Journal of Watershed Management Research

fa ارزیابی کیفیت داده‌های ماهواره‌ای برآورد بارش با استفاده از شبیه‌سازی جریان در مدل‌سازی هیدرولوژیکی (مطالعه موردی: حوضه آبخیز تیغ‌سیاه) Quality Assessment of Satellite Data for Rainfall Estimation using Streamflow Simulation in Hydrological Modeling (Case Study: the Tighsiah Catchment) هيدرولوژی هيدرولوژی پژوهشي Research <div style="text-align: justify;">چکیده مبسوط مقدمه: بارش یکی از مهم‌ترین ورودی‌ها در مدل‌های هیدرولوژیکی است. از آنجا که بارش از نظر مکانی و زمانی بسیار متغیر است، داده‌های با تفکیک زمانی و مکانی بالا برای مدل‌سازی دقیق هیدرولوژیکی مورد نیاز است. اندازه‌گیری دقیق بارش را می‌توان به‌طور کلی از ایستگاه‌های هواشناسی معمولی به&lrm;دست آورد. با این&lrm;حال، ایستگاه‌های باران‌سنجی پراکنده می‌توانند منجر به نمایش ضعیف بارش از نظر مکانی شوند. این کمبود در دقت مکانی می‌تواند به&lrm;خصوص در مناطق با تغییرات جغرافیایی شدید، مانند نواحی کوهستانی، تأثیر قابل&lrm;توجهی بر نتایج مدل‌سازی داشته باشد. فقدان داده‌های بارش با وضوح بالا می‌تواند به شبیه‌سازی‌های هیدرولوژیکی با کیفیت پایین و راه‌حل‌های نامناسب برای مشکلات منابع آب منجر شود. در کشورهای در حال توسعه، مانند ایران، کمبود منابع مالی و فنی منجر به شبکه‌های باران‌سنجی با توزیع پراکنده و غیریکنواخت می‌شود. این توزیع نابرابر می‌تواند مشکلات عمده‌ای در زمینه پیش‌بینی و مدیریت منابع آب ایجاد کند. به&lrm;منظور پر کردن این شکاف، داده‌های بارش، دما و تبخیر و تعرق مورد نیاز برای مدل‌سازی هیدرولوژیکی توسط سازمان‌های مختلف با استفاده از محصولات سنجش از راه دور مبتنی بر ماهواره ارائه شده‌اند. محصولات بارش شبکه‌ای در مقیاس جهانی یا شبه جهانی با وضوح‌های زمانی و مکانی مختلف در چند دهه اخیر تولید شده‌اند. این محصولات شامل داده‌هایی هستند که از منابع مختلف جمع‌آوری و سپس با استفاده از مدل‌های پیچیده پردازش می‌شوند تا نقشه‌های بارش با دقت بالا تولید شود. بنابراین، نیاز به ارزیابی کیفیت، تناسب و صحت این محصولات در مناطق مختلف قبل از استفاده از آن‌ها در مدل‌سازی هیدرولوژیکی و تصمیم‌گیری در زمینه منابع آب وجود دارد. مواد و روش: این مطالعه کیفیت داده‌های چهار محصول پرکاربرد برآورد بارش ماهواره‌ای با وضوح بالا شامل: CMORPH، 3B42RT، 3B42 و PERSIANN را برای شبیه‌سازی جریان آب با استفاده از مدل هیدرولوژیکی ابزار ارزیابی خاک و آب (SWAT) در حوضه آبخیز کوهستانی 312 کیلومتر مربعی تیغ سیاه در جنوب‌شرقی ایران ارزیابی می‌کند. حوضه آبخیز تیغ سیاه به&lrm;دلیل ویژگی‌های جغرافیایی و اقلیمی خاص خود، محیط مناسبی برای بررسی دقت و کارایی داده‌های ماهواره‌ای در شبیه‌سازی هیدرولوژیکی فراهم می‌آورد. در این مطالعه، دو رویکرد مختلف واسنجی مدل SWAT به&lrm;منظور ارزیابی کیفیت داده‌های ماهواره‌ای برآورد بارش مورد بررسی قرار گرفت. اولین رویکرد واسنجی با استفاده از داده‌های اندازه‌گیری شده بارش در ایستگاه‌های باران‌سنجی به&lrm;عنوان ورودی مدل انجام شد. در این رویکرد، داده‌های اندازه‌گیری شده به&lrm;عنوان مرجع و پایه‌ای برای ارزیابی دقت و صحت داده‌های ماهواره‌ای استفاده شدند. دومین رویکرد واسنجی با هریک از محصولات بارش ماهواره‌ای به&lrm;عنوان ورودی مدل صورت گرفت. در این روش، داده‌های ماهواره‌ای به&lrm;طور مستقیم به مدل SWAT وارد شده و نتایج شبیه‌سازی جریان آب با استفاده از این داده‌ها با نتایج حاصل از داده‌های اندازه‌گیری شده مقایسه شدند. این مقایسه‌ها به&lrm;منظور تعیین دقت و کارایی هریک از محصولات ماهواره‌ای در شبیه‌سازی جریان آب در حوضه آبخیز تیغ سیاه انجام گرفت. نتایج حاصل از این مطالعه می‌تواند به شناسایی نقاط قوت و ضعف هر یک از محصولات ماهواره‌ای برآورد بارش کمک کرده و راهکارهایی برای بهبود دقت شبیه‌سازی‌های هیدرولوژیکی ارائه دهد. یافته‌ها: نتایج این مطالعه نشان‌دهنده خطای قابل‌توجهی در تخمین‌های مربوط به داده‌های ماهواره‌ای برآورد بارش است. با این&lrm;حال، عملکرد هر محصول ماهواره‌ای برآورد بارش متفاوت می‌باشد. به‌طور خاص، محصولات 3B42RT و CMORPH کیفیت بهتری در برآورد بارش نسبت به 3B42  وPERSIANN نشان دادند. این تفاوت‌ها در دقت داده‌های ماهواره‌ای می‌تواند تأثیر زیادی بر نتایج شبیه‌سازی‌های هیدرولوژیکی داشته باشد. مدل واسنجی شده با داده‌های ماهواره‌ای برآورد بارش در مقایسه با مدل واسنجی شده با داده‌های ایستگاه باران‌سنج، عملکرد بهتری در شبیه‌سازی جریان نشان داد. از طرفی، مدل واسنجی شده با داده‌های ماهواره‌ای برآورد بارش منجر به بیش‌برآورد شماره منحنی (CN) شد. بنابراین، هنگام استفاده از مقادیر پارامترهای واسنجی شده با ورودی‌های ماهواره‌ای برآورد بارش باید احتیاط کرد. برای بهبود دقت شبیه‌سازی‌ها، تصحیح خطای داده‌های ماهواره‌ای برآورد بارش در دو مرحله انجام شد. در مرحله اول، در هر پیکسل تخمین، خطا در هر گروه داده ماهواره‌ای با تقسیم تخمین بارش ماهانه بر مقدار بارش باران‌سنج مربوطه برآورد شد. سپس، مقدار بارش ماهانه هر داده ماهواره‌ای در مقدار خطای به&lrm;دست آمده ماهانه ضرب شد تا خطا در تمامی داده‌های ماهواره‌ای برآورد بارش از بین برود. نتایج نشان داد که تصحیح خطای تخمین‌های حاصل از داده‌های ماهواره‌ای برآورد بارش به&lrm;طور قابل‌توجهی شبیه‌سازی جریان با استفاده از مدل SWAT را بهبود می‌بخشد. این بهبود نشان می‌دهد که با انجام تصحیحات مناسب، داده‌های ماهواره‌ای می‌توانند ابزار مفیدی برای شبیه‌سازی‌های هیدرولوژیکی باشند، به‌ویژه در مناطقی که داده‌های زمینی محدود یا پراکنده هستند. این مطالعه همچنین تأکید می‌کند که استفاده از داده‌های تصحیح شده می‌تواند دقت و قابلیت اعتماد نتایج مدل‌سازی را افزایش دهد و به تصمیم‌گیری‌های بهتر در زمینه مدیریت منابع آب کمک کند. نتیجه‌گیری: این مطالعه نشان داد که تخمین‌های حاصل از ماهواره‌های برآورد بارش هنگامی‌که مستقیماً توسط مدل هیدرولوژیکی به جریان شبیه‌سازی‌شده تبدیل می‌شوند، منجر به خطاهای زیادی می‌شوند. این خطاها ممکن است به&lrm;دلیل وسعت کوچک و کوهستانی بودن حوضه آبخیز تیغ سیاه باشد. در این مورد، تصحیح خطای داده‌های ماهواره‌ای برآورد بارش به&lrm;طور قابل‌توجهی شبیه‌سازی مدل را بهبود می‌بخشد. نتایج این مطالعه حاکی از آن است که بهترین شبیه‌سازی مدل بر اساس ورودی‌های بارش ماهواره‌ای پس از تصحیح خطا و واسنجی مجدد مدل با استفاده از داده‌های ماهواره‌ای تصحیح شده به&lrm;دست می‌آید. این یافته‌ها بر اهمیت اصلاح داده‌های ماهواره‌ای پیش از استفاده در مدل‌سازی‌های هیدرولوژیکی تأکید دارد و نشان می‌دهد که با انجام تصحیحات مناسب، می‌توان به دقت بالاتری در پیش‌بینی‌ها و تصمیم‌گیری‌های مرتبط با مدیریت منابع آب دست یافت. </div> <div style="text-align: justify;"></div> <div style="text-align: justify;">Extended Abstract Background: Precipitation is one of the most critical inputs in hydrological models. Due to its significant spatiotemporal variability, high-resolution temporal and spatial data are required for accurate hydrological modeling. Precise precipitation measurements are generally obtained from conventional meteorological stations. However, sparse rain gauge stations can lead to poor spatial representation of precipitation. This spatial inaccuracy can have a significant impact on modeling results, especially in areas with significant geographic variations, such as mountainous regions. The lack of high-resolution precipitation data can result in low-quality hydrological simulations and inadequate solutions for water resource problems. In developing countries such as Iran, financial and technical limitations result in sparsely and unevenly distributed rain gauge networks, creating major challenges in water resource prediction and management. To address this gap, precipitation, temperature, and evapotranspiration data required for hydrological modeling are provided by various organizations using satellite-based remote sensing products. Gridded precipitation products on a global or quasi-global scale with various temporal and spatial resolutions have been produced in recent decades. These products are compiled from various sources and processed using complex models to generate high-accuracy precipitation maps. Therefore, evaluating the quality, suitability, and accuracy of these products in different regions is necessary before their use in hydrological modeling and water resource decision-making. Methods: This study evaluates the quality of four widely used high-resolution satellite-based precipitation estimation products: CMORPH, 3B42RT, 3B42, and PERSIANN, for simulating water flow using the Soil and Water Assessment Tool (SWAT) hydrological model in the 312 km2 mountainous Tigh Siah catchment in southeastern Iran. The unique geographic and climatic features of the Tigh Siah watershed provide an appropriate environment for assessing the accuracy and efficiency of satellite data in hydrological simulations. Two different calibration approaches for the SWAT model were examined to assess the quality of satellite-based precipitation estimates. The first approach involved calibration using measured precipitation data from rain gauge stations as model inputs. These measured data served as a reference for evaluating the accuracy and precision of the satellite data. The second approach involved calibration using each of the satellite precipitation products as model inputs. In this method, satellite data were directly input into the SWAT model, and the simulated water flow results were compared with those obtained using measured data. This comparison aimed to determine the accuracy and efficiency of each satellite product in simulating water flow in the Tigh Siah watershed. The results of this study can help identify the strengths and weaknesses of each satellite-based precipitation product and provide strategies for improving the accuracy of hydrological simulations. <v:shape href="https://creativecommons.org/licenses/by-nc/4.0/?ref=chooser-v1" id="Picture_x0020_24" o:button="t" style="position:absolute; left:0; text-align:left; margin-top:219px; width:58.45pt; height:21.45pt; z-index:251681792" type="#_x0000_t75"> <v:fill o:detectmouseclick="t"> </v:fill></v:shape><v:shape filled="f" id="Text_x0020_Box_x0020_20" o:gfxdata="UEsDBBQABgAIAAAAIQC75UiUBQEAAB4CAAATAAAAW0NvbnRlbnRfVHlwZXNdLnhtbKSRvU7DMBSF dyTewfKKEqcMCKEmHfgZgaE8wMW+SSwc27JvS/v23KTJgkoXFsu+P+c7Ol5vDoMTe0zZBl/LVVlJ gV4HY31Xy4/tS3EvRSbwBlzwWMsjZrlprq/W22PELHjb51r2RPFBqax7HCCXIaLnThvSAMTP1KkI +gs6VLdVdad08ISeCho1ZLN+whZ2jsTzgcsnJwldluLxNDiyagkxOquB2Knae/OLUsyEkjenmdzb mG/YhlRnCWPnb8C898bRJGtQvEOiVxjYhtLOxs8AySiT4JuDystlVV4WPeM6tK3VaILeDZxIOSsu ti/jidNGNZ3/J08yC1dNv9v8AAAA//8DAFBLAwQUAAYACAAAACEArTA/8cEAAAAyAQAACwAAAF9y ZWxzLy5yZWxzhI/NCsIwEITvgu8Q9m7TehCRpr2I4FX0AdZk2wbbJGTj39ubi6AgeJtl2G9m6vYx jeJGka13CqqiBEFOe2Ndr+B03C3WIDihMzh6RwqexNA281l9oBFTfuLBBhaZ4ljBkFLYSMl6oAm5 8IFcdjofJ0z5jL0MqC/Yk1yW5UrGTwY0X0yxNwri3lQgjs+Qk/+zfddZTVuvrxO59CNCmoj3vCwj MfaUFOjRhrPHaN4Wv0VV5OYgm1p+LW1eAAAA//8DAFBLAwQUAAYACAAAACEADfKJuUsEAABgDwAA HwAAAGNsaXBib2FyZC9kcmF3aW5ncy9kcmF3aW5nMS54bWzsV1tu4zYU/S/QPVzwexLLiZ2HMcrA 42kGA6SZIE4WQFO0xIYiVZLyY3Y02+jKekjZiZMWE7RNforAgCVdXl6S59wX339Y1ZoW0nllTc76 +xkjaYQtlClzdntzvnfCyAduCq6tkTlbS88+nP3803s+Kh1vKiUIFowf8ZxVITSjXs+LStbc79tG GozNrat5wKcre4XjS1iude8gy456NVeGnT2Y+sQDp9apf2FKW3Eniwk3C+5hUovRrmSzRy3+u2U+ MovPrpk2Vy7uXFwurhypImdAzvAaELHeZmCjhs/ek1nlg4HV3NVR387ntAIDp8P+6SlsrXN2enKQ HRwPO3tyFUhAYTA8OOmfDBkJaAyyk8NsoyCqr8+YENUvPzaCbXbbwcvOFn0TN2gWfz3zwf2hb+L+ PtoVQbQ9f9SnsIIU50o8++YCPHkydlJxU8qxc3ZZSV74qNEBBUS7hRJo2zV9tDVb/moLIMzbYJO9 FwLv/tx81DgfPktbU3zJmZMipJX44sKHboNblQSKPVdapwNr80gAm1GCR9x6HAqraQIyIlKso2SG J47lLFYCkgjD8BV/c22XORNaNYwq6749lUU9ODJGGC0RhDnzv7fcSUb6iwGSp/3BAOZC+hgMjyNL bndktjvCjYCpnAVG3esk4AtT2sapssJKHXfGjgH7XG1Q6PYeT6F9mIa1lgmFdMLIFdclEspvre/w 02baiKjtG3ElAi24huHsOMuSvyS0HjTG87DVDb7T3aphfhrFjA2uCVyHJTVcKmfS7N1OkbS+5ewI xqMdOZ+Dx45A7JcHZSisGznnAt404VrNnGLUcGM9BNlBdp4N8R9/g+ww/mNUBVGd81ppBN4hBKLi zstEXTq65K9gVPgXNwrkgFbEJZxNbLNOLNMf33HaAU1twUvu9umqnWnlK1nQbE1T7hSNS6dEq0Pr uKapUKgT0sNnCrrknfBaetu6KL01KhWVsN6PIQA246qJC1Ncccev/46vfv9/RtjYKa4fOdbH7Agu 1blWcq9nHQvAyXvMEo5djEUw3wLtxaL3lQPtplKeltbdEZ5aCWk8Qqs1hUSqpCcx8uOMRi0SvilT ZvNWqyKWoOgN3pWziXabfDk8Opxsa+ojtbds+DhvV1qZuwk4udu0iSh/z7ey6NfA4icr2lqa0PWz TsbaYo2vVONRc0exL3Rfii0ND2nXSSguJE1sXUOfxiE4NWvj5L1La6JYOoHkQYP9DNm0sS7AXy46 x/lH7pKS7lsB3CnVuwWQlrjCVOhW0HN5aj1uQhQsgZ/iHQlUx3dUKN+RI1Oxq/mdJIStWnQUxqD2 hFsOulqzJx6Ya1rXoJ/AmEM/GSpJuAdhHtfviCMJWFPGZxxAQ4sejOw8fVlUZGXA/TZfCBXJbxxu VE6/VdRXqaixS7lvzOEH0+YaPWPX8XedOzTiTaj35G6ZSvLmLhwvsLvfZ38CAAD//wMAUEsDBBQA BgAIAAAAIQCRLWpJWAYAAA8aAAAaAAAAY2xpcGJvYXJkL3RoZW1lL3RoZW1lMS54bWzsWUtvGzcQ vhfof1jsvbHeio3Iga1H3MROgkhJkSOlpXYZc5cLkrKjW5GceilQIC16aIDeeiiKBmiABr30xxhw 0KY/okPuQ6RExQ+4QFDEAozd2W+Gw5nZb0jujZtPY+odYS4ISzp+9VrF93AyYQFJwo7/cDT47Lrv CYmSAFGW4I4/x8K/uf3pJzfQ1oSSdMwQD0YRjrEHhhKxhTp+JGW6tbEhJiBG4hpLcQLPpozHSMIt DzcCjo5hgJhu1CqV1kaMSOJvg0WpDPUp/EukUIIJ5UNlBnsJimH0e9MpmWCNDQ6rCiHmoku5d4Ro xwebATse4afS9ygSEh50/Ir+8ze2b2ygrVyJyjW6ht5A/+V6uUJwWNNj8nBcDtpoNButndK+BlC5 iuu3+61+q7SnAWgygZlmvpg2m7ubu71mjjVA2aXDdq/dq1ctvGG/vuLzTlP9LLwGZfYbK/jBoAtR tPAalOGbK/hGo13rNiy8BmX41gq+XdnpNdoWXoMiSpLDFXSl2ap3i9mWkCmje074ZrMxaNdy4wsU VENZXWqIKUvkulqL0RPGBwBQQIokSTw5T/EUTaAmu4iSMSfePgkjKLwUJUyAuFKrDCp1+K9+DX2l I4K2MDK0lV/giVgRKX88MeEklR3/Nlj1Dcjpmzcnz16fPPv95Pnzk2e/5mNrU5beHkpCU+/dT9/8 8/JL7+/ffnz34tts6GW8MPFvf/nq7R9/vs88zHgRitPvXr19/er0+6//+vmFw/oOR2MTPiIxFt5d fOw9YDFM0OE/HvOLaYwiREyNnSQUKEFqFIf9vows9N05osiB28V2HB9xoBoX8NbsieXwMOIzSRwW 70SxBTxgjO4y7ozCHTWWEebRLAndg/OZiXuA0JFr7C5KrCz3ZylwLHGZ7EbYcvM+RYlEIU6w9NQz doixY3aPCbHiekAmnAk2ld5j4u0i4gzJiIytaloo7ZEY8jJ3OQj5tmJz8MjbZdQ16x4+spHwbiDq cH6EqRXGW2gmUewyOUIxNQO+j2TkcnI45xMT1xcSMh1iyrx+gIVw6dzjMF8j6XeAZtxpP6Dz2EZy SQ5dNvcRYyayxw67EYpTF3ZIksjEfi4OoUSRd59JF/yA2W+Iuoc8oGRtuh8RbKX7bDZ4CAxrurQo EPVkxh25vIWZVb/DOZ0irKkGGoDF6zFJziT5JXpv/nf0DiR6+sNLx4yuhtLdhq18XJDMdzhxvk17 SxS+DrdM3F3GA/Lh83YPzZL7GF6V1eb1kbY/0rb/v6ftde/z1ZP1gp+ButWyNVuu68V7vHbtPiWU DuWc4n2hl+8CulIwAKHS03tUXO7l0ggu1ZsMA1i4kCOt43EmvyAyGkYohTV+1VdGQpGbDoWXMgFL fy122lZ4OosPWJBtWatVtT3NyEMguZBXmqUcthsyQ7fai21YaV57G+rtcuGA0r2IE8ZgthN1hxPt QqiCpDfnEDSHE3pmV+LFpsOL68p8kaoVL8C1MiuwbPJgsdXxmw1QASXYVSGKA5WnLNVFdnUyrzLT 64JpVQCsIYoKWGR6U/m6dnpqdlmpnSPTlhNGudlO6MjoHiYiFOC8OpX0PG5cNNebi5Ra7qlQ6PGg tBZutK+/z4vL5hr0lrmBJiZT0MQ77vitehNKZoLSjj+FrT9cxinUjlDLXURDODSbSJ698JdhlpQL 2UMiygKuSSdjg5hIzD1K4o6vpl+mgSaaQ7Rv1RoQwgfr3CbQyofmHCTdTjKeTvFEmmk3JCrS2S0w fMYVzqda/fJgpclmkO5hFBx7YzrjDxCUWLNdVQEMiIAToGoWzYDAkWZJZIv6W2pMOe2aZ4q6hjI5 ommE8o5iknkG11ReuqPvyhgYd/mcIaBGSPJGOA5VgzWDanXTsmtkPqztumcrqcgZpLnomRarqK7p ZjFrhKINLMXyck3e8KoIMXCa2eEz6l6m3M2C65bWCWWXgICX8XN03XM0BMO1xWCWa8rjVRpWnJ1L 7d5RTPAM187TJAzWbxVml+JW9gjncCC8VOcHveWqBdG0WFfqSLs+Txyg1BuH1Y4PnwjgbOIpXMFH Bh9kNSWrKRlcwZcDaBfZcX/Hzy8KCTzPJCWmXkjqBaZRSBqFpFlImoWkVUhavqfPxeFbjDoS973i 2Bt6WH5Mnq8t7G842/8CAAD//wMAUEsDBBQABgAIAAAAIQDPt/zhBAEAAPABAAAqAAAAY2xpcGJv YXJkL2RyYXdpbmdzL19yZWxzL2RyYXdpbmcxLnhtbC5yZWxzrJHLasMwEEX3hf6Dmb0lO5RSSmRv 0kIW3ZT0A1R5/CDWyGhUE/99J86iDQS66UYgCd0552pbn/yYzRh5CGSgVAVkSC40A3UGPg6v+RNk nCw1dgyEBhZkqKv7u+07jjbJI+6HiTNJITbQpzQ9a82uR29ZhQlJbtoQvU2yjZ2erDvaDvWmKB51 /J0B1VVmtm8MxH2zgeywTDL57+zQtoPDXXBfHindGKGTcKEE2thhMqDU5eSylkpYQd/GKP8Toxeh OA50/EE527FU5yJKrTO64L2Uu3Y2ihUxsv5ccnL6QRW6jtga14fAGPP5DLcqvYVGmno5JYxkVxd9 9U/VNwAAAP//AwBQSwECLQAUAAYACAAAACEAu+VIlAUBAAAeAgAAEwAAAAAAAAAAAAAAAAAAAAAA W0NvbnRlbnRfVHlwZXNdLnhtbFBLAQItABQABgAIAAAAIQCtMD/xwQAAADIBAAALAAAAAAAAAAAA AAAAADYBAABfcmVscy8ucmVsc1BLAQItABQABgAIAAAAIQAN8om5SwQAAGAPAAAfAAAAAAAAAAAA AAAAACACAABjbGlwYm9hcmQvZHJhd2luZ3MvZHJhd2luZzEueG1sUEsBAi0AFAAGAAgAAAAhAJEt aklYBgAADxoAABoAAAAAAAAAAAAAAAAAqAYAAGNsaXBib2FyZC90aGVtZS90aGVtZTEueG1sUEsB Ai0AFAAGAAgAAAAhAM+3/OEEAQAA8AEAACoAAAAAAAAAAAAAAAAAOA0AAGNsaXBib2FyZC9kcmF3 aW5ncy9fcmVscy9kcmF3aW5nMS54bWwucmVsc1BLBQYAAAAABQAFAGcBAACEDgAAAAA= " stroked="f" style="position:absolute; left:0; text-align:left; margin-left:407px; margin-top:213px; width:356.55pt; height:32.15pt; z-index:251680768; v-text-anchor:top" type="#_x0000_t202"></v:shape> Results: The results indicate significant errors in the estimates from satellite-based precipitation data, despite variation in the performance of each satellite product. Specifically, 3B42RT and CMORPH demonstrated better quality in precipitation estimation than 3B42 and PERSIANN. These differences in the accuracy of satellite data can significantly affect hydrological simulation outcomes. The model calibrated with satellite-based precipitation estimates performed better in simulating flow than that calibrated with rain gauge station data. However, the model calibrated with satellite data led to the overestimation of the Curve Number (CN), suggesting caution when using parameter values calibrated with satellite-based inputs. To improve simulation accuracy, the error correction of satellite precipitation estimates was conducted in two stages. First, the error in each satellite data group was estimated in each pixel by dividing the monthly precipitation estimate by the corresponding rain gauge precipitation. Then, the monthly precipitation of each satellite data was multiplied by the estimated monthly error to eliminate errors in all satellite <v:shape filled="f" id="Text_x0020_Box_x0020_6" o:gfxdata="UEsDBBQABgAIAAAAIQC75UiUBQEAAB4CAAATAAAAW0NvbnRlbnRfVHlwZXNdLnhtbKSRvU7DMBSF dyTewfKKEqcMCKEmHfgZgaE8wMW+SSwc27JvS/v23KTJgkoXFsu+P+c7Ol5vDoMTe0zZBl/LVVlJ gV4HY31Xy4/tS3EvRSbwBlzwWMsjZrlprq/W22PELHjb51r2RPFBqax7HCCXIaLnThvSAMTP1KkI +gs6VLdVdad08ISeCho1ZLN+whZ2jsTzgcsnJwldluLxNDiyagkxOquB2Knae/OLUsyEkjenmdzb mG/YhlRnCWPnb8C898bRJGtQvEOiVxjYhtLOxs8AySiT4JuDystlVV4WPeM6tK3VaILeDZxIOSsu ti/jidNGNZ3/J08yC1dNv9v8AAAA//8DAFBLAwQUAAYACAAAACEArTA/8cEAAAAyAQAACwAAAF9y ZWxzLy5yZWxzhI/NCsIwEITvgu8Q9m7TehCRpr2I4FX0AdZk2wbbJGTj39ubi6AgeJtl2G9m6vYx jeJGka13CqqiBEFOe2Ndr+B03C3WIDihMzh6RwqexNA281l9oBFTfuLBBhaZ4ljBkFLYSMl6oAm5 8IFcdjofJ0z5jL0MqC/Yk1yW5UrGTwY0X0yxNwri3lQgjs+Qk/+zfddZTVuvrxO59CNCmoj3vCwj MfaUFOjRhrPHaN4Wv0VV5OYgm1p+LW1eAAAA//8DAFBLAwQUAAYACAAAACEAxzDdUIMDAAAqCwAA HwAAAGNsaXBib2FyZC9kcmF3aW5ncy9kcmF3aW5nMS54bWzsVttu2zgQfV9g/4Hgc+pbZDsxqhRp 2hRd9BLE6e7zmKIsohSpJelbn/Zr9sP2S/aQsmPXWaTo5WWBWrZMckZHZ84MR3r6bF1rtpTOK2ty 3u/0OJNG2EKZec4/3F0/OePMBzIFaWtkzjfS82cXv/7ylCZzR02lBAOC8RPKeRVCM+l2vahkTb5j G2lgK62rKWDq5t3C0QrIte4Oer1RtyZl+MUe6gUFYgunvgFKW/FRFldkluQBqcXkcGXLUYvvR6aJ Wb5yzbS5cZG5eLe8cUwVOYdyhmpIxLtbw9YN0+7RVfM9wLp0dfS3ZcnWOT/PBufjIWebnI/H/eFg 2KLJdWAC5uHobJRhkQk4DIbjPnzb21XvHwUQ1cvHIUCxpYLBAT3fRHJm+TDe0S7eu0juuV2z0X3k 0ZuFNRZRUynDvnmDDHlm7FVFZi4vnbOrSlLho0crEbRsb5Pk2t3RR6zZ6q0toC0tgk14P0S2+5hp 0jgfXklbszjIuZMipPvQ8o0PLb2dSxLEXiutk/LasBXyFlN1ZKlVkI5pVef8rBc/rT4x6pemSBcH Urodg4s2qVJiwBEprKdJ/KhjsYkrM/xDDGfBEOWGbRve41RqCwZCq4azyrpPx2vRD4UPC2crbNqc +z8X5CRn+rWB/uf9LANcSJNsOB5g4g4ts0MLGQGonAfO2uFVwKy3Df4SCSrVVrGWb2SufZiGjZYp 6BTVNkjfiMsyRBeMboJnS9IRrZV8bw00QyKSLDRjjQVtbJQ+dAUNPUfvEsG1+sK1dRieZ6ejvUMy Q+YdFIZbEkluB2U1SjPn0jz5MEXb+5TylgKTZYmKaEsB0VBQhoVNI0sSqMo7VUvP3skVu7U1Gc4a MtbD0BvgGPVOe8Neht8AowxWFUR1TbXS2MR9NFhRkfMyJTUJJOkA/Iq0mjn1Geh1AovgGSBxPgI9 xcIxqPAHoJdOkf4M8jl4ZoDaHV+GhH7QLKXk4je7cIY0syX7g1D1vpIFe0uG5rKWJrBb6SU5UZ2w 363usP7whL32fiFjZ0RWI1QEejwRbLbrJj/T8TDDh+lgX6VrVP6noo8rOjhh2BkZ++evv7/h2+k8 vAi74OwoTdIUN+To9r86Ub+PTvblTP2obvG/aUF7zVIbwbMltpT7R+bCy2lzi97dPlDaZyo84ntN 9+gtMV26fauNr6KH84t/AQAA//8DAFBLAwQUAAYACAAAACEAkS1qSVgGAAAPGgAAGgAAAGNsaXBi b2FyZC90aGVtZS90aGVtZTEueG1s7FlLbxs3EL4X6H9Y7L2x3oqNyIGtR9zEToJISZEjpaV2GXOX C5Kyo1uRnHopUCAtemiA3nooigZogAa99McYcNCmP6JD7kOkRMUPuEBQxAKM3dlvhsOZ2W9I7o2b T2PqHWEuCEs6fvVaxfdwMmEBScKO/3A0+Oy67wmJkgBRluCOP8fCv7n96Sc30NaEknTMEA9GEY6x B4YSsYU6fiRlurWxISYgRuIaS3ECz6aMx0jCLQ83Ao6OYYCYbtQqldZGjEjib4NFqQz1KfxLpFCC CeVDZQZ7CYph9HvTKZlgjQ0Oqwoh5qJLuXeEaMcHmwE7HuGn0vcoEhIedPyK/vM3tm9soK1cico1 uobeQP/lerlCcFjTY/JwXA7aaDQbrZ3SvgZQuYrrt/utfqu0pwFoMoGZZr6YNpu7m7u9Zo41QNml w3av3atXLbxhv77i805T/Sy8BmX2Gyv4waALUbTwGpThmyv4RqNd6zYsvAZl+NYKvl3Z6TXaFl6D IkqSwxV0pdmqd4vZlpApo3tO+GazMWjXcuMLFFRDWV1qiClL5Lpai9ETxgcAUECKJEk8OU/xFE2g JruIkjEn3j4JIyi8FCVMgLhSqwwqdfivfg19pSOCtjAytJVf4IlYESl/PDHhJJUd/zZY9Q3I6Zs3 J89enzz7/eT585Nnv+Zja1OW3h5KQlPv3U/f/PPyS+/v33589+LbbOhlvDDxb3/56u0ff77PPMx4 EYrT7169ff3q9Puv//r5hcP6DkdjEz4iMRbeXXzsPWAxTNDhPx7zi2mMIkRMjZ0kFChBahSH/b6M LPTdOaLIgdvFdhwfcaAaF/DW7Inl8DDiM0kcFu9EsQU8YIzuMu6Mwh01lhHm0SwJ3YPzmYl7gNCR a+wuSqws92cpcCxxmexG2HLzPkWJRCFOsPTUM3aIsWN2jwmx4npAJpwJNpXeY+LtIuIMyYiMrWpa KO2RGPIydzkI+bZic/DI22XUNesePrKR8G4g6nB+hKkVxltoJlHsMjlCMTUDvo9k5HJyOOcTE9cX EjIdYsq8foCFcOnc4zBfI+l3gGbcaT+g89hGckkOXTb3EWMmsscOuxGKUxd2SJLIxH4uDqFEkXef SRf8gNlviLqHPKBkbbofEWyl+2w2eAgMa7q0KBD1ZMYdubyFmVW/wzmdIqypBhqAxesxSc4k+SV6 b/539A4kevrDS8eMrobS3YatfFyQzHc4cb5Ne0sUvg63TNxdxgPy4fN2D82S+xheldXm9ZG2P9K2 /7+n7XXv89WT9YKfgbrVsjVbruvFe7x27T4llA7lnOJ9oZfvArpSMACh0tN7VFzu5dIILtWbDANY uJAjreNxJr8gMhpGKIU1ftVXRkKRmw6FlzIBS38tdtpWeDqLD1iQbVmrVbU9zchDILmQV5qlHLYb MkO32ottWGleexvq7XLhgNK9iBPGYLYTdYcT7UKogqQ35xA0hxN6ZlfixabDi+vKfJGqFS/AtTIr sGzyYLHV8ZsNUAEl2FUhigOVpyzVRXZ1Mq8y0+uCaVUArCGKClhkelP5unZ6anZZqZ0j05YTRrnZ TujI6B4mIhTgvDqV9DxuXDTXm4uUWu6pUOjxoLQWbrSvv8+Ly+Ya9Ja5gSYmU9DEO+74rXoTSmaC 0o4/ha0/XMYp1I5Qy11EQzg0m0ievfCXYZaUC9lDIsoCrkknY4OYSMw9SuKOr6ZfpoEmmkO0b9Ua EMIH69wm0MqH5hwk3U4ynk7xRJppNyQq0tktMHzGFc6nWv3yYKXJZpDuYRQce2M64w8QlFizXVUB DIiAE6BqFs2AwJFmSWSL+ltqTDntmmeKuoYyOaJphPKOYpJ5BtdUXrqj78oYGHf5nCGgRkjyRjgO VYM1g2p107JrZD6s7bpnK6nIGaS56JkWq6iu6WYxa4SiDSzF8nJN3vCqCDFwmtnhM+peptzNguuW 1glll4CAl/FzdN1zNATDtcVglmvK41UaVpydS+3eUUzwDNfO0yQM1m8VZpfiVvYI53AgvFTnB73l qgXRtFhX6ki7Pk8coNQbh9WOD58I4GziKVzBRwYfZDUlqykZXMGXA2gX2XF/x88vCgk8zyQlpl5I 6gWmUUgahaRZSJqFpFVIWr6nz8XhW4w6Eve94tgbelh+TJ6vLexvONv/AgAA//8DAFBLAwQUAAYA CAAAACEAnGZGQbsAAAAkAQAAKgAAAGNsaXBib2FyZC9kcmF3aW5ncy9fcmVscy9kcmF3aW5nMS54 bWwucmVsc4SPzQrCMBCE74LvEPZu0noQkSa9iNCr1AcIyTYtNj8kUezbG+hFQfCyMLPsN7NN+7Iz eWJMk3ccaloBQae8npzhcOsvuyOQlKXTcvYOOSyYoBXbTXPFWeZylMYpJFIoLnEYcw4nxpIa0cpE fUBXNoOPVuYio2FBqrs0yPZVdWDxkwHii0k6zSF2ugbSL6Ek/2f7YZgUnr16WHT5RwTLpRcWoIwG MwdKV2edNS1dgYmGff0m3gAAAP//AwBQSwECLQAUAAYACAAAACEAu+VIlAUBAAAeAgAAEwAAAAAA AAAAAAAAAAAAAAAAW0NvbnRlbnRfVHlwZXNdLnhtbFBLAQItABQABgAIAAAAIQCtMD/xwQAAADIB AAALAAAAAAAAAAAAAAAAADYBAABfcmVscy8ucmVsc1BLAQItABQABgAIAAAAIQDHMN1QgwMAACoL AAAfAAAAAAAAAAAAAAAAACACAABjbGlwYm9hcmQvZHJhd2luZ3MvZHJhd2luZzEueG1sUEsBAi0A FAAGAAgAAAAhAJEtaklYBgAADxoAABoAAAAAAAAAAAAAAAAA4AUAAGNsaXBib2FyZC90aGVtZS90 aGVtZTEueG1sUEsBAi0AFAAGAAgAAAAhAJxmRkG7AAAAJAEAACoAAAAAAAAAAAAAAAAAcAwAAGNs aXBib2FyZC9kcmF3aW5ncy9fcmVscy9kcmF3aW5nMS54bWwucmVsc1BLBQYAAAAABQAFAGcBAABz DQAAAAA= " stroked="f" style="position:absolute; left:0; text-align:left; margin-left:-14px; margin-top:-40px; width:447.75pt; height:20.25pt; z-index:251688960; v-text-anchor:top" type="#_x0000_t202"></v:shape> precipitation estimates. The results showed that error correction significantly improved flow simulation using the SWAT model, indicating that satellite data with appropriate corrections can be a valuable tool for hydrological simulations, especially in areas with limited or scattered ground data. This study also emphasizes that using corrected data can enhance the accuracy and reliability of modeling results, aiding better decision-making in water resource management. Conclusion: This study demonstrates that precipitation estimates from satellites, when directly converted to simulated flow by the hydrological model, result in substantial errors, which may be attributed to the small and mountainous nature of the Tigh Siah watershed. In this case, correcting the errors in satellite-based precipitation estimates significantly improved the model simulation. The findings suggest that the best model simulations are obtained using satellite precipitation inputs after error correction and recalibrating the model with corrected satellite data. These results highlight the importance of correcting satellite data before using them in hydrological models. They show that higher accuracy in predictions and water resource management decisions can be achieved with appropriate corrections.  </div> <div style="text-align: justify;"><div id="gtx-anchor" style="position: absolute; visibility: hidden; left: 20px; top: 330.094px; width: 63.2031px; height: 15px;"></div></div> <div aria-describedby="bubble-3" class="jfk-bubble gtx-bubble" role="alertdialog" style="visibility: visible; left: 37px; top: 200px; opacity: 1;"> <div class="jfk-bubble-content-id" id="bubble-3" style="text-align: justify;"><div id="gtx-host" style="min-width: 200px; max-width: 400px;"></div></div> <div style="text-align: justify;"><div aria-label="Close" class="jfk-bubble-closebtn-id jfk-bubble-closebtn" role="button" tabindex="0"></div></div> <div class="jfk-bubble-arrow-id jfk-bubble-arrow jfk-bubble-arrowdown" style="left: 31.5px; text-align: justify;"><div class="jfk-bubble-arrowimplbefore"></div><div class="jfk-bubble-arrowimplafter"></div></div> </div> تصحیح خطا, داده‌های ماهوارهای برآورد بارش, رویکرد واسنجی, شبیه‌سازی جریان Bias correction, Calibration Approach, Satellite Rainfall Estimation Data, Streamflow Simulation 17 31 http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-1883-1&slc_lang=fa&sid=1 Pedram Sodagar پدرام سوداگر pedramsodagar@gmail.com 100319475328460014363 0009-0001-7489-0937 Yes Faculty Member of Department of Civil Engineering, National University of Skills (NUS), Tehran, Iran عضوهیات علمی گروه مهندسی عمران، دانشگاه ملی مهارت، تهران، ایران