بررسی کارایی مدل ریز ‌مقیاس نمایی آماری (Sdsm) در پیش‌بینی پارامترهای دمایی در دو اقلیم خشک و فراخشک (مطالعه موردی: کرمان و بم)

روش های ریز مقیاس نمایی آماری، به منظور پیش بینی متغیرهای اقلیمی مانند دما، به دلیل اهمیت این فاکتورها، در برنامه ریزی و مدیریت محیطی کاربرد وسیعی دارند. در این پژوهش کارایی مدل ریز مقیاس نمایی آماری ( sdsm ) در پیش بینی پارامتر های دمایی مورد بررسی قرار گرفته است. داده های مورد استفاده در این پژوهش شامل داده های دمای کمینه، بیشینه و میانگین ایستگاه های سینوپتیک کرمان و بم، داده های ncep و داده های مدل hadcm3 ) داده های نسل سوم مدل جهانی اقلیم تحت سناریو ی a2 و b2 ) برای دوره پایه (2001-1971 میلادی) می باشد. از 15 سال اول داده ها (1985-1971) برای واسنجی و از 15 سال دوم (2001-1986) برای ارزیابی نحوه عملکرد مدل استفاده شده است. به کمک داده های hadcm3(a2) و hadcm3(b2) ، دما برای سه دوره (2039-2010)، (2069-2040) و (2099-2070) پیش بینی و با دوره پایه مقایسه شده است. معیارهای آماری ارزیابی کارایی مدل مانند میانگین خطای مطلق، مجذور میانگین مربعات خطا، ضریب ناش ساتکلیف و تحلیل نتایج خروجی مدل hadcm3 ، نشان داد که این مدل در منطقه خشک نسبت به منطقه فراخشک از کارایی بالاتر و دقت قابل قبولی برای پیش بینی دما برخوردار است. همچنین نتایج بیانگر افزایش دما در تمام ماه های سال برای هر دو ایستگاه می باشد.

Performance Evaluation of Statistical Downscaling Model (SDSM) in Forecasting Temperature Indexes in Two Arid and Hyper Arid Regions(Case Study: Kerman and Bam)

Statistical downscaling methods are widely used for prediction of climatic variables e.g. temperature because of importance of these factors in environmental planning and management. In this study, the performance of Statistical Downscaling Model (SDSM) was investigated to predict temperature. The input data of the study include minimum, maximum and mean temperature of Kerman and Bam Synoptic stations, NCEP (National Centers for Environmental Prediction) data and the A2 and B2 emission scenarios HadCM3 for the reference period, 19712001. The first 15 years data (19711985) was applied for the calibration and the second 15 years data (19862001) for model validation. Temperature for three periods including 20102039, 20402069 and 20702099 was predicted and then compared with the temperature data of reference period i.e.19712001 using HadCM3A2, B2 data. Statistical measures of model performance such as Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), NashSutcliffe efficiency (NS) and the analysis of output results from SDSM model shown that this model is able to predict temperature indexes more accurately in arid climate than in hyperarid climate. The results indicate temperatures rising in all months for both stations.