در طول دهههای اخیر، سیلاب به دلیل توسعه شهری و تغییر اقلیم به مسئله جدی تبدیل شده است. به همین سبب علاقه بینالمللی در پیش بینی سیل در چند دهه گذشته افزایش یافته است. از طرفی با توجه به اینکه مهمترین عامل سیلاب، بارش است از اینرو پیشبینی دقیق آن در کاربردهای هیدرولوژیکی حائز اهمیت است. این تحقیق به ارزیابی دادههای بارش پیشبینی شده مدلهای عددی جهانی پایگاه TIGGE۱و بهبود آنها با استفاده از تصحیح اریبی در حوضه کارون پرداخته است. ارزیابیها در بخش هواشناسی به صورت نقطهای و منطقهای و ارزیابی خطا جابجایی، حجم و الگوی مکانی بارش مدلها با استفاده از روش شیگرا CRA۲ انجام گرفته است. سپس با استفاده از روش نگاشت چندک به بهبود بارشهای پیشبینی شده پرداخته شده است. در ارزیابی دادههای اولیه مدلهای جهانی پایگاه TIGGE، مدل عددی ECMWF۳در ارزیابی نقطهای و منطقهای با توجه به شاخصها نسبت به دیگر مدلها برتری داشته است و مدل CMC۴عملکرد ضعیفی نسبت به دیگر مدلها داشته است. ارزیابی دادههای تصحیح اریبی شده توسط روش نگاشت چندک، نیز نشان از بهبود شاخصهای ارزیابی نسبت به قبل از استفاده این روش دارد. همچنین در ارزیابی خطا جابجایی، حجم و الگو مکانی مدلهای عددی جهانی مدلهای ECMWF، NCEP۵و CMC به ترتیب عملکرد مناسبتری نسبت به مدل UK ۶ نشان داده اند.
The flood has become a serious issue Over the past decades, due to urban development and climate change and therefore, international interest in flood forecast has increased subsequently. On the other hand, due to the fact that the main cause of the flood is precipitation, its precise prediction in hydrological applications is important. This study evaluates the predicted rainfall data of the global numerical models of the TIGGE database and their improvement using bias correction in the Karun Basin. Meteorological assessments were carried out in point and regional scale and the estimation of displacement error, volume and spatial pattern of precipitation of the models were performed using the CRA Object Oriented Method. At the next step, the predicted precipitation was improved using quantile mapping method. In assessing the initial data of the TIGGE database of global models, the ECMWF numerical model has dominated in the point and region evaluation with respect to the indices compared to other models, and the CMC model has a poor performance compared to other models. The evaluation of biased correction data by quantile mapping method also indicates an improvement in evaluation of the indices compared to the results before applying this method. Furthermore, in estimating the displacement error, the volume and spatial pattern of the global numerical models, the ECMWF, NCEP, and CMC models have shown to perform better than the UK model, respectively