تحلیل ناایستایی بارش‌های حدی در رابطه با دما

تغییرات اقلیمی به احتمال زیاد باعث تشدید چرخه های هیدرولوژیکی و متعاقب آن باعث تغییر در شدت و فراوانی بارش‌های حدی می‌شود. افزایش شدت و فراوانی وقوع بارش‌های حدی در سال‌های اخیر در کشور باعث شده است تا فرضیه اثر تغییر اقلیم بر ناایستایی بارش‌های حدی تقویت شود. تغییر در پارامترهای تابع توزیع احتمال تحت تاثیر متغیر زمان یا دیگر متغیرهای فیزیکی بعنوان ناایستایی تعریف می‌شود. هدف از این مطالعه بررسی اثر افزایش دما بر ناایستایی بارش‌های حدی در کشور است. به این منظور، ابتدا جهت مشخص کردن اینکه بارش‌های حدی از مدل ایستایی یا ناایستای پیروی می‌کنند، مقدار aic برای این بارش‌ها مورد محاسبه قرار گرفت. سپس تحلیل فراوانی ناایستا، برای بارش‌های حدی با استفاده از توزیع gev ناایستا انجام و دوره بازگشت بارش‌های حدی در رابطه با حداکثر دما در زمان وقوع بارش‌های حدی و میانگین دمای سالانه محاسبه شد. نتایج نشان داد که افزایش دما باعث ناایستایی بارش‌های حدی در ایران شده‌ است . این ناایستایی الگوی مکانی یکنواختی را در کشور نشان نمی‌دهد. در رابطه با متغیر دمای حداکثر، شدت بارش‌های حدی در 6 ایستگاه همدان،‌ شیراز، شهرکرد، ‌زاهدان، ‌ایرانشهر و شاهرود بطور معناداری ناایستا کاهشی می‌باشند. روند ناایستایی در ایستگاه کرمان در رابطه با افزایش دمای حداکثر معنادار دار افزایشی است. در رابطه با میانگین دمای سالانه تنها 2 ایستگاه زاهدان و اراک بطور معنی داری ناایستا بوده اند هر دو ایستگاه روند کاهشی دارند.

nonstationary analysis of extreme precipitation related to temperature

climate change is likely to intensify hydrological cycles and affect the intensity and frequency of extreme rainfall.an increase in extreme rainfall in recent years has led to the assumption that climate change has made extreme rainfall non stationary. nonstationarity is defined as a change in the parameters of the probability distribution function due to the influence of time variables or other physical variables .the purpose of this study was to investigate the effect of temperature on the non stationarity of extreme rainfall in iran.the aic value was calculated to determine whether the extreme rainfall follows the stationary or non stationary model. the non stationary gev distribution was used to analyze the frequency of extreme rainfall. the return period of extreme rainfall was calculated based on the maximum temperature and the average annual temperature. it was observed that the intensity and frequency of extreme rainfall were non stationarity due to an increase in the temperature and no spatially uniform pattern was observed in non stationarity across the country. related to the maximum temperature variable, the intensity of extreme rainfall was significantly decreased in 6 stations, including hamedan, shiraz, shahr e kord, zahedan, iranshahr, and shahroud. on the other hand, the trend of nonstationarity in kerman has been significantly increasing with increasing maximum temperatures. only two stations, zahedan and arak, were found to be significantly non stationary concerning the annual mean temperature, and both stations showed a decreasing trend.keyword: iran, nonstationary, extreme precipitation,gev distribution, return level. introductionclimate change will probably change the occurrence of extreme events. according to the sixth report of the ipcc, it is predicted that the intensity of the maximum daily precipitation will probably increase by 7 percentage for every 1 degree increase in the global temperature. the intensification of hydrological cycles due to climate change will most likely affect the intensity and frequency of extreme precipitation. therefore, the temperature can be considered as an important covariate because the warmer atmosphere is likely to hold more moisture, thereby generating a favorable condition to increase extreme precipitation. the frequency of extremes has been changing and is likely to continue changing in the future. so, classical stationary frequency analysis techniques used in climate studies are no longer reliable. in the stationary model, the statistical parameters of the probability distribution function do not change over time or other covariates, while in the nonstationary model, the parameters of the probability distribution function are not constant, and can change with time or other covariates. therefore, models and concepts that can account for non stationary probability distribution analysis of climatic and hydrologic are needed.data and methodspresent study was conducted using daily precipitation data from 36 synoptic stations from 1960 2021. we employ a non parametric mann kendall trend test to examine whether the annual extreme rainfall intensity is influenced by climate change and temperature increase.