پیش‌بینی بارندگی ماهانه ایستگاه سینوپتیک کرمانشاه تحت سناریوهای اجتماعی- اقتصادی گزارش ششم تغییر اقلیم

تغییرات اقلیم در ایران اهمیت بسیار بالایی برخوردار بوده چراکه کاهش میزان بارندگی تاثیرات منفی زیادی بر مسائل زیستی و اجتماعی دارد. در این مطالعه پیش‌بینی بلندمدت بارندگی تحت سناریوهای مبتنی بر مسیرهای اجتماعی و اقتصادی گزارش ششم تغییر اقلیم در ایستگاه سینوپتیک کرمانشاه انجام شد. برای این منظور از داده‌های مدل‌های جهانی به‌ویژه canesm5 mri-esm2-0, miroc6, استفاده‌شد. ریزمقیاس‌نمایی مدل‌ها با روش تغییر عامل دلتا انجام شد. دقت مدل‌های تصحیح شده نسبت به داده‌های مشاهداتی برای دوره 1990-2014 با استفاده از شاخص‌های میانگین مربعات خطا و ضریب نش مورد ارزیابی قرار گرفته‌اند.نتایج نشان داد که کمینه میانگین بارندگی ماهانه در بازه (2026-2100) به ترتیب مربوط به ماه‌هایjune, july, august, september است و بیشینه بارش به ترتیب در ماه‌های april-march-november در هر سه آینده نزدیک، میانه، دور است. برای هر سه سناریو روند تغییرات بارندگی ماهانه در دوره آتی دوم (2051-2075) شباهت بیشتری به هم دارند ولی در سناریو ssp126 مدل‌های miroc6, canesm5 نسبت به سناریوهای ssp245, ssp585 مدل mri-esm2-0 افزایش‌ بیشتری در این دوره تاریخی برای بارندگی را پیش‌بینی کرده‌اند. با توجه‌ به سنجه‌های صحت‌سنجی بعد از تصحیح اریبی، بهترین و بدترین مدل برای پیش‌بینی بارندگی ماهانه به ترتیب مدل miroc6 و mri-esm2-0 می‌باشد. ضریب نش برای مدل‌های mri-esm2- miroc6, canesm5 به ترتیب 91/0، 93/0، 95/0محاسبه شد و حاکی از کارایی این روش در ریزمقیاس کردن بارندگی دارد. در مقایسه، مدل mri-esm2-0 برای پیش‌بینی بارندگی ماهانه دقت کمتری دارد اما دقت این مدل برای سایر پارامترهای اقلیمی و مناطق دیگر مطالعاتی ممکن است نتایج دیگری را نشان دهد.

the prediction of monthly rainfall in kermanshah synoptic station under the social-economic scenarios of the sixth climate change report

the current study evaluated the accuracy of general circulation models of the sixth climate change report in simulating the monthly rainfall at kermanshah synoptic station in the studied region. in this study, the canesm5/mri-esm2-0 and miroc6 models were utilized to forecast the precipitation of the kermanshah synoptic station at the microscale using the statistical delta change factor method. the models' accuracy has been assessed after error correction. the accuracy of the adjusted models compared to the observational data for the 1990-2014 period has been evaluated using validation indicators like root mean square error (rmse) and nash coefficient (nash). the lowest average of monthly rainfall from 2026 to 2100 occurs in june, july, august, and september, while the highest precipitation is in april, march, and november across all three near-future historical periods (median and far). in the second period (2051-2075), there are more similarities in the trend ofchanges in monthly rainfall. however, in the ssp126 scenario, the models miroc6 and canesm5 predict greater increases in precipi tation for this historical period compared to the ssp245 and ssp585 scenarios, according to the mri-esm2-0 model.based on the validation criteria after bias correction, the study area's best and worst models for predicting monthly rainfall are miroc6 and mri-esm2-0, with the lowest and highest errors, respectively. the nash-sutcliffe coefficient for the models mri-esm2-0, miroc6, canesm5 is calculated as 0.91, 0.93, 0.95, indicating the effectiveness of the delta change method in downscaling climatic parameters. the mri-esm2-0 model shows lower accuracy in predicting monthly rainfall in the study area, but it could yield varying results for other climate parameters and regions.