پیش‌بینی روند تغییرات یخبندان در ایستگاه هواشناسی کاشان

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استاد گروه جغرافیای طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران

2 دانشجوی دکتری آب و هواشناسی کشاورزی، دانشگاه محقق اردبیلی، اردبیل، ایران

چکیده

در این پژوهش، به منظور آگاهی از روند پدیدة یخبندان طی سال‌های آینده در ایستگاه کاشان، روزهای یخبندان این ایستگاه الگو‌سازی شد. در این راستا، مقایسه و انتخاب بهترین الگوی برازش داده‌شده به سری با الگو‌های گردش عمومی جو بررسی شد. پس از گردآوری داده‌های روزانة ایستگاه همدید کاشان در دورة آماری 2010-1973، با توجه به داده‌های الگوی گردش عمومی جو در دورة 2030-2011 و انتخاب سناریوی انتشار A1، از میان الگو‌های گردش عمومی جو، پنج الگوی کاربردی شامل BCM2، HADCM3،IPCM4 ،GIAOM، HADGEM برگزیده و داده‌های اقلیمی ایستگاه با نرم‌افزار LARS-WG ریزگردانی شد. به منظور ایجاد داده‌های روزانه تا سال 2030، میانگین و انحراف معیار هر الگو با محاسبة بایاس و خطای مطلق مقایسه شد. با توجه به کمترین میزان خطای مطلق در میان الگو‌ها، الگوی GIAOM به منظور پیش‌بینی داده‌های مصنوعی دمای کمینه و بیشینه و نیز بررسی یخبندان‌های کاشان برای بازة اقلیمی آینده برگزیده شد. نتایج الگوی GIAOM نشان داد که بیشترین افزایش در میانگین کمینه و بیشینة دما در آینده در فصل‌های تابستان و پاییز و کمترین میزان افزایش دما در فصل‌های زمستان و بهار خواهد بود؛ این موضوع، نشان‌دهندة این است که باید در انتظار تابستان‌ها و پاییزهای گرم‌تری بود. نتایج بررسی روند یخبندان‌ها نشان داد که از تعداد روزهای با یخبندان ضعیف، متوسط و شدید در آینده کم خواهد شد. در این بین، بیشترین میزان کاهش تعداد روزهای یخبندان، مربوط به یخبندان‌های ضعیف خواهد بود. کاهش تعداد روزهای یخبندان در ایستگاه کاشان، نشان‌دهندة تأثیرپذیری اقلیم این منطقه از پیامدهای گرمایش جهانی است و درواقع، حساسیت تعداد روزهای یخبندان این منطقه را به این پدیده نشان می‌دهد.

کلیدواژه‌ها


عنوان مقاله [English]

Forecasting Frost Changes in the City of Kashan based on the Simulation of General Atmospheric Circulation Model

نویسندگان [English]

  • bromand Salahi 1
  • Fahkrisadat Fateminia 2
1 Associate Professor, University of Mohaghegh Ardabili, Iran.
2 PhD Candidate, University of Mohaghegh Ardabili, Iran
چکیده [English]

In this study, in order to know the trend of frost phenomenon in Kashan station in the next years, the ice days of this station were modeled. To this end, the comparison and selection of the best fitted model has been investigated by atmospheric circulation models. After collecting daily data of Kashan synoptic station in the period of 1973-2000, according to the data of the general circulation model in the period of 2011-2030 and the selection of the A1 emission scenario, among the general atmospheric circulation models, five applicable models including BCM2, HADCM3, IPCM4, GIAOM, and HADGEM were selected and the climatic data of the station were redistributed using LARS-WG software. In order to create daily data by 2030, the mean and standard deviation of each model were compared with the calculation of bias and absolute error. Considering the lowest absolute error among models, the GIAOM model was selected to predict the minimum and maximum temperature and artificial ice data, as well as to investigate Kashan frost for future climatic intervals. The results of the GIAOM model showed that the highest increase in the minimum and maximum mean temperatures in the future will occur in the summer and autumn seasons and the lowest temperature increase will be in the winter and spring seasons, which indicates that we should be waiting for warmer summers and autumns. The results of frost trends show that the number of days with weak, moderate, and severe frost in the future will be reduced. Meanwhile, the maximum reduction in the number of freezing days will be due to weak freezing. The decrease in the number of freezing days in Kashan station indicates the climatic susceptibility of this region to the global warming consequences and, in fact, shows the sensitivity of the number of freezing days in this region to this phenomenon.

کلیدواژه‌ها [English]

  • Forecasting
  • Frost
  • Kashan
  • General Circulation Model
  • LARS-WG Model

مقدمه

همة موجودات قادرند در محدودة حرارتی معینی رشد کنند؛ بنابراین تحمل‌پذیری آنها در مقابل دماهای فرین محدود است (میرموسوی و حسین بابایی، 1390: 167). کاهش دما تا کمترین آستانة تحمل گیاهان، همه‌ساله خسارات گسترده‌ای را به کشور وارد می‌کند. از دیدگاه هواشناسی، هنگامی که دمای کمینه (شبانه) به زیر صفر درجة سانتیگراد برسد، یخبندان رخ می‌دهد (مسعودیان و دارند، 1391: 129)؛ این پدیده بر بسیاری از فعالیت‌ها، به‌ویژه انرژی، حمل و نقل و کشاورزی به طور مستقیم یا غیرمستقیم تأثیر می‌گذارد که آثار آن در بخش کشاورزی بیش از سایر بخش‌هاست (حجازی‌زاده و ناصرزاده، 1384: 139).

افزایش و کاهش یخبندان، یکی از جنبه‌های مهم تغییر اقلیم است؛ از این رو، پیش‌بینی بلندمدت فراسنج‌های اقلیمی برای آگاهی از میزان تغییرات و درنتیجه در نظر گرفتن تمهیدات لازم برای کاهش آثار سوء ناشی از تغییر اقلیم مورد توجه پژوهشگران مختلف قرار گرفته است (خلیلی اقدم و همکاران، 1391: 87).

برای انجام پژوهش در موضوع تغییر اقلیم، نخست می‌باید متغیرهای اقلیمی ناشی از تغییرپذیری گازهای گلخانه‌ای شبیه‌سازی شوند که برای این کار، روش‌های متفاوتی از جمله الگو‌های گردش عمومی جو ([1]AGCM) وجود دارد (طاووسی و همکاران، 1391: 29). در این میان، الگوی LARS-WG، به منزلة یکی از الگو‌های گردش عمومی جو، کاربرد بسیاری در پیش‌آگاهی از تغییرات اقلیمی آینده دارد. نسخة اولیة این الگو را در سال 1990 راسکو و همکارانش در بوداپست مجارستان به عنوان بخشی از پروژة ارزیابی ریسک کشاورزی ابداع کرده و سپس در سال 1998 سمنوف و همکارانش آن را بازنگری و تعدیل کردند (بذرافشان و همکاران، 1388: 47).

اساساً این الگو به منظور مهیاکردن ابزاری برای شبیه‌‌سازی مصنوعی سری‌های زمانی متغیرهای هواشناسی طراحی شده است. الگوی لارس، نمونه‌ای از الگو‌های مولد متغیرهای هواشناسی است که از روش‌های توزیع نیمه‌تجربی برای طول روزهای تر و خشک، بارش روزانه و تابش آفتاب استفاده می‌کند (معافی مدنی و همکاران، 1391: 22). در این الگو، شبیه‌سازی رخداد بارش با استفاده از سری‌های تر و خشک انجام می‌شود. دمای کمینه و بیشینة روزانه نیز به صورت فرآیندی تصادفی به لحاظ میانگین و انحراف معیار این پارامترها که وابسته به روزهای تر و خشک هستند، تولید می‌شوند. متغیر‌های فصلی میانگین و انحراف معیار دما با استفاده از سری فوریه مرتبة سوم، الگو‌سازی شده و مقادیر باقی‌ماندة دما نیز با استفاده از توزیع نرمال شبیه‌سازی می‌‌شوند (طاووسی و همکاران، 1391: 32).

در سری‌های فوریه، برای میانگین‌ها، میانگین داده‌های مشاهداتی برای هر ماه جفت می‌شود. پیش از جفت‌شدن انحراف معیارها در سری‌های فوریه، انحراف معیار داده‌های مشاهده‌شده در هر ماه با انحراف معیار داده‌های شبیه‌سازی‌شده مطابقت داده شده و با حذف میزان خطاها در هر ماه، تغییرات در میانگین برای هر ماه تخمین زده می‌شود. مقادیر باقی‌مانده که از تفریق مقادیر میانگین داده‌های مشاهداتی به دست می‌آیند، برای محاسبة خودهمبستگی زمانی داده‌های دمای کمینه و بیشینه استفاده می‌شود (عباسی و همکاران، 1389: 219).

فرآیند تولید داده‌های مصنوعی با الگوی لارس در سه مرحلة کالیبره‌کردن الگو[2]، ارزیابی الگو[3] و تولید (شبیه‌سازی) داده‌های مصنوعی انجام می‌شود (حق‌طلب و همکاران، 1392: 39) که در این پژوهش نیز به همین روش عمل شده است.

از الگو‌های تعبیه‌شده در ریزگردان لارس، الگوی BCM2 را مرکز تحقیقات اقلیمی دانشگاه برگن نروژ[4] تهیه کرده که به نام الگوی «اقلیمی برگن» شهرت یافته است (سبحانی و فاطمی نیا، 1393: 315). تفکیک اقیانوسی- جوی این الگو 5/1 در 5/1 درجه است.

الگوی HADCM3 نیز، یکی از الگو‌های جفت‌شدة گردش عمومی جو - اقیانوس است که آن را مرکز تحقیقات و پیش‌بینی‌های اقلیمی هادلی در ادارة هواشناسی انگلستان[5]تهیه کرده است. مؤلفة جوی الگوی HADCM3 دارای تفکیک افقی 5/2 درجه عرض جغرافیایی تا 75/3 درجه طول جغرافیایی و 19 لایه و مؤلفة اقیانوسی آن دارای تفکیک افقی 25/1 درجه در 25/1 درجه و شامل
20 لایه است (خزانه‌داری و همکاران، 1387: 87).

در سال 2006، جانز و همکارانش (2006) نسخة جدید HadCM3 را به نام HadGEM1 طراحی کردند که نتایج الگو‌سازی تغییر اقلیمی آن در گزارش چهارم هیئت بین‌الدول اقلیمی استفاده شده است. این مرکز همچنین نسخة دوم این الگو را با نام HadGEM2 طراحی کرده که نتایج ارزیابی تغییر اقلیم آن در گزارش پنجم هیئت بین‌الدول تغییر اقلیم استفاده شده است. ارزیابی شبیه‌سازی‌های الگوی HadGEM1 با مقادیر دیده‌بانی و واکاوی‌شده[6] نشان می‌دهد که توانایی شبیه‌سازی این الگو در مقایسه با الگوی HadCM3، به میزان چشمگیری بهبود یافته است (مارتین و همکاران، 2006).

‌الگوی [7]HADGEM ، یکی از الگو‌های جفت‌شدة گردش عمومی جو - اقیانوس است که مرکز تحقیقات و پیش‌بینی‌های اقلیمی هادلی در ادارة هواشناسی انگلستان تهیه کرده است. مؤلفة جوی این الگو دارای تفکیک افقی 25/1 درجه عرض جغرافیایی در 75/1 درجه طول جغرافیایی و 38 لایه و مؤلفة اقیانوسی آن دارای تفکیک افقی 1 درجه عرض جغرافیایی در 1 درجه طول جغرافیایی بین قطب و عرض جغرافیایی 30 درجه است ([8]URL).

الگویIPCM4 را با نام [9]IPSL-[10]CM4 مرکز ملی تحقیقات جوی آمریکا ایجاد کرده است. تفکیک جوی این الگو، 5/2 در 75/3 درجه و شامل 19 لایه و تفکیک افقی آن 2 درجه (در استوا و دریای سرخ نزدیک به 1 درجه) است.

الگوی GIAOMرا مرکز ناسا به منظور مطالعات محیطی ایجاد کرده است. این الگو خلاصه‌ای از [11]GISS- [12]AOM بوده و نام اصلی آن AOM 4x3 است. الگوی GIAOM، یک الگوی جوی - اقیانوسی است که مؤلفة جوی آن دارای تفکیک افقی 4 × 3 درجه و 12 لایه و مؤلفة اقیانوسی آن دارای تفکیک افقی 4 × 3 درجه و شامل بیش از 16 لایه است (URL[13]).

به‌کارگیری الگو‌های گردش عمومی جو برای بازسازی اقلیم گذشته یا پیش‌بینی اقلیم آینده، این قبیل الگو‌ها را به الگو‌های جهانی اقلیم (GCM)[14] معروف کرده است. قدرت تفکیک افقی الگو‌های AGCM، بیش از صد کیلومتر (8/2 درجه قوسی) و قدرت تفکیک عمودی، 10 تا 30 متر است (عساکره، 1386: 109). یکی از ضعف‌های عمدة این الگو‌ها در قدرت تفکیک مکانی کم آن‌هاست؛ برای حل این مشکل، لازم است خروجی این الگو‌ها پیش از استفاده در مطالعات ارزیابی آثار تغییر اقلیم، ریزمقیاس‌نمایی آماری و دینامیکی شوند (عباسی و همکاران، 1389: 218)؛ زیرا روش‌های آماری نسبت به روش‌های دینامیکی به پارامترهای کمتری نیاز دارند و به همین دلیل در مطالعات علوم آب و هواشناسی بسیار به آنها توجه شده است (علیزاده و همکاران، 1389: 817).

پژوهشگران به الگو‌سازی یخبندان، مقابله با آن و کاهش هزینه‌های خسارت‌بارش، بسیار توجه داشته‌اند. واتکینز (1991) با استفاده از الگوی رگرسیون خطی، کاهش طول مدت فصل یخبندان را حدود دو روز برای هر دهه بیان و این کاهش را با افزایش درجه‌حرارت توجیه کرد.‌

هارمسن و همکاران (2009)، تغییر اقلیم را برای چند مکان در پورتریکو پیش‌بینی کردند. نتایج آن‌ها نشان داد که‌ فصل بارش، مرطوب‌تر و فصل خشک، خشک‌تر خواهد شد.

قمقامی و همکاران (1389)، به همسوسازی سری شبیه‌سازی‌شدة مقادیر حدی دما و سناریوهای تغییر اقلیم در چند ایستگاه ایران پرداختند.‌

طاووسی و همکاران (1391)، نشان دادند که الگوی BCM2، به بهترین نحو می‌تواند یخبندان‌های زابل را برای بازة اقلیمی آینده الگو‌سازی کند. نتایج الگو، حاکی از آن بود که میانگین متغیر‌های دمایی در بازة اقلیمی آینده نسبت به بازة گذشته افزایش خواهد یافت که بیشترین افزایش در فصول بهار و پاییز بیش از فصول زمستان و تابستان است و شمار روزهای یخبندان زابل به میزان چشمگیری کاهش خواهد یافت.‌

صلاحی و همکاران (1393)، در ارزیابی تغییرات اقلیمی آیندة استان اصفهان، به روند افزایشی دمای کمینة آن منطقه اذعان کردند.

با توجه به کارایی الگو‌های گردش عمومی جو در پیش‌بینی یخبندان‌ها، هدف این پژوهش، الگو‌سازی و پیش‌بینی پیامدهای تغییر آب و هوا بر یخبندان ایستگاه کاشان است؛ به عبارت دیگر در این پژوهش، با بهره‌گیری از فراسنج‌‌ دمای کمینه و بیشینه و نیز الگو‌های جوی BCM2، HADCM3، IPCM4، GIAOM ‌و HADGEM تحت ریزگردان لارس، الگو‌سازی یخبندان و پیش‌بینی روند تغییرات آن در ایستگاه‌ کاشان در آینده بررسی خواهد شد تا با شناخت این مسئله، مدیریتی درست در برنامه‌ریزی‌های منطقه‌ای و محلی اعمال شود.

 

داده‌ها و روش‌ها

در این پژوهش، داده‌های روزانة ایستگاه همدید کاشان در دورة آماری 2010-1973 از سازمان هواشناسی کشور دریافت و از نظر وجود مقادیر پرت و دارای خلأ آماری بررسی شد. در مرحلة بعد، از الگوی لارس، یکی از مشهورترین الگو‌های مولد داده‌های تصادفی وضع هوا که برای تولید مقادیر تابش، بارش، دمای بیشینه و کمینة روزانه در یک ایستگاه به کار می‌رود، استفاده شد. پس از شناساندن موقعیت ریاضی ایستگاه مورد مطالعه به الگو (از طریق تعریف طول و عرض جغرافیایی و ارتفاع ایستگاه در نرم‌افزار) و نیز با بهره‌گیری از داده‌های مبنا (2010-1973) که در قسمت ورودی نرم‌افزار قرار گرفته‌اند، از آنها برای پیش‌بینی داده‌های چهارگانة اقلیمی (مقادیر تابش، بارش، دمای بیشینه و کمینة روزانه) در سال‌های 2030-2011 استفاده شد؛ البته در این پژوهش، فقط داده‌های دمای بیشینه و به‌ویژه دمای کمینه به منزلة مرجعی برای استخراج روزهای یخبندان‌ ایستگاه مدنظر به کار رفت. آن‌گاه با استفاده از سناریوی انتشار پرکاربرد و معقول A1 و با بهره‌گیری از پنج الگوی‌ کاربردی گردش عمومی جو شامل BCM2، HADCM3،IPCM4 ،GIAOM‌ و HADGEM، برای شبیه‌سازی مصنوعی سری‌های زمانی متغیرهای چهارگانة اقلیمی و ارزیابی درستی شبیه‌سازی‌های انجام‌گرفته با این الگو‌ها اقدام شد. این ارزیابی با محاسبة بایاس و خطای مطلق در هر الگو و نیز مقایسة میانگین و انحراف معیار هر یک از الگو‌های به کار گرفته‌شده به منظور ایجاد داده‌های روزانه تا سال 2030 صورت گرفت. با توجه به کمترین میزان خطای مطلق، مناسب‌ترین الگو برای پیش‌بینی داده‌های مصنوعی و نیز بررسی یخبندان‌های کاشان برای بازة اقلیمی آینده برگزیده شد. پس از دستیابی به خروجی‌های لازم بر مبنای صحت‌سنجی انجام‌شدة حاصل از شبیه‌سازی‌ها، مقادیر میانگین و انحراف معیارهای دیده‌بانی و شبیه‌سازی‌شدة متغیرهای دمایی این ایستگاه بر اساس 5 الگو با یکدیگر مقایسه شده و الگو‌های مورد مطالعه در این پژوهش، راستی‌آزمایی آماری شدند. پس از انتخاب مناسب‌ترین الگو برای پیش‌بینی داده‌های مصنوعی، تغییرات متغیر‌های دمایی کاشان در بازة اقلیمی آینده با استفاده از الگو منتخب بررسی شد. آن‌گاه روند سالانة متغیر‌های دمایی برای هر دو بازة اقلیمی گذشته و آینده مقایسه شد. پس از تعیین روند کلی یخبندان‌ها در هر دو بازة اقلیمی، یخبندان‌ها با شدت‌های مختلف برای هر دو بازة زمانی استخراج شد.‌

در این پژوهش، بنا بر نظر علیزاده و همکارانش (1373)، یخبندان‌های با دمای بین 0 تا 1- درجة سلسیوس یخبندان‌های ضعیف، یخبندان‌های بین 1- تا 3- درجة سلسیوس یخبندان‌های متوسط و یخبندان‌های کمتر از 3- درجة سلسیوس یخبندان‌های شدید در نظر گرفته شدند. پس از استخراج رخداد انواع یخبندان‌ها، میانگین آنها طی دو بازة اقلیمی گذشته و آینده مقایسه و سپس ایستایی یا ناایستایی سری هریک برای هر دو بازه ارزیابی شد. جدول (1)، مشخصات جغرافیایی ایستگاه‌ بررسی‌شده را نشان می‌دهد.


جدول 1. مشخصات جغرافیایی ایستگاه بررسی‌شده

ایستگاه مطالعاتی

عرض جغرافیایی (درجة شمالی)

طول جغرافیایی (درجة شرقی)

ارتفاع (متر)

کاشان

59/33

27/51

3/982

 


یافته‌های پژوهش

مقادیر دیده‌بانی و شبیه‌سازی‌شدة‌ کمینه و بیشینة دمایی کاشان براساس الگوی BCM2 در جداول (1) و (2) ارائه شده است. با توجه به شبیه‌سازی صورت‌گرفته با الگوی BCM2، در متغیر بیشینة دما، مقادیر دیده‌بانی و شبیه‌سازی‌شده، نزدیکی زیادی به یکدیگر دارند. در متغیر بیشینة دما، با وجود انطباق زیاد بین مقادیر دیده‌بانی و شبیه‌سازی‌شده، مشاهده می‌شود که تفاوت جزئی در این دو مقدار در نیمة سرد سال کمتر از نیمة گرم سال است؛ به این معنا که این الگو، بیشینة دمایی ایستگاه مدنظر را در نیمة سرد سال بهتر از نیمة گرم سال شبیه‌سازی می‌کند.

در متغیر کمینة دما، عکس این حالت حاکم است. اگر چه ظاهراً اختلافی در مقادیر دیده‌بانی و شبیه‌سازی‌شده وجود ندارد، اما تفاوت اندک در این دو مقدار در نیمة سرد سال بیش از نیمة گرم سال است. در هر دو مؤلفة دمایی، اختلاف انحراف معیار مقادیر دیده‌بانی‌ و الگو‌سازی‌شده بیش از اختلاف مقادیر خودِ مؤلفه‌ها‌ی دمایی است؛ با این حال، انحراف معیار مقادیر دیده‌بانی و الگو‌سازی‌شده‌ در متغیر بیشینة دما در نیمة سرد سال بیش از نیمة گرم سال و در متغیر کمینة دما در نیمة سرد سال کمتر از نیمة گرم سال است.

شکل‌های (1) و (2)، نمودارهای مقایسه‌ای مقادیر دیده‌بانی و شبیه‌سازی‌شدة‌‌ کمینه‌ و‌‌ بیشینة دمایی کاشان را بر اساس الگوی BCM2 به تصویر کشیده است؛ بر اساس این اشکال، انطباق بسیار مناسبی در مؤلفه‌های دمایی ایستگاه بررسی‌شده مشاهده می‌شود.

 

جدول 2. مقادیر دیده‌بانی و شبیه‌سازی‌شدة کمینة دمایی کاشان (c) بر اساس الگوی BCM2

ماه

میانگین مشاهداتی

میانگین شبیه‌سازی

انحراف معیار مشاهداتی

انحراف معیار

شبیه‌سازی

ژانویه

-0.80

-0.49

2.23

0.52

فوریه

1.31

1.04

1.76

0.73

مارس

5.95

6.16

1.94

0.66

آوریل

11.74

11.54

1.74

0.71

می

16.36

16.60

2.13

0.54

ژوئن

21.37

21.24

1.95

0.56

ژوئیه

24.42

24.64

2.13

0.70

آگوست

22.73

22.40

2.07

0.59

سپتامبر

17.88

17.68

2.16

0.59

اکتبر

12.20

11.89

1.91

0.49

نوامبر

5.93

6.11

1.51

0.53

دسامبر

1.16

1.09

1.77

0.53

جدول 3. مقادیر دیده‌بانی و شبیه‌سازی‌شدةبیشینة دمایی کاشان (c) بر اساس الگوی BCM2

ماه

میانگین مشاهداتی

میانگین شبیه‌سازی

انحراف معیار مشاهداتی

انحراف معیار شبیه‌سازی

ژانویه

9.81

9.69

3.26

0.94

فوریه

13.30

13.20

2.78

0.76

مارس

18.82

19.15

3.05

1.20

آوریل

26.04

25.94

2.50

0.90

می

31.56

31.99

2.15

0.72

ژوئن

37.85

37.54

1.60

0.53

ژوئیه

40.51

40.56

1.80

0.66

آگوست

39.51

39.42

1.83

0.48

سپتامبر

34.83

34.70

2.42

0.64

اکتبر

27.54

27.18

2.06

0.64

نوامبر

18.84

18.94

2.16

0.85

دسامبر

11.90

11.94

2.84

0.73

 

شکل 1. نمودار مقایسه‌ای مقادیر دیده‌بانی و شبیه‌سازی‌شدة کمینة دمایی کاشان (c) براساس الگوی BCM2

 

شکل 2. نمودار مقایسه‌ای مقادیر دیده‌بانی و شبیه‌سازی‌شدة بیشینة دمایی کاشان (c) براساس الگوی BCM2

جدول (4)، مقادیر دیده‌بانی و شبیه‌سازی‌شدة کمینه و بیشینة دمایی کاشان را براساس الگویHADCM3 و شکل‌های (3) و (4)، نمودارهای مقایسه‌ای مقادیر دیده‌بانی و شبیه‌سازی‌شدة‌ کمینه‌ و‌ بیشینة دمایی کاشان را براساس این الگو نشان می‌دهد. براساس این اشکال، انطباق بسیار مناسبی در مؤلفه‌های دمایی ایستگاه بررسی‌شده مشاهده می‌شود. براساس نتایج شبیه‌سازی‌شدة الگویHADCM3، در تمامی ماه‌ها، در متغیر بیشینة دما از ژوئیه تا دسامبر، همپوشانی بیشتری بین مقادیر شبیه‌سازی‌شده و مقادیر واقعی مشهود است (شکل 3). در متغیر کمینة دما به جز ماه‌های می‌، ژوئیه، اکتبر و نوامبر در بقیة ماه‌ها، همپوشانی خوبی مشاهده می‌‌شود (شکل 4). طبق محاسبات، این الگو در میان الگو‌های بررسی‌شده، دارای بیشترین میزان خطای مطلق در متغیر بیشینة دمایی است (جدول 4). در این الگو نیز اختلاف انحراف معیار مقادیر دیده‌بانی و الگو‌سازی‌شده بیش از اختلاف مقادیر خودِ مؤلفه‌ها‌ی دمایی است.

 

جدول 4. مقادیر دیده‌بانی و شبیه‌سازی‌شدة کمینه و بیشینة دمایی کاشان (c) براساس الگوی HADCM3

 

 

ژانویه

فوریه

مارس

آوریل

می

ژوئن

ژوئیه

آگوست

سپتامبر

اکتبر

نوامبر

دسامبر

کمینة دما (c)

میانگین مشاهداتی

-0.80

1.31

5.95

11.74

16.36

21.37

24.42

22.73

17.88

12.20

5.93

1.16

انحراف معیار مشاهداتی

2.23

1.76

1.94

1.74

2.13

1.95

2.13

2.07

2.16

1.91

1.51

1.77

میانگین شبیه‌سازی

-0.75

1.11

6.16

11.81

16.78

21.30

24.66

22.69

18.00

11.87

6.11

1.32

انحراف معیار شبیه‌سازی

0.61

0.66

0.54

0.59

0.70

0.37

0.48

0.56

0.52

0.52

0.64

0.59

بیشینة دما (c)

میانگین مشاهداتی

9.81

13.30

18.82

26.04

31.56

37.85

40.51

39.51

34.83

27.54

18.84

11.90

انحراف معیار مشاهداتی

3.26

2.78

3.05

2.50

2.15

1.60

1.80

1.83

2.42

2.06

2.16

2.84

میانگین شبیه‌سازی

9.42

13.42

19.31

26.02

32.00

37.53

40.56

39.34

35.15

27.32

18.90

11.98

انحراف معیار شبیه‌سازی

0.90

1.02

0.84

0.86

0.72

0.46

0.68

0.53

0.60

0.70

0.79

0.77

 

 

شکل 3. مقایسة میانگین و انحراف معیار مقادیر دیده‌بانی وشبیه‌سازی‌‌شدة ‌متغیر بیشینة دما با الگوی HADCM3

 

شکل 4. مقایسة میانگین و انحراف معیار مقادیر دیده‌بانی و شبیه‌سازی‌شدة متغیر کمینة دما با الگویHADCM3

 

 

گفتنی است از آنجایی که نتایج مقایسه‌ای مقادیر دیده‌بانی و شبیه‌سازی‌شدة کمینه و بیشینة دمایی کاشان براساس الگوهای HADGEM و IPCM، شبیه به خروجی‌های الگوی HADCM3 بودند، بنابراین از ارائة جداول و اشکال خروجی‌های مربوطه خودداری شد. بر این اساس، مقادیر دیده‌بانی و شبیه‌سازی‌شدة کمینه و بیشینة دمایی کاشان براساس دو الگوی HADGEM و IPCM، از نظر تفسیر دارای شرایطی مشابه الگوی HADCM3 هستند و انطباق بسیار مناسبی بین مقادیر دیده‌بانی و شبیه‌سازی‌شده در این الگوها وجود دارد.

براساس خروجی شبیه‌سازی‌شدة الگوی GIAOM، در متغیرهای کمینه و بیشینة دما بین مقادیر شبیه‌سازی‌شده و واقعی (جداول 5 و 6) در تمامی ماه‌ها، تطابق خوبی مشهود است. این الگو در مقایسه با سایر الگوها در هر دو متغیر کمینه و بیشینة دما دارای خطای مطلق کمتری است (جدول 7). در متغیر بیشینة دما، با وجود انطباق زیاد بین مقادیر دیده‌بانی و شبیه‌سازی‌شده، تفاوت جزئی در این دو مقدار در نیمة سرد سال کمتر از نیمة گرم سال است؛ به این معنا که این الگو، بیشینة دمایی ایستگاه مورد مطالعه را در نیمة سرد سال بهتر از نیمة گرم سال شبیه‌سازی می‌کند. در متغیر کمینة دما، اگرچه ظاهراً اختلاف زیادی در مقادیر دیده‌بانی و شبیه‌سازی‌شده دیده نمی‌شود، اما تفاوت اندک در این دو مقدار در نیمة سرد سال بیش از نیمة گرم سال است. همانند الگوهای پیشین، در هر دو مؤلفة دمایی، اختلاف انحراف معیار مقادیر دیده‌بانی و الگو‌سازی‌شده بیش از اختلاف مقادیر خودِ مؤلفه‌های دمایی است (اشکال 5 و 6).


جدول 5. مقادیر دیده‌بانی و شبیه‌سازی‌شدة کمینة دمایی کاشان (c) براساس الگوی GIAOM

 

کمینة دما (c)

کمینة دما (c)

ماه

میانگین مشاهداتی

میانگین شبیه‌سازی

انحراف معیار مشاهداتی

انحراف معیار شبیه سازی

ژانویه

-0.80

-0.39

2.23

0.68

فوریه

1.31

1.19

1.76

0.69

مارس

5.95

5.91

1.94

0.67

آوریل

11.74

11.59

1.74

0.66

می

16.36

16.45

2.13

0.55

ژوئن

21.37

21.11

1.95

0.42

ژوئیه

24.42

24.45

2.13

0.54

آگوست

22.73

22.63

2.07

0.54

سپتامبر

17.88

17.84

2.16

0.53

اکتبر

12.20

12.07

1.91

0.48

نوامبر

5.93

6.18

1.51

0.59

دسامبر

1.16

1.18

1.77

0.56

جدول 6. مقادیر دیده‌بانی و شبیه‌سازی‌شدة بیشینة دمایی کاشان (c) براساس الگوی GIAOM

 

بیشینة دما (c)

بیشینة دما (c)

ماه

میانگین مشاهداتی

میانگین شبیه‌سازی

انحراف معیار مشاهداتی

انحراف معیار مشاهداتی

ژانویه

9.81

9.93

3.26

0.83

فوریه

13.30

13.38

2.78

1.10

مارس

18.82

18.98

3.05

0.93

آوریل

26.04

26.17

2.50

0.87

می

31.56

32.04

2.15

0.69

ژوئن

37.85

37.47

1.60

0.48

ژوئیه

40.51

40.61

1.80

0.52

آگوست

39.51

39.53

1.83

0.48

سپتامبر

34.83

35.05

2.42

0.65

اکتبر

27.54

27.53

2.06

0.70

نوامبر

18.84

18.89

2.16

0.93

 

 

شکل 5. نمودار مقایسه‌ای مقادیر دیده‌بانی و شبیه‌سازی‌شدة کمینة دمایی کاشان (c) براساس الگوی GIAOM

 

شکل 6. نمودار مقایسه‌ای مقادیر دیده‌بانی و شبیه‌سازی‌شدة بیشینة دمایی کاشان (c) براساس الگوی GIAOM

پس از مقایسة مقادیر میانگین و انحراف معیار در هریک از الگوها، به منظور راستی‌آزمایی و انتخاب بهترین الگو، بایاس و خطای مطلق در هریک از الگوها محاسبه شد. مقدار بایاس و خطای مطلق با استفاده از معادلات زیر به دست می‌آید:

(1)

 

(2)

 

در این معادلات، S و o به ترتیب نشان‌دهندة پارامتر الگو‌شده و دیده‌بانی‌شده هستند که شامل پارامترهای کمینة دما، بیشینة دما، بارش و تابش و n، تعداد ماه‌های سال است (خوشحال دستجردی و حسینی، 1389: 9؛ طاووسی و همکاران، 1391: 39). نتایج راستی‌آزمایی الگو برای متغیر‌های کمینه و بیشینة دما در جدول (7) نشان داده شده است.

جدول 7. محاسبة بایاس و خطای مطلق الگوهای مطالعه‌شده در ایستگاه کاشان

 

کمینة دما

بیشینة دما

Bias

MAE

Bias

MAE

الگوی HADCM3

-0.07

0.17

-0.04

0.22

الگوی BCM2

0.03

0.22

0.02

0.18

الگوی HADGEM

-0.07

0.17

-0.04

0.20

الگوی IPCM4

-0.07

0.17

-0.04

0.20

الگوی GIAOM

0.00

0.13

-0.08

0.14

 

نتایج راستی‌آزمایی آماری الگو‌های استفاده‌شده، بیانگر این مطلب است که الگو‌های HADCM3 و FGOALS با توجه به بیشترین میزان خطای مطلق در متغیر‌ دمای بیشینه و الگوی BCM2 نیز، به دلیل بیشترین میزان خطای مطلق در دمای کمینه از اهمیت کمتری برخوردار هستند. در مقابل، الگوی GIAOM با توجه به کمترین خطای مطلق برای هر دو متغیر بیشینه و کمینة دما، بهترین الگو برای ارزیابی داده‌های دماست؛ بنابراین، الگوی GIAOM، با توجه به هر دو روش، در بررسی داده‌های متغیر‌های دمایی و پیش‌بینی روند یخبندان کاشان نسبت به بقیة الگو‌های استفاده‌شده در این پژوهش از دقت بیشتری برخوردار است؛ به همین دلیل در این پژوهش، تغییرات متغیر‌های دمایی کاشان در بازة اقلیمی آینده با استفاده از الگوی GIAOM بررسی می‌شود.

با توجه به تحلیل داده‌های دمایی طی دو بازة گذشته و آینده، افزایش میزان دمای کمینه و بیشینه (به جز در ماه فوریه و مارس) در بازة آینده ثابت شد. میانگین ماهانة متغیر کمینه و بیشینة دما در آینده تنها در چند روز از فصل زمستان کمتر از مقادیر اندازه‌گیری‌شدة این متغیر‌هاست. بیشترین افزایش میانگین هر دو متغیر کمینه و بیشینة دما در آینده در فصل‌های تابستان و پاییز و کمترین میزان افزایش دما در فصل‌های زمستان و بهار خواهد بود. بیشترین میزان افزایش دما در متغیر کمینة دما در ماه ژوئیه تا اکتبر خواهد بود. بیشترین میانگین متغیر کمینة دما طی سال‌های گذشته و آینده، 8/25 درجه و بیشترین بیشینة دما 65/41 درجه است. کمترین کمینه و بیشینة دما نیز در این مدت به ترتیب 6/1- و 8/8 درجه است (اشکال 7 تا 9).

 

 

 

C

 

C

 

C

شکل 7. مقایسة میانگین بیشینة دما (c) در دو بازة اقلیمی گذشته و آینده با استفاده از الگوی GIAOM

شکل 8. مقایسة میانگین کمینة دما (c) در دو بازة اقلیمی گذشته و آینده با استفاده از الگوی GIAOM

شکل 9. روند میانگین بیشینه و کمینة دما (c) در دو بازة اقلیمی گذشته و آینده با استفاده از الگوی GIAOM

 

 

پس از بررسی میانگین ماهانة متغیرهای دمایی، متغیرهای دمایی سالانه و خط روند حاکم بر آن برای هر دو بازة اقلیمی مورد بررسی مقایسه شد. نتایج تحلیل نمودارها نشان می‌دهد که هر دو متغیر بیشینه و کمینة دما در ایستگاه کاشان در آینده افزایش خواهند یافت (شکل 10 و 11). نتایج حاصل از این اشکال همچنین روشنگر این مطلب است که نوسانات متغیرهای دمایی سالانه در ایستگاه مدنظر، از نظم خاصی پیروی نمی‌کند؛ به طوری که نوسانات سال‌های پیش از 2010، بیش از سال‌های پس از آن است و می‌توان گفت که الگوی برگزیده، تغییرات دمایی آینده را با احتیاط بیشتری پیش‌بینی می‌کند.

 

 

 

C

 

C

شکل 10. دمای بیشینة سالانه(c) و خط روند برازش‌یافته بر آن در دو بازة اقلیمی گذشته و آینده

شکل 11. دمای کمینة سالانه (c) و خط روند برازش‌یافته بر آن در دو بازة اقلیمی گذشته و آینده

 

 

به منظور تعیین روند یخبندان در ایستگاه کاشان در آینده، روزهای یخبندان این ایستگاه استخراج شد (شکل 12). همان‌طور که از این شکل پیداست، تعداد روزهای یخبندان کاشان در بازة اقلیمی آینده، کاهش چشمگیری خواهد یافت که این امر، مُهر تأییدی است بر افزایش میانگین دمای کمینه دورة سرد سال در بازة اقلیمی آینده که پیش‌تر گفته شد. پس از استخراج رخداد انواع یخبندان، در مرحلة بعد، ابتدا میانگین آن‌ها طی دو بازة اقلیمی گذشته و آینده مقایسه و سپس ایستایی یا ناایستایی سری هرکدام از شدت‌ها و تعیین جهت آنها برای هر دو بازه ارزیابی شد. همان‌طور که از اشکال 13 تا 15 پیداست، در هر سه نوع یخبندان، سری‌ها ناایستا هستند و یخبندان در هر سه نوع، دارای روند کاهشی است. یخبندان‌های ضعیف با ضریب تعیین 57/0 و به میزان 33/0- در هر سال بیشترین میزان کاهش را شاهد خواهند بود. کمترین میزان کاهش یخبندان نیز متعلق به یخبندان متوسط است و یخبندان‌های شدید نیز با ضریب تعیین 08/0 و به میزان 12/0- در هر صد سال، رتبة دوم کاهش یخبندان را داراست. کاهش تعداد یخبندان‌ها، به معنای افزایش چشمگیر متغیرهای دمایی در ایستگاه کاشان طی سال‌های آینده است.

 

 

   

شکل 12. تعداد یخبندان‌های سالانه در دو بازة اقلیمی گذشته و آینده

شکل 13. تعداد یخبندان‌های ضعیف سالانه در دو بازة اقلیمی گذشته و آینده

   

شکل 14. تعداد یخبندان‌های متوسط سالانه در دو بازة اقلیمی گذشته و آینده

شکل 15. تعداد یخبندان‌های شدید سالانه در دو بازة اقلیمی گذشته و آینده

 


بحث و نتیجه‌گیری

در این مقاله، توانمندی الگو‌های BCM2، HADCM3،IPCM4 ،GIAOM و HADGEM تحت الگوی لارس در بازتولید داده‌های روزانة یخبندان ایستگاه کاشان تا سال 2030 ارزیابی شده است. برای رسیدن به این هدف، بایاس و خطای مطلق در میانگین و انحراف معیار هریک از الگو‌ها محاسبه شد. پس از آن، با توجه به کمترین میزان خطای مطلق در میان الگو‌ها، الگوی GIAOM به منظور پیش‌بینی داده‌های مصنوعی دمای کمینه و بیشینه و نیز بررسی یخبندان‌های کاشان برای بازة اقلیمی آینده برگزیده شد. در این الگو، بیشترین میزان افزایش میانگین هر دو متغیر کمینه و بیشینة دما در آینده در فصل‌های تابستان و پاییز و کمترین میزان افزایش دما در فصل‌های زمستان و بهار خواهد بود. همچنین، هر دو متغیر بیشینه و کمینة دما در ایستگاه کاشان در آینده افزایش خواهند یافت.

نتایج این پژوهش نشان می‌دهد که روند هر سه نوع یخبندان ضعیف، متوسط و شدید در بازة اقلیمی آینده کاهش خواهد یافت. در این بین، بیشترین میزان کاهش یخبندان مربوط به یخبندان‌های ضعیف خواهد بود. نتایج این پژوهش با نتایج پژوهش‌های طاووسی و همکاران (1391)، سبحانی و فاطمی‌نیا (1393)، عباسی و همکاران (1389) و صلاحی و همکاران (1393) که به کاهش روزهای یخبندان و افزایش دما معتقدند، انطباق نسبی دارد.‌

این کاهش در ایستگاه کاشان، روشنگر افزایش دما در سال‌های آینده و تأثیرپذیری یخبندان این منطقه از پدیدة گرمایش جهانی است. واضح است که گرمایش جهانی از یک سو معلول افزایش متغیر‌های دما و از سوی دیگر، یکی از دلایل تبخیر و تعرق است. همچنین گرمایش جهانی ناشی از تغییر اقلیم به کاهش روزهای یخبندان، یکنواخت نبودن توزیع بارش و درنهایت گسترش خشکسالی و تداوم آن منجر می‌شود. افزایش دما در نیمة سرد سال مسبب کاهش برف و باران در زمستان است. درنتیجه حجم روان‌آب‌های ناشی از ذوب برف‌ها کاهش می‌یابد و ذخایر آب‌های زیرزمینی نیز تغییر می‌کند؛ به عبارت دیگر، این عوامل طی سالیان متمادی می‌تواند باعث تغییر الگوی زندگی انسان شود. همچنین گرمایش جهانی ناشی از تغییر اقلیم، به دلیل ایجاد تدریجی و احتمالی جزیرة گرمایی در شهر کاشان، به تدریج باعث تغییر ویژگی‌های محیط زندگی انسان و همچنین آسیب‌پذیری منابع آب دردسترس در زمینة کشاورزی، تغییر الگوی کشت محصولات کشاورزی و تأثیر بر منابع آب خواهد شد. در این ایستگاه نیز در سال‌های آینده به دلیل افزایش دما و گرمایش ایجادشده، بیشتر بارش‌ها به صورت مایع خواهد بود و در مناطق کوهستانی و مرتفع شهرستان نیز برف‌ها زودتر از موعد ذوب خواهد شد؛ درنتیجه، احتمال کاهش تعداد روزهای یخبندان به وجود خواهد آمد. در کل، هیچ‌یک از متغیر‌های اقلیمی و هیچ‌یک از جنبه‌های زندگی انسان از نتایج تغییر اقلیم مبری نیست.‌

از آنجا که گرمایش جهانی و تغییر اقلیم بر تمامی بخش‌های کشاورزی و منابع طبیعی، منابع آب، محیط زیست، منابع و مصارف انرژی، ساختمان، مسائل شهرنشینی و توسعة شهرها، صنعت حمل و نقل، سلامت و آسایش انسان، بخش‌های اقتصادی - اجتماعی و گردشگری، رخداد بلایای طبیعی نظیر سیل، خشکسالی، بیابان‌زایی، طوفان و ... تأثیرگذار است، در این راستا پیشنهاد می‌شود در این شهرستان، پژوهش‌های جامعی دربارة تحلیل آثار گرمایش جهانیِ ناشی از تغییر اقلیم بر موارد اشاره‌شده به منظور اعمال پیامدهای آن در برنامه‌ریزی‌های منطقه‌ای انجام شود.



[1]Atmospheric General Circulation Models

[2] Model Calibration

[3] Model validation

[4] Berknes Centre for Climate Research (BCCR), University of Bergen, Norway

[5]Hadley center Climate Prediction Research (HCCPR)

[6] Reanalysis

[7] Hadley Centre Global Environmental Model

[9] Institut Pierre Simon Laplace

[10] Climate Model

[11] Goddard Institute for Space Studies

[12] atmosphere-ocean model for transient climate change

[13] http://ibabaeian.persiangig.com/ document/ HadCM3. docx/ dl

[14]Global Climate Models

بذرافشان، جواد و همکاران (1388). «بررسی و مقایسة عملکرد دو مدل ClimGen) و (LARS-WG در شبیه‌سازی فراسنج‌های هواشناسی در شرایط مختلف اقلیمی ایران»، تحقیقات منابع آب ایران، شماره 13، 57-44.
حجازی‌زاده، زهرا و ناصرزاده، محمدحسین (1384). «محاسبه و تجزیه و تحلیل ساعت‌های تداوم یخبندان با استفاده از برنامه‌‌نویسی به زبان دلفی؛ مطالعة موردی: استان لرستان»، فصلنامة تحقیقات جغرافیایی، شماره 76، 150-139.
حق‌طلب، نفیسه و همکاران (1392). «مدل‌سازی اقلیم استان‌های تهران و مازندران با استفاده از مدل اقلیمی‌ LARS-WG و مقایسة تغییرات آن در جبهه‌های شمالی و جنوبی البرز مرکزی»، علوم و تکنولوژی محیط زیست، دورة پانزدهم، شماره 1، 49-37.
هاردی، جان‌تی (1387). تغییر اقلیم؛ علل، اثرها و راه‌حل‌ها، ترجمة خزانهداری، لیلی و همکاران؛ انتشارات پاپلی.
خوشحال دستجردی، جواد و حسینی، سید محمد (1389). «کاربرد شبکة عصبی مصنوعی در شبیهسازی عناصر اقلیمی و پیشبینی سیکل خشکسالی؛ مطالعة موردی: استان اصفهان»، مجله جغرافیا و برنامه‌ریزی محیطی، شماره 3 (پیاپی 39)، 120-107.
خلیلی اقدم، نبی و همکاران (1391).«ارزیابی توانایی مدل LARS-WG در پیش‌بینی برخی از پارامترهای جوی سنندج»، مجله پژوهش‌های حفاظت آب و خاک، جلد 19، شماره 4، 103-85.
سبحانی، بهروز و فاطمی‌نیا، فخری سادات (1393). «مدل‌سازی فراسنج‌های اقلیمی استان خراسان جنوبی»، مجلة پژوهش‌های جغرافیای طبیعی، سال 46، شماره 3، 332-311.
صلاحی، برومند و همکاران (1393). «ارزیابی تغییرات اقلیمی آیندة استان اصفهان با استفاده از مدل‌های BCM2 و HADCM3 در محیط ریزگردان LARS-WG»، مطالعات جغرافیایی مناطق خشک، سال پنجم، شماره 16، 118-101.
طاووسی، تقی و همکاران (1391). «پیش‌بینی تغییرات یخبندان شهر زابل بر پایه شبیه‌سازی مدل گردش عمومی جو»، مجلة مخاطرات محیطی، سال اول، شماره 2، 48-29.
عباسی، فاطمه و همکاران (1389). «پیش‌بینی تغییرات اقلیمی خراسان جنوبی در دورة 2039-2010 با استفاده از ریزمقیاس نمایی آماری خروجی مدلECHO-G»، نشریة آب و خاک (علوم و صنایع کشاورزی)، جلد 24، شماره 2، 233-218.
عساکره، حسین، (1386). تغییر اقلیم، چاپ اول، زنجان: انتشارات دانشگاه زنجان.
علیزاده، امین و همکاران (1389). «بررسی پتانسیل اثرهای تغییر اقلیم بر منابع و مصارف آب کشاورزی (مطالعة موردی: حوضة آبریز رودخانة کشف‌رود)»، نشریة آب و خاک، جلد 24، شماره 4، 835-815.
علیزاده، امین و همکاران (1373). «تاریخ وقوع اولین یخبندان‌های پاییزه و آخرین یخبندان‌های بهاره در خراسان»، نشریه نیوار، شماره 24، 56-38.
قمقامی، مهدی و همکاران (1389). «همسوسازی سری شبیه‌سازی شده مقادیر حدی دما با سناریوهای تغییر اقلیم با استفاده از یک رهیافت ناپارامتری»، چهارمین کنفرانس منطقه‌ای تغییر اقلیم، 179-169.
مسعودیان، سیدابوالفضل و دارند، محمد (1391). «تحلیل همدید یخبندان‌های فراگیر و بادوام ایران»، جغرافیا و برنامه‌ریزی محیطی، سال 24، شماره 2 (پیاپی 50 )، 140-129.
معافی مدنی، سیده فاطمه و همکاران (1391). «پیش‌بینی وضعیت خشکسالی استان خراسان رضوی طی دورة 2030-2011 با استفاده از ریزمقیاس نمایی آماری خروجی مدل Lars-wg5»، جغرافیا و مخاطرات محیطی، شماره 3، 37-21.
میرموسوی، سیدحسین و حسین‌بابایی، مصطفی (1390). «مطالعة توزیع زمانی - مکانی احتمال وقوع یخبندان در استان زنجان»، مجلة جغرافیا و برنامه‌ریزی محیطی، سال 22، شماره 43، 184-167.
Abbasi, F., Malbosi, SH., Babaeian, I., Asmari, M., Borhani, R. (2007). Climate change forecast in Southern khorasan in 2010-2039 by Gcm data downscaling (ECHO-G), Journal of Geography and Development, Vol. 24(2), PP: 218-233.
Alizadeh, A., Mousavi, M. and Kamali, Gh. (1994). Date of first frost in autumn and last frost of spring in Khorasan. Journal of nivar, No. (24), pp: 38-56.
Alizadeh, A., Sayari, N., Hesami Kermani, MR., Banayan Aval, M., Farid Hosseini, A. (2008). Climate change effects survey in agriculture water source (case study: Kashafrood river), Journal of water and soil, Vol. 24(4), PP: 815-835
Asakereh, H., 2005, Climate Change, First edition, University of Zanjan, Zanjan.
Bazrafshan, J., Khalili, A., Horfar, A., Torabi, S., Hejam, S. (2007). Survey and comparison work climgen and lars-wg models in weather parameter simulation in Iran climate various qualification, Water Resources Association, No. 13, PP.44-57.
Ghamghamy, M., Araghinejad, Sh., Ghahraman, N. (2010). Aligning a series of simulated extreme values of temperature with climate change scenarios using a nonparametric approach, 4t Regional conference on climate change, pp.169-179.
Haghtalab, N., Goodarzi, M., Habibi Nokhandan, M., Yavari, A.R., Jafari, H.R. (2014). Climate Modeling in Tehran & Mazandaran Provinces by LARSWG and Comparing Changes in Northern and Southern Central Alborz hillside, Journal of Environmental Sciences and Technology, No.1. pp. 37-49.
Harmsen, E., Miller, N.L., Schlegel, N.J., Gonzalez, J.E. (2009). Seasonal climate change impacts on evapotranspiration, precipitation deficit and crop yield in Puerto Rico. Journal of Agricultural Water Management. Vol. 96, pp. 1085– 1095.
Hejazizadeh, Z., Naserzadeh, H. (2005). Calculation and analysis of frost hours continuous using Delphi programming language, case study: Lorestan Province, Journal of Geographical Research, No. 76, pp. 139-150.
Johns, T. C., Durman, C.F., Banks, H.T., Roberts, M.J., McLaren, A.J., Ridley, J.K., Senior, C.A., Williams, K.D., Jones, A., Rickard, G.J., Cusack, S., Ingram, W.J., Crucifix, M., Sexton, D.M.H., Joshi, M.M., Dong, B.-W., Spencer, H., Hill, R.S.R., Gregory, J.M., Keen, A.B., Pardaens, A.K., Lowe, J.A., Bodas-Salcedo, A., Stark, S., Searl, Y. (2006). The new Hadley Centre climate model HadGEM1: Evaluation of coupled simulations. J. Climate, vol. 19, pp. 1327-1353.
Khalily Aghdam, N., Mosaedy, A., Soltany, A., Kamkar, B. (2012). Assecment of ability LARS-WG model to predict climatic variable in Sanandaj, Water and Soil conservation, Vol. 19(4), PP. 85-103.
Khazanedari, L., Kouhi, M., Ghandhari, Sh., Asiaei, M. (2008). Climate change, causes, effects & solutions, Translated, second edition, Amir-Kabir press, Mashhad.
Khoshhal dastjerdi, J., Hosseini S.M. (2010). Application of artificial neural network in climatic elements simulation and drought cycle predication (case study: Isfahan province), Journal of Geography and Environmental Planning, Vol. 39(3), PP.107-120.
Martin, G.M., Ringer, M.A., Pope, V.D., Jones, A., Dearden, C., Hinton, T.J. (2006). The Physical properties of the atmosphere in the new Hadley Centre Global Environmental Model, HadGEM1. Part I. Model description and global climatology. J. Clim. Vol. 19, pp. 1274–1301. (Doi: 10. 1175/JCLI3636.1).
MirMousavi, S.H., Hosseinbabai, M. (2011). Study of frost tempo_spatial probability distribution in Zanjan province, Geography and Environmental Planning Journal, vol. 43, pp. 167-184.
Moafi madani, S.M., Mousavi baygi, M., Ansari, H. (2012). Prediction of drought in the Khorasan Razavi province during 2011-2030 by using statistical downscaling of hadcm3 model output, Geography and environmental hazards, No, 3. Pp. 21-37.
Salahi, B., Fatemi-nia, F.S., Hosseini, S.M. (2014). Assessment of future climate changes in Isfahan province using BCM2 & HADCM3 models by Lars-Wg downscaling model, Arid Regions Geographic Studies, Vol. 5, No, 16, pp. 55-71.
Sobhany, B., Fateminiya, F.S. (2014). Modelling of Climatic Parameters in Province of Southern Khorasan, Physical Geography Research Quarterly, vol. 3. Pp. 311-332.
Tavoosi, T., Khosravi, M., Zahraee, A. (2010). Glacial change forecast zabol by simulation of atmospheric general circulation model, Journal of environmental hazards, No. 2, PP. 29-48.
Watkins, S.C. (1991). The annual period of freezing temperatures in Central England 1850-1959, Inter. J. Climatology, Vol. 11, pp. 889–896.
Masoodian, S.A., Darand, M. (2013). Synoptic analysis of extensive and persistent frosts in Iran, Geography and Environmental Planning Journal, Vol. 50, No. 2, PP. 129-140.