Geographical Space

fa تأثیر گرمایش جهانی بر اقلیم گردشگری ایران The Impacts of Global Warming on Tourism Climate in Iran تخصصي Special پژوهشي Research مقدمه آثار تغییر اقلیم بر گردشگری موضوع بسیاری از تحقیقات اخیر را به خود اختصاص داده است. به گونهای که محققان بر آنند که به بررسی رابطۀ متقابل گردشگری و تغییر آب و هوا پرداخته و اتخاذ استراتژیهای پاسخ به تغییر اقلیم از طرف ذینفعان گردشگری را بیشتر مورد تفحص قرار دهند. با هدف ارزیابی تغییرات آسایش حرارتی و اقلیم گردشگری ایران، دادههای روزانۀ بیشینه و کمینۀ دما، سرعت باد و رطوبت نسبی91 ایستگاه سینوپتیک طی دورۀ 30 ساله (2017-1987) از سازمان هواشناسی کشور دریافت شد. پس از اعتبارسنجی مدل مقیاس کاهی آماری تبدیل تابع توزیع تجمعی<a href="#_ftn1" name="_ftnref1" title="">[1]</a>، با دادههای روزانۀ پایگاه ERA5<a href="#_ftn2" name="_ftnref2" title="">[2]</a> ؛ از برونداد شبیهسازی شدۀ روزانۀ مدلهای GFDL_ESM2G  و CanESM2 تحت سناریوهای 6/2 و 5/4 و 5/8 استفاده و آسایش حرارتی توسط شاخص PET<a href="#_ftn3" name="_ftnref3" title="">[3]</a> در افقهای (2040_ 2021) و (2060_ 2041) محاسبه و در مقیاس زمانی ده روزه طبقهبندی شد. چشمانداز آتی حاکی از افزایش 83/0 درصدی ایستگاههای با مطلوبیت آسایشی نسبت به دورۀ مشاهداتی است. بیشترین درصد ایستگاهها با آستانۀ مطلوبیت آسایشی در دهههای 24 و 25ام و کمترین آنها در دهههای یکم تا پنجم و 34 تا 36 ام سال بوده و در شمالشرق ایران بیشترین کاهش PET و در شمالغرب بیشترین افزایش پیشنگری میشود. نتایج تحقیق بیانگر افزایش PET (حداقل 06/0 و حداکثر 56/1 درصدی) ایستگاههای کشور است و این نتایج بیشتر تحت تاثیر افزایش دمای میانگین در دورههای آتی قرار دارد. مواد و روشها از متغیرهای روزانه حداکثر و حداقل دما، سرعت باد و رطوبت نسبی ایستگاههای سینوپتیک و پایگاه داده ERA5 در یک دورۀ 30 ساله (1987-2017) و دادههای GCMs برای شبیه سازی PET از سال 2021 تا 2060 استفاده شد. مدل ریزمقیاسنمایی CDFt با استفاده از ضریب همبستگی پیرسون و آزمونهای کولموگروف-اسمیرنوف و RMSE  اعتبارسنجی شد. در اغلب سریهای زمانی آب و هوایی تغییرات ناگهانی وجود دارد که تشخیص آنها و نیز بررسی همگنی دادههای ایستگاهی با استفاده از بسته نرم افزاری RhtestV4 که بر اساس آزمونهای  T و <a href="#_ftn4" name="_ftnref4" title="">[4]</a>F ، ارزیابی میشود، انجام شد و بازسازی داده های مفقوده با استفاده از روش نزدیکترین همسایه متوالی<a href="#_ftn5" name="_ftnref5" title="">[5]</a> k  انجام شد. سپس فرآیند تحقیق به شرح زیر ادامه یافت: الف) متغیرهای حداکثر و حداقل دما، رطوبت نسبی و سرعت باد با روش مقیاس کاهی آماری CDFt شبیهسازی شد. CDFt را میتوان با ارائه توابع توزیع تجمعی (CDFs) به عنوان رویکردی در روش نگاشت چندکی<a href="#_ftn6" name="_ftnref6" title="">[6]</a> در نظر گرفت. با فرض اینکه دادههای ERA5 به عنوان نمایندۀ توزیع تجمعی متغیرهای آب و هوای محلی به عنوان پیشنگری کنندهها عمل کنند و به متغیرهای مذکور در ایستگاههای مورد نظر تبدیل شوند. در این مطالعه از بستۀ نرمافزاری CDFt ، در محیط R استفاده شده است. اعتباردادههای شبیهسازی شده با استفاده از ضریب همبستگی پیرسون<a href="#_ftn7" name="_ftnref7" title="">[7]</a> ، آزمون کولموگروف-اسمیرنوف<a href="#_ftn8" name="_ftnref8" title="">[8]</a> و خطای جزر میانگین مربعات<a href="#_ftn9" name="_ftnref9" title="">[9]</a> انجام شد. ب) با استفاده از دادههای ایستگاهی و دادههای مقیاس کاهی شدۀ مدلهای گردش کلی ( CanESM2و  GFDL_ESM2G) آسایش حرارتی بر اساس شاخص PET ، توسط مدل RayMan محاسبه شد. این مدل قادر به محاسبه تأثیر شار تابش موج کوتاه و بلند بر بدن انسان است که در مدل تعادل انرژی انسان مورد نیاز است. نتایج و بحث پس از اطمینان از اینکه مدل CDFt، عملکرد خوبی در مقیاس کاهی متغیرهای آب و هوایی به کار رفته در محاسبه آسایش حرارتی در منطقه مورد مطالعه نشان داد، این نتیجه حاصل شد که با استفاده از این مدل میتوان آسایش حرارتی آینده منطقه را تحت شرایط تغییراقلیم پیشنگری کرد. سپس دوره تاریخی مدلهای CanESM2 و GFDL_ESM2G برای نشان دادن مقایسه بین PET مشاهداتی و شبیهسازی شده، استفاده شد. نتایج صحت سنجی آسایش حرارتی به دست آمده بر اساس مقادیر شبیهسازی شدۀ دوره تاریخی در مقایسه با مقادیر مشاهداتی به شرح زیر است: بین سریهای زمانی PET مشاهداتی و PET دوره تاریخی مدلهای GCM همبستگی بالا و رابطه خطی و مثبت وجود دارد. با توجه به نتایج آزمون کولموگروف اسمیرنوف ، مقادیر شبیهسازی شده تمام سری های زمانی PET تناسب توزیع آماری خوبی با آسایش حرارتی حاصل از دادههای ایستگاهی در سطح معنی داری 01/0 نشان داد. مقدار محاسبه شده آزمون RMSE برای PET نشان دهنده عملکرد بالای روش مقیاس کاهی مذکور در شبیهسازی دورههای تاریخی مدلهای GCM است. نتایج نشان داد که مدل CanESM2 با اختلاف جزئی، عملکرد بهتری نسبت به مدل GFDL_ESM2G دارد. تغییرات فزاینده دمای معادل فیزیولوژیکی در عرضهای جغرافیایی بالاتر و در نقاط مرتفع مانند البرز و زاگرس رخ داده است. همچنین تغییرات کاهش PET در عرضهای جغرافیایی کم و بخشهای مرکزی ایران مشاهده می شود. بنابراین ، انتظار می رود که مناطق بیشتری از ایران در آینده در آستانه مطلوب آسایش حرارتی قرار بگیرند. یافتهها نشان داد که در قالب دهههای سال بیشترین مطلوبیت آسایشی کشور در دهههای 24 و 25 ام است و صرفنظر از نوع مدل به سمت Rcp4.5 و Rcp8.5 و دوره 2041 تا 2060 ، افزایش دمای معادل فیزیولوژیکی ادامه مییابد. همچنین طول دهههای آسایشی نیز در دورههای آتی رو به افزایش است. نتیجه گیری این مطالعه به منظور ایجاد زیرساختهای مناسب برای گردشگری در دورههای آینده از سال 2021 تا 2060 انجام شده است. برای این منظور، اقلیم آسایشی ایران با دادههای GCMs پیشنگری شده است. در حال حاضر، بیشتر مناطق ایران در محدوده تنش خفیف تا شدید سرما هستند. پیشنگری میشود که بخشهای وسیعتری از منطقۀ مورد مطالعه در آینده از شرایط مطلوب آسایشی برخوردار باشند. همچنین، تعداد دهههای آسایشی مطلوب در مقایسه با دورۀ مشاهداتی افزایش مییابد. نتایج مطالعۀ آسایش حرارتی نشان داد که شرایط تنش سرد ملایم تا شدید در بیش از نیمی از این کشور در دهههای مختلف سال پیشنگری میشود. بنابراین در آینده فرصتها و محدودیتهایی ایجاد میکند که مستلزم برنامهریزی و استراتژیهای طولانی مدت در این زمینه است. <div>  <hr align="right" size="1" width="33%" > <div id="ftn1"><a href="#_ftnref1" name="_ftn1" title="">[1]</a> . Cumulative Distribution Functions- transform (CDFt)</div> <div id="ftn2"><a href="#_ftnref2" name="_ftn2" title="">[2]</a>. The European Centre for Medium-Range Weather Forecasts ERA-5 Reanalysis</div> <div id="ftn3"><a href="#_ftnref3" name="_ftn3" title="">[3]</a> . Physiological Equivalent Temperature (PET)</div> <div id="ftn4"><a href="#_ftnref4" name="_ftn4" title="">[4]</a> . maximal penalized T and F <a name="_Hlk79168923">(MPF, MPT)</a> tests</div> <div id="ftn5"><a href="#_ftnref5" name="_ftn5" title="">[5]</a> . K-Nearest Neighbor</div> <div id="ftn6"><a href="#_ftnref6" name="_ftn6" title="">[6]</a> . Quintile Mapping (QM)</div> <div id="ftn7"><a href="#_ftnref7" name="_ftn7" title="">[7]</a>. Pearson correlation coefficient</div> <div id="ftn8"><a href="#_ftnref8" name="_ftn8" title="">[8]</a> . Kolmogorov-Smirnov test</div> <div id="ftn9"><a href="#_ftnref9" name="_ftn9" title="">[9]</a> .RMSE</div> </div> <div><div style="text-align: justify;"></div></div> Introduction The impact of climate change on tourism has been the subject of many research studies. It is for this reason that tourism researchers have continued to explore the relationship between tourism and climate change and further explored response strategies among tourism stakeholders. <a name="_Hlk79166997">The aim of this research is the evaluation of climate change and its impacts on thermal comfort and tourism climate of Iran. For this purpose daily maximum and minimum temperature, wind speed and relative humidity data of 91 synoptic stations during a period of 30 years (1987-2017) were used. In this research </a>the (CDFt)<a href="#_ftn1" name="_ftnref1" title="">[1]</a> model is used to downscaling the GCMs data. ERA5 data was used to evaluate the performance of the downscaling model. The CanESM2 and GFDL_ESM2G daily data were used to draw future landscape changes of thermal comfort (based on the 2.6, 4.5, 8.5 RCPs). Then the thermal comfort for tourists was calculated using PET<a href="#_ftn2" name="_ftnref2" title="">[2]</a>. The thermal comfort results compared between the present and future. Thermal comfort of Iran was predicted for 2 periods (2021-2040) & (2041-2060). The results are displayed in ten-day classes. The number of stations that have optimal thermal comfort conditions in observation period indicates 0.83% increase compared to the futures perspective. The best conditions of climate comfort is predicted in the 24s and 25s decades and the most undesirable conditions are in the first to fifth and 34 to 36 decades. The most PET decrease is predicted in the northeast of Iran and the least increase of PET are occurred in the northwest. The results indicate an increasing on PET (between 0.06 to 1.56%) at future due to the increase in average temperature. Materials and methods The daily variables of maximum and minimum temperature, wind speed and relative humidity of Synoptic stations as well as the ERA5 database in a 30-year period (1987-2017) and GCMs data were used to simulate the PET from 2021 to 2060. The CDFt model was validated using the Pearson correlation coefficient and the Kolmogorov-Smirnov tests along with a climatic RMSE. There are often abrupt changes in the climate time series. The homogeneity of observed data evaluated using the RhtestV4 software package based on the <a name="_Hlk79169001">maximal penalized T and F </a><a name="_Hlk79168923">(MPF, MPT)</a> tests.  Data imputation was performed using Sequential K-Nearest Neighbor Method. Then, the research process was done as follows: <ol style="list-style-type:upper-alpha;"> <li>The variables of maximum and minimum temperature, relative humidity and wind speed was simulated by CDFt statistical downscaling. The CDFt can be considered as an approach to the Quintile Mapping (QM) method by providing cumulative distribution functions (CDFs). Assuming that the ERA5 data are converted to the cumulative distribution function of the local climate variable as predictand at the desired station. In this study the CDFt software package has been used in R software. Validation of the simulated data was performed by Pearson correlation coefficient, Kolmogorov-Smirnov test and tidal error of the mean square squares.</li> <li>The RayMan model was used to calculate the thermal comfort based on PET index using both the observed and the GCMs downscaled data (CanESM2 & GFDL_ESM2G). This model is able to calculate the effect of short and long wave radiation flux on the human body, which is required in the human energy balance model.</li> </ol> Results and Discussion After making sure that the CDFt, in general, showed a good performance in downscaling of the variable applied to calculation of climate comfort in the study area. Therefore, it is reliable to project the future thermal comfort of the region under the climate change conditions.Then  the historical period of CanESM2 & GFDL_ESM2G Models were used to show a comparison between PET observations and PET simulations. The results of the thermal comfort verification calculated based on the historical period simulated values in comparison to the observed values are as follows: There is a high correlation between the time series of the PET observed and PET simulated the historical period of GCM Models. However, a linear and positive relationship was observed for all-time series. According to the Kolmogorov-Smirnov test, the simulated values of all PET time series showed good fit with the observed data at the 0.01 significance level. The calculated value of RMSE test for PET indicates the high performance of the downscaling method in simulation of historical period of GCM Models. The results showed that the CanESM2 model with minor differences performed better than the GFDL_ESM2G model. Incremental changes of physiological equivalent temperature have occurred in higher latitudes and in the high places like Alborz and Zagros. Also the PET decreasing changes are in low latitudes and central parts of Iran. Therefore, it is expected that more area of Iran will be at the desired threshold of thermal comfort at the future. The results showed that in the rest of the year, the largest utilitys are in the 24 and 25 th decades. Regardless of the model type towards the Rcp4.5 and Rcp8.5 and the 2041 to 2060 period increasing the values of the Physiological Equivalent Temperature will proceed. Also, the length of comfort decades is increasing in future periods. Conclusion This study was performed in order to provide infrastructure for tourism in future periods from 2021 to 2060. For this purpose, the climate comfort of Iran was predicted by GCMs data. Currently, most parts of the Iran are in the range of mild to severe cold stress. It is predicted that wider parts of study area will have optimal comfort conditions in future. Also, the number of optimal comfort decades is increasing compared to the observation period. The results of the climate comfort study showed that mild to severe cold stress conditions are predicted in More than half of this country at different decades of the year. So it will create opportunities and constraints in the future which requires long-term planning and strategies in this area. <div>  <hr align="left" size="1" width="33%" > <div id="ftn1"><a href="#_ftnref1" name="_ftn1" title="">[1]</a> . Cumulative Distribution Function- transform</div> <div id="ftn2"><a href="#_ftnref2" name="_ftn2" title="">[2]</a> . Physiological Equivalent Temperature</div> </div> اقلیم گردشگری,گرمایش جهانی, شاخص PET , مدل CDFt, GCMs, ایران Tourism Climate, Global warming, PET, CDFt, GCMs, Iran. 85 108 http://geographical-space.iau-ahar.ac.ir/browse.php?a_code=A-10-3664-1&slc_lang=fa&sid=1 katayoon mazloom کتایون مظلوم katayoon.mazloom@yahoo.com 100319475328460022942 100319475328460022942 No Razi University دانشگاه رازی Hasan Zolfaghari حسن ذوالفقاری h.zolfaghari@razi.ac.ir 100319475328460022943 100319475328460022943 Yes Razi University دانشگاه رازی Ruhollah Oji روح اله اوجی Oji_r@yahoo.com 100319475328460022944 100319475328460022944 No Guilan University دانشگاه گیلان Andreas Matzarakis آندریاس ماتزاراکیس andreas.matzarakis@dwd.de 100319475328460022945 100319475328460022945 No University of Freiburg دانشگاه فرایبورگ