ارزيابي عملكرد مدل هاي ريزمقياس گرداني LARS-WG و SDSM در شبيه سازي تغييرات اقليمي در حوضه آبريز درياچه اروميه

Performance Analysis of LARS-WG and SDSM Downscaling Models in Simulation of Climate Changes in Urmia Lake Basin

در بررسي تغييرات اقليمي، پيش بيني آينده پارامترهاي اقليمي توسط مدل هاي گردش عمومي (GCMs) و تحت سناريوهاي انتشار گازهاي گلخانه اي انجام مي شود؛ اما خروجي اين مدل ها به علت بزرگ‌مقياس بودن شبكه ي آن‌ها فاقد دقت مكاني و زماني مناسب در مقياس كوچك مي باشند. بدين منظور نياز به كوچك‌مقياس كردن خروجي اين مدل ها در مقياس ايستگاهي و نقطه اي با استفاده از مدل هاي ريزمقياس گرداني خواهد بود كه به دو دسته آماري و ديناميكي تقسيم مي-شوند كه روش هاي آماري داراي كاربرد و مقبوليت بيشتري مي باشند. از ميان روش هاي آماري نيز مدل هاي LARS-WG و SDSM از معتبرترين ابزارهاي ريزمقياس گرداني در حال حاضر به حساب مي آيند؛ كه در اين پژوهش به تحليل عملكرد اين دو مدل در شبيه سازي تغييرات دما و بارش در حوضه آبريز درياچه اروميه واقع در شمال غرب كشور كه در چند دهه اخير با بحران زيست‌محيطي و خطر خشك شدن درياچه اروميه روبه‌رو بوده است پرداخته شد. ايستگاه هاي هواشناسي مورد بررسي شامل چهار ايستگاه سينوپتيك سقز، تبريز، خوي و اروميه مي باشد كه داراي آمار كامل در دوره پايه (????-1961) بوده اند. جهت ارزيابي عملكرد مدل ها نيز از شاخص هاي خطاسنجي MSE، RMSE، MAE و همچنين ضريب تعيين و همبستگي بهره گرفته شد. نتايج حاصل نشان داد كه هر دو مدل دقت بيشتري در شبيه سازي دما نسبت به بارش دارند و در شبيه‌سازي ماهانه پارامترهاي دما و بارش، مدل SDSM موفق تر عمل نموده و داراي عدم قطعيت كمتري است؛ و از سويي ديگر نيز داراي فرآيند شبيه سازي وقت گير و پيچيده اي است. در حالي كه مدل LARS-WG در شبيه سازي دوره اي بارش از كارآيي بهتري برخوردار است و داراي سادگي و سرعت عملكرد بيشتري نسبت به مدل SDSM است. درمجموع بر اساس نتايج حاصل هيچ‌كدام از مدل ها برتري مطلق بر يكديگر ندارند و علي رغم تفاوت هايي در شبيه سازي، مي توانند در بررسي هاي تغييرات اقليمي مفيد واقع شوند

In the study of climate changes, Prediction of the future climatic parameters is performed by general circulation models (GCMs) and emissions scenarios of greenhouse gases. However, Global Circulation Models have very course spatial resolutions. For this reason, downscaling methods are needed to bridge the gap between the large scale climate scenarios and the fine scale where local stations exist. Downscaling methods are divided into two categories: 1) statistical models and 2) Dynamic models. Among these methods, statistical methods are much more popular which is due to low expenses and less time consuming procedures. Lars-WG and SDSM models are among the most concise methods of statistical tools for downscaling. Herein this research these two models were used in simulating precipitation and temperature changes in Urmia lake basin located in the north west of Iran. Four synoptic stations including Saqez, Tabriz Khoy and Urmia were considered. These four stations had a good and long data especially in base period (1961-1990). In order to assess the models, MSE, RMSE & MAE indexes along with regression and bias were used. Results show that both models were good in simulating temperature but SDSM was better in simulating precipitation according to statistical performance measures and has less uncertainty. But it has more complex and time consuming procedures. While Lars-WG is simpler and faster comparing with SDSM. In general, none of the models has absolute superior in simulating climatic parameters and both can be used in climate change predictions.