پیش بینی و شبیه سازی تغییرات دمای ایستگاه سینوپتیک بیرجند در بازه زمانی 2100-2020 با استفاده از ریزمقیاس نمایی آماری(sdsm)

هدف این تحقیق شبیه سازی داده های اقلیمی ایستگاه سینوپتیک بیرجند با استفاده از مدل ریزمقیاس نمایی آماری (sdsm) است.  بدین منظور از پارامترهای اقلیمی شامل بیشینه، کمینه و میانگین دمای روزانه در بازه زمانی(2005-1986) شده است. جهت ریزمقیاس نمایی آماری در دوره پیش بینی (2100-2020) از داده های ncep و خروجی canesm2 تحت سناریوهای انتشار  rcp2.6،rcp4.5 و rcp8.5 استفاده شده است. نتایج شبیه سازی تغییرات میانگین بیشینه دما در ایستگاه بیرجند نشان دهنده سیر صعودی این پارامتر در کل بازه زمانی مورد مطالعه (2100-2020) است. به طوریکه بیشترین افزایش در بازه زمانی 2039-2020 و در سناریوی rcp4.5 رخ خواهد داد. همچنین نتایج این شبیه سازی نشان دهنده افزایش میانگین کمینه دما در بازه های زمانی (2039-2020، 2059-2040 و 2079-2060) می باشد و بیشترین افزایش دمای کمینه در سناریوی rcp4.5رخ خواهد داد. بررسی روند میانگین دما برای همه بازه های زمانی مورد مطالعه نشان می دهد که در هر سه سناریو روند افزایشی میانگین دما بتدریج از ژانویه شروع شده و در ماه آگوست به حداکثر می رسد. نکته قابل تامل در مورد مقایسه فصلی پارامتر دما، افزایش میانگین دما در فصل زمستان می باشد. زیرا مقایسه میانگین دما در بازه ابتدائی (2039-2020) و بازه انتهائی (2099-2080) نشان دهنده افزایش 1.68 درجه سانتیگرادی میانگین دما در فصل زمستان در دوره های آینده می باشد. نتایج کلی شبیه سازی پارامترهای 3گانه دمای ایستگاه بیرجند در طول دوره آماری (2100-2020) نشان دهنده سیر صعودی دما همراه با بی نظمی، نسبت به دوره پایه (2005-1986) است.

prediction and simulation of temperature changes in birjand synoptic station by using sdsm model in the 2020-2100 period

any long-term change in atmospheric variables caused by natural or unnatural phenomena, with a time span ranging from several decades to millions of years, is called climate change. there are various methods for simulating and predicting climate variables in future periods under the influence of climate change. one of the most reliable of these methods is the use of data from general circulation models (gcms). these models are capable of simulating atmospheric general circulation model data at large scales. using exponential downscaling methods, gcm outputs are converted into surface variables in the study area. the micro scaling is defined as a factor that creates a connection betweenthe large-scale cycles of predictors and local scale climate variables (predictors). in general, statistical downscaling methods are divided into three categories: regression methods, weather pattern clustering, and weather time series generators. the sdsm model is a combination of weather time series generators and regression methods.