پیش‌نگری رخدادهای بارش سنگین شمال‌غرب ایران با به‌کارگیری مقیاس‌کاهی آماری برونداد مدل‌های منتخب CMIP6 با نرم‌افزار CMHyd

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه جغرافیای طبیعی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران.

2 گروه مطالعات و تحقیقات منابع آب، موسسه تحقیقات آب، تهران، ایران.

چکیده

این پژوهش پیش‌نگری بارش سنگین در 23 ایستگاه همدید شمال‌غرب ایران را در سه دهه آتی ارائه می‌کند. برای این منظور، از داده‌های 8 مدل AOGCM به نام‌های MIROC6، CANESM5، ACCESS-CM2، BCC-CSM2-MR، NORESM2-LM، IPSL-CM6A-LR، MRI-ESM2-0 و CNRM-CM6-1 از مجموعه مدل‌های سری CMIP6 تحت سه سناریو SSP1-2.6،SSP2-4.5  و SSP5-8.5 استفاده شد. دوره مشاهداتی 1990-2019 و دوره آینده 2030-2059 در نظر گرفته شدند. برونداد خام بارش در محیط نرم‌افزار R از فرمت NC به TXT تبدیل شد سپس خروجی مدل‌ها برای هر ایستگاه استخراج و بعد از تبدیل واحد به میلی‌متر توسط نرم‌افزار CMHyd مقیاس­کاهی شد. کارایی مدل‌ها با محاسبه سنجه‌های آماری PCC، KGE، RMSE، NSE و R2 ارزیابی شدند و برای انتخاب روش مناسب مقیاس‌کاهی از میان سه روش Precipitation Local intesity، Power transformation و Distribution mapping از شاخص‌های آماری NSE، MAE و نمودار تیلور استفاده شد. به‌منظور کاهش عدم‌قطعیت با روش میانگین‌گیری وزنی، مدل همادی محاسبه شد. نتایج نشان داد که مدل همادی تولیدشده کارایی بهتری را نسبت به مدل‌های منفرد دارد. نتایج نشان داد که تعداد رخدادهای بارش سنگین در دوره آینده نسبت به دوره گذشته بر اساس دو سناریوی بدبینانه و متوسط افزایش خواهد یافت ولی در سناریو خوش‌‌‌بینانه تغییری در تعداد رخداد حدی بارش رؤیت نخواهد شد.

کلیدواژه‌ها

عنوان مقاله [English]

Projection of Heavy Rainfall in Northwestern Iran using the Statistical Downscaling Scaling of the Output of Selected CMIP6 Models by CMHyd Software

نویسندگان [English]

  • Ali Shahi 1
  • Bromand Salahi 1
  • Mohammad Saeed Najafi 2
1 Department of Physical Geography, Faculty of Social Sciences, University of Mohaghegh Ardabili, Ardabil, Iran.
2 Department of Water Resources Study and Research, Water Research Institute (WRI), Tehran, Iran.
چکیده [English]

Heavy rainfall is one of the types of environmental hazards that occur naturally and the role of humans in their aggravation is undeniable. In recent years, due to climate change, the occurrence of extreme weather events has increased. By using suitable climate models, it is possible to be prepared and reduce the harmful effects of climatic extremes through climate forecasting. In the northwest of Iran, the existence of mountainous topography provides the factor of ascent to create heavy convective rains, which is prone to flood phenomenon. In this research, two groups of observational and model data have been used daily to study heavy rainfalls. The daily rainfall data of 23 synoptic stations located in the northwest of Iran, including the provinces of East Azerbaijan, West Azerbaijan, Ardabil, North Kurdistan, and west of Zanjan province, were obtained from the Iranian Meteorological Organization (www.irimo.ir). The output of the CMIP6 models from the site https://esgf-node.llnl.gov/projects/cmip6/ for two periods 1990-2019 (historical period) and 2030-2059 (future period) based on three scenarios SSP1-2.6, SSP2 -4.5 and SSP5-8.5 were extracted as optimistic, medium and pessimistic scenarios, respectively. For this purpose, data of 8 AOGCM models (MIROC6, CANESM5, ACCESS-CM2, BCC-CSM2-MR, NORESM2-LM, IPSL-CM6A-LR, MRI-ESM2-0 and CNRM-CM6-1) from the CMIP6 model series were used. The raw rainfall output was first converted from NC to TXT format in the R software environment, and based on the coordinates of the stations in the study area, the output of the models was extracted for each station. After converting the unit to mm, the downscaling process was done by CMHyd software. The criterion of heavy rainfall in this research is the intensity of rainfall (99th percentile) and coverage of rainfall (simultaneous heavy rainfall in at least 30% of the stations). By calculating the PCC, KGE, RMSE, NSE, and R2 statistical measures, the efficiency of the models was evaluated and the ranking of the models was determined based on their performance. Also, to select the appropriate downscaling method among the three methods of Precipitation Local Intensity, Power Transformation, and Distribution Mapping, statistical indices NSE, MAE, and Taylor's diagram were used. According to the heavy rainfall criteria used in this research, 43 extreme rainfall events were identified in the observation period (1990-2019). The verification of the raw output of the studied models with the downscaled results of the models by the KGE statistical measure indicates that the results of the models are optimized after downscaling compared to model output before downscaling. According to the results of this research, the CNRM model was identified as the best and the NORESM2 model as the worst model for simulation heavy rainfall in northwestern Iran. In the CNRM model, the highest and lowest values of the KGE index are assigned to Khalkhal and Sahand stations, respectively. The maximum and minimum measures of NSE also belong to Sahand and Kalibar stations, respectively. The maximum and minimum RMSE index belong to the Kalibar and Jolfa stations, respectively, and the maximum and minimum R index belong to the Zarineh and Parsabad stations, respectively. In the NORESM2 model, the maximum and minimum KGE index belong to the Saqez and Kalibar stations, respectively. The maximum and minimum values of NSE are assigned to Sahand and Mako stations, respectively, and the maximum and minimum RMSE indices are assigned to Kalibar and Jolfa stations, respectively. The maximum and minimum R measures are assigned to Piranshahr and Kalibar stations, respectively. In 23 synoptic stations and 8 models, the lowest RMSE value, and the highest NSE value jointly in all 8 models of the studied area belonged to Jolfa and Sahand stations, respectively based on 5 statistical measures. The produced ensemble model showed better performance than individual models. The results of the Mann-Kendall test in the base period (1990-2019) and the future period (2059-2030) based on z-statistics indicate a decreasing trend of heavy rainfall in the northwest of Iran, but it is not statistically significant. The results of the heavy rainfall projection in northwest Iran using 8 GCM models presented in the CMIP6 models at 23 synoptic stations, indicate that the number of heavy rainfall events in the studied area in the future period (2059-2030), compared to the previous period (1990-2019), will increase according to two pessimistic (SSP5-8.5) and moderate (SSP2-4.5) scenarios; but in the optimistic scenario (SSP1-2.6) there will be no change in the number of extreme precipitation events.

کلیدواژه‌ها [English]

  • CMHyd
  • CMIP6
  • Climate Change
  • Heavy Rainfall
  • Northwestern Iran

مراجع

آقاشاهی، م.؛ اردستانی، م.؛ نیک‌سخن، م.ح. و طهماسبی، ب. (۱۳۹۱). معرفی و مقایسه مدلهای LARS-WG و SDSM به منظور ریزمقیاس‌سازی پارامترهای زیست‌محیطی در مطالعات تغییر اقلیم. ششمین همایش ملی و نمایشگاه تخصصی مهندسی محیط زیست، تهران.  https://civilica.com/doc/170203
بابائیان، ا.؛ مدیریان، ر.؛ خزانه‌داری، ل.؛ کوهی، م.؛ کوزه گران، س.؛ فلامرزی، ی.؛ کریمیان، م. و ملبوسی، ش. (1400). پیش‌نگری بارش کشور با استفاده از مقیاس­کاهی آماری برونداد مدل‌های CMIP6، پروژه داخلی پژوهشکده اقلیم‌شناسی، مشهد.
بابائیان، ا.؛ مدیریان، ر.؛ خزانه‌داری، ل.؛ کریمیان، م.؛ کوزه‌گران، س.؛ کوهی، م.؛ فلامرزی، ی. و ملبوسی، ش. (1402). چشم‌انداز بارش ایران در قرن 21 با به‌کارگیری مقیاس‌کاهی آماری برونداد مدل‌های منتخب CMIP6 توسط نرم‌افزار CMHyd. مجله فیزیک زمین و فضا، 49(2)، 431-449.
چمانه‌فر، س.؛ موسوی بایگی، س. م.؛ بابائیان، ا. و مدرسی، ف. (1401). پیش‌نگری شاخص‌های حدی بارشی و دمایی در دوره 2100-2026 بر اساس برونداد مدل‌های CMIP6 (مطالعه موردی: مشهد). مجله آبیاری و زهکشی ایران، 16(5)، 963-976.
حمیدیان پور، م. و شجاع، ف. (1401). مقدمه‌ای بر روش‌ها و شگردهای مدل‌سازی اقلیم و تغییر اقلیم. چاپ اول. سیستان و بلوچستان: انتشارات دانشگاه سیستان و بلوچستان.
خان سالاری، س. و محمدی، س. ع. (1402). پیش‌نگری بارش‌های فرین در ایران بر اساس رویکرد همادی مدل‌های CMIP6 در آینده نزدیک (2050-2026) با وزن‌دهی مبتنی بر رتبه. مجله فیزیک زمین و فضا، 49(3)، 746-727. 
خان سالاری، س.؛ محمدی، س. ع.؛ قصابی، ز. و صالحی، ح. (1403). پیش‌نگری تغییرات مقدار بارش فرین با دوره بازگشت‌های مختلف در ایران بر اساس رویکرد همادی ده مدل‌ CMIP6 در آینده نزدیک. مجله جغرافیا و مخاطرات محیطی، 13(3)، 214-246.
خزایی، م. ر.؛ بایزیدی، م. و شرافتی، ا. (1396). اثر تغییر اقلیم بر دما و بارش سالانه استان زنجان با بررسی عدم‌قطعیت‌ها. مجله اکوهیدرولوژی، 4(3)، 847-860.
خواجه امیری، چ.؛ خسروی، م.؛ طاوسی، ت.؛ حمیدیان‌پور، م. و کیانی مقدم، م. (1401). صحت‌سنجی عملکرد برونداد مدل‌ اقلیمی CMIP6 با داده‌های مشاهده‌ای کرانه‌های مکران. نشریه هواشناسی و علوم جوّ، 5(1)، 41-22.
خورشیددوست، ع. م.؛ ساری صراف، ب.؛ قرمزچشمه، ب. و جعفرزاده، ف. (1397). پیش‌بینی بارش‌های سنگین سواحل جنوبی دریای خزر تحت شرایط تغییر اقلیم در دوره‌ی 1408-1389. مجله علوم و مهندسی آبخیزداری ایران، 12(42)، 121-129.
زرین، آ. و داداشی رودباری، عباسعلی. (1399). پیش‌نگری چشم‌انداز بلندمدت دمای آینده ایران مبتنی بر برونداد پروژه مقایسه مدل‌های جفت‌ساز فاز ششم CMIP6)). مجله فیزیک زمین و فضا، 46(3)، 583-602.
ستوده، ف. و علیجانی، ب. (1394). رابطه‌ پراکندگی فضایی بارش‌های سنگین و الگوهای فشار در گیلان. مجله تحلیل فضایی مخاطرات محیطی، 2(1)، 63-73.
طائی سمیرمی، س.؛ مرادی، ح. ر. و خداقلی، م. (1394). پیش‌بینی تغییرات برخی از متغیرهای اقلیمی با استفاده از مدل ریزمقیاس‌سازی LARS-WG و خروجی‌های مدل HADCM3 تحت سناریوهای مختلف. مهندسی و مدیریت آبخیز‌، 7(2)‌، 145-156.
عبدالعلی‌زاده، ف.؛ خورشیددوست، ع. م. و جهانبخش اصل، س. (1402). پیش‌نگری چشم‌انداز آتی دما و بارش حوضه آبریز دریاچه ارومیه مبتنی بر مدل‌های CMIP6. پژوهش‌های جغرافیای طبیعی، 55(1)، 95-112.
علیجانی، ب.؛ خسروی، م. و اسماعیل نژاد، م. (1389). تحلیل همدیدی بارش سنگین ششم ژانویه 2008 در جنوب شرق ایران. پژوهش‌های اقلیم‌شناسی، 1(3- 4)، 3-14.
فرج زاده، م. (1392). مخاطرات اقلیمی ایران. چاپ اول. تهران: انتشارات سمت.
کریمی، م. و حیدری، س. (1402). تغییرپذیری و روند تغییرات شدت- گستره‌ی ترسالی و خشکسالی در ایران. مخاطرات محیط طبیعی، 12(36)، 129-150.
گودرزی، م.؛ حسینی، ا. و مسگری، ا. (1395). مدل‌های آب‌وهواشناسی. چاپ اول. زنجان: انتشارات آذرکلک.
محمودی، پیمان؛ طاووسی، تقی و کردی تمندانی، صابره. (1401). شناسایی الگوهای ناهنجاری‌های همدیدی منجر به خشکسالی‌ها و ترسالی‌های فراگیر ایران. پژوهش‌های جغرافیای طبیعی، 54(1)، 1-20.
مشایخ، فرناز و لشکری، حسن. (1402). تحلیل همدیدی ترسالی‌های شدید و فوق شدید در جنوب ایران. پژوهش‌های جغرافیای طبیعی، 55(4)، 1-25.
مفیدی، عباس؛ زرّین، آذر و قبادی، غلامرضا جانباز. (1386). تعیین الگوی همدیدی بارش‌های شدید و حدّی پاییزه در سواحل جنوبی دریای خزر. مجله فیزیک زمین و فضا، 33(3)، 1-1.
Alijani, B., O’Brien, J., & Yarnal, B. (2008). Spatial analysis of precipitation intensity and concentration in Iran. Theoretical and Applied climatology, 94, 107-124 https://doi.org/10.1007/s00704-007-0344-y
Allen, M., Antwi-Agyei, P., Aragon-Durand, F., Babiker, M., Bertoldi, P., Bind, M., Brown, S., Buckeridge, M., Camilloni, I., Cartwright, A., Cramer, W., Dasgupta, P., Diedhiou, A., Djalante, R., Dong, W., Ebi, K.L., Engelbrecht, F., Fifita, S., Ford, J., Fuß, S., et al. (2019). Technical Summary: Global warming of 1.5 C. An IPCC Special Report on the impacts of global warming of 1.5 C above pre-industrial levels and related global greenhouse gas emission pathways, in the context of strengthening the global response to the threat of climate change, sustainable development, and efforts to eradicate poverty.‏ Intergovernmental Panel on Climate Change. https://pure.iiasa.ac.at/15716
Babaeian, I., Rahmatinia, A. E., Entezari, A., Baaghideh, M., Aval, M. B., & Habibi, M. (2021). Future projection of drought vulnerability over northeast provinces of Iran during 2021–2100. Atmosphere, 12(12), 1704.‏
https://doi.org/10.3390/atmos12121704
Breugem, A. J., Wesseling, J. G., Oostindie, K., & Ritsema, C. J. (2020). Meteorological aspects of heavy precipitation in relation to floods–an overview. Earth-Science Reviews, 204, 103171.‏ https://doi.org/10.1016/j.earscirev.2020.103171
Camici, S., Brocca, L., & Moramarco, T. (2017). Accuracy versus variability of climate projections for flood assessment in central Italy. Climatic Change, 141, 273-286. DOI: 10.1007/s10584-016-1876-x
Cheng, C. S., Auld, H., Li, Q., & Li, G. (2012). Possible impacts of climate change on extreme weather events at local scale in south–central Canada. Climatic change, 112, 963-979.‏ https://doi.org/10.1007/s10584-011-0252-0
Chen, J., Brissette, F. P., Chaumont, D., & Braun, M. (2013). Performance and uncertainty evaluation of empirical downscaling methods in quantifying the climate change impacts on hydrology over two North American river basins. Journal of Hydrology, 479, 200-214.‏ https://doi.org/10.1016/j.jhydrol.2012.11.062
Chen, W., Jiang, Z., & Li, L. (2011). Probabilistic projections of climate change over China under the SRES A1B scenario using 28 AOGCMs. Journal of Climate, 24(17), 4741-4756.‏ https://doi.org/10.1175/2011JCLI4102.1
De Oliveira, V. A., de Mello, C. R., Beskow, S., Viola, M. R., & Srinivasan, R. (2019). Modeling the effects of climate change on hydrology and sediment load in a headwater basin in the Brazilian Cerrado biome. Ecological Engineering, 133, 20-31.‏ https://doi.org/10.1016/j.ecoleng.2019.04.021
Eghdamirad, S., Johnson, F., & Sharma, A. (2017). Using second-order approximation to incorporate GCM uncertainty in climate change impact assessments. Climatic Change, 142, 37-52.‏ https://doi.org/10.1007/s10584-017-1944-x
Fallah Ghalhari, G. A., Yousefi, H., Hosseinzadeh, A., Alimardani, M., & Reyhani, E. (2019). Assessment of Climate Change in Bojnourd Station in 2016-2050 using Downscaling Models LARS WG and SDSM. Iranian journal of Ecohydrology, 6(1), 99-109.‏ https://doi.org/10.22059/ije.2018.265918.952
Gohari, A., Eslamian, S., Abedi-Koupaei, J., Bavani, A. M., Wang, D., & Madani, K. (2013). Climate change impacts on crop production in Iran's Zayandeh-Rud River Basin. Science of the Total Environment, 442, 405-419.‏ https://doi.org/10.1016/j.scitotenv.2012.10.029
Gupta, H. V., Kling, H., Yilmaz, K. K., & Martinez, G. F. (2009). Decomposition of the mean squared error and NSE performance criteria: Implications for improving hydrological modelling. Journal of hydrology, 377(1-2), 80-91.‏ https://doi.org/10.1016/j.jhydrol.2009.08.003
Ge, F., Zhu, S., Luo, H., Zhi, X., & Wang, H. (2021). Future changes in precipitation extremes over Southeast Asia: insights from CMIP6 multi-model ensemble. Environmental Research Letters, 16(2), 024013.‏ http://dx.doi.org/10.1088/1748-9326/abd7ad
Hay, L. E., Wilby, R. L., & Leavesley, G. H. (2000). A comparison of delta change and downscaled GCM scenarios for three mountainous basins in the United States 1. JAWRA Journal of the American Water Resources Association, 36(2), 387-397.‏
https://doi.org/10.1111/j.1752-1688.2000.tb04276.x
Shokoohi, A., & Habibnejad, R. (2019). Evaluating intensity, duration and frequency of short duration rainfalls using a regional climate change Model (Case study: Tehran). Iran-Water Resources Research, 15(4), 412-424.‏ https://dorl.net/dor/20.1001.1.17352347.1398.15.4.28.1
Kalcic, M. M., Chaubey, I., & Frankenberger, J. (2015). Defining Soil and Water Assessment Tool (SWAT) hydrologic response units (HRUs) by field boundaries. International Journal of Agricultural and Biological Engineering, 8(3), 69-80.‏
http://dx.doi.org/10.3965/j.ijabe.20150803.951
Klutse, N. A. B., Quagraine, K. A., Nkrumah, F., Quagraine, K. T., Berkoh-Oforiwaa, R., Dzrobi, J. F., & Sylla, M. B. (2021). The climatic analysis of summer monsoon extreme precipitation events over West Africa in CMIP6 simulations. Earth Systems and Environment, 5, 25-41.‏ https://doi.org/10.1007/s41748-021-00203-y
King, A. D., Hudson, D., Lim, E. P., Marshall, A. G., Hendon, H. H., Lane, T. P., & Alves, O. (2020). Sub‐seasonal to seasonal prediction of rainfall extremes in Australia. Quarterly Journal of the Royal Meteorological Society, 146(730), 2228-2249.‏ https://doi.org/10.1002/qj.3789
Liu, L. Y., Wang, X. J., Gou, X. H., Yang, M. X., & Zhang, Z. H. (2022). Projections of surface air temperature and precipitation in the 21st century in the Qilian Mountains, Northwest China, using REMO in the CORDEX. Advances in Climate Change Research, 13(3), 344-358. https://doi.org/10.1016/j.accre.2022.03.003
Nie, S., Fu, S., Cao, W., & Jia, X. (2020). Comparison of monthly air and land surface temperature extremes simulated using CMIP5 and CMIP6 versions of the Beijing Climate Center climate model. Theoretical and Applied Climatology, 140, 487-502.‏ https://doi.org/10.1007/s00704-020-03090-x
de Hipt, F. O., Diekkrüger, B., Steup, G., Yira, Y., Hoffmann, T., Rode, M., & Näschen, K. (2019). Modeling the effect of land use and climate change on water resources and soil erosion in a tropical West African catch-ment (Dano, Burkina Faso) using SHETRAN. Science of the Total Environment, 653, 431-445.‏ https://doi.org/10.1016/j.scitotenv.2018.10.351
Pant, M., Bhatla, R., Ghosh, S., Das, S., & Mall, R. K. (2024). How climate change is affecting the summer monsoon extreme rainfall pattern over the Indo-Gangetic Plains of India: present and future perspectives. Climate Dynamics, 62(2), 1055-1075.‏
https://doi.org/10.1007/s00382-023-06953-x
Pedersen, J. T. S., van Vuuren, D., Gupta, J., Santos, F. D., Edmonds, J., & Swart, R. (2022). IPCC emission scenarios: How did critiques affect their quality and relevance 1990–2022?. Global Environmental Change, 75, 102538.‏
https://doi.org/10.1016/j.gloenvcha.2022.102538
Riahi, K., Van Vuuren, D. P., Kriegler, E., Edmonds, J., O’neill, B. C., Fujimori, S., ... & Tavoni, M. (2017). The Shared Socioeconomic Pathways and their energy, land use, and greenhouse gas emissions implications: An overview. Global environmental change, 42, 153-168.‏ https://doi.org/10.1016/j.gloenvcha.2016.05.009
Rathjens, H., Bieger, K., Srinivasan, R., Chaubey, I., & Arnold, J. G. (2016). CMhyd User Manual: Documentation for preparing simulated climate change data for hydrologic impact studies. Texas: SWAT.‏
Salmi, T. (2002). Detecting trends of annual values of atmospheric pollutants by the Mann-Kendall test and Sen's slope estimates-the Excel template application MAKESENS. Ilmatieteen laitos.‏
Shrestha, D., Basnyat, D. B., Gyawali, J., Creed, M. J., Sinclair, H. D., Golding, B., ... & Haiju, R. (2023). Rainfall extremes under future climate change with implications for urban flood risk in Kathmandu, Nepal. International Journal of Disaster Risk Reduction, 97, 103997.‏ https://doi.org/10.1016/j.ijdrr.2023.103997
Stocker, T. F., Qin, D., Plattner, G. K., Tignor, M. M., Allen, S. K., Boschung, J., & Midgley, P. M. (2014). Climate change 2013: the physical science basis: Contribution of working group I to the fifth assessment report of IPCC the intergovernmental panel on climate change.
Li, S.-Y., Miao, L.-J., Jiang, Z.-H., Wang, G.-J., Gnyawali, K. R., Zhang, J., Zhang, H., Fang, K., He, Y., & Li, C. (2020). Projected drought conditions in Northwest China with CMIP6 models under combined SSPs and RCPs for 2015–2099. Advances in Climate Change Research, 11(3), 210-217.‏ https://doi.org/10.1016/j.accre.2020.09.003.
Tien Thanh, N., & Dutto Aldo Remo, L. (2018). Projected changes of precipitation idf curves for short duration under climate change in central Vietnam. Hydrology, 5(3), 33.‏ https://doi.org/10.3390/hydrology5030033
Taylor, K. E. (2001). Summarizing multiple aspects of model performance in a single diagram. Journal of geophysical research: atmospheres, 106(D7), 7183-7192.‏ https://doi.org/10.1029/2000JD900719
Yang, T., Hao, X., Shao, Q., Xu, C. Y., Zhao, C., Chen, X., & Wang, W. (2012). Multi-model ensemble projections in temperature and precipitation extremes of the Tibetan Plateau in the 21st century. Global and Planetary Change, 80, 1-13.‏
https://doi.org/10.1016/j.gloplacha.2011.08.006
Yaddanapudi, R., Mishra, A., Huang, W., & Chowdhary, H. (2022). Compound wind and precipitation extremes in global coastal regions under climate change. Geophysical Research Letters, 49(15), e2022GL098974. https://doi.org/10.1029/2022GL098974
Yoo, J. H., & Kang, I. S. (2005). Theoretical examination of a multi‐model composite for seasonal prediction. Geophysical Research Letters, 32(18).‏ https://doi.org/10.1029/2005GL023513
Zarenistanak, M., Dhorde, A. G., & Kripalani, R. H. (2014). Trend analysis and change point detection of annual and seasonal precipitation and temperature series over southwest Iran. Journal of earth system science, 123, 281-295.‏
https://doi.org/10.1007/s12040-013-0395-7
Zamani, Y., Hashemi Monfared, S. A., Azhdari Moghaddam, M., & Hamidianpour, M. (2020). A comparison of CMIP6 and CMIP5 projections for precipitation to observational data: the case of Northeastern Iran. Theoretical and Applied Climatology, 142, 1613-1623.‏ https://doi.org/10.1007/s00704-020-03406-x.
فیزیک زمین و فضا
دوره 51، شماره 2
تاریخ انتشار الکترونیکی: 29 شهریور 1404
شهریور 1404
صفحه 453-476

فایل ها

هم رسانی

ارجاع به این مقاله

آمار