مقیاس‌کاهی آماری مدل‌های گردش کلی (gcms)؛ تاریخچه، اصول و روش‌ها

مقیاس‌کاهی روشی برای برآورد اقلیمی با تفکیک افقی بالا از برونداد مدل‌های گردش کلی (gcm) با تفکیک نسبتاً پایین است. مقیاس‌کاهی آماری، روابط آماری بین متغیرهای مشاهداتی در مقیاس کوچک (اغلب در سطح ایستگاه) و برونداد مستقیم مدل‌ها در مقیاس بزرگتر را با استفاده از سه رویکرد پیش آگاهی کامل (pp)، آماره‌های برونداد مدل (mos) و مولدهای جوی (wgs) استخراج می‌کند. تصحیح اریبی که به شکل گسترده در مطالعات تغییر اقلیم استفاده می‌شود رویکرد mos از مقیاس‌کاهی آماری است. باید توجه داشت که ارزش افزوده‌ای که در مقیاس‌کاهی‌ها به دست می‌آید، توسط روش‌های تصحیح اریبی به دست نمی‌آید. فارغ از عدم قطعیت ذاتی مدل‌ها، به‌کارگیری یک روش و یا یک نرم‌افزار نامناسب نیز ممکن است باعث افزایش اریبی در برونداد مدل‌ها شود. در پژوهش حاضر برونداد مدل ec-earth3-cc برای دو متغیر دمای کمینه و بیشینه با نرم‌افزار cmhyd و زبان برنامه‌نویسی r مقایسه شد. بررسی نتایج نشان داد نرم‌افزار cmhyd چه در استخراج برونداد مستقیم و چه پس از انجام فرایند تصحیح اریبی، خطای قابل توجهی دارد. برای نمونه درصد اریبی برونداد مستقیم دمای بیشینه در آبادان 2/10 درصد بوده است درحالی‌که در نرم‌افزارcmhyd ،ا 5/10 درصد به‌دست آمد. نتیجه این پژوهش لزوم به‌کارگیری صحیح روش‌ها و نرم‌افزارهای پردازش برونداد gcms را نشان‌می‌دهد.

statistical downscaling of general circulation models (gcms); history, principles, and methods

the climate system is very complex and has made the modeling and predicting/projecting face many challenges. although climate variability may be detected and identified through a time series of observations, it cannot express the interaction of various components of the earth’s climate system. general circulation models (gcms) are essential for simulating the physical processes governing the atmosphere and the interaction of the components involved in the earth’s climate system. statistical downscaling extracts empirical relationships between small-scale observational variables (often at the station level) and the direct gcm output by applying three approaches: perfect prognosis (pp), model output statistics (mos), and weather generators (wgs). bias correction, widely used in climate change studies, is the mos statistical downscaling approach. to clarify the role of using the inappropriate method and software in increasing uncertainty, two scaling methods from the model output statistics (mos) approach are compared to correct the bias of the minimum and maximum temperatures. in this research, the outputs of r and cmhyd software are compared to check the uncertainty caused by using inappropriate software. the output of the ec-earth3-cc model for two variables of the minimum and maximum temperatures was examined using cmhyd and r software. examining the results showed that the cmhyd software has a significant error in both extracting the direct model output and the bias correction method. for example, the pbias of direct output of maximum temperature in abadan was 2.10%, while cmhyd software gives 5.10%. the result of this research shows the need to use the correct methods and software for processing the output of gcms.