پایش و پیش بینی ترسالی و خشکسالی تبریز با استفاده از مدل CLIMGEN و شاخص SPI
Publish place: Journal of Hydrogeomorphology، Vol: 2، Issue: 2
Publish Year: 1394
نوع سند: مقاله ژورنالی
زبان: Persian
View: 150
This Paper With 18 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_HYD-2-2_004
تاریخ نمایه سازی: 4 بهمن 1401
Abstract:
امروزه پیشبینی داده های هواشناسی برای برنامه ریزی های آینده در زمینه های طبیعی و انسانی از اهمیت بالایی برخوردار است. از جمله می توان به پیشبینی خشکسالی و سیل و... اشاره کرد که در این صورت میتوان با برنامهریزی مدون از خسارات احتمالی کاست. در این پژوهش، ابتدا با استفاده از مدل CLIMGEN و دادههای هواشناسی (۲۰۰۹-۱۹۶۱)، ایستگاه سینوپتیک تبریز پیشبینی دادههای هواشناسی سالهای ۲۰۰۹-۲۰۰۰ انجام گرفت و با توجه به هدف تحقیق همبستگی بین این داده ها با داده های مشاهداتی در SPSS۱۶ صورت گرفت. با توجه به همبستگی بین دادههای مشاهداتی و شبیهسازی شده، سپس به پیشبینی داده های هواشناسی منطقه تبریز طی دوره ۲۰۴۰-۲۰۱۶ پرداخته شد. در نتیجه با استفاده از شاخص SPI جهت بهدست آوردن ترسالی و خشکسالیها در دوره مورد مطالعه و دوره شبیهسازی شده اقدام گردید. نتایج نشان میدهد که در دو دوره مورد مطالعه (۲۰۰۹-۱۹۶۱ و ۲۰۴۰-۲۰۱۶)، روند بارش رو به کاهش گذارده است و از طرف دیگر در دوره پیشبینی شده نسبت به دوره مشاهداتی ترسالی و خشکسالیها رو به افزایش نهاده و از وضعیت نرمال فاصله گرفته است. برای سال۲۰۴۰ در منطقه مورد مطالعه با مدل گردش عمومی جو HADCM۲ طبق سناریوی A۱BAIM مدلسازی شد و از مدل MAGICC-SCENGEN برای ریز مقیاس نمایی داده های با قدرت تفکیک خروجی ۵/۲ در ۵/۲ مدل های گردش عمومی استفاده شد. نتایج حاصل از این مدل نیز حاکی از کاهش بارش و افزایش دما در منطقه مورد مطالعه می باشد.
Keywords:
Authors
بهروز ساری صراف
استاد گروه آب و هواشناسی دانشگاه تبریز
سعید محمودی
دانشجوی دکتری آب و هواشناسی دانشگاه تبریز
سعید زنگنه
دانشجوی دکتری آب و هواشناسی دانشگاه تبریز
زهرا پاشایی
کارشناسی ارشد آب و هواشناسی دانشگاه تبریز
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :