دانلود رایگان ترجمه مقاله توضیحات درباره توسعه سناریوی تغییرات اقلیمی – الزویر 1995

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

بخشی از ترجمه فارسی مقاله:

1. مقدمه
از زمان آغاز انقلاب صنعتی، افزایش غلظت گازهای جذب مادون قرمز در جو زمین افزایش چشمگیری یافته است.تأثیر گرم شدن آنها بر روی آب و هوای سطحی موجب تقاضای گسترده برای پیش بینی تغییرات آب و هوایی محتمل در آینده برای استفاده در مطالعات سیاستی و تاثیر آن شده است.
با این حال، منابع مختلف نامشخص، ممنوعیت صدور پیش بینی های محرمانه را ممنوع می کند. بلکه “سناریوهای” تغییر آب و هوایی احتمالی برای استفاده در مطالعات حساس و همچنین کمک به تصمیم گیری در مورد سیاست های محدود کردن انتشار گازهای گلخانه ای، تصویب استراتژی های انطباق و برنامه ریزی پیش رو توسعه می یابد.تا آنجا که عدم اطمینان در مورد آب و هوای آینده مربوط به میزان نامشخص انتشار گازهای گلخانه ای در آینده است، این عدم قطعیت نشان می دهد که تصمیم گیری های انسانی ممکن است بر تغییرات آب و هوایی آینده تأثیر بگذارد.
2.منابع ناشناخته
منابع عمده عدم اطمینان در مورد آب و هوای آینده از موارد زیربوجود می آیند:
1. عدم اطمینان در مورد انتشار و غلظت گازهای گلخانه ای آینده؛
2. محدودیت های نمایه های فیزیکی فرآیندهای مدل های اقلیمی جهانی (GCM)، که منجر به عدم اطمینان در مورد حساسیت دمای جهانی به افزایش غلظت گازهای گلخانه ای می شود؛
3. تفاوت بین مدل ها با الگوهای فضایی تغییرات اقلیمی محلی برای گرم شدن گرمایش جهانی
4. عدم اطمینان کمتر تعیین شده ی دیگر، ، مانند اثر تغییرات در گردشهای اقیانوس (از جمله El Igaio)، تغییرات آب و هوایی طبیعی، و تغییرات ناشی از آلاینده های دیگر مانند ذرات سولفات.
بر اساس گزارش پنل تغییر آب و هوا، که به عنوان IPCC شناخته می شود، انتشار گاز دی اکسید کربن، مهمترین گاز گلخانه ای انسانی، با فاکتور هفت،در 2100AD ، نامشخص هستند. حساسیت جهانی آب و هوایی معمولا به عنوان میانگین جهانی گرمایش سطحی، در تعادل ،ناشی ازدو برابر شدن میزان مواجهه با CO2 و در محدوده 1.5 تا 4.5 درجه سانتیگراد، بیان میشود. IPCC در گزارش تکمیلی خود در سال 1992 [1] این دیدگاه را تکرار می کند که در حال حاضر GCM ها در مورد جزئیات منطقه ای تغییرات آب و هوایی، حتی برای میانگین گرمایش جهانی، توافق خوبی ندارند.
3. پیشرفت به سوی سناریوهای قابل اعتماد
دو منبع اول عدم اطمینان بالا اکنون با استفاده از سناریوهای انتشار IPCC و محدوده حساسیت جهانی هوا، همراه با مدل های پارامتری گذرا (گذرزمان) سیستم جهانی جو اقیانوسی ، میتوانند قابل سنجش باشند.با توجه به تفاوت بین GCM ها در مقیاس منطقه ای، وبا توجه به نتایج شبیه سازی های اخیر و GCM بهبود یافته، پیشرفت قابل توجهی صورت گرفته است.
ما به این نتیجه رسیدیم که نتایج حاصل از GCM های مختلف باید فقط برای سناریوهای تغییرات آب و هوایی مورد توجه قرار گیرد، اگر بتوان آنها را برای شبیه سازی شرایط آب و هوایی فعلی به خوبی پذیرفت. در حالی که “پذیرش” تا حدودی ذهنی است، آزمون های آماری عینی می تواند در زمینه های شبیه سازی شده مختلف در مقایسه با زمینه های مشاهده شده،به کار رود. در سال 1991، ما این کار را برای هفت شبیه سازی مختلف GCM از آب و هوای کنونی استرالیا انجام دادیم و مجبور شدیم پنج مورد را به خاطر عدم رضایت رد کنیم، تنها و دو تا را، با رزرو، برای توسعه سناریو پذیرفتیم[2].با این حال، در سال 1993، یک تست مشابه از پنج شبیه سازی جدید GCM انجام شد که نشان داد که پنج تای جدید بهترین شان از بهترینهای هفت سال پیش،بهتر بود [3].
اخیرا، ما آزمونهای آماری را بر روی بررسی توافق میان این پنج “GCM” “قابل قبول” ، در پیش بینی های خود جهت تغییر بارش در آب و هوای کنونی (1 × CO2) و بهبود آب و هوای گلخانه ای (2 X دوبعدی) را ترجیح داده ایم.هر پنج GCM، مانند دیگران، با افزایش متوسط بارش در سطح جهانی موافق هستند و به طور عمده در عرض های بالا (مقادیر 60N یا S) افزایش می یابند.
در آزمون های آماری ما هر دوی این عوامل را حذف کرده ایم ومیزان آزادی را برای توجه به ارتباطات فضایی در تغییرات آب و هوایی در نقاط شبکه مجاور کاهش داده ایم.ما توزیع فراوانی تعداد نقاط نقاط بین 60 تا 60 را به دست آوردیم تا مشخص کنیم که چند مدل انتظار می رود که با افزایش (یا کاهش) موافق باشند اگر مدل های مقیاس منطقه ای کاربردی نباشند. سپس این مقایسه را با توزیع فرکانس توافق سطحی از پنج شبیه سازی مقایسه کردیم.
ما دریافتیم که نقاط بیشتری وجود دارد که در آن تمام پنج GCM در مسیر تغییر بارشی که شانسی مورد انتظار است توافق کرده اند.بر طبق تست های ما، تفاوت بین تعداد واقعی توافق نامه ها و حالات شانسی،از ۹۹ درصد سطح احتمالی به طور مشخص بهتر بوده است که نشان می دهد الگوهای افزایش و کاهش منطقه ای در بارش که توسط GCM ها شبیه سازی شده، تصادفی نیستند.
این نتیجه به ما اطمینان می دهد که در الگوهای تغییرات اقلیمی منطقه حداقل در مقیاس فضایی GCM موجود، مفهومی وجود دارد که نقاط شبکه چند صد کیلومترمجزا فاصله دارند (اگر چه توافق بین مدل ها تضمین نمی کند که مدل ها درست باشند). در نتیجه، ما در استفاده از طیف وسیعی از نتایج به طور خاص
نقاط شبکه، بین پنج GCM مختلف، برای برآورد طیف وسیعی از تغییرات اقلیمی منطقه ای در هر درجه گرم شدن کره زمین اعتقاد داریم.این برآوردها می تواند به هر سناریوی تغییرات آب و هوایی منطقه ای برای هر زمان در آینده با استفاده از پیش بینی های گرمایی جهانی موقت، تبدیل شوند.

بخشی از مقاله انگلیسی:

1. INTRODUCTION

There has been a marked increase in the concentrations of infrared-absorbing gases in the atmosphere since the beginning of the industrial revolution. Their expected warming effect on the surface climate has led to a widespread demand for “predictions” of possible future climate change for use in impact and policy studies.

However, various sources of uncertainty prohibit the issuing of confident predictions. Rather, “scenarios” of possible climate change are being developed for use in sensitivity studies, and as an aid to decision making regarding policies to limit greenhouse gas emissions, the adoption of adaptive strategies, and forward planning. In so far as the uncertainties regarding future climate are related to uncertain future rates of anthropogenic emissions of greenhouse gases, these uncertainties demonstrate that human decision-making may influence future climate change.

2. SOURCES OF UNCERTAINTY

Major sources of uncertainty about future climates arise from: 6)

(ii) (iii) (iv) uncertainties about future greenhouse gas emissions and concentrations;

limitations on the physical representations of processes in global climate models (GCMs), which lead to uncertainty regarding the global temperature sensitivity to increasing greenhouse gas concentrations;

differences between models as to the spatial patterns of local climate change for a given global warming;

and other less quantifiable uncertainties, such as the effect of changes in the ocean circulations (including El Niiio), natural climate variability, and changes due to other pollutants such es sulfate particles. 

Emissions of carbon dioxide, the most important anthropogenic greenhouse gas, are uncertain at 2100AD by a factor of about seven, according to the Intergovernmental Panel on Climate Change, known as IPCC [l]. The global climate sensitivity is usually expressed as the global average surface warming, at equilibrium, due to an effective doubling of CO2 concentration, and lies in the range 1.5 to 4.5”C. IPCC, in its 1992 supplementary report [l], repeats the view that at present GCMs do not give good agreement on the regional details of climate change, even for the same global average warmings.

3. PROGRESS TOWARDS CREDIBLE SCENARIOS

The first two sources of uncertainty above are now readily quantifiable using IPCC emission scenarios and ranges of global climate sensitivity, together with highly parameterised transient (time transgressive) models of the global ocean-atmosphere system. Regarding differences between GCMs at the regional scale, considerable progress has now been made by focusing on results from the more recent and improved GCM simulations.

We have taken the view that results from different GCMs should only be considered for climate change scenarios if they can be shown to perform acceptably well in simulating the present climate. While “acceptance” is somewhat subjective, objective statistical tests can be applied to various simulated fields in comparing them with observed fields. In 1991, we did this for seven different GCM simulations of the present Australian climate, and were forced to reject five as completely unsatisfactory, accepting only two, with reservations, for scenario development [2]. However, in 1993, a similar test of five newer GCM simulations found that the worst of the newer five was better than the best of the earlier seven [3].

More recently, we have carried out statistical tests on the measure of agreement between these five more “acceptable” GCMs, in their predictions of the direction of change in precipitation between the present climate (1 x CO2) and an enhanced greenhouse climate (the 2 x CO2 simulations). All five GCMs, like others, agree on a global average increase in precipitation, and on increases preferentially at high latitudes (polewards of 60N or S).

In our statistical tests, we have eliminated both these factors, and reduced the degrees of freedom to take account of spatial correlations in the climate changes at neighbouring gridpoints. We derived a frequency distribution of numbers of gridpoints, between 60 S and 60 N, to determine how many models would be expected to agree on an increase (or on a decrease) if there were no skill in the models at the regional scale.

We then compared this with the frequency distribution of levels of agreement from the five simulations. We found that there were many more gridpoints at which all five GCMs agreed on the direction of precipitation change than would be expected by chance. According to our tests, the differences between actual numbers of agreements and those expected by chance were generally significant at better than the 99% probability level, showing that the patterns of regional increases and decreases in precipitation simulated by the GCMs are not random.

This result gives us some confidence that there is meaning in the regional climate change patterns, at least at the coarse spatial scale of the existing GCMs, which have gridpoints several hundred kilometers apart (although agreement between models does not guarantee that the models are correct).

Consequently, we have felt justified in using the range of results at particular gridpoints, between the five different GCMs, to estimate a range of possible regional climate changes per degree of global warming. These estimates can be converted to regional climate change scenarios for any time in the future using transient global warming projections.