Journal of Rainwater Catchment Systems

fa تصحیح اریبی خروجی مدل‌های عددی پیش‌بینی بارش پایگاه داده TIGGE Bias Correction of Numerical Precipitation Forecasting Model Outputs from the TIGGE Database تخصصي Special پژوهشي Research پیش‌بینی بارش به دلیل استفاده در مطالعات سیلاب و منابع آب از اهمیت بسیار بالایی برخوردار است. مدل‌های عددی پیش‌بینی وضع هوا در سال‌های اخیر توسعه زیادی یافته است. امروزه مراکز هواشناسی مطرح دنیا از این مدل‌ها در پیش‌بینی‌های هواشناسی استفاده نموده‌اند، در پایگاه داده TIGGE نیز از این مراکز در پیش‌بینی‌های هواشناسی استفاده گردیده است. پژوهش حاضر باهدف بررسی اثر 7 روش‌ تصحیح اریبی بر مدل‌های پیش‌بینی بارش موجود در پایگاه داده TIGGE، جهت پیش‌بینی بارش در حوضه پلدختر به انجام رسیده است. از داده‌های پیش‌بینی بارش در مقیاس روزانه (2016-2020) در این پژوهش استفاده گردید. همچنین عملکرد 10 مدل پیش‌بینی بارش در پایگاه داده TIGGE بررسی گردید. از داده مشاهده‌ای 7 ایستگاه باران‌سنجی جهت صحت سنجی پیش‌بینی‌ها استفاده گردید. نتایج به‌دست‌آمده نشان داد که اکثر مدل‌های پیش‌بینی در ارتفاع کم، کمترین RMSE و در ارتفاعات بالا، بیشترین مقدار این شاخص را داشت. از میان 10 مدل‌ موردبررسی پایگاه TIGGE، مدل ECMWF دارای کمترین RMSE در حدود 5 میلی‌متر در روز در حوضه پلدختر بود. برخلاف آن داده‌های بارش پیش‌بینی‌شده توسط مرکز NCMRWF بالاترین RMSE در حدود 8/8 میلی‌متر در روز داشتند. همچنین ارزیابی بارش تصحیح‌شده نشان داد که فاکتورهای EZ، STB و QM در برخی از ایستگاه‌ها در مدل‌های موردبررسی برتری داشتند. درحالی‌که تأثیر منطقه جغرافیایی در روش Delta وجود نداشت و در تمام مدل‌های موردبررسی برتری داشت. فاکتورهای LS و EQM نتوانستند پیش‌بینی بارش مدل‌های عددی را تصحیح نمایند و تغییری در پیش‌بینی‌ها ایجاد نمایند. تصحیحات فاکتور TVSV نیز با بارش مشاهده‌ای اختلاف زیادی داشت، این فاکتور فقط در تصحیح روزهای بدون بارش عملکرد مناسبی داشته باشد. با توجه به تحقیق حاضر، پس‌پردازش بارش پیش‌بینی‌شده مدل‌های عددی، کارایی مدل‌های پیش‌بینی بارش را در سامانه هشدار سیل افزایش می‌دهد. The prediction of precipitation is of great importance in flood and water resource studies. In recent years, numerical models for weather prediction have been widely developed and are now utilized by famous meteorological centers in their weather forecasts. The TIGGE database has also leveraged these models for its weather forecasts. This study aimed to investigate the effect of seven bias correction methods on precipitation prediction models available in the TIGGE database for the Poldokhtar watershed. Additionally, the performance of ten precipitation prediction models in the TIGGE database was evaluated. The results showed that most prediction models had the lowest root mean square error (RMSE) at low altitudes and the highest value at high altitudes. Among the ten models examined in the TIGGE database, the ECMWF model had the lowest RMSE of about 5 millimeters per day in the Poldokhtar watershed. In contrast, precipitation data predicted by the NCMRWF center had the highest RMSE of about 8.8 millimeters per day. Moreover, the evaluation of corrected precipitation showed that the EZ, STB, and QM factors showed superiority at some of the stations in the examined models. On the other hand, the Delta method did not have a geographical region effect and was effective in all examined models. The LS and EQM factors could not correct the numerical models' precipitation prediction and did not affect the predictions. The corrections of the TVSV factor also showed significant differences in observed precipitation. Based on this study, post-processing of predicted precipitation in numerical models increases the efficiency of precipitation prediction models in flood warning systems.   پس پردازش، تصحیح اریبی نگاشت چندک، فاکتور تصحیح اریبی Delta، مدل‌های عددی هواشناسی. Error correction, Numerical weather prediction model, Post-processing, Delta bias correction factor, QM bias correction factor 0 0 http://jircsa.ir/browse.php?a_code=A-10-2429-1&slc_lang=fa&sid=1 Soudabeh Behiyan Motlagh سودابه بهیان مطلق sodabehbehyan@gmail.com 10031947532846006300 10031947532846006300 Yes Shahrekord University دانشگاه شهرکرد Afshin Honarbakhsh افشین هنربخش afshin.honarbakhsh@gmail.com 10031947532846006301 10031947532846006301 No Shahrekord University دانشگاه شهرکرد