ارزیابی دقت مدل های شبیه ساز اقلیمی CMIP6 در برآورد و پیش بینی بارش در ایستگاههای پر بارش استان گیلان (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
پیش بینی تغییرات بارش در مناطق پربارش ایران، نظیر استان گیلان، برای مدیریت منابع آبی و کاهش مخاطرات طبیعی نظیر سیل بسیار حائز اهمیت است. هدف اصلی این مطالعه، ارزیابی عملکرد هفت مدل مختلف CMIP6 در پیش بینی تغییرات بارش در سه ایستگاه آستارا، بندر انزلی و رشت طی دوره زمانی 1987 تا 2014 (دوره پایه) و پیش بینی آن از سال 2024 تا سال 2050 است. در این پژوهش از روش اصلاح بایاس خطی برای بهبود دقت پیش بینی ها و از سه سناریویSSP1-2.6 ، SSP2-4.5 و SSP5-8.5 برای شبیه سازی تغییرات اقلیمی استفاده شده است. شاخص های آماری نظیر RMSE، PBIAS و R² برای ارزیابی دقت مدل ها به کار گرفته شده اند. علاوه بر این، تحلیل پایداری مدل به روش Sobol و شاخص حساسیت Monte Carlo برای بررسی پایداری و حساسیت مدل ها به تغییرات پارامتریک مورد استفاده قرار گرفتند. نتایج حاصل از اصلاح بایاس خطی نشان داد که مدل ACCESS-ESM1-5 با ضریب تعیین (R²) بالای 99/0، میانگین خطای مطلق (MAE) کمتر از 2 میلی متر و درصد اریبی (PBIAS) نزدیک به صفر، بهترین عملکرد را در هر سه ایستگاه آستارا، بندر انزلی و رشت دارد. این مدل توانست تغییرات ماهانه و فصلی بارش را با دقت بالاتری نسبت به سایر مدل ها شبیه سازی کند. پیش بینی بارش نشان داد که بر اساس سناریوی SSP5-8.5، از سال 2024 تا سال 2050، بارش در ماه های دسامبر و ژانویه در بندر انزلی و رشت به ترتیب به میزان 22% و 25% افزایش و در ماه های ژوئیه و اوت در هر سه ایستگاه مورد مطالعه بین 12% تا 20% کاهش خواهد یافت. در مجموع، استفاده از روش اصلاح بایاس خطی همراه با مدل ACCESS-ESM1-5 می تواند دقت پیش بینی تغییرات اقلیمی را در ایستگاه های پربارش مورد مطالعه و ایستگاه های مشابه آنها بهبود بخشد.Evaluation of the Accuracy of CMIP6 Climate Models in Estimating and Predicting Precipitation at High- Precipitation Stations in Gilan Province
Forecasting precipitation variability in high-rainfall regions of Iran, such as Gilan Province, is crucial for effective water resource management and reducing natural hazards like floods. The primary objective of this study is to assess the performance of seven different CMIP6 models in predicting precipitation changes at three stations Astara, Bandar Anzali, and Rasht during the baseline period (1987–2014) and to project precipitation from 2024 to 2050. In this research, the linear bias correction method was employed to enhance the accuracy of the projections. Three scenarios SSP1-2.6, SSP2-4.5, and SSP5-8.5 were used to simulate climate change impacts. Statistical metrics including RMSE, PBIAS, and R² were utilized to evaluate the models’ performance. Additionally, model stability was analyzed using the Sobol method, and parameter sensitivity was assessed through the Monte Carlo Sensitivity Index. The results of the linear bias correction indicated that the ACCESS-ESM1-5 model exhibited the best performance across all three stations Astara, Bandar Anzali, and Rasht with a coefficient of determination (R²) exceeding 0.99, a mean absolute error (MAE) below 2 mm, and a PBIAS value close to zero. This model demonstrated a superior capability to simulate monthly and seasonal precipitation variations compared to the other models. Precipitation projections revealed that under the SSP5-8.5 scenario, from 2024 to 2050, precipitation in December and January in Bandar Anzali and Rasht is expected to increase by approximately 22% and 25%, respectively, while precipitation in July and August is projected to decrease by 12% to 20% across all three stations. Overall, the application of the linear bias correction method, coupled with the ACCESS-ESM1-5 model, can significantly enhance the accuracy of climate change projections in the studied high-rainfall stations and similar regions.
تبلیغات
