تحلیل عملکرد مدل‌های ریزمقیاس‌نمایی فازی و sdsm در ارزیابی تغییرات اقلیمی تحت سناریوهای rcp در شهر تهران

اثرات تغییر اقلیم بر متغیرهای آب و هوایی، از جمله چالش‌های شهرهای بزرگ است. در این تحقیق، به دو هدف اصلی شامل ارزیابی متغیرهای اقلیمی شهر تهران تحت سناریوهای rcp در دوره 2040-2021 و تحلیل عملکرد منطق فازی در ریزمقیاس‌نمایی پرداخته شده است. بدین منظور از هشت مدل cmip5 تحت سناریوهای rcp2.6، rcp4.5 و rcp8.5 استفاده گردید و هفت متغیر شامل دماهای متوسط، حداکثر و حداقل، بارش، رطوبت نسبی، سرعت متوسط باد و ساعات آفتابی ارزیابی شدند. با توجه به عدم‌قطعیت ناشی از‌ خروجی‌های متفاوت cmip5، مقدار روزانه متغیرهای اقلیمی در آینده با استفاده از میانگین وزنی مدل‌ها (براساس توانایی‌شان در شبیه‌سازی دوره پایه 2018-1989) محاسبه گردید. به‌منظور ریز مقیاس‌نمایی خروجی‌های cmip5، ضمن استفاده از مدل ریزمقیاس‌نمایی آماری (sdsm)، مدل ریزمقیاس‌نمایی فازی (fdsm) نیز تدوین شد. عملکرد مدل‌های ریزمقیاس‌نمایی، به‌وسیله شاخص‌های آماری r2، rmse، nse و mae تحلیل گردید. نتایج شاخص‌های آماری و مقایسه مقادیر شبیه‌سازی‌شده توسط fdsm و sdsm، بیانگر عملکرد بالای هر دو مدل و قابلیت مناسب رویکرد فازی در ریزمقیاس‌نمایی متغیرهای اقلیمی شهر تهران است. همچنین، نتایج حاکی از عدم برتری مطلق یک مدل بر مدل دیگر ریزمقیاس‌نمایی است. اما با اختلاف اندکی، عملکرد fdsm برای دماهای متوسط، حداکثر و حداقل و عملکرد sdsm برای بارش، رطوبت نسبی، سرعت باد و ساعات آفتابی بهتر بود که به‌عنوان مدل‌های ریزمقیاس‌نمایی برتر انتخاب شدند. نتایج دوره آتی بیانگر روند صعودی تغییرات سالانه دمای متوسط، دمای حداکثر، بارش و سرعت باد است؛ به‌طوری‌که میانگین سالانه آ‌ن‌ها به ترتیب حداکثر 1.29cو 1.57cبرای rcp8.5 و 10 میلی‌متر برای rcp2.6 و 0.8 متر‌ بر ثانیه برای rcp8.5 افزایش می‌یابند. همچنین میانگین بلندمدت ماهانه دماهای متوسط و حداکثر برای هر سه سناریو، افزایش محسوسی در تابستان دارند. برای بارش، ثبات نسبی در تابستان و افزایش در زمستان و ابتدای بهار پیش‌بینی می‌گردد. اما تغییرات دمای حداقل، رطوبت نسبی و ساعات آفتابی، بیانگر ثبات نسبی هستند.

performance analysis of sdsm and fuzzy downscaling models in assessing climate change under the rcp scenarios in tehran

introductionclimate change impacts on climate variables are among the challenges of large cities. in this regard, general circulation models (gcms) are among the most reliable tools for assessment of the future climate variables. in 5th assessment report on climate change, the intergovernmental panel on climate change (ipcc) has applied the coupled model intercomparison project, phase 5 (cmip5) models. these models use scenarios called representative concentration pathway (rcp). in current study, the assessment of the climate variables of tehran, iran, under climate change impacts was addressed. the preceding studies for tehran show they need to be updated with newer scenarios and more downscaling models. furthermore, there is merit in using more synoptic stations due to the vastness of tehran. given these findings, the current study focuses on two main objectives. the first objective is to assess the climate variables under the rcp scenarios in tehran for 2021-2040. to this end, the eight cmip5 models under rcp2.6, rcp4.5 and rcp8.5 were used. accordingly, seven climate variables including mean temperature (tmean), maximum temperature (tmax), minimum temperature (tmin), precipitation, relative humidity, mean wind speed (wmean) and the sunshine hours were used and simulated for baseline period (1989-2018) and then assessed for future period. in the second objective, for downscaling the cmip5s, in addition to use of the statistical downscaling model (sdsm), fuzzy logic was also applied for downscaling. accordingly, the fuzzy downscaling model (fdsm) was generated and the performances of fdsm and sdsm were analyzed.materials and methods in this study, to assess the tehran climate variables under rcp scenarios, the multi-model ensemble were applied to reduce the cmip5’s uncertainties. accordingly, the eight cmip5s including canesm2, cnrm-cm5, csiro-mk3.6, fgoals-g2, gfdl-cm3, hadgem2-es, miroc-esm-chem and mpi-esm-mr were used. given the uncertainty caused by the different outputs of the eight cmip5s, the weighted means of the models’ outputs were used to calculate the daily climate variables for future (according to the ability of the models in simulating the baseline period). for this purpose, first, the cmip5s were downscaled. in this context, the sdsm software (version 5.3.5) was used and also fdsm was generated. then the performances of fdsm and sdsm were analyzed. on this basis, the superior downscaling models were selected using the comparison of simulation results and the statistical indicators of r2, rmse, nse and mae. accordingly, the cmip5’s outputs were downscaled using the superior downscaling models and then the daily values of each climate variable were calculated. in the calibration and validation of the downscaling models at baseline period, the predictors were selected from the daily data of the national center for environmental prediction (ncep) using correlation test in sdsm software. furthermore, in developing the fdsm, the fuzzy c-means clustering process was applied, to determine the fuzzy membership functions and the relevant fuzzy rules. by using the structure obtained by clustering, the fdsm was built as a mamdani fuzzy inference system. in this context, the fdsm was developed in matlab software using the trial and error process. results and discussion by correlation test in sdsm software, the predictors were selected for the sdsm and fdsm models. accordingly, the sdsm and fdsm were developed using the daily climate variable and the selected predictors. the performance analysis of both downscaling models (based on the statistical indicators