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 <table align="right" class="Table" dir="rtl" style="width:100.0%; border-collapse:collapse; border:none" width="100%"> <tbody> <tr> <td style="border-bottom:1px dashed #4bacc6; width:69%; padding:0in 7px 0in 7px; height:19px; border-top:1px dashed #4bacc6; border-right:1px dashed #4bacc6; border-left:1px dashed #4bacc6" valign="top">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 شده است. پژوهش حاضر باهدف بررسی اثر هفت 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 (2020-2016) در این پژوهش استفاده شد. هم‌چنین عملکرد 10 مدل پیش‌بینی بارش در پایگاه داده TIGGE بررسی شد. از داده مشاهده‌ای هفت ایستگاه باران‌سنجی جهت صحت سنجی پیش‌بینی‌ها استفاده شد. 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 مورد بررسی پایگاه TIGGE، مدل ECMWF  دارای کم‌ترین RMSE در حدود پنج میلی‌متر در روز در حوضه پلدختر بود. برخلاف آن داده‌های بارش پیش‌بینی ‌شده توسط مرکز NCMRWF بالاترین RMSE در حدود 8/8 میلی‌متر در روز داشتند. هم‌چنین ارزیابی بارش تصحیح‌ شده نشان داد که روش‌های EZ، STB و QM در برخی از ایستگاه‌ها در مدل‌های مورد بررسی برتری داشتند. درحالی‌که تأثیر منطقه جغرافیایی در روش Delta وجود نداشت و در تمام مدل‌های مورد بررسی برتری داشت. روش‌های LS و EQM نتوانستند پیش‌بینی بارش مدل‌های عددی را تصحیح نمایند و تغییری در پیش‌بینی‌ها ایجاد نمایند. تصحیحات روش TVSV  نیز با بارش مشاهده‌ای اختلاف زیادی داشت، این روش فقط در تصحیح روزهای بدون بارش عملکرد مناسبی داشته باشد. با توجه به تحقیق حاضر، پس‌ پردازش بارش پیش‌بینی‌ شده مدل‌های عددی، کارایی مدل‌های پیش‌بینی بارش را در سامانه هشدار سیل افزایش می‌دهد.</td> </tr> </tbody> </table> Accurate precipitation forecasting is essential for flood forecasting and water resources management. In recent years, numerical weather prediction (NWP) models have been extensively developed and are widely used by major meteorological centers for operational weather forecasting. The TIGGE database integrates forecasts from these models, providing a valuable resource for evaluating precipitation prediction performance. This study investigated the effectiveness of seven bias-correction methods applied to precipitation forecasts generated by ten NWP models available in the TIGGE database for the Poldokhtar watershed. The results showed that most forecasting models exhibited the lowest root mean square error (RMSE) at low elevations and the highest RMSE at high elevations. Among the ten models evaluated, the ECMWF model achieved the lowest RMSE (approximately 5 mm day⁻¹), whereas the NCMRWF model produced the highest RMSE (approximately 8.8 mm day⁻¹). Evaluation of the bias-corrected precipitation forecasts indicated that the EZ, STB, and QM methods outperformed the other correction methods at several stations across the study area. In contrast, the Delta method consistently improved forecast performance across all evaluated models, regardless of geographical location. The LS and EQM methods showed little to no improvement in precipitation forecasts, while the TVSV method produced corrected precipitation values that differed considerably from the observed precipitation. Overall, the results demonstrate that post-processing of precipitation forecasts can substantially improve the performance of numerical weather prediction models, thereby enhancing their applicability for flood forecasting and early warning systems. پس‌پردازش, تصحیح اریبی نگاشت چندک, روش 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 10031947532846006466 10031947532846006466 Yes Department of Natural Engineering, Faculty of Natural Resources and Earth Sciences, Shahrekord University, Shahrekord علوم و مهندسی آبخیزداری، گروه مهندسی طبیعت، دانشکده منابع‌طبیعی و علوم زمین، دانشگاه شهرکرد، شهرکرد، ایران Afshin Honarbakhsh افشین هنربخش afshin.honarbakhsh@gmail.com 10031947532846006467 10031947532846006467 No Department of Natural Engineering, Faculty of Natural Resources and Earth Sciences, Shahrekord University, Shahrekord, Iran گروه مهندسی طبیعت، دانشکده منابع‌طبیعی و علوم زمین، دانشگاه شهرکرد، شهرکرد، ایران