اعتبارسنجی پیش بینی مدل هایHadGEM2-es و GFDL-ESM2g براساس بیشینه و کمینه دما
محل انتشار: پنجمین کنفرانس منطقه ای تغییر اقلیم
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 590
فایل این مقاله در 12 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:
RCCC05_110
تاریخ نمایه سازی: 6 بهمن 1395
چکیده مقاله:
از آنجا که تغییرات اقلیمی آینده به شدت گرمایش جهانی بستگی دارد. لذا ارزیابی پیش بینی تغییرات آب و هوا در آینده ضروری میباشد. بدین منظور برای برآورد تغییرات دما حداقل و حداکثر در ایستگاه های شیراز و شاهرود در دوره قلیمی2049-2025 ،از داده های پیش بینی دو مدل اقلیمی GFDL-ESM2g و es-HadGEM2 تحت سناریوهای RCP بر مبنای دوره پایه 2005-1981 استفاده گردید. در ارزیابی دقت پارامترهای پیش بینی شده از شاخص هاى آماری(R2) ، آزمون t ،جذر میانگین مربعات خطا (RMSE) ،جذر میانگین مربعات خطاى نرمال شده (RMSEn)، حداکثر خطا (ME ) و ضریب کارآیى(E) استفاده گردید. که همگی مطابقت نتایج پیش بینی شده هر دو مدل با داده های دیدبانی را نشان دادند. نتایج نشان داد که مقادیر RMSE در محدوده 0/52 تا 0/69 درجه سانتیگراد و مقادیر RMSEn برای درجه حرارت حداکثر و حداقل در هر دو مدل کمتر از 8 درصد محاسبه گردید، که بیانگر درجه ناچیز خطای مدل بود. نتایج پیش بینی نشان دهنده افزایش دمای حداقل در محدوده 1/51-0/64 و افزایش دمای حداکثر در محدوده 1/6969/1-0/79 در مدل GFDL-ESM2g و در مدل HadGEM2-es افزایش دمای حداقل در محدوده 2/53-1/85 و افزایش دمای حداکثر در محدوده 2/64-2/15 درجه سانتیگراد بود. بیشترین افزایش دما در مدل GFDL-ESM2g و HadGEM2-es در سناریو 5,RCP8 به ترتیب به میزان 1/69 و 2/64 درجه سانتیگراد مشاهده شد. نتایج کلی مقایسه دو مدل نشان داد که افزایش دما در پیش بینی مدل HadGEM2-es بیشتر از مدل GFDL-ESM2g است.
کلیدواژه ها:
نویسندگان
مجتبی ترکمان
دانشجوی دکتری اکولوژی گیاهان زراعی، دانشگاه فردوسی مشهد،
فرزانه رحیمی
دانشجوی دکتری معماری
مصطفی ترکمان
دانشجوی دکتری آگرواکولوژی، دانشگاه فردوسی مشهد
سیدمهرداد حسینی
کارشناس ارشد منابع طبیعی
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 :