بررسی همگنی داده‌های اقلیمی و روند تغییر دما

نویسندگان

1 استادیار، گروه جغرافیا، دانشگاه سیدجمال‌الدین اسدآبادی، اسدآباد، همدان، ایران

2 استادیار، گروه جغرافیای طبیعی، دانشکده جغرافیا، دانشگاه تهران، ایران

چکیده

در این بررسی همگنی داده‌های دمای میانگین ماهانۀ 33 ایستگاه همدید در ایران باکاربرد الگوریتم PMFred مورد آزمون قرار گرفت. روند خطی تغییر، پیش و پس از همگن‌سازی داده‌ها، برآورد و تأثیر همگنی داده‌ها بر نتایج حاصل از روند ارزیابی شد. همچنین به منظور تسهیل در تشخیص معنا‌داری روند تغییر، مقادیر شیب رگرسیون با تقسیم‌شدن بر نصف فاصلۀ اطمینان (در این مطالعه %95) استاندارد شدند.
نتایج نشان داد، به‌کارگیری یک آزمون مطلق همگنی در صورت نبود فرادادۀ کامل و قابل‌اطمینان، بدون دخالت اطلاعات حاصل از ایستگاه‌های دیگر و دیدگاه‌های کارشناسی ممکن است با خطا همراه باشد. همچنین ناهمگنی یا جهش‌های مصنوعی در متغیرهای دمای میانگین ماهانه همان‌طور که انتظار می‌رود به مقدار زیادی برآوردهای روند خطی را منحرف می‌کند. بعد از اصلاح ناهمگنی‌ها مشخص شد روند افزایشی میانگین دمای ماهانه در بیشتر نقاط کشور معنا‌دار است و در مناطق نسبتاً محدودی نیز دما افزایش معنا‌داری نشان نمی‌دهد. علاوه بر آن الگویی نواری با جهتی تقریباً شمالی‌–‌ جنوبی در شدت افزایش دما در ایران قابل مشاهده است. 

کلیدواژه‌ها


عنوان مقاله [English]

Assessment of homogenization of climate data and trend of temperature

نویسندگان [English]

  • Somayeh Rafati 1
  • Mostafa Karimi 2
1 Assistant Professor, Department of Physical Geography, Sayyed Jamaleddin Asadabadi University, Asadabad, Hamedan, Iran
2 Assistant Professor, Department of Physical Geography, Faculty of Geography, University of Tehran, Iran
چکیده [English]

Climate data series usually contain artificial shifts due to inevitable changes in observing instrument or observer, location, environment and observing practices/procedures taking place during the period of data collection. Data discontinuities also arise from the continuously evolving technology of climate monitoring. It is important to detect artificial changepoints in climate data series, because these artificial changes could considerably bias the results of climate trends and variability analysis. Thus, corrections and homogenization of climate data are imperative for the assessment of observed climate trends.
In this study homogenization of mean monthly temperature was assessed for 33 synoptic stations in Iran using PMFred algorithm and also linear trend estimates were obtained using this algorithm. The p value of the linear trend was determined by the t-test statistic of the slope parameter. The p value is the probability for an estimated positive trend to be greater than zero, or for an estimated negative trend to be smaller than zero. The probability for the estimated trend to be within these intervals is 95%. Linear trend was estimated for raw and homogenized data in order to evaluation of homogenization effect on trend analysis. Linear trend was normalized via half of confidence interval (95% confidence level) so that absolute value of significant trend (at this confidence level) would be greater than one. Then distribution map of mean monthly temperature trend was provided.
This study showed that assessment of homogenization using an absolute test can lead to wrong results without the usage of adjacent stations data comparison, if there is no complete and reliable metadata. Because absolute homogenization tests could not realize between natural and artificial shifts and thus should not be used automatically and without subjective qualitative check. Thus adjacent stations data along with metadata (if it exists) was used for the detection of artificial shifts. Mean monthly temperature data was recognized homogeneous in Tehran, Shiraz, Esfahan, Hamedan-Nojeh, Tabriz, Khoy, Oromieh, Sabzevar, Shahrood, Babolsar and Bandar-Anzali stations and it was recognized inhomogeneous in Zanjan, Saqez, Sanandaj, Kermanshah, Khoram-Abad, Shahrekord, Ahvaz, Abadan, Yazd, Bandar-Abbas, Bam, Kerman, Zahedan, Zabol, Mashhad, Torbat-Heydarieh, Gorgan, Ramsar, Rasht, Qazvin, Birjand and Arak Stations. The results showed that the estimates could be biased by the unaccounted shifts in the series as expected. In the other words, it was observed negative trend before adjustment in mean monthly temperature in many stations which have inhomogeneous data, while they showed positive trend after adjustment (Torbat-Heydarieh, Birjand, Zabol, Gorgan, Bandar-Abbas, Khoram-Abad, Shahrekord, Ahvaz, Zanjan, Rasht, Qazvin, Saqez stations). Estimation of linear trend for homogenized data revealed that mean monthly temperature has increased significantly in most stations in Iran. Also, it has not been increased significantly in northwest, except Tabriz station and in Sabzevar- Shahrud to Bandar-Abbas, in a north-south direction. Also a north-south pattern was observed in intensity of increased trend in Iran. That is temperature has not increased in the northwest, while it has increased in north to central and southwest of Iran relatively severely (about 0.003 degrees Celsius in each month). It has not increased significantly in east of this region. Also, it has increased in east of Iran severely. 

کلیدواژه‌ها [English]

  • Temperature trend
  • Data homogenization
  • PMFred algorithm
  • Temperature trend pattern
ابراهیمی، ح.، علیزاده، ا. و جوانمرد، س.، 1385، بررسی وجود تغییر دما در دشت مشهد به عنوان نمایه تغییر اقلیم در منطقه، ف. تحقیقات جغرافیایی، 79، 18-5.

احمدی، م.، لشکری، ح.، کیخسروی، ق. و آزادی، م.، 1394، تحلیل شاخص‌های حدی دما در آشکارسازی تغییر اقلیم خراسان بزرگ، جغرافیا (فصلنامه علمی-پژوهشی و بین‌المللی انجمن جغرافیای ایران)، 45، 75-53.

آذرخشی، م.، فرزادمهر، ج.، اصلاح، م. و صحابی، ح.، 1392، بررسی روند تغییرات سالانه و فصلی بارش و پارامترها دما در مناطق مختلف آب‌وهوایی ایران، م. مرتع و آبخیزداری- منابع طبیعی ایران، 66، 16-1.

بنایان، م.، محمدیان، آ. و علیزاده، ا.، 1389، بررسی نوسان‌پذیری اقلیمی در شمال‌شرق ایران، نشریه آب و خاک، 24، 131-118.

خلیلی، ک.، ناظری، م. و احمدی، ف.، 1394، کاربرد شاخص PCI در بررسی الگوی بارش ایران و تحلیل روند تغییرات آن در مقیاس سالانه و فصلی طی نیم قرن اخیر، نشریه آبیاری و زهکشی ایران، 9، 208-195.

رحیم‌زاده، ف. و عسگری، ا.، 1383، نگرشی بر تفاوت نرخ افزایش دمای حداقل و حداکثر و کاهش دامنه شبانه‌روزی دما در کشور، م. تحقیقات جغرافیایی، 73، 171-153.

رحیم‌زاده، ف. و نساجی‌زواره، م.، 1393، روند و تغییرپذیری دما در ایران در دوره 1960-2010 پس از تعدیل ناهمگنی‌های غیراقلیمی موجود در داده‌ها، م. تحقیقات جغرافیایی، 115، 196-181.

رحیم‌زاده، ف.، هدایت، ا. و پوراصغریان، آ.، 1390، ارزیابی روند و جهش نمایه‌های حدی دما و بارش در استان هرمزگان، م. جغرافیا و توسعه، 21، 116-97.

زارع ابیانه، ح.، بیات ورکشی، م. و یزدانی، و.، 1390، تحلیل روند تغییرات سالانه و فصلی دما، بارش و خشکسالی‌های استان همدان، م. مهندسی آبیاری و آب، 3، 57-48.

سالاری، ع. و گندم‌کار، ا.، 1391، بررسی روند تغییرات دما در بندرعباس و جزیره قشم با استفاده از آزمون ناپارامتری من-کندال، م. جغرافیای سرزمین، 35، 92-77.

شمامی، ف.، معروفی، ص.، سبزی‌پرور، ع.، زارع، ح. و حیدری، م.، 1390، آشکارسازی تغییر اقلیم در غرب ایران با توجه به تغییرات دما، ف. مهندسی آبیاری و آب، 6، 25-10.

عزیزی، ق. و روشنی، م.، 1388، تحلیلی بر مفاهیم و اثرات تغییر اقلیم بروی دما و تقویم زراعی برنج در گیلان، ف. چشم‌انداز جغرافیایی، 8، 155-143.

علیجانی، ب.، روشنی، ا.، پرک، ف. و حیدری، ر.، 1391، روند تغییرپذیری فرین‌های دما با استفاده از شاخص‌های تغییر اقلیمی در ایران، م. جغرافیا و مخاطرات محیطی، 2، 28-17.

فرخ‌نیا، ا. و مرید، س.، 1393، ارزیابی اثر تغییرات بارش و دما بر روند جریان رودخانه‌های حوضه آبریز دریاچه ارومیه، آب و فاضلاب، 3، 97-86.

محمدی، ب.، 1390، تحلیل روند بارش سالانه ایران، م. جغرافیای و برنامه‌ریزی محیطی، 43، 106-95.

مسعودیان، ا.،1383، بررسی روند دمای ایران در نیم سدۀ گذشته، م. جغرافیا و توسعه ، 106- 89.

نوریان، ع.، رحیم‌زاده، ف. و صداقت‌کردار، ع.، 1387، گرمایش در کشور و تبعات آن بر دیگر پارامترهای اقلیمی در دوره 2005-1951، چهارمین کنفرانس مدیریت منابع آب تبریز، دانشگاه تبریز.

Alexandersson, H., 1986, A homogeneity test applied to precipitation data, Int. J. Climatol., 6, 661–675.

Begert, M., Schlegel, T. and Kirchhofer, W., 2005, Homogeneous temperature and precipitation series of Switzerland from 1864 to 2000, Int. J. Climatol., 25 (1), 65–80. http://dx.doi.org/10.1002/joc.1118.

Conrad, V. and Pollak, C., 1950, Methods in Climatology, Harvard University Press, Cambridge, MA, 459 pp.

DeGaetano, A. T., 2006, Attributes of several methods for detecting discontinuities in mean temperature series, J. Climate, 19, 838–853.

Domonkos, P., 2014, Homogenization of precipitation time series with ACMANT. Theor. Appl. Climatol., http://dx.doi.org/10.1007/s00704-014-1298-5.

Easterling, D. R. and Peterson, T. C., 1995, A new method for detecting undocumented discontinuities in climatological time series. Int. J. Climatol., 1, 369–377.

Guijarro, J., 2011, Influence of network density on homogenization performance. Seventh Seminar for Homogenization and Quality Control in Climatological Databases, World Meteorological Organization, Budapest, Hungary, 2–10.

Hanesiak, J. M. and Wang, X. L., 2005, Adverse weather trends in the Canadian Arctic, J. Climate, 18, 3140–3156.

Huth, R. and Pokorna, L., 2005, Simultaneous analysis of climatic trends in multiple variables. International Journal of Climatology, 25, 469-484.

IPCC, 2013, Summary for Policymakers. In: Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change [Stocker, T. F., D. Qin, G.-K. Plattner, M. Tignor, S.K. Allen, J. Boschung, A. Nauels, Y. Xia, V. Bex and P.M. Midgley (eds.)]. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA.

Lu, Q., Lund, R. and Seymour, L., 2005, An update of U.S. temperature trends. J. Climate, 18, 4906–4914.

Lund, R. and Reeves, J., 2002, Detection of undocumented changepoints: A revision of the two-phase regression model, J. Climate, 15, 2547–2554.

Peterson, T. C., Easterling, D. R., Karl, T. R., Groisman, P., Nicholls, N., Plummer, N., Torok, S., Auer, I., Boehm, R., Gullett, D., Vincent, L., Heino, R., Tuomwnvrta, H., Mestre, O., Szentimrey, T., Salinger, J., Forland, E., Hanssen, I., Alexandersson, H., Jonsel, P. and Parker, D., 1998, Homogeneity adjustments of in situ atmospheric climate data: A review, Int. J. Climatol., 18, 1493–1517.

Reeves, J., Chen, J., Wang, X. L., Lund, R. and Lu, Q., 2007, A review and comparison of changepoint detection techniques for climate data, J. Appl. Meteor. Climatol., 46, 900–915.

Wang, X. L., 2006, Climatology and trends in some adverse and fair weather conditions in Canada, 1953–2004, J. Geophys. Res., 111, D09105, doi:10.1029/2005JD006155.

Wang, X. L., 2008a, Accounting for autocorrelation in detecting mean-shifts in climate data series using the penalized maximal t or F test. J. Appl.Meteor. Climatol., 47, 2423-2444.

Wang, X. L., 2008b, Penalized maximal F test for detecting undocumented mean shift without trend change. J. Atmos. Oceanic Technol., 25, 368–384. DOI:10.1175/2007/JTECHA982.1.

Wang, X. L., Wen, Q. H. and Wu, Y., 2007, Penalized maximal t test for detecting undocumented mean change in climate data series. J. Appl. Meteor. Climatol., 46 (6), 916-931. DOI:10.1175/JAM2504.1.

Wang, X. L., 2003, Comments on Detection of Undocumented Changepoints: A Revision of the Two-Phase Regression Model. J. Climate, 16, 3383-3385.