پیش نگری بارش های فرین در ایران بر اساس رویکرد همادی مدل های CMIP۶ در آینده نزدیک (۲۰۵۰-۲۰۲۶) با وزن دهی مبتنی بر رتبه
محل انتشار: مجله فیزیک زمین و فضا، دوره: 49، شماره: 3
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 85
فایل این مقاله در 20 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JESPHYS-49-3_012
تاریخ نمایه سازی: 26 آبان 1402
چکیده مقاله:
در این مطالعه پیشنگری چهار شاخص بارش فرین (R۹۵p، R۹۵d، AEPI و R۹۵pT) بر روی کشور ایران، با استفاده از دوره مرجع ۲۰۱۴-۱۹۹۰ بر اساس رویکرد مجموعه چندمدلی و روش وزندهی مبتنی بر رتبه با کاربست پنج مدل از مدلهای CMIP۶ انجام شد. وزن هر مدل بسته به مهارت شبیهسازی تاریخی آن محاسبه و سپس، گروههای وزندار و بدون وزن برای پیشنگریهای آینده استفاده شدند. نتایج بررسی مهارت نشان میدهد که مدل MPI-ESM۱-۲-HR با MR_taylor برابر با ۵/۰ و با MR_IVS برابر با ۶/۰ به ترتیب دومین و اولین مدل مناسب در بین پنج مدل منتخب برای شبیهسازی الگوهای فضایی و زمانی شاخصهای بارش فرین است. بنابراین تفکیک افقی مدل تنها عامل تعیین کننده مهارت مدل در شبیهسازی نیست و بهبود در فرایندهای فیزیکی نیز مورد نیاز است. نتایج نشان می دهد احتمال این که کل بارش فرین (R۹۵p) و شدت مطلق بارش فرین (AEPI) در منطقه مورد مطالعه، در دوره ۲۰۵۰-۲۰۲۶ تحت چهار سناریوی SSP۱-۲.۶، SSP۲-۴.۵، SSP۳-۷.۰ و SSP۵-۸.۵ بیش از صفر باشد، در کل کشور بزرگ تر از ۵/۰ است. با توجه به مقدار میانه نزدیک به صفر و یا حتی منفی شاخص فرین R۹۵d، تقدم افزایش مقدار بارش فرین بر تعداد روزهای رخداد استنباط میشود و این بارشهای فرین در تعداد روزهای کمتری رخ خواهند داد که خود اعلام خطری برای رخداد بارشهای سیلآسا میباشد. مقایسه بین میانگین های گروه وزن دار و بدون وزن نشان می دهد که عدم قطعیت پیش نگری احتمالی آینده در منطقه مورد مطالعه تقریبا همیشه پس از اعمال حالت وزن دهی به مدلها برای پیش نگری احتمالی آینده کاهش می یابد.
کلیدواژه ها:
نویسندگان
Sakineh Khansalari
پژوهشگاه هواشناسی و علوم جو، تهران، ایران.
Seyedeh Atefeh Mohammadi
پژوهشگاه هواشناسی و علوم جو، تهران، ایران.
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :