دانلود ppt پاورپوینت تغییر اقلیم و مدلسازی کمیاب و عالی

تغییر اقلیم و مدلسازی، دو مفهوم کلیدی در درک تحولات محیط زیستی هستند که مطالعه علل دگرگونی ها و تحولات اقلیمی را ضروری می‌سازند. این دگرگونی‌ها را می‌توان به دو دسته کلی عوامل بیرونی و عوامل درونی تقسیم کرد که هر یک مسیر متفاوتی را در تغییرات آب و هوایی دنبال می‌کنند.

این عوامل مداری در کنار هم، باعث تغییراتی در توزیع و شدت تابش خورشیدی دریافتی می‌شوند. علاوه بر این، تغییر مدار خورشید نیز در مقیاس‌های بسیار طولانی، می‌تواند به عنوان یک عامل بیرونی مد نظر قرار گیرد.

در مقابل، عوامل درونی شامل نیروهایی هستند که منشأ آن‌ها در خود سامانه زمین است. این عوامل به دو زیرمجموعه عوامل طبیعی و عوامل انسانی تقسیم می‌شوند.

از جمله عوامل طبیعی مؤثر، فعالیت های آتشفشانی هستند که با انتشار مواد و گازها به جو، می‌توانند بر اقلیم تأثیرگذار باشند.

عوامل انسانی، که امروزه به اصلی‌ترین محرک تغییر اقلیم تبدیل شده‌اند، شامل انتشار گازهای گلخانه‌ای و تغییر ترکیب جو است. همچنین انتشار هواویزها (آئروسل‌ها) در تروپسفر و تغییر کاربری اراضی نیز در تشدید این تغییرات نقش دارند.

یکی از ابزارهای حیاتی برای مطالعه این تحولات، مدلسازی اقلیمی است که به ما امکان پیش‌بینی‌های آتی را می‌دهد. انواع مدلهای اقلیمی برای اهداف و مقیاس‌های مختلف طراحی شده‌اند؛ از جمله مدلهای موازنه انرژی (EBM) که ساده‌ترین نوع هستند.

مدلهای پیچیده‌تر، مدلهای تابش- همرفتی (RCM) و مدلهای دو بعدی آماری- دینامیکی (SDM) هستند که جزئیات بیشتری از فرآیندهای جوی را در نظر می‌گیرند.

اوج پیچیدگی در این حوزه، مدلهای گردش عمومی جو (GCM) هستند که با وجود توانایی بالا، محدودیت‌های مدل‌های گردش عمومی جو نیز مطرح است. این محدودیت‌ها عمدتاً به مقیاس فضایی بزرگ و نیاز به محاسبات سنگین باز می‌گردند.

برای رفع این محدودیت‌ها، مدلهای AOGCM (مدل‌های کوپل شده جو – اقیانوس) توسعه یافته‌اند که تعامل اقیانوس و جو را شبیه‌سازی می‌کنند. اما برای مطالعه اثرات محلی تغییرات، به تکنیک ریز مقیاس نمایی نیاز داریم.

ریز مقیاس نمایی به دو صورت انجام می‌شود: روش‌های آماری- احتمالی که شامل روشهای همبستگی هستند و از روابط آماری بین مقیاس بزرگ و کوچک استفاده می‌کنند.

در این روش‌های آماری، می‌توان از همبستگی پارامتری و پیش فرضهای آزمون ضریب همبستگی پیرسون استفاده کرد، یا به سراغ همبستگی های ناپارامتری رفت.

نحوه تفسیر دامنه ضریب همبستگی در تعیین قدرت و جهت رابطه بین متغیرها حیاتی است. همچنین، مدلهای رگرسیونی از جمله رگرسیون خطی ساده و انواع روشهای رگرسیون خطی، برای ایجاد روابط پیش‌بینی‌کننده استفاده می‌شوند.

رگرسیون خطی چندگانه/ چند متغیره امکان بررسی تأثیر چندین متغیر بر یکدیگر را فراهم می‌کند. از طرفی، مدلهای سری زمانی که اجزای تشکیل دهنده سری زمانی مانند روند و فصلی بودن را در نظر می‌گیرند، در تحلیل داده‌های اقلیمی کاربرد دارند.

مراحل تحلیل آماری سریهای زمانی باید با دقت طی شود. در میان مدل‌های ریزمقیاس نمایی، معرفی مدل ریزمقیاس نمایی آماری SDSM بسیار رایج است که از مدل HadCM3 به عنوان داده‌های مرزی استفاده می‌کند.

ویژگیهای مدل LARS-WG، ویژگیهای مدل RegCM، ویژگیهای مدل MM5 و ویژگیهای مدل PERCIS نیز در ادبیات مدلسازی منطقه‌ای شناخته شده‌اند. همچنین مدل MAGICC-SCENGEN برای تولید سناریوهای انتشار مفید است.

مدل شبکه های عصبی مصنوعی با اجزای یک شبکه عصبی مصنوعی و ویژگی های شبکه عصبی مصنوعی، یک رویکرد نوین برای مدلسازی غیرخطی ارائه می‌دهد. نمونه هایی از کاربرد شبکه عصبی مصنوعی در پیش‌بینی‌های اقلیمی گسترده است.

مدلهای منطقه‌ای (RCM) و مدلهای همدید، که نیاز به نکات لازم برای بررسیهای همدید دارند، ابزارهای دیگری برای تحلیل دقیق‌تر اثرات محلی هستند. تغییر اقلیم و مدلسازی پیامدهای مختلفی را پیش‌بینی می‌کنند، از جمله کاهش میزان بارش و افزایش بارش های سنگین.

همچنین، افزایش پدیده های حد اقلیمی و جابجایی و تغییر رژیم بارش از پیامدهای مهم دیگر هستند. برای اجرای این مدل‌ها، تهیه داده های شرایط مرزی مدل های گردش عمومی الزامی است.

در این بحث، تفاوت سناریوی اقلیمی و سناریوی انتشار باید روشن شود. ریز مقیاس نمایی مدل های منطقه ای نیز یک تکنیک پیشرفته برای بهبود نتایج است که از ابزارهایی مانند کار فیلتر کالمن استفاده می‌کند.

مفاهیمی چون واداشت تابشی و حساسیت و بازخورد اقلیمی نقش مهمی در فیزیک مدل‌ها دارند. برای پیش‌بینی‌های کوتاه مدت، مقیاس زمانی برای پیش بینی های هواشناسی اهمیت می‌یابد و برخی از شاخصهای دور پیوند به همراه دیدگاههای مبتنی بر آمار یا روش دینامیکی مورد استفاده قرار می‌گیرند.

تفاوت مدلهای پیش بینی دینامیکی و آماری در مبنای عملکرد آن‌ها نهفته است. نکته تکمیلی در مورد خرد مقیاس این است که باید با دقت، داده های شبکه ای را برای منطقه مورد مطالعه آماده کرد تا صحت نتایج تضمین شود.