دورنمای فرین‌های گرم ایران مبتنی بر برونداد مدل میان‌مقیاس منطقه¬ایی (REGCM4)
الموضوعات :محمود احمدی 1 , عباسعلی داداشی رودباری 2 , عبداله ابراهیمی 3
1 - شهید بهشتی
2 - دانشگاه شهید بهشتی
3 - دانشجو
الکلمات المفتاحية: گرمای فرین, شاخص NTD, شبکه عصبی خودسازمانده (SOM), مدل REGCM4, ایران,
ملخص المقالة :
با ظهور و شدت یافتن پدیده گرمایش جهانی، توسعه راهبردهای کارآمد برای سازگاری با این پدیده امری ضروری قلمداد می‌گردد. این ضرورت در گام نخست درکی مناسبی از آسیب‌پذیری مناطق مختلف از دگرگونی‌های آب و هوایی به دست می‌آورد و متناسب با گنجایش‌های منطقه ایی راهبردهای سازگاری با دگرگونی‌های آب و هوایی را ارائه می‌کند. هدف از این پژوهش شناخت اثر گرمایش جهانی بر تغییرات میزان دماهای فرین بالا طی دهه‌های آینده در قلمرو ایران است. به این منظور داده‌های پایگاه EH5OM برای دوره 2015 تا 2050 میلادی به شکل دیدبانی‌های 3 ساعته (8 بار در روز) تحت سناریو A1B. از مرکز فیزیک ماکس پلانک بارگیری و با استفاده از مدل منطقه ایی REGCM4 ریزپیمانه شدند. سپس داده‌های ساعتی دمای هوا ریزپیمانه نمایی شده با تفکیک مکانی 27/0 × 27/0 درجه قوسی به میانگین روزانه تبدیل شدند که در نتیجه ماتریسی به ابعاد 2140×13140 به-دست آمد. برای شناسایی از روزهای فرین گرم از نمایه انحراف بهنجار شده دما (NTD) بهره بردیم؛ به طوری که داده‌های حاصل از خروجی مدل برحسب مقدار این نمایه و گستره حاکمیت گرما ( ) مرتب گردیدند در گام بعدی 500 روز نخست که شرط ( ) را برآورده کردند در حکم نمونه انتخاب شدند. نتایج نشان داد دورنمای فرین‌های گرم ایران بر اساس روش شبکه عصبی خودسازمانده (SOM) را می‌توان به 9 ناحیه تقسیم نمود. همچنین در دهه‌های آینده بیشینه گرماهای فرین در نیمه غربی و نوار ارتفاعی (کوهستان و کوهپایه) رخ خواهد داد به طوری که فرین‌های دمایی در مناطق یادشده بیشتر از نواحی داخلی و سواحل جنوبی کشور خواهند بود. کمینه رخداد فرین گرم ایران مربوط به ناحیه دشت کویر و پس‌ازآن جنوب شرق کشور می‌باشد.
1. اسدی، ا.، مسعودیان، س.ا. (1393). پهنه‌بندی ایران بر پایه دماهای فرین بالا، مجله فیزیک زمین و فضا، دوره40، شماره 4، صص 155-168؛
2. امیدوار، ک؛ ابراهیمی، ر؛ داداشی رودباری، ع؛ ملک میرزایی، م. (1394). واکاوی زمانی- مکانی فرین‌های سرد ایران تحت¬تأثیر گرمایش جهانی به‌منظور کاهش مخاطرات، دانش مخاطرات، دوره 2، شماره 4، صص 423-437؛
3. براتی، غ.، موسوی، س.ش. (1384). جابجایی مکانی موج‌های زمستانی گرما در ایران، جغرافیا و توسعه، شماره 5، صص 41-52؛
4. قویدل رحیمی، ی.، رضایی، م.، فرج¬زاده اصل، م. (1393). کاربرد مدل انحراف نرمال شده دما در شناسایی و تحلیل سینوپتیک مخاطره دماهای بیشینه منطقه جنوب شرق ایران، برنامه‌ریزی و آمایش فضا، دوره 19، شماره 4، صص 123-139؛
5. قویدل رحیمی، ی.، سپه وند، ر.، فرج زاده اصل، م. (1393). شناسایی و تحلیل همدید امواج گرمایی فرین غرب ایران، پژوهش‌های دانش زمین، سال پنجم، شماره 18، صص 1-10؛
6. مسعودیان، س.ا. (1382). تحلیل ساختار دمای ماهانه ایران، مجله علوم انسانی دانشگاه اصفهان، شماره 15، صص 87-96؛
7. مسعودیان، س.ا. (1390). آب‌وهوای ایران، انتشارات شریعه توس، مشهد؛
8. مکرم، م.، نگهبان، س.(1394). طبقه‌بندی لند فرم‌ها با استفاده از شبکه‌های عصبی خودسازمانده (Self-organization map) (مطالعه موردی: حوضه آبخیز گاوخونی)، فصلنامه کواترنری ایران (علمی-پژوهشی)، دوره 1، شماره 3، صص 225-238؛
9. Allen, M. R., Barros, V. R., Broome, J., Cramer, W., Christ, R., Church, J. A., ... & Edenhofer, O. (2014), IPCC fifth assessment synthesis report-climate change 2014 synthesis report;
10. Anthes, R. A., Hsie, E. Y., & Kuo, Y. H. (1987), Description of the Penn State/NCAR mesoscale model version 4 (MM4) (p. 66). Boulder, CO.: NCAR;
11. Araghi, A., Mousavi-Baygi, M., & Adamowski, J. (2016), Detection of trends in days with extreme temperatures in Iran from 1961 to 2010. Theoretical and Applied Climatology, 125(1-2), 213-225;
12. Baylari, A., & Montazer, G. A. (2009), Design a personalized e-learning system based on item response theory and artificial neural network approach. Expert Systems with Applications, 36(4), 8013-8021;
13. Bindoff, N. L., Stott, P. A., AchutaRao, K. M., Allen, M. R., Gillett, N., Gutzler, D., & Mokhov, I. I. (2013), Detection and attribution of climate change: from global to regional;
14. Dickinson, R. E., Kennedy, P. J., & Henderson-Sellers, A. (1993), Biosphere-atmosphere transfer scheme (BATS) version 1e as coupled to the NCAR community climate model. National Center for Atmospheric Research, Climate and Global Dynamics Division;
15. Fujibe, F., Yamazaki, N., Kobayashi, K., & Nakamigawa, H. (2007), Longterm changes of temperature extremes and day-to-day variability in Japan, papers in Meterology and Geophysics;
16. Ghalhari, G. F., & Roudbari, A. D. (2016), An investigation on thermal patterns in Iran based on spatial autocorrelation. Theoretical and Applied Climatology, 1-12;
17. IPCC (2013) Fifth Assessment Report of the Intergovernmental Panel on Climate Change. Assessment Report. Intergovernmental Panel on Climate Change, New York;
18. Kiehl, J. T., J. J. Hack, G. B. Bonan, B. A. Boville, B. P. Breigleb,D. Williamson, and P. Rasch, (1996),Description of NCAR Community Climate Model (CCM3). National Center for Atmospheric Research Tech. Rep. NCAR/TN-4201STR, 152 pp.
19. Kim, Y. H., Min, S. K., Zhang, X., Zwiers, F., Alexander, L. V., Donat, M. G., & Tung, Y. S. (2016), Attribution of extreme temperature changes during 1951–2010. Climate Dynamics, 46(5-6), 1769-1782;
20. Landerer, F. W., Jungclaus, J. H., & Marotzke, J. (2007), Regional dynamic and steric sea level change in response to the IPCC-A1B scenario. Journal of Physical Oceanography, 37(2), 296-312;
21. Pal, J. S., Giorgi, F., Bi, X., Elguindi, N., Solmon, F., GAO, X., & Ashfaq, M. (2007), Regional climate modeling for the developing world: the ICTP RegCM3 and RegCNET. Bulletin of the American Meteorological Society, 88(9), 1395;
22. Peterson, T., Folland, C., Gruza, G., Hogg, W., Mokssit, A., & Plummer, N. (2001), Report on the activities of the working group on climate change detection and related rapporteurs. Geneva: World Meteorological Organization;
23. Randall, D. A., Wood, R. A., Bony, S., Colman, R., Fichefet, T., Fyfe, J., & Stouffer, R. J. (2007), Climate models and their evaluation. In Climate change 2007: The physical science basis. Contribution of Working Group I to the Fourth Assessment Report of the IPCC (FAR) (pp. 589-662). Cambridge University Press;
24. Reichler, T., & Kim, J. (2008), How well do coupled models simulate today's climate? Bulletin of the American Meteorological Society, 89(3), 303;
25. Roeckner E, Brokopf R, Esch M, Giorgetta M, Hagemann S, Kornblueh L, Manzini E, Schlese U Schulzweida U .(2006), Sensitivity of simulated climate to horizontal and vertical resolution in the ECHAM5 atmosphere model. J Clim 19:3771–3791;
26. Roshan, Gh. R., Grab, S.W., (2012), Regional Climate Change Scenarios and Their Impacts on Water Requirements for Wheat Production in Iran, International Journal of Plant Production, Vol. 2, PP. 239-265;
27. Schatzmann, J., & Ghanem, M. (2003), using self-organizing maps to visualize clusters and trends in multidimensional datasets. Department of Computing Data Mining Group, Imperial College, London, 132;
28. Tingley, M. P., & Huybers, P. (2013), recent temperature extremes at high northern latitudes unprecedented in the past 600 years. Nature, 496(7444), 201-205;
29. USDA (2013), Climate change and agriculture in theUnited States: effects and adaptation. USDA, USA, 186 pp;
30. Wen, Q. H., Zhang, X., Xu, Y., & Wang, B. (2013), Detecting human influence on extreme temperatures in China. Geophysical Research Letters, 40(6), 1171-1176;
31. Yin, H., Donat, M. G., Alexander, L. V., & Sun, Y. (2015), Multi‐dataset comparison of gridded observed temperature and precipitation extremes over China. International Journal of Climatology, 35(10), 2809-2827;
32. Yin, H., Sun, Y., Wan, H., Zhang, X., & Lu, C. (2016), Detection of anthropogenic influence on the intensity of extreme temperatures in China. International Journal of Climatology;
33. Zarrin, A., Ghaemi, H., Azadi, M., Mofidi, A., & Mirzaei, E. (2011), The effect of the Zagros Mountains on the formation and maintenance of the Iran Anticyclone using RegCM4. Meteorology and Atmospheric Physics, 112(3-4), 91-100;
34. Zhong, K., Zheng, F., Wu, H., Qin, C., & Xu, X. (2017), Dynamic changes in temperature extremes and their association with atmospheric circulation patterns in the Songhua River Basin, China. Atmospheric Research.
