینان %15 بسیار ناچیز است( 2006 al. (Khan et. در سه حوضهی واقع در جنوب مرکز و شرق چین با تأکید بر مقایسهی چهار روش ریز مقیاس سازی )دو روش آنالوگ TWS) SDSM ((PCA, و روش طبقهبندی الگوهایجو بر اساس منطق فازی (MOFRBC) برای دوره به ریز مقیاس سازی بارش پرداخته شد. نتایج حاصل نشان داد مدل فازی MOFRBC و مدل SDSM بهتر از روشهای آنالوگ عمل میکنند (2006 al..(wetterhall et سبحانی و همکاران )9413( با به کارگیری دو مدل SDSM و LARSWG نشان دادند SDSM عملکرد بهتری برای دادهه یا دما دارد. در ایران نیز مطالعات در مورد دمای آینده در دههی اخیر روند افزایشی را نشان میدهد. در چند ایستگاه در ایران با 1 Chute-Du-diable 2 Sayuenay-lac-saint-jean

5 36 (Abbasni and استفاده از مدل SDSM نتایج افزایش دمای 124 تا 425 درجه را تا سال 3911 را نشان داده است (2016.Toros, نتایج مطالعهای در در رودخانه اعظم یزد با ریزمقیاس سازی LARSWG و عامل تغییر 9 افزایش دما را نشان داده است (2015 al..(goodarzi et با استفاده از خروجی از مدل HADCM3 برای دو دوره آینده و با دو سناریو, دوره در حوضهی زاینده رود مطالعاتی بر روی بارش دما و رواناب با استفاده از شبکه عصبی مصنوعی صورت گرفت که نتایج حاکی از افزایش دما و کاهش دبی و بارندگی برای هر دو دوره و هر دو سناریو بود )مساح بوانی و مرید 9423(. همچنین نتایج در مدلسازی اقلیم ایران )باباییان و همکاران 9422( پیش بینی فصلی خراسان رضوی )اشرف و همکاران 9411( و اقلیمی خراسان جنوبی )عباسی و 9421( همکاران مشخص کننده افزایش دما بودند. با توجه به مطالعات انجام شده در این مطالعه میزان دمایی سواحل جنوبی دریای خزر و همچنین عملکرد مدله یا ریز مقیاس ساز آماری در منطقهی مورد مطالعه و معرفی بهترین مدل ریز مقیاس ساز دادهه یا دما مورد بررسی قرار خواهد گرفت. هدف کلی این پژوهش بررسی اقلیمی سواحل خزر با تأکید روی مقادیر دما تحت سناریوهای اقلیمی و انتخاب بهترین شبیه ساز دادهه یا دما میباشد. دادهها و روشها سواحل خزر در محدودهای واقع شده طول شرقی درجه و و عرض شمالی درجه تا بین است. کارشناسان تخمین میزنند تولید سوخته یا فسیلی در دریا و ساحل خزر ساالنه معادل میلیون تن تا دیاکسیدکربن منتشر میکنند. لذا شناخت میزان دمای این ناحیه طی دوره آینده میتواند ما را در بسیاری از برنامه ریزیها برای این ناحیه ساحلی یاری رساند. در این پژوهش از 5 ایستگاه واقع در سواحل جنوبی دریای خزر استفاده شد. دوره و دوره پیش بینی آینده میباشد. مشخصات ایستگاهها و نقشهی موقعیت ایستگاهها در شکل 9 و جدول 9 نمایش داده شده است. جدول 0: مشخصات ایستگاهه یا هواشناسی درمحدوده مورد مطالعه نام ایستگاه عرضجغرافیایی طولجغرافیایی ارتفاع متوسط به متر -31/ انزلی 41/ رشت بابلسر رامسر 94/ گرگان 1 Change factor

6 بررسی دمایی سواحل جنوبی دریای خزر... / الهام قاسمی فر و شکل 0: موقعیت ایستگاهه یا هواشناسی درمحدوده مورد مطالعه در ابتدا با دادههای روزانه مشاهداتی نمودارهای سری زمانی دوره برای هر 5 ایستگاه رسم شد تا روند دما طی این دوره مشخص شود. از آنجایی که خروجی مدله یا گردش عمومی جو بزرگ مقیاس میباشد باید برای اطمینان نتایج کار آنها را در سطح منطقه مورد مطالعه خود کوچک نماییم که به این تکنیک»ریز مقیاس سازی" گویند. روشهای ریزمقیاسسازی به دو دسته ی آماری ودینامیکی تقسیم میشود. دراین پژوهشاز سه مدل جهت ریز مقیاس کردن دادههای خروجی مدل HADCM3 اداره هواشناسی بریتانیا و مدل MIROC3.2 مؤسسهی پژوهشهای هواشناسی ژاپن تحت سه سناریوی, و B1 هیئت بین الدول تغییر اقلیم( IPCC ) استفاده شد این سه مدل ریزمقیاس با سازی تفاوتهایی باهم دارند: 9- مدل SDSM یک مدل ی ریزمقیاسسازی آماری است که قادر است سناریوی تغییر اقلیم در اندازهی یک ایستگاه و در مقیاس زمانی روزانه با استفاده از خروجیهای GCM فراهم کند. SDSM یک مدل پیوندی بر اساس مولد مصنوعی و ریز در اینمدل رگرسیونی است. مقیاسسازی خروجیه یا از تنها مدل مستقل( )متغیر مقیاس بزرگ HADCM3 تحت سناریوی و گزارش سوم IPCC و دادههای Reanalysis مرکز NCEP برای شبیهسازی دادههای مشاهداتی استفاده شد که این دادهها برای دوره و آینده در مقیاس زمانی روزانه برای ناحیه مورد مطالعه از

7 31 سایت مربوطه گرفته شد. 9 متغیرهای مستقل متغیرهایی هستند که رخداد و وقوع متغیرهای وابسته نظیر دما و بارش به آنها بستگی دارد. برخی متغیرهای مستقل عبارتند از: میانگین فشار سطح دریا قدرت جریان هوا درسطح زمین سرعت مداری سطح زمین و... انتخاب متغیرهای مستقل و ایجاد یک رابطهی منطقی بین متغیر مستقل و وابسته پرچالشترین کار یک ریزمقیاسسازی مؤفق SDSM مدل در این کار SDSM مدل در میباشد توسط همبستگیجزئی و 3 )یعنی بین نمودارپراکنش این متغیرها با متغیر وابسته )دما( صورت میگیرد. دما در این مدل تحت فرآیند غیر شرطی متغیر مستقل و وابسته ارتباط مستقیم فرض میشود( مدل میشود. در طول ریزمقیاسسازی مدل رگرسیونی خطی بین متغیرهای مستقل و وابسته )دما( ایجاد میشود. استفاده از اجزای تصادفی باعث میشود چندین مجموعه داده مصنوعی برای متغیر وابسته تولید شود اما به دلیل حفظ هماهنگی با مدل شبکه عصبی مصنوعی تنها مجموعهی اول برای پردازش مورد استفاده قرار میگیرد. تفاوته یا آماری بین میانگین و واریانس سری مشاهداتی و تولید شده T-test و F-test در نرم افزارهای آماری SPSS و MINITAB تجزیه و تحلیل میشود. توسط 3- مدل LARS_WG یک مولد مصنوعی جوی است که میتواند به شبیه سازی دادههای جوی در حد یک ایستگاه بپردازد al.1998(.)semenov et در این مدل از خروجیه یا دو مدل گردش عمومی جو Hadcm3 و Miroc3.2 4 تحت دو سناریو B1 و گزارش چهارم IPCC که از سایت مورد نظر دادههای دوره و دوره آینده گرفته شده استفاده شده است. مدل LARS-WG برخالف مدل SDSM از متغیرهای بزرگ مقیاس به طور مستقیم جهت مدل کردن استفاده نمیکند بلکه بر اساس میانگین بارش در ماهانه طول سریهای روزانه تر دمای و خشک میانگین روزانه و دما )انحراف معیار( بین دوره وآینده که توسط GCM مورد نظر پیش بینی شده اقلیم ایستگاه بررسی میشود. همچنین برخالف مدل SDSM دما تحت فرآیند شرطی 3 بر اساس روزهای تر و خشک مدل میشود. چرخه ی ساالنه میانگین و انحراف معیار ماهانه توسط ضرایب فوریه و باقیماندهها توسط توزیع نرمال محاسبه میشود. همچنین ویژگیهای آماری دادهه یا آماریشان با استفاده از جوی مصنوعی و مشاهداتی برای تعیین تفاوته یا معنیداری LARS- خود SDSM تجزیه و تحلیل میشود. در اینجا نیز برخالف مدل F-test و T-test WG این فایل را تهیه میکند. در این مدل میتوان با تکرار به مجموعههای متفاوتی دست یافت اما به دلیل وجود اجزای تصادفی مجموعهی اول برای پردازش مورد استفاده قرار میگیرد. مراحل تولید دادههای جوی در این مدل به سه گام قابل تفکیک است: در قسمت تنظیم مدل دادههای جوی مشاهداتی جهت تعیین ویژگیهای آماریشان تجزیه و تحلیل میشوند که این اطالعات در دو فایل پارامتری به نامهای Sta و Wg ذخیره میشوند. در قسمت ارزیابی مدل ویژگی آماری دادههای تولید شده و دادههای مشاهده شده برای تعیین تفاوته یا معنیدار بین آنها تجزیه و تحلیل unconditional conditional

8 بررسی دمایی سواحل جنوبی دریای خزر... / الهام قاسمی فر و میشود و در فایل TST ذخیره میشود و در قسمت تولید دادههای جوی مصنوعی دادههای مصنوعی با استفاده از فایلهایی که در دوره تنظیم مدل بدست آمده تولید میشود. 4- مدل شبکه عصبی مصنوعی شامل یک شبیه سازی عصبی ورودی خروجی بردار وزن و توابع میباشد. شبکههای عصبی مجموعهای از عناصر پردازندهی متصل غیر خطی هستند. این شبکهها از اتصال عناصر پردازندهی منفرد )با تعداد زیادی ورودی و یک خروجی( تشکیل شدهاند. در این قسمت از نرم افزار Neurosolution استفاده شده است. جهت مقایسهی این مدل با دو مدل دیگر و همچنین این مدل به میزان دادهه یا گمشده بسیار حساس است تنها از دادههای انزلی و بابلسر که دارای حداقل مقادیر گمشده هستند در این مدل استفاده شد. در این مدل دادهها همانند مدل SDSM است. این مدل از جهت استفاده از متغیرهای بزرگ مقیاس مشابه مدل SDSM است اما در نوع انتخاب آنها متفاوت از مدل SDSM عمل میکند. در مدل شبکه عصبی مصنوعی انتخاب متناسبترین متغیرهای مستقل توسط تحلیل و آزمون حساسیت میباشد. بعد از اطمینان از کیفیت و نرمال بودن دادهها مناسبترین متغیرهای مستقل انتخاب میشوند. برای مقایسه نتایج بین سه مدل خطاها بین سری مشاهداتی و تولید شده در هر سه مدل میانگین مربعها خطا )RMSE( میانگین خطای مطلق )MAE( و ضرایب کنترل ( ریزمقیاس سازی توسط جذر ) بدست آمد. همچنین از آزمون 3 برای نشان دادن معنا داری میانگین و واریانس دو سری مشاهداتی و شبیه سازی 9 و کلموگروف اسمیرنوف ویلکاکسون شده بهره گرفته شده است. یافتهها با به کارگیری سه مدل ریز مقیاس ساز دادههای خروجی از مدله یا گردش عمومی جو برای پنج ایستگاه واقع در سواحل جنوبی خزر با توجه به تفاوته یا موجود در عملکرد سه مدل نتایج متفاوتی بدست آمد و نمودارهای حاصل از آن ایستگاه انزلی وگرگان در دو مدل SDSM و LARSWG برای نمونه نشان داده شده است اما در تحلیل نتایج هر پنج ایستگاه مورد بررسی واقع شدهاند. برای مدل شبکه عصبی مصنوعی همان دو ایستگاه مورد مطالعه که قبال ذکر شد مورد تجزیه و تحلیل قرار گرفتند. 1 Wilcoxon 2 Kolmogrov smirnov

9 49 شکل 9 : نمودار دمایی دمای حداقل )باال( و حداکثر )پایین( پنج ایستگاه مورد مطالعه طی )منبع نگارندگان( دوره نتایج مربوط به مقادیر دوره مشاهداتی روی نمودارهای سری زمانی نمایش داده شده در شکل 3 و با توجه به معادالت رگرسیونی به دست آمده حاکی از افزایش و گاهی کاهش در دمای حداقل و حداکثر ایستگاهها میباشد. افزایش دما در ایستگاهه یا رامسر بابلسر و رشت بسیار چشمگیرتر است. روند دمای حداقل هر پنج ایستگاه افزایشی میباشد در صورتیکه در دمای حداکثر انزلی و حداکثر گرگان کاهش دما در روند دمایی مشهودتر است. در کل روند دمای حداکثر روندی آرام و تقریبا مالیمتر نسبت به دمای حداقل میباشد. حال با توجه به دوره نتایج حاصل از سه مدل ریز مقیاس ساز را مورد بررسی قرار میدهیم. نمودارهای شکل 4 مربوط به شبیه سازی مدل SDSM است. شبیه سازی ا نی مدل ریز مقیاس ساز با دادههای NCEP برای دوره با توجه به میانگین دادهه یا مشاهداتی و تولید شده و همچنین واریانس دادههای مشاهداتی و تولید شده گواه شبیه سازی با خطای این مدل بسیار اندک اما میباشد همانطور که مالحظه میشود میانگین و واریانس تولید شده با مدل دادهه یا HADCM3 خطای بیشتری را در مقایسه با دادهه یا NCEP در شبیه سازی نشان میدهد که از دالیل آن میتوان به وضوح مدل عدم قطعیتهای موجود در مدل عدم پوشش دقیق موقعیت دادهه یا مدل با موقعیت جغرافیایی منطقه مورد مطالعه و غیره اشاره کرد. میانگین دادهها نقاط منطبقتری را در اکثر ماهها نسبت به واریانس آنها نشان میدهد. هر پنج ایستگاه در این موارد نتایج کامال مشابهی را نشان داد.

10 بررسی دمایی سواحل جنوبی دریای خزر... / الهام قاسمی فر و C obs mean gen mean Hadcm3 mean obs δ gen δ شکل 0: نمودارهای میانگین و واریانسدمای حداقل و حداکثرایستگاه انزلی وگرگان ریز مقیاس شده با دادههای NCEP و HADCM3 در مدل SDSM )منبع نگارندگان( جدول 9: نتایج بدست آمده از مدل SDSM برای دمای حداقل و حداکثر ایستگاه انزلی وگرگان )منبع نگارندگان( 9/31 1/25 3/41 4/15 5/12 3/12 دمای حداقل انزلی و گرگان ماه ژانویه 3/11 4/91 9/13 1/13 1/32 1/1 3/11 3/32 4/52 1/52 1/23 3/19 3/25 فوریه 3/14 1/31 1/36 1/15 1/14 1/91 1/32 1/35 1/51 1/36 مارس 1/33 1/13-1/11 91/66 91/11 91/65-1/19-1/23 1/12 1/66 آوریل 91/51 1/95 1/91 95/29 95/23 95/11-1/6-1/56 95/94 95/31 مه 95/24 9/3 9/5 39/35 39/45 91/25 9/44 9/31 39/39 39/93 ژوئن 91/22 9/39 9/95 33/13 34/11 33/29 9/43 34/11 34/51 ژوئیه 33/33 9/ /16 34/13 33/13 1/1 1/63 33/15 33/36 اوت 39/65 1/23 1/21 31/32 31/44 91/33 1/61 1/61 91/22 91/19 سپتامبر 91/93 9/15 9/55 93/62 95/32 94/64 1/31 1/1 95/36 95/12 اکتبر 93/62-1/13 1/35 1/15 1/43 1/16-1/41-1/11 91/33 91/53 نوامبر 91/19 1/49 1/52 5/11 5/26 5/31 1/15 1/11 6/36 6/49 دسامبر 1/13 9/19 9/35 93/11 94/31 1/65 99/35 91/62 دمای حداکثر انزلی و گرگان ماه ژانویه 91/14 93/95 9/99 9/51 94/22 93/41 93/66 1/34 1/5 1/25 1/13 فوریه 1/33 9/4 9/9 91/69 91/59 95/39-1/93-1/39 99/39 99/93 مارس 99/44-1/14-1/42 39/53 39/96 39/55-9/19-9/92 95/34 95/31 آوریل 91/33 1-1/51 31/12 31/33 31/ /95 39/95 مه 33/95 3/91 9/36 44/36 43/55 49/12 9/93 9/11 32/31 32/34 ژوئن 36/93 9/31 9/91 43/92 44/22 43/63 9/91 1/11 41/11 41/61 ژوئیه 31/24 9/34 1/22 44/19 44/31 43/42 9/43 9/11 41/32 41/31 اوت 31/93 9/54 9/5 49/43 49/49 31/29 1/26 1/64 31/65 31/19 سپتامبر 35/22 9/44 9/24 35/24 31/44 33/51 1/63 9/11 39/61 33/15 اکتبر 31/11 1/33 1/1 91/11 31/35 91/55-1/36 1/19 91/54 91/29 نوامبر 91/21 9/9 9/93 95/69 95/64 93/19 1/51 1/54 94/59 94/35 دسامبر 93/13

11 44 در جدول 3 نتایج حاصل از پیش بینی مدل SDSM با توجه به دو سناریو مشاهده میشود. همانطور که مشاهده میگردد در ایستگاه انزلی ماههای ژانویه ژوئن ژوئیه و اوت بیشترین افزایش دما را خواهند داشت اما آنچه که مورد توجه قرار میگیرد کاهش دمایی است که برای ماههای آوریل می و همچنین ماه نوامبر رخ خواهد داد. در دو ایستگاه انزلی و رشت این کاهش دما در ماههای آوریل می و نوامبر مشهودتر است در صورتیکه در ایستگاههای بابلسر رامسر و گرگان این کاهش چشمگیر نبوده و یا اصال وجود ندارد. نتایج حاصل از بررسی ایستگاه گرگان با شبیه سازی مدل SDSM نشان دادکه هم دمای حداقل و هم دمای حداکثر در این ایستگاه در اکثر ماهها سال نسبت به دیگر ایستگاهها با افزایش بیشتری مواجه خواهد شد. به طوریکه جز ماههای آوریل و نوامبر با کاهش ناچیز دیگر ماهها افزایش دما را خواهند داشت. در دیگر ایستگاهها نیز بیشترین افزایش در دمای حداقل و حداکثر در ماههای ژانویه ژوئن ژوئیه و اوت دیده میشود. در بیشتر ماهها و در همه ایستگاهها سناریوی افزایش کمتری را نشان داد. نتایج همهی ایستگاهها در سطح 1/15 با استفاده از T_TEST و F_TEST مورد آزمون قرار گرفتند و معنیداری آنها اثبات شد. در تمامی محاسبهها مقادیر p برای همهی ایستگاهها باالتر از سطح 1/15 قرار داشت. بیشترین خطا مربوط به ایستگاه انزلی و رشت است. در شبیه سازی مربوط به مدل LARS-WG مقادیر P برای آزمون T مربوط به دادههای میانگین دما که توسط خود مدل ارائه شد نشان داد نتایج این آزمون در بیشتر موارد در پنج ایستگاه باال بوده که نشان دهنده قابلیت باالی مدل در شبیهسازی دادهه یا دما میباشد. شبیهسازیها که در شکل 3 نمایش داده شده نیز صحت آن را به اثبات میرساند و ارائهگر خطوط منطبق مربوط به دادههای میانگین مشاهدهها و شبیهسازی شده در هر پنج ایستگاه است اما میزان خطای شبیه سازی برای انحراف معیار دادهها در برخی ماهها مورد توجه و زیاد است. در مدل SDSM شبیهسازی واریانس دادهها با خطای کمتری صورت گرفت که قدرت این مدل را به دلیل اینکه مدلی پیوندی است نشان میدهد. مقادیر خطا نیز پایین بوده و تنها برای ایستگاه رشت این عدد به 1/3 درجه سانتیگراد رسیده است. نتایج برای دوره آینده افزایش دما برای هر پنج ایستگاه را بزرگتر از 9 درجه سانتیگراد و تنها در موارد اندک و در برخی ماهها کمتر از 9 درجه سانتیگراد نشان میدهد. جدول 4 نتایج بدست آمده از شبیه سازی مدل LARS WG را ارائه میدهد.

12 بررسی دمایی سواحل جنوبی دریای خزر... / الهام قاسمی فر و شکل 4: نمودارهای میانگین و انحراف معیار دمای حداقل وحداکثر انزلی با شبیه سازی مدل LARSWG )منبع نگارندگان( B1 1/34 1/12 9/92 9/14 1/65 9/11 9/1 9/66 9/59 1/19 1/41-1/44 B1 1/3 1/33 9/31 1/6 1/15 9/31 9/26 9/35 1/14 1/52 1/31 1/15 9/55 دمای حداقل انزلی و گرگان مدل Hadcm3 ماه جدول 0: نتایج بدست آمده از مدل LARS_WG برای ایستگاه انزلی وگرگان )منبع نگارندگان( 9/35 9/11 1/13 9/41 9/16 9/11 9/13 9/31 9/14 1/63 1/29 9/53 9/36 1/1 1/11 9/53 9/61 9/41 9/92 9/41 9/91 B1 4/54 3/51 6/43 99/65 91/3 31/22 33/3 33/33 31/12 93/69 1/31 5/13 B1 93/45 94/13 91/11 33/14 36/15 49/69 43/91 43/31 49/16 35/3 31/92 95/11 3/15 5/94 6/51 99/62 91/51 39/92 33/36 33/49 39/11 95/31 91/43 1/43 93/26 94/51 91/13 33/11 36/25 43/13 43/33 43/92 49/92 35/65 31/11 95/61 4/9 4/52 1/93 91/63 95/15 91/23 33/2 33/15 91/36 94/2 1/9 5/49 B1 1/23 9/41 9/55 9/49 9/92 9/3 9/61 9/15 9/9 1/63 1/22 B1 1/55 9/49 9/65 9/54 9/94 9/94 9/69 9/15 9/92 9/94 9/45 9/14 B1 3/19 5/41 6/64 99/21 91/11 39/15 33/13 34/63 31/51 95/13 99/41 6/53 B1 5/42 5/62 6/69 99/12 91/13 39/11 34/13 34/33 31/41 91/13 99/62 6/11 3/16 3/14 1/92 91/55 95/29 91/25 33/34 39/66 91/93 93/23 91/15 1/13 دمای حداکثر انزلی و گرگان مدل Hadcm3 ژانویه فوریه مارس آوریل مه ژوئن ژوئیه اوت سپتامبر اکتبر نوامبر دسامبر ماه ژانویه 93/95 93/62 95/3 39/31 31/15 49/11 43/6 43/33 31/23 33/56 91/1 93/14 9/92 9/51 9/32 9/32 9/34 3/12 9/14 9/3 1/14 1/63 9/19 9/34 9/39 9/34 9/43 9/63 9/34 9/31 9/13 9/39 91/15 91/15 93/63 96/11 34/3 32/42 49/31 49/35 36/54 33/33 96/36 94/16 99/94 99/12 93/64 96/29 34/45 32/33 49/36 41/21 36/44 33/49 96/21 93/93 91/9 1/36 99/4 91/3 33/93 36/9 31/24 31/96 35/1 39/13 91/23 93/14 فوریه مارس آوریل مه ژوئن ژوئیه اوت سپتامبر اکتبر نوامبر دسامبر

13 45 نتایج بدست آمده برای دمای حداقل و حداکثر ایستگاه انزلی وگرگان طی دوره پیش بینی نشان داد افزایش دمای ماههای مارس آوریل ژوئیه اوت و سپتامبر از دیگر ماهها بیشتر خواهد بود. بیشترین ممکن برای دمای حداکثر و دمای حداقل ایستگاه انزلی وگرگان را ماه اوت تجربه خواهد کرد. در دیگر ایستگاهها نیز بیشترین افزایش دما طی دوره آینده مربوط به ماه اوت است. دما در هر پنج ایستگاه برای بیشتر ماهها با خروجیهای هر دو مدل گردش عمومی جو بیش از یک درجه سانتیگراد طی دوره پیش بینی آینده میباشد. در مورد دو سناریوی استفاده شده گرچه نتایج سناریوی B1 افزایش یا کاهش آرامتری را نشان میدهد اما در برخی ماهها بزرگتری )افزایش یا کاهش( نسبت به سناریوی نشان داد که از دالیل آن میتوان به تفاوته یا موجود در متغیرهای سازندهی این سناریوها اشاره نمود. در مورد شبکه عصبی مصنوعی متغیرهای مستقل انتخاب شده برای این مدل برای هر ماه متفاوت بوده و دامنهی وسیعتری را نسبت به مدل SDSM دارند. با توجه به اینکه با آزمون و خطای بسیار مدل بهینه جهت شبیه سازی انتخاب شد اما خطاها نشان دهندهی عملکرد بسیار ضعیف این مدل در ارتباط با دمای حداقل و حداکثر دو ایستگاه مورد بررسی میباشد. استفاده از مدله یا دیگرشبکه عصبی تعداد نرونهای متفاوت روشهای یادگیری و توابع فعالیت متفاوت ممکن است نتایج را تغییر دهد زیرا دامنه کاری این مدل گستردهتر میباشد. آنچه که از این مدل میتوان برای دمای آینده نتیجه گرفت افزایش دمای حداقل ایستگاه انزلی برای ماههای مارس اکتبر دسامبر و سپس ماهه یا ژانویه فوریه ژوئن ژوئیه و اوت میباشد اما برای دمای حداکثر ژانویه ژوئیه اوت و سپتامبر بیشترین افزایش را خواهند داشت. در هر دو کاهش دما برای ماههای آوریل می و نوامبر مشهود است. در ایستگاه بابلسر دمای حداقل برای همه ماهها افزایش و دمای حداکثر در ماههای ژانویه آوریل می و نوامبر کاهش خواهد یافت. آماره ی خطا در دو ایستگاه بین 1/3 تا 1/2 درجه سانتیگراد متغیر بود و ضرایب تعیین بسیار پایین بودند. جدول 5 و 1 گویای عملکرد مدلها میباشد. شکل 5: شبیه سازی شبکه عصبی )منبع نگارندگان(

14 41 جدول 4: نتایج بدست آمده از مدل NEUROSOLUTION برای دمای حداقل و حداکثر ایستگاه انزلی و بابلسر )منبع نگارندگان( 1/56 9/14 3/93 5/32 3/39 1/51 دمای حداقل انزلی و بابلسر ماه ژانویه 3/11 3/54 4/55 1/45 1/95 1/33 3/42 3/36 3/34 1/15 1/95 3/12 3/92 فوریه 3/14 1/14 1/66 1/63 6/53 1/65 9/12 1/34 6/41 1/35 مارس 1/33 1/12 1/32 99/ /11-1/93-1/11 91/36 91/51 آوریل 91/51 1/15 1/16 95/13 91/21 95/21-1/21-1/16 93/13 95/61 مه 95/24 1/53 1/94 31/51 31/92 31/15 1/94 1/2 31/19 31/12 ژوئن 91/22 1/95 1/36 33/33 33/51 33/31-1/3 1/41 33/13 33/11 ژوئیه 33/33 1/ /15 33/13 33/13 1/44 1/93 33/12 39/21 اوت 39/65 1/52 1/15 91/11 31/14 91/42 1/33 1/94 91/51 91/35 سپتامبر 91/93 1/35 1/54 93/51 93/62 93/35 9/11 1/13 95/26 93/23 اکتبر 93/62-1/95-1/31 1/41 1/91 1/35-1/15 1/3 91/51 91/29 نوامبر 91/19 1/45 1/11 5/21 5/53 9/96 3/16 6/61 2/11 دسامبر 1/13-1/9 1/43 99/51 93/19 دمای حداکثر انزلی و بابلسر ماه ژانویه 91/14 9/16 99/11 1/4 91/ /32 1/93 99/12 99/13 99/51 1/36 1/49 1/11 1/64 فوریه 1/33 1/31 1/41 94/51 94/11 94/41-9 1/45 91/44 99/12 مارس 99/44-1/39 1/13 92/19 92/31 92/33-1/99 1/45 91/44 91/61 آوریل 91/33-9/59-1/91 39/13 34/31 34/35-1/93-1/23 33/14 39/49 مه 33/95 1/65 1/94 32/52 36/11 36/24 1/36 1/93 36/39 36/32 ژوئن 36/93 1/56 1/65 41/12 49/91 41/39 9/35 1/41 49/12 41/33 ژوئیه 31/24 1/12 1/6 41/94 41/65 41/15 1/31 1/35 31/31 31/51 اوت 31/93 1/9 1/5 36/63 32/93 36/13 1/49 1/1 31/91 31/32 سپتامبر 35/22 1/39-1/32 34/31 33/11 33/22 1/43 1/93 39/41 39/93 اکتبر 31/11-1/29 1/39 96/13 92/33 92/34-1/11-9/99 95/23 95/11 نوامبر 91/21 9/19 1/34 95/21 95/99 93/92-1/43 1/93 93/52 94/11 دسامبر 93/13 نتایج آمارهه یا جدول 5: ویلکاکسون و کلموگروف اسمیرنوف )منبع نگارندگان( آزمون ویلکاکسون آزمون کلموگروف اسمیرنوف واریانی دمای حداکثر LARSWG SDSM LARSWG SDSM ایستگاه حداقل میانگین حداکثر میانگین حداقل میانگین حداکثر میانگین واریانس دمای حداقل واریانس دمای حداکثر واریانس دمای حداقل انزلی رشت رامسر بابلسر گرگان

15 46 با توجه به نتایج بدست آمده از دو آزمون ویلکاکسون و کلموگروف اسمیرنوف که به ترتیب برای معنیداری تفاوت دو میانگین و تطبیق توزیع دادهها میباشد برای میانگین سری مشاهداتی و شبیه سازی شده و همچنین واریانس دو سری مشخص میشود میانگینه یا مشابه و همچنین واریانس توزیع یکنواختتری دارد و در همه موارد P-Value باالتر از سطح معنیدار مدل SDSM 1215 است. جدول 9: خطای محاسبه شده برای ایستگاهها با شبیه سازی سه مدل )منبع نگارندگان( MAE RMSE max min max min ایستگاه / / / 1132 SDAM / / / 9213 LARS-WG انزلی 1/29 1/ / 36 1/ 265 1/ 436 ANN 14 1/ / / 1431 SDSM 395 1/ / / 3954 LARS-WG رشت مدل ANN / / / 1933 SDSM / / 913 1/ 9321 LARS-WG بابلسر 1/29 1/ / / / 1513 ANN 195 1/ 195 1/ / 1921 SDSM / 945 1/ / رامسر 9111 LARS-WG ANN 195 1/ / / 1313 SDSM / / / 9349 LARS-WG گرگان ANN شکل 9: ماهانه دمای حداقل انزلی در سه مدل و دو سناریو )منبع نگارندگان( شکل 7: ماهانه دمای حداقل گرگان در دو مدل و دو سناریو )منبع نگارندگان(

16 بررسی دمایی سواحل جنوبی دریای خزر... / الهام قاسمی فر و شکل 8: ماهانه دمای حداکثر انزلی در سه مدل و دو سناریو )منبع نگارندگان( شکل 9: ماهانه دمای حداکثرگرگان در دو مدل و دو سناریو )منبع نگارندگان( نتیجه گیری تایج بدست آمده از مدل LARS_WG نشان دهندهی افزایش دمای حداقل و حداکثر تا باالی یک درجه سانتیگراد در بیشتر ماهها بود. بیشترین افزایش در ماهها مربوط به ماه اوت میباشد. در مورد مدل SDSM عالوه بر افزایش دمای هوا در ماههای گرم سال نتایج کاهش دما را برای ماههای مارس آوریل می و نوامبر برای هر پنج ایستگاهها نشان داد. مدل شبکه عصبی مصنوعی نیز همانند مدل SDSM از متغیرهای بزرگ مقیاس جهت شبیه سازی خود استفاده میکند که این مدل نیز کاهش دما را برای ماه آوریل می و نوامبر در دو ایستگاه مورد بررسی نشان داد. خطای مدلها در شبیه سازی و همچنین ضرایب تعیین به خوبی گویای عملکرد مدلها میباشند. در این بین مدل SDSM خطای پای نی تری )1/19 تا 1/11 درجه سانتیگراد( را به ثبت رساند چرا که این مدل مدلی پیوندی است که ترکیبی از مدل رگرسیونی و مولد مصنوعی جوی میباشد. باید خاطر نشان کرد که مدل LARS_WG تنها یک مدل مولد جوی مصنوعی است و توانست بعد از مدل SDSM درجه خطای کمتری 1/9 تا 1/3 درجه سانتیگراد )را داشته باشد و همچنین مدل شبکه عصبی مصنوعی نیز مدلی بسیار ضعیف طبقه بندی شد که نشان از ضعف مدل در شبیه سازی پارامترهای جوی دارد و خطای باالیی )1/3 تا 1/2 درجه سانتیگراد( را نسبت به دو مدل ریز مقیاس سازی قبلی داشته است. در نتیجه مدل SDSM به عنوان شبیه ساز قوی دادههای دما معرفی میشود. مقایسه این پژوهش با سایر مطالعات مشابه همانند

17 41 )باباییان و همکاران 9422( )اشرف و همکاران 9411( )عباسی و همکاران 9421( و غیره که اقلیم در ایران و خراسان را مورد بررسی قرار دادند تطابق نتایج این مطالعه با نتایج کار پژوهشی آنان را نشان داد که مطابق با پیش بینیه یا مراکز اقلیمی جهان و هیئت بین الدول تغییر اقلیم است. جهت ارزیابی مدلها نیز پژوهشگران در کانادا al.2006) (Khan et لوپز و همکاران )3112( و سبحانی و همکاران )9413( نشان دادند مدل SDSM مدلی با خطای بسیار پایین جهت شبیه سازی و ارزیابی اثرات تغییر اقلیم به ویژه دما است. منابع 9- اشرف بتول محمدموسوی بایگی غالمعلی کمالی و کامران داوری )9411(: پیش بینی فصلی پارامترهای اقلیمی در 31 سال آتی با استفاده ازریز مقیاس نمایی آماری دادهه یا مدل HADCM3 )مطالعه ی موردی استان خراسان رضوی( نشریهی آب و خاک )علوم و صنایع کشاورزی( 35 شماره : 3- باباییان ایمان زهرا نجفی بیک فاطمه زابل عباسی مجیدحبیبی نوخندان حامد ادب و شراره ملبوسی )9422(: ارزیا یب تغییر اقلیم کشور در دورهی میال ید با استفاده از ریز مقیاس نمایی دادهه یا مدل گردش عمومی جو ECHO-G مجله جغرافیا و توسعه شماره : 4- سبحانی ب مهدی اصالحی و ایمان بابائیان )9413(: کارایی الگوهای ریزمقیاس نمایی آماری SDSM و LARS-WG در شبیه سازی متغیرهای هواشناسی در حوضة آبریز دریاچة ارومیه پژوهشه یا جغرافیای طبیعی دورة 36 شمارة عباسی فاطمه شراره ملبوسی مجید حبیبی نوخندان و مرتضی اثمری )9421(: ارزیا یب تغییر اقلیم زاگرس در دوره میال ید با استفاده از ریز مقیاس نمایی دادهه یا مدل گردش عمومی جو ECHOG نشریه پژوهشه یا اقلیم شناسی سال اول شماره 3-9: مساح بوانی علیرضا و علیرضا مرید )9423(: اثرات تغییر اقلیم بر جریان رودخانه زاینده رود اصفهان نشریه علوم و فنون کشاورزی و منابع طبیعی سال نهم شماره : 6- Abbasnia, M. Tavousi, T. Khosravi, M. (2016): Assessment of Future Changes in The Maximum Temperature at Selected Stations in Iran Based on HADCM3 and CGCM3 Models, Asia-Pac. J. Atmos. Sci. 52(4), , DOI: /s z. 7- Abbasnia, M. Toros, H. (2016): Future Changes in Maximum Temperature Using The Statistical Downscaling Model (SDSM) At Selected Stations of Iran, Model. Earth Syst. Environ. (2016) 2:68 DOI /s Z. 8- Cheema, S, B. Rasul, Gh. Ali, G. Kazmi, D.H. (2012): A Comparison of Minimum Temperature Trends With Model Projections, Pakistan Journal of Meteorology,Vol. 8, Issue15,pp Chu, J. T. Xia, J. Xu, C. Y. Singh, V. P. (2010): Statistical Downscaling of Daily Mean Temperature, Pan Evaporation and Precipitation for Climate Change Scenarios in Haihe River, China, Theor Appl Climatol,Vol.99, Issue1-2, pp Dorji, S. Herath, S. Mishra, B. K. (2017): Future Climate of Colombo Downscaled With SDSM-Neural Network, Climate 2017, 5, 24; Doi: /cli

18 بررسی دمایی سواحل جنوبی دریای خزر... / الهام قاسمی فر و Gagnon, S. Singh, B. Rousselle, J. Roy, L. (2005): An Application of The Statistical Down Scaling Model (SDSM) to Simulate Climatic Data for Stream Flow Modelling in Québec, Canadian Water Resources Journal,Vol. 30, No.4, pp Goodarzi, E. Dastorani, M. Massah Bavani, A. Talebi, A. (2015): Evaluation of The Change-Factor and LARS-WG Methods of Downscaling for Simulation of Climatic Variables in The Future (Case study: Herat Azam Watershed, Yazd - Iran), Ecopersia, 3 (1), Horton, E. B. (1995): Geographical Distribution of Changes in Maximum and Minimum Temperatures, Atmospheric Research, Vol.37, pp IPCC Report, Climate Change. (2007): Synthesis Report. 16- Karl, T. R. Kukla, G. Razuvayev, V. N. Changery, M. J. Quayle, R. G. Heim, R.R. Easterling, D. R. Cong Bin Fu. (1991): Global Warming: Evidence for Asymmetric Diurnal Temperature Change, Geophysical Research Letters, Vol.18, Issue 12, pp Khadka, D. Pathak, D. (2016): Climate Change Projection for The Marsyangdi River Basin, Nepal Using Statistical Downscaling of GCM and Its Implications in Geodisasters, Geoenvironmental Disasters 3:15, DOI /s Khan, M.S. Coulibaly, P. Dibike, Y. (2006): Uncertainty Analysis of Statistical Downscaling Methods, Journal of Hydrology, Vol. 319, pp Lapp, S. Sauchyn, D. Wheaton, E. (2008): Future Climate Change Scenarios for The South Saskatchewan River Basin, pp Lüthi, D. Floch, M. L. Bereiter, B. Blunier, Th. Barnola, J.M. Siegenthaler, U. Raynaud, D. Jouzel, J. Fischer, H. Kawamura, K. Stocker, Th. F. (2008): High-Resolution Carbon Dioxide Concentration Record 650, ,000 Years Before Present, Nature, Vol. 453, No. 7193, pp Lines, G. S. Pancura, M. Lander, CH. (2006): Building Climate Change Scenarios of Temperature and Precipitation in Atlantic Canada Using The Statistical Downscaling Model (SDSM), Meteorological Service of Canada, Atlantic Region, Science Report Series , pp Liu, P. Xu, Z. Li, X. (2016): Projection of Climate Change Scenarios in Different Temperature Zones in The Eastern Monsoon Region, China, Water 2017, 9, 305; Doi: /w Lopes, P.G. Aguiar, R. Casimiro, E. (2008): Assessment of Climate Change Statistical Downscaling Methods, Application and Comparison of Two Statistical Methods to a Single site in Lisbon. 24- Mekonnen, D. F. Disse, M. (2016):Analyzing The Future Climate Change of Upper Blue Nile River Basin (UBNRB) Using Statistical Down Scaling Techniques, Hydrol. Earth Syst. Sci. Discuss. Doi: /hess , Morid,S. Massah Bavani, A. R. (2005): Impact of Climate Change on The Water Resources of Zayandeh Rud Basin, Journal of Sciences and Technology of Agriculture and Natural Resources, Water and soil Science, Vol. 9, No.4, pp Mahmood, R. Babel, M. (2014): Future Changes in Extreme Temperature Events Using The Statistical Downscaling Model (SDSM) in The Trans-Boundary Region of The Jhelum River Basin, Weather and Climate Extremes 5-6 (2014) Mulugeta Bekele, H. (2009): Evaluation of Climate Change Impact on Upper Blue Nile Basin Reservoirs (Case Study on Gilgel Abay Reservoir, Ethiopia), A Thesis Submitted in Partial Fulfillment of The Requirements for the Degree of Masters of Science in Hydraulics and Hydropower Engineering of Arba-Minch University, Supervisor, Dr. Ing Seleshi Bekele, Arba-Minch University School of Post Graduate Studies, pp Mutasa, C. (2011): Impact of Climate Change on Ground Water Resources: A Case Study of The Sardon Catchment, Spain Thesis Submit for The Degree of Master of Science in Geo Information Science and Earth Observation, Supervisors, Dr. Ir. M. W Lubczynski and Dr. Ir. C. Van Der Tol, University of Twente, pp.1-65.

19 Rosenzweig, C. Karoly, D. Vicarelli, M. Neofotis, P. Wu, Q. Casassa, G. Menzel, A. Root, T. L. Estrella, N. Seguin, B. Tryjanowski, P. Liu, CH. Rawlins, S. Imeson, A. (2008): Attributing Physical and Biological Impacts to Anthropogenic Climate Change, Nature, Vol. 453, pp Sayad, T. A. Ali, A. M. Kamel, A. M. (2016): Study The Impact of Climate Change on Maximum and Minimum Temperature Over Alexandria, Egypt Using Dtatisrtical Downscaling Model (SDSM), Global Journal of Advanced Research, 3, 8, Souvignet, M. Gaese, H. Ribbe, L. Kretschmer, N. Oyarzún, R. (2010): Statistical Downscaling of Precipitation and Temperature in North Central Chile: An Assessment of Possible Climate Change Impacts in an Arid Andean Watershed, Hydrol. Sci. J. 55(1), Semenov, M. A. (2002): LARS-WG A Stochastic Weather Generator for Use in Climate Impact Studies Developed by Mikhail A. Semenov. Version 3.0, User Manual. 33- Task Group on Scenarios for Climate Impact Assessment Intergovernmental Panel on Climate Change, June (2007): General Guidelines on The Use of Scenario Data for Climate Impact and Adaptation Assessment, Version U. S. Climate Change Science Program, Synthesis and Assessment Product 3/1. July (2008): Climate Models an Assessment of Strenghts and Limitations. 35- Wilby, R.L. Dawson, C. W. Barrow, E. M. (2001): Sdsm A Decision Support Tool for The Assessment of Regional Climate Change impacts, Environmental Modelling & Software,Vol.17,pp Wetterhal, F. Bardossy, A. Chen, D. Halldin, S. Yu Xu, CH. (2006): Daily Precipitation- Downscaling Techniques in Three Chinese Regions, Water Resources Research, Vol. 42, W 11423, 13 pp. 37- Wilby, R. L. Dawson, C. W. (2007): SDSM 4.2 A Decision Support Tool for The Assessment of Regional Climate Change Impacts, User Manual.