Geography and Human Relationships

Geography and Human Relationships

Investigating and analyzing precipitation and temperature changes in South Khorasan province using the simulator of biased modification of the models of the sixth climate change report.

Document Type : Original Article

Authors
Nazli Zenozi Alamdari 1
Behrouz Sobhani 2
Mehdi Islahi 3
Masihallah Mohammadi 3
1 PhD student, University of Mohaghegh Ardabili, Faculty of Social Sciences, Department of Physical Geography, Ardabil, Iran.
2 Professor, University of Mohaghegh Ardabili, Faculty of Social Sciences, Department of Physical Geography, Ardabil, Iran.
3 PhD student, Department of Physical Geography, Faculty of Social Sciences, University of Mohaghegh Ardabili, Ardabil, Iran
10.22034/gahr.2023.426967.1992
Abstract
In this research, the effects of climate change on the distribution of precipitation and temperature in South Khorasan province were investigated. For this purpose, the output of 12 global climate models of IPCC's 6th report for the base period (1989-2100) for precipitation and temperature compared to observational data is weighted based on Kling-Gupta combined index (KGE) and based on the resulting ranks. CEM2 and HadGEM3-GC models respectively have the greatest ability in simulating temperature and precipitation in selected stations (Birjand, Qain, Ferdous, Nehbandan and Beshrurieh). In the following, using three scenarios SSP1-2.6, SSP2-4.5 and SSP5-8.5 and with the help of the simulator we will study the future climate change. The simulation results of the models showed that in future climatic conditions, annual temperature and precipitation will increase in all three SSP scenarios; So that the temperature will increase from 0.07 to 2.78 degrees Celsius and precipitation will increase by 1 to 81.8 percent compared to the base period. Also, the results of Kling-Gupta combined index indicate that the accuracy of the studied models is good in temperature simulation and poor in precipitation simulation.
Keywords
temperature and precipitation simulation
CMIP6
SSP scenarios
skew correction
South Khorasan

Subjects

  • اکبری، مهری و صیاد، وحیده .(1400) تحلیل مطالعات تغییر اقلیم در ایران. پژوهش‌های جغرافیای طبیعی، دوره53، شماره 1، صص 74- 43.
  • انصاری مهابادی، ثمین.، دهبان، حسین.، زارعیان، محمد جواد.، فرخ نیا، اشکان.، 1401، بررسی روند تغییرات دما و بارش حوزه­های آبریز ایران در افق 20 سال آینده بر اساس برون داد مدل­های CMIP6، مجه پژوهش آب ایران، جلد 16، شماره 1، ص 24 – 11.
  • آخوندی خلفی، امیر محمد؛ زارع بیدکی، رفعت؛ فاضلی عطار، سیده رزیتا، 1399، شبیه سازی پارامترهای هواشناسی تحت تأثیر تغییر اقلیم بر اساس سال­های 2030 – 2011 و 2065 – 2046 در نرم افزار LARS- WG5، مطالعات علوم محیط زیست، دوره پنجم، شماره 3، صص 2791- 2800.
  • حجازی زاده، زهرا؛ زارعی، شریفه و صیاد، وحیده ،(1402) بررسی چشم انداز تغییرات شاخص‌های حدی دما و بارش در استان کردستان براساس سناریوهای (RCP) واداشت تابشی. تحقیقات کاربردی علوم جغرافیایی، دوره 23، شماره69 ، صص 14-1.
  • زرین، آذر. و صالح‌آبادی، نسرین.، 1398، پیش­آگاهی مخاطره خشک‌سالی در تهران بر اساس برونداد مدل­های CMIP6 ، ششمین کنفرانس بین­المللی – منطقه­ای تغییر اقلیم.
  • عابدینی، الهام، موسوی بایگی، محمد، خاشعی سیوکی، عباس، سلاح ورزی، یحیی، 1398، بررسی روند رویدادهای اقلیمی حدی در استان خراسان جنوبی، نشریه هواشناسی کشاورزی، جلد 7، شماره2، صص 66- 55.
  • کاظمی راد، لادن؛ مدبری، هادی، 1402، ارزیابی پارامترهای اقلیمی دریاچه اوان تحت تأثیر تغییر اقلیم، مطالعات محیط زیست، دوره هشتم، شماره سوم، صص 6936 –
  • کلاچیان, رویا, ثقفیان, بهرام, & معظمی, صابر. (1399). ارزیابی کارایی روش‌های پس پردازش و اصلاح اریبی بر پیش‌بینی‌های ماهانه بارش و دما در حوضه کارون. تحقیقات منابع آب ایران, 16(4), 98-111.
  • میان آبادی، آمنه؛ باطنی، محمد مهدی؛ محمدی، صدیقه، 1402، پیش نمای تغییرات بارش و دما با استفاده از شبیه سازی اصلاح اریبی شده مدل­های اقلیمی گزارش ششم، نشریه پژوهش‌های تغییرات آب و هوایی، سال چهارم، شماره13، صص 84-65.
  • میراکبری, مریم, مصباح زاده, طیبه, محسنی ساروی, محسن, خسروی, حسن, مرتضایی فریزهندی, قاسم. (1397). ارزیابی کارایی مدل سری CMIP5 در شبیه‏ سازی و پیش ‏بینی پارامترهای اقلیمی بارندگی، دما و سرعت باد (مطالعۀ موردی: استان یزد). پژوهش‌های جغرافیای طبیعی،دوره50، شماره5، صص609 –

 

 

  • Ahmed, K.F., Wang, G., Silander, J., Wilson, A.M., Allen, J.M., Horton, R., Anyah, R., 2013. Statistical downscaling and bias correction of climate model outputs for climate change impact assessment in the U.S. northeast, Global and Planetary Change, 100, 320-332.
  • Almazroui M, Saeed F, Saeed S, Nazrul Islam M, Ismail M, Ama N, Klutse B, Siddiqui M (2020) Projected change in temperature and precipitation over Africa from CMIP6. Earth Systems and Environment 4:455–475
  • Boonman, C.C.F., Huijbregts, M.A.J., López, A.B., Schipper A.M., Thuiller, W., Santini, L. (2021). Trait-based projections of climate change effects on global biome distributions, Diversity and Distributions, 28 (1): 25-37. https://doi.org/10.1111/ddi.13431
  • Castro, A.Q.; Yaneth, A. B.T.; Erick, R.B.; Juan G.L.; Jesús, G.R.P. (2022). Modeling the effect of climate change scenarios on water quality for tropical reservoirs, Journal of Environmental Management, 322: 116137. https://doi.org/10.1016/j.jenvman.2022.116137.
  • Chen R, Li H, Wang X, Gou X, Yang M, Wan G (2022) Surface air temperature changes over the Tibetan Plateau: Historical evaluation and future projection based on CMIP6 models. Geoscience Frontiers 13(6):101452.
  • Chen W. Jiang Z. and Li L. 2011. Probabilistic projections of climate change over China under the SRES A1B scenario using 28 AOGCMs. Journal of Climate. 24(17): 4741-4756.
  • Dubrovský, M., Hayes, M., Duce, P., Trnka, M., Svoboda, M., & Zara, P. (2014). Multi-GCM projections of future drought and climate variability indicators for the Mediterranean region. Regional Environmental Change, 14(5), 1907-1919.
  • Eyring, V., Bony, S., Meehl, G. A., Senior, C. A., Stevens, B., Stouffer, R. J., & 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, https://doi.org/10.5194/gmd-9-1937-2016.
  • Fang G H, Yang J, Chen Y N, Zammit C (2015) Comparing bias correction methods in downscaling meteorological variables for a hydrologic impact study in an arid area in China. Hydrology and Earth System Sciences 19:2547–2559
  • Gunavathi, S., Selvasidhu, R. (2021). Assessment of Various Bias Correction Methods on Precipitation of Regional Climate Model and Future Projection, Research Square, doi:10.21203/rs.3.rs-339080/v1.
  • IPCC, 2021. Summary for Policymakers. In: Climate Change 2021: The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change [Masson-Delmotte, V., P. Zhai, A. Pirani, S.L. Connors, C. Péan, S. Berger, N. Caud, Y. Chen, L. Goldfarb, M. I. Gomis, M. Huang, K. Leitzell, E. Lonnoy, J.B.R. Matthews, T.K. Maycock, T. Waterfield, O. Yelekçi, R. Yu and B. Zhou (eds.)]. Cambridge University Press.
  • Kamworapan S, Bich Thao P T, Gheewala S H, Pimonsree S, Prueksakorn K (2021) Evaluation of CMIP6 GCMs for simulations of temperature over Thailand and nearby areas in the early 21st century. Heliyon 7(11):e08263.
  • Knoben, W. J., J. E. Freer and R. A. Woods. 2019. Inherent benchmark or not? Comparing Nash-Sutcliffe and Kling-Gupta efficiency scores. Hydrology and Earth System Sciences 23(10): 4323-4331.
  • Liu X, Liu Y, Liu Z, Chen Z (2021) Impacts of climatic warming on cropping system borders of China and potential adaptation strategies for regional agriculture development. Science of the Total Environment 755:142415.
  • Majumder, M. (2015). Impact of urbanization on water shortage in face of climatic aberrations.
  • McGinnis, S., Nychka, D., Mearns, L. O. (2015). A new distribution mapping technique for climate model bias correction. In Machine learning and data mining approaches to climate science (pp. 91-99). Springer, Cham.
  • Mehran, A., AghaKouchak, A., & Phillips, T. J. (2014). Evaluation of CMIP5 continental precipitation simulations relative to satellite‐based gauge‐adjusted observations. Journal of Geophysical Research: Atmospheres, 119 (4), 1695-1707.
  • Ongoma V, Chena H and Gaoa C (2018) Projected changes in mean rainfall and temperature over east Africa based on CMIP5 models. International Journal of Climatology 38(3):1375–1392
  • Patil, S. D. and M. Stieglitz. 2015. Comparing spatial and temporal transferability of hydrological modelparameters. Journal of Hydrology 525: 409-417.
  • Räty O, Räisänen J, Ylhäisi J S (2014) Evaluation of delta change and bias correction methods for future daily precipitation: Intermodel cross-validation using ENSEMBLES simulations. Climate Dynamics 42(9-10):2287-2303.
  • Riahi, K., Van Vuuren, D. P., Kriegler, E., Edmonds, J., O’neill, B. C., Fujimori, S., & Lutz, W. (2017). The shared socioeconomic pathways and their energy, land use, and greenhouse gas emissions implications: an overview. Global Environmental Change, 42, 153-168, https://doi.org/10.1016/j.gloenvcha.2016.05.009.
  • Srivastava, A., Grotjahn, R., Ullrich, P.A. 2020. Evaluation of historical CMIP6 model simulations of extreme precipitation over contiguous US regions, Weather and Climate Extremes, 29, 100268.
  • Teutschbein, C., Seibert, J. (2012). Bias correction of regional climate model simulations for hydrological climate-change impact studies: Review and evaluation of different methods. Journal of Hydrology, 456, pp 12-29.
  • Yeboah, K. A., Akpoti, K., Kabo-bah, A. T., Ofosu, E. A., Siabi, E. K., Mortey, E. M., Okyereh, S. A. (2022). Assessing climate change projections in the Volta Basin using the CORDEX-Africa climate simulations and statistical bias correction. Environmental Challenges, 6, pp 1-18.
  • 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.

  • Receive Date 25 November 2023
  • Revise Date 11 April 2025
  • Accept Date 23 January 2024