Projection the Extreme Temperatures of Iran's Cold Season Using a Multi-Model Hamadi System with Socio-Economic Scenarios of CMIP6 Models.

Document Type : Original Article

Authors

1 Faculty of Meteorology, Faculty of Earth Sciences, Shahid Beheshti University, Faculty of Earth Sciences, Tehran, Iran

2 PhD of Climatology, Faculty of Humanities, Zanjan University, Zanjan, Iran

10.30467/nivar.2023.389079.1240

Abstract

Modeling extreme temperatures is one of the important challenges in predicting climate behavior. The aim of the current research is to introduce and evaluate a new Hamadi (weighted mean-correlation) in forecasting the extreme temperatures of the cold season of Iran using socio-economic scenarios. In this regard, the output of 5 models GFDL-ESM4, MPI-ESM1-2-HR, IPSL-CM6A-LR, MRI-ESM2 and UKESM1-0-LL and the data of 95 synoptic stations in two basic periods (1981-2019) and The forecast period (2021-2040) was used. First, the direct output of the models was corrected by the variance method, and then Taylor's diagram and statistical measures were used to check the efficiency of the models and the introduced Hamadi model (weighted average-correlation). Using the newly introduced Hamadi model, limit temperatures were predicted with two optimistic scenarios SSP126 and pessimistic SSP585. The results showed that the error rate of the used Hammadi model has been able to reduce the error of the models used in forecasting to an optimal extent. The estimated data for the minimum temperature are more similar to the actual data than the maximum temperature. The minimum temperature will increase significantly compared to the maximum temperature in the base period. The country's latitude will play a major role in the country's maximum temperature distribution, and the minimum temperature distribution will also be influenced by the country's major altitudes and latitude.

Keywords

Main Subjects

References

1.    باروتی، ح.، اسماعیلی، ک.  و قهرمان، ب. (1397)، شبیه‌سازی زمانی و مکانی بارش در حوضه رود شور تحت تأثیر تغییر اقلیم، مهندسی آبیاری و آب، 9(34): 65-41.
2.    جهانبخش اصل، س.، ساری‌صراف، ب.، عساکره، ح، و شیرمحمدی، س. (1399)، واکاوی تغییرات زمانی – مکانی بارش‌های بحرانی (فرین بالا) در غرب ایران طی سال‌های 2016 – 1965، تحلیل فضایی مخاطرات محیطی، 7 (2): 152-122.
3.    رضایی، م.، نهتانی، م.، آبکار، ع.، رضائی، م. و میرکازهی-ریگی، م. (1393)، بررسی کارایی مدل ریزمقیاس نمایی آماری SDSM در پیش‌بینی پارامترهای دمایی در دو اقلیم خشک و فراخشک (کرمان و بم)، پژوهش نامه مدیریت حوزه آبخیز، 10 (5): 131 -117.
4.    زرین، آ. و داداشی رودباری، ع. (1400)، پیش‌نگری دمای یاران در آینده نزدیک (2021 – 2040) بر اساس رویکرد همادی چند مدلی CMIP6، پژوهش های جغرافیای طبیعی، 53 (1): 90-75.  
5.    طائی سمیرمی، س.، مرادی، ح. و خداقلی، م. (1393)، شبیه‌سازی و پیش‌بینی برخی از متغیرهای اقلیمی توسط مدل چندگانه خطی SDSM و مدل‌های گردش عمومی جو (حوزه آبخیزبار نیشابور)، فصلنامه انسان و محیط زیست، 28 (12): 15-1.
6.    عباسی، ف.، بابائیان، ا.، ملبوسی، ش.، اثمری، م. و گلی مختاری، ل. (1391)، ارزیابی تغییر اقلیم ایران در دهه های آینده (2025 تا 2100 میلادی) با استفاده از ریزمقیاس نمایی داده های مدل گردش عمومی جو، تحقیقات جغرافیایی، 27 (104): 49-33. 
7.    عزیزی، ق.، صفرراد، ط.، محمدی، ح. و فرجی سبکبار ، ح. (1395). ارزیابی و مقایسة داده های بازکاوی شدة بارش جهت استفاده در ایران، پژوهش‏های جغرافیای طبیعی، 48 (1): 49-33. 
8.    عساکره، ح. (1391)، تغییر توزیع فراوانی بارش های فرین شهر زنجان، جغرافیا و برنامه ریزی محیطی، 23(45): 61-46. 
9.    عساکره، ح. و اکبرزاده، ی. (1396)، شبیه سازی تغییرات دما و بارش ایستگاه سینوپتیک تبریز طی دوره (2010 – 2100) با استفاده از ریزمقیاس نمایی آماری و خروجی مدل  CanESM2، جغرافیا و مخاطرات محیطی، 6 (1): 174 – 153.
10.    عطایی، ه.، کوهی، م.، مدیریان، ر.  و بذرافشان، ب. (1400)، تغییرات پیش‌نگری شده در دما و بارش حوضه کشف رود بر مبنای روش‌های مقیاس – کاهی دینامیکی و آماری، مخاطرات محیط طبیعی،  23 (10): 202-183. 
11.    علیجانی، ب. (1390)، تحلیل فضایی دماها و بارش‌های بحرانی روزانه در ایران، نشریه تحقیقات کاربردی علوم جغرافیایی، 11(20): 20-1.  
12.    علیجانی، ب.، ، روشنی، ا.، پرک، ف. و حیدری، ر. (1391)، روند تغییرپذیری فرین‌های دما با استفاده از شاخص‌های تغییر اقلیم در ایران، جغرافیا و مخاطرات محیطی، 2(1): 29-18.  
13.    مسعودیان ،ا. و کاویانی، م. ( ۱۳۸۶ )، اقلیم شناسی ایران،اصفهان ،انتشارات دانشگاه اصفهان.
14.    مهرزاد، ح.، سلیقه، م.، اکبری، م.  و حجازی زاده، ز.  (1398)، آشکارسازی فازهای تاثیرگذار شاخص نوسان شبه دو سالانه (QBO) بر افزایش تعداد روزهای همراه با بارش سنگین در نیمه جنوبی ایران، نشریه هواشناسی و علوم جو، 52 (1): 127-113.   
15.    Altaf, Y.; Manzoor A. and Mohd, F. (2017). MLR Based Statistical Downscaling of Temperature and Precipitation in Lidder Basin Region of India. Environment Pollution, 1: 1-7.
16.    Bai, H.; Xiao, D.; Wang, B.; Liu, D. L.; Feng, P. and Tang, J. (2020). Multi‐model ensemble of CMIP6 projections for future extreme climate stress on wheat in the North China Plain. International Journal of Climatology, 40: 21-39.
17.    Boucher O.; Servonnat J.; Albright AL.; Aumont O.; Balkanski Y.; Bastrikov V. (2020). Presentation and evaluation of the IPSLCM6A- LR climate model. Advanced Model Earth System. 12: e2019MS002010.
18.    Chen, Y.; Paschalis, A.; Kendon, E, Kim, D. and Onof, C. (2021). Changing spatial structure of summer heavy rainfall, using  convection-permitting ensemble. Geophysical Research Letters, 48, e2020GL090903. 
19.    Chen, J.; Brissette, F. P.; Chaumont, D.; Braun, M. (2013).  Finding appropriate bias correction methods in downscaling precipitation for hydrologic impact studies over North America. Water Resources Research, 49(7): 4187-4205.
20.    Dai, A. (2011). Drought under global warming: a review: Drought under global warming. Climate Change, 2 (1): 45–65.
21.    Grose, M.R.; Narsey, S.; Delage, F.P.; Dowdy, A.J.; Bador, M.; Boschat, G.; Chung, C.; Kajtar, J.B.; Rauniyar, S.; Freund, M.B. and Lyu, K. (2020). Insights from CMIP6 for Australia's future climate. Earth's Future, 8(5): 12-24.
22.    Hawkins, E.; Sutton, R. (2009). The potential to narrow uncertainty in regional climate predictions.Bulletin of the American Meteorological Society, 90(8): 1095-1108.
23.    IPCC, 2018. Summary for Policymakers. In: Global warming of 1.5_C. An.
24.    IPCC. (2014). Climate Change 2014: Synthesis Report. Contribution of Working Groups I, II, and III to the Fifth Assessment. Report of the Intergovernmental Panel on Climate Change Rep, 151 pp., IPCC, Geneva, Switzerland, 2014.
25.    Janssen, E.; Wuebbles, K.; Kunkel, S. and Goodman, A. (2014). Observational- and model-based trends and projections of extreme precipitation over the contiguous United States, Earth’s Future, 2, 99–113.
26.    Kazmi, D.; Hussain, R.; Ghulam, L.; Jianping, C. and Suhail. B. (2014), Comparative Study for ECHAM5 and SDSM in Downscaling Temperature for a Geo-Climatically Diversified Region Pakistan. Applied Mathematics, 5: 137-143.
27.    Mahmood. R. and mukands, b. (2014), future changes in extreme temperature events using the statistical downscaling model (SDSM) in the trans-boundary region of the Jhelum river basin. Weather and climate extremes, 6: 56–66.

28.    Maraun, D. (2016). Bias correcting climate change simulations-a critical review. Current Climate Change Reports, 2(4): 211-220.
29.    Mendez, M.; Maathuis, B.; Hein-Griggs, D.; & Alvarado-Gamboa, L. F. (2020). Performance Evaluation of Bias Correction Methods for Climate Change Monthly Precipitation Projections over Costa Rica. Water, 12(2), 482.
30.    Müller W.A.; Jungclaus J.H.; Mauritsen T.; Baehr J.; Bittner M.; Budich R. (2018). A higher-resolution version of the Max Planck Institute Earth System Model (MPI-ESM1. 2-HR). Advanced Model Earth System. 10(7):1383–1413.
31.    Palazzi, E.; Hardenberg, v.; and Provenzale, A. (2013). Precipitation in the Hindu-Kush Karakoram Himalaya: Observations and future scenarios. Geophysics Research Atoms, 118: 85–100.
32.    Sayad, T.; Ali, M. and Kamel, A. (2016). Study The Impact of Climate Change on Maximum and Minimum Temperature Alexandria, Egypt Using Statistical Downscaling Model (SDSM). Global Journal of Advanced Research, 3: 694–712.
33.    Sellar A.A.; Walton J.; Jones C.G.; Wood R.; Abraham N.L. Andrejczuk M. (2020). Implementation of UK Earth system models forCMIP6. Advanced Model Earth System. 12(4):e2019MS001946.
34.    Sentman L.T.; Dunne J.P.; Stouffer R.J.; Krasting J.P.; Toggweiler J.R.; Broccoli J. (2018). The mechanistic role of the Central American Seaway in a GFDL Earth System Model. Part 1: impacts on global ocean mean state and circulation. Paleoclimatology. 33(7):840–859.
35.    Wehner, M. (2013). Very extreme seasonal precipitation in the NARCCAP ensemble: model performance and projections. Climate Dynamics, 40(1): 59-80.
36.    Wong, C.; Mok, H. Y.; and Lee, T. (2011). Observed changes in extreme weather indices in Hong Kong. International Climate. 31: 2300–2311.
37.    Zhao, R.; Huixiao,W.; Ji, C.; Guobin, F.; Chesheng, Z. and Huicai, Y. (2021) .Quantitative analysis of nonlinear climate change impact on drought based on the standardized precipitation and evapotranspiration index. Ecological Indicators, 121: 107107.
38.    Zhu, 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.
 

Files

History

  • Receive Date: 09 March 2023
  • Revise Date: 02 May 2023
  • Accept Date: 03 September 2023
  • First Publish Date: 03 September 2023

Share

How to cite

Statistics