@article { author = {Aminyavari, Saleh and Saghafian, Bahram and Delavar, Majid}, title = {Post-processing Numerical Precipitation Forecasting Models Output of TIGGE Database using Bayesian Model Averaging (BMA)}, journal = {Iran-Water Resources Research}, volume = {14}, number = {4}, pages = {239-252}, year = {2018}, publisher = {Iranian Water Resources Association}, issn = {1735-2347}, eissn = {2476-7360}, doi = {}, abstract = {Precipitation is one of the most important meteorological phenomena and the main parameter for streamflow forecasting. Therefore, determining the amount of precipitation in the future will help to manage water resources and predict the flood. In this regard, some of the most important meteorological centers in the world provided users with Quantitative Precipitation Forecasts (QPFs) on a global scale. The availability of global ensemble forecasting models in the TIGGE database creates new opportunities for flood forecasting. In this research, the effect of post-processing on the most important global numerical ensemble forecasting models such as UKMO, ECMWF, NCEP and CMA in the TIGGE database during the years 2007 to 2014 for the Bashar river Basin investigated. Evaluations were conducted in probabilistic and nonprobabilistic approach. Initially, the four NWP models with quantile mapping methods were bias corrected. Then, by using Bayesian model averaging (BMA), the post-processing was carried out. The results of probabilistic evaluation after post-processing showed that the skill of forecasting models for the Bashar basin increased and uniform distributions were achieved in verification rank histograms. Also, the results of the probabilistic evaluation with the BSS for the combined mode of four QPF Models with BMA method at most stations were close to 0.5 and in the simple combination was close to zero, indicating that Grand ensemble has a higher skill than single models.}, keywords = {QPF,Ensemble forecasting,Post-processing,BMA}, title_fa = {پس پردازش خروجی مدل های پیش بینی عددی بارش پایگاه داده TIGGE با مدل میانگین گیری بیزین (BMA)}, abstract_fa = {بارش یکی از مهم‌ترین پدیده‌های هواشناسی و محرک اصلی در پیش‌بینی جریان رودخانه است. از اینرو تشخیص مقدار بارش در آینده کمک شایانی به مدیریت منابع آب و پیش‌بینی سیلاب می‌کند. در همین راستا برخی از مهم‌ترین مراکز هواشناسی دنیا پیش‌بینی‌های عددی بارش را در مقیاس جهانی در اختیار کاربران قرار دادند. در دسترس بودن مدل‌های پیش‌بینی گروهی جهانی در پایگاه داده TIGGE فرصت‌های جدیدی را برای پیش‌بینی سیلاب ایجاد می‌کند. در این تحقیق تاثیر پس‌پردازش بر مهم‌ترین مدل‌های پیش‌بینی گروهی عددی جهانی از قبیل UKMO، ECMWF، NCEP و CMA در پایگاه داده TIGGE در طول سال‌های 2007 تا 2014 برای حوضه رودخانه بشار بررسی شد. ارزیابی‌ها در دوبخش احتمالاتی و غیراحتمالاتی انجام گردید. در ابتدا پیش‌بینی عددی گروهی بارش چهار مدل با روش نگاشت چندک تصحیح اریبی شدند. سپس با کمک مدل‌میانگین‌گیری بیزین عمل پس‌پردازش انجام شد. نتایج ارزیابی احتمالاتی بعد از پس‌پردازش نشان داد که مهارت مدل‌های پیش‌بینی برای حوضه بشار افزایش یافت و هیستوگرام VR بدست آمده از هر مدل، توزیع یکنواختی داشت. هم‌چنین نتایج ارزیابی احتمالاتی با معیار BSS برای حالت ترکیبی چهار مدل ‌پیش‌بینی عددی بارش با روش BMA در بیشتر ایستگاه‌ها نزدیک به 0.5 و در حالت ترکیب وزنی یکسان نزدیک به صفر بود که نشان می‌دهد پیش‌بینی ترکیبی BMA مهارت بالاتری نسبت به مدل‌های منفرد دارد.}, keywords_fa = {پیش بینی عددی بارش,پیش بینی گروهی,پس پردازش,BMA}, url = {https://www.iwrr.ir/article_63714.html}, eprint = {https://www.iwrr.ir/article_63714_881a613248c028e03d49682eecfb80c5.pdf} }