DOI: https://doi.org/10.48084/etasr.15484
تاريخ النشر: 2026-02-09
المؤلف: Rahmah Dara Lufira وآخرون
الموضوع الرئيسي: قياس وتحليل الهطول
نظرة عامة
تدرس هذه الدراسة فعالية طرق تصحيح التحيز المختلفة لبيانات الهطول في حوض بانيجر كانال تيمور (BKT) في سيمارانغ، وهي منطقة تتأثر بشكل كبير بالتأثيرات المدية والعواصف الحملية. باستخدام بيانات الهطول الشهرية من 2014 إلى 2023 من ثلاثة أجهزة قياس وGPM IMERG Final Run، تقيم البحث خمس تقنيات لتصحيح التحيز: التحجيم الخطي (LS)، الانحدار الخطي (LR)، عامل التصحيح (CF)، الزماني المكاني (ST)، وغابة عشوائية (RF). تم تقييم أداء هذه الطرق باستخدام مقاييس مثل كفاءة ناش-سوتكليف (NSE)، معامل الارتباط لبييرسون (R)، ونسبة RMSE إلى الانحراف المعياري (RSR).
تكشف النتائج أن طريقة الغابة العشوائية تفوقت على الآخرين، محققة NSE قدره 0.61، وR قدره 0.78، وRSR قدره 0.63، مما يدل على إعادة إنتاج متفوقة للتباين والارتباط مع البيانات الملاحظة. أظهرت CF وST مهارات تشغيلية مرضية (NSE = 0.53، R = 0.73، RSR = 0.69)، بينما أظهرت LS وLR تحسينات متواضعة (NSE = 0.37 و0.28؛ R = 0.70 و0.65؛ RSR = 0.79 و0.84)، مما يبرز التحيزات المستمرة المتعلقة بالشدة والموسمية. تؤسس هذه الدراسة معيارًا لمدة عقد من الزمن لتصحيح التحيز في حوض حضري استوائي وتقدم تسلسل أداء (RF > CF ≈ ST > LS > LR) يعزز قابلية تطبيق بيانات GPM IMERG لنمذجة الهيدرولوجيا وتوقع الفيضانات في المناطق ذات توفر البيانات المحدود. كما تؤكد الدراسة على ضرورة إجراء تقييمات مركزة والتحقق الزمني المقيد لتحسين التطبيقات التشغيلية.
مقدمة
تتناول مقدمة الدراسة تحديات الفيضانات الحضرية في حوض سيمارانغ السفلي، لا سيما على طول بانيجر كانال تيمور (BKT)، والتي تتفاقم بفعل التأثيرات المدية وهطول الأمطار الحملية قصيرة المدة. يبرز المؤلفون الحاجة الملحة لبيانات هطول موثوقة، مشيرين إلى قيود شبكة أجهزة قياس الأمطار المتناثرة في إندونيسيا والتحيزات الموجودة في التقديرات الساتلية غير المصححة. قامت الأبحاث السابقة بتصنيف هطول الأمطار في إندونيسيا إلى ثلاثة أنظمة رئيسية—الموسمية، المضادة للموسمية، وشبه الموسمية—وتحديد التحولات النظامية التي تعتبر حاسمة لفهم أنماط الهطول في سيمارانغ. تقدم مهمة قياس الهطول العالمية (GPM) منتج الاسترجاعات المتكاملة متعددة الأقمار الصناعية لـ GPM (IMERG) تقديرات هطول عالية الدقة ولكنها تعاني من أخطاء منهجية بسبب مشكلات الاسترجاع والعينات المختلفة، لا سيما في المناطق النشطة حملياً والمتأثرة بالمد.
تهدف هذه الدراسة إلى إجراء تقييم تشغيلي لمدة عقد من الزمن لخطط تصحيح التحيز لـ IMERG في حوض حضري استوائي في إندونيسيا، باستخدام بيانات شهرية من IMERG وثلاثة أجهزة قياس من 2014 إلى 2023. تشمل المنهجية تدفق عمل صارم بين أجهزة القياس والأقمار الصناعية مع مراقبة الجودة، أخذ العينات النقطية، وتجميع ثيسن، بينما يتم تقييم خمس طرق لتصحيح التحيز: التحجيم الخطي (LS)، الانحدار الخطي (LR)، عامل التصحيح (CF)، التعديل الزماني المكاني (ST)، وغابة عشوائية (RF). سيتم تقييم أداء هذه الطرق باستخدام مقاييس مثل كفاءة ناش-سوتكليف (NSE)، معامل الارتباط لبييرسون (R)، ونسبة خطأ الجذر التربيعي المتوسط (RMSE) إلى الانحراف المعياري (RSR). تفترض الفرضية أن الطرق التي تأخذ في الاعتبار الهياكل الخطأ غير الخطية المعتمدة على الموسم ستتفوق على LR، وأن الأنظمة المعتمدة على الفواصل الزمنية وST ستوفر مهارة شهرية كافية للأحواض الحضرية الاستوائية ذات البيانات المحدودة.
طرق
في هذا القسم، يقدم المؤلفون تقييمًا مقارنًا لطرق تصحيح التحيز المختلفة لمجموعة بيانات قياس الهطول العالمية (GPM) الاسترجاعات المتكاملة متعددة الأقمار الصناعية لـ GPM (IMERG)، مع التركيز على أدائها خلال فترة المعايير 2014-2023. ظهرت طريقة الغابة العشوائية (RF) كأفضل أداء، محققة كفاءة ناش-سوتكليف (NSE) قدرها 0.61، ومعامل ارتباط (R) قدره 0.78، وخطأ الجذر التربيعي المتوسط (RSR) قدره 0.63. تلتقط هذه الطريقة العلاقات غير الخطية بين إجماليات IMERG ووصفاتها الطبوغرافية-الموسمية بفعالية، متجاوزة تقنيات الانحدار التقليدية والتداخل. بالمقابل، أظهرت طرق عامل التصحيح (CF) والعتبة البسيطة (ST) أداءً مشابهًا (NSE = 0.53، R = 0.73، RSR = 0.69)، بينما أظهرت طرق التحجيم الخطي (LS) والانحدار الخطي (LR) كفاءة أقل (NSE = 0.37 و0.28، على التوالي).
تسلط الدراسة الضوء على قيود الطرق، بما في ذلك العدد القليل من أجهزة القياس المستخدمة للتحقق، عدم التوافق بين شبكة IMERG البالغة ~10 كم والملاحظات النقطية، والاعتماد على تجميع البيانات الشهرية، مما قد يحجب الأحداث الحملية القصيرة المدة. يوصي المؤلفون بإجراء أبحاث مستقبلية لاستكشاف دقة زمنية أعلى ومجموعات بيانات تحقق أكثر كثافة لتعزيز حساسية طرق تصحيح التحيز. بشكل عام، تؤسس النتائج تسلسل أداء لـ RF > CF ≈ ST > LS > LR، مما يعكس التحديات في التوفيق بين بيانات الأقمار الصناعية وأجهزة القياس في الأحواض المنخفضة غير المتجانسة.
نتائج
تشير نتائج الدراسة إلى أن طريقة المربعات الصغرى (LS) حسنت بشكل كبير التوافق بين الاسترجاعات المتكاملة متعددة الأقمار الصناعية لـ GPM (IMERG) وقياسات أجهزة القياس، محققة كفاءة ناش-سوتكليف (NSE) قدرها 0.37، ومعامل ارتباط (R) قدره 0.70، وانحراف معياري نسبي (RSR) قدره 0.79. بينما تشير هذه المقاييس إلى تحسين معتدل في توافق متوسط هطول الأمطار، أظهرت طريقة LS فعالية محدودة في التقاط التباين من شهر لآخر والأحداث المتطرفة. تنشأ هذه القيود من الاعتماد على عامل مضاعف واحد مستمد من المتوسطات على مدى الفترة 2014-2023، والذي يفشل في أخذ التحيزات المعتمدة على الموسم أو الشدة في الاعتبار والفجوات الجوهرية بين بيانات بكسل الساتل وقياسات أجهزة القياس النقطية.
علاوة على ذلك، تسلط الدراسة الضوء على أن زيادة التجميع الزمني يمكن أن تحسن التوافق بين بيانات أجهزة القياس والبيانات الساتلية، متوافقة مع النتائج الشهرية الملاحظة. على الرغم من أن طريقة LS تحافظ على الترتيب الزمني، إلا أنها لا تصحح الفجوات التوزيعية، والتي يمكن معالجتها بشكل أفضل من خلال طرق واعية بالتوزيع أو هجينة مجتمعة مع تقنيات معالجة مسبقة قوية. توضح مخطط التشتت المقدم في الشكل 2 علاقة متسقة ولكن متباينة بين هطول الأمطار الساتلية GPM وهطول الأمطار الملاحظ، كاشفة عن أنماط من التقدير الناقص للذروة والتقدير الزائد للأحداث الصغيرة. وهذا يبرز قيود طريقة LS في البيئات المعقدة حملياً بينما يؤكد فائدتها في السيناريوهات ذات توفر البيانات المحدود.
مناقشة
أجرت الدراسة تحليلًا لبيانات الهطول في حوض BKT في سيمارانغ، مستخدمة مزيجًا من ملاحظات أجهزة القياس وتقديرات الأقمار الصناعية من GPM IMERG Final Run خلال الفترة من 2014 إلى 2023. كانت أهداف البحث تحسين دقة تقديرات الهطول المستمدة من الأقمار الصناعية من خلال طرق تصحيح التحيز المختلفة، بما في ذلك التحجيم الخطي (LS)، والانحدار الخطي (LR)، وعامل التصحيح (CF)، والتعديل الزماني المكاني (ST)، والانحدار بواسطة الغابة العشوائية (RF). تم تقييم كل طريقة بناءً على مقاييس مثل كفاءة ناش-سوتكليف (NSE)، ومعامل الارتباط (R)، وخطأ الجذر التربيعي المتوسط (RSR)، حيث أظهرت RF أعلى أداء (NSE = 0.61، R = 0.78، RSR = 0.63)، مما يدل على إزالة فعالة للتحيز وتحسين التوافق مع ملاحظات أجهزة القياس.
أظهرت طريقة LS مهارة محدودة في التقاط التباين الشهري (NSE = 0.28)، بينما كشفت طريقة LR عن تباين كبير، لا سيما عند إجماليات هطول أعلى، مما يشير إلى تحديات في معالجة التحيزات غير الخطية. حققت طرق CF وST نجاحًا معتدلًا (NSE = 0.53)، حيث التقطت الاتجاهات الزمنية والتباين الموسمي بفعالية، على الرغم من أنها واجهت صعوبة مع الشدات المنخفضة والمتطرفة. تم عزو الأداء المتفوق لطريقة RF إلى قدرتها على نمذجة العلاقات غير الخطية والاعتمادات المكانية، مما يجعلها خيارًا قويًا للتوقعات التشغيلية. بشكل عام، تسلط الدراسة الضوء على أهمية استخدام تقنيات إحصائية متقدمة لتعزيز موثوقية بيانات الهطول الساتلية للتطبيقات الهيدرولوجية.
DOI: https://doi.org/10.48084/etasr.15484
Publication Date: 2026-02-09
Author(s): Rahmah Dara Lufira et al.
Primary Topic: Precipitation Measurement and Analysis
Overview
This study investigates the effectiveness of various bias correction methods for precipitation data in the Semarang lower Banjir Kanal Timur (BKT) watershed, an area significantly influenced by tidal effects and convective storms. Utilizing monthly precipitation data from 2014 to 2023 from three gauges and the GPM IMERG Final Run, the research evaluates five bias correction techniques: Linear Scaling (LS), Linear Regression (LR), Correction Factor (CF), Spatiotemporal (ST), and Random Forest (RF). The performance of these methods was assessed using metrics such as Nash-Sutcliffe efficiency (NSE), Pearson correlation coefficient (R), and the ratio of RMSE to standard deviation (RSR).
The findings reveal that the Random Forest method outperformed the others, achieving an NSE of 0.61, R of 0.78, and RSR of 0.63, indicating superior variance reproduction and correlation with observed data. CF and ST demonstrated satisfactory operational skills (NSE = 0.53, R = 0.73, RSR = 0.69), while LS and LR showed modest improvements (NSE = 0.37 and 0.28; R = 0.70 and 0.65; RSR = 0.79 and 0.84), highlighting ongoing biases related to intensity and seasonality. This research establishes a decade-long benchmark for bias correction in a tropical urban basin and presents a performance hierarchy (RF > CF ≈ ST > LS > LR) that enhances the applicability of GPM IMERG data for hydrological modeling and flood forecasting in regions with limited data availability. The study also emphasizes the necessity for focused evaluations and temporally constrained validations to optimize operational applications.
Introduction
The introduction of the study addresses the challenges of urban flooding in the Semarang lower watershed, particularly along the Banjir Kanal Timur (BKT), which is intensified by tidal influences and short-duration convective rainfall. The authors highlight the critical need for reliable precipitation data, noting the limitations of Indonesia’s sparse rain-gauge network and the biases present in uncorrected satellite estimates. Previous research has categorized Indonesia’s rainfall into three primary regimes—monsoonal, anti-monsoonal, and semimonsoonal—and identified regime shifts that are crucial for understanding rainfall patterns in Semarang. The Global Precipitation Measurement (GPM) mission’s Integrated Multi-satellitE Retrievals for GPM (IMERG) product offers high-resolution precipitation estimates but suffers from systematic errors due to various retrieval and sampling issues, particularly in convectively active and tidally influenced areas.
This study aims to conduct a decade-long operational assessment of bias-correction schemes for IMERG in a tropical urban watershed in Indonesia, utilizing monthly data from IMERG and three rain gauges from 2014 to 2023. The methodology includes a rigorous gauge-satellite workflow with quality control, point sampling, and Thiessen aggregation, while benchmarking five bias-correction approaches: Linear Scaling (LS), Linear Regression (LR), Correction Factor (CF), Spatiotemporal (ST), and Random Forest (RF). The performance of these methods will be evaluated using metrics such as Nash-Sutcliffe efficiency (NSE), Pearson correlation coefficient (R), and the ratio of root mean square error (RMSE) to standard deviation (RSR). The hypothesis posits that methods accounting for nonlinear, season-dependent error structures will outperform LR, and that interval-based and ST schemes will provide adequate monthly skill for data-scarce tropical urban basins.
Methods
In this section, the authors present a comparative assessment of various bias correction methods for the Global Precipitation Measurement (GPM) Integrated Multi-satellite Retrievals for GPM (IMERG) dataset, focusing on their performance over the 2014-2023 benchmark period. The Random Forest (RF) method emerged as the top performer, achieving a Nash-Sutcliffe Efficiency (NSE) of 0.61, a correlation coefficient (R) of 0.78, and a Root Mean Square Error (RSR) of 0.63. This method effectively captures nonlinear relationships between IMERG totals and topographical-seasonal descriptors, surpassing traditional regression and interpolation techniques. In contrast, the Correction Factor (CF) and Simple Threshold (ST) methods demonstrated similar performance (NSE = 0.53, R = 0.73, RSR = 0.69), while the Linear Scaling (LS) and Linear Regression (LR) methods exhibited lower efficiency (NSE = 0.37 and 0.28, respectively).
The study highlights the limitations of the methods, including the small number of gauges used for validation, the mismatch between the ~10 km IMERG grid and point-scale observations, and the reliance on monthly data aggregation, which may obscure short-duration convective extremes. The authors recommend future research to explore higher temporal resolutions and denser validation datasets to enhance the sensitivity of bias correction methods. Overall, the findings establish a performance hierarchy of RF > CF ≈ ST > LS > LR, reflecting the challenges of reconciling satellite and gauge data in heterogeneous lowland basins.
Results
The results of the study indicate that the Least Squares (LS) method significantly improved the alignment between Integrated Multi-satellite Retrievals for GPM (IMERG) and gauge measurements, achieving a Nash-Sutcliffe Efficiency (NSE) of 0.37, a correlation coefficient (R) of 0.70, and a Relative Standard Deviation (RSR) of 0.79. While these metrics suggest a moderate enhancement in mean rainfall alignment, the LS method demonstrated limited effectiveness in capturing month-to-month variability and extreme events. This limitation arises from the reliance on a single multiplicative factor derived from averages over the period 2014-2023, which fails to account for seasonal or intensity-dependent biases and the inherent discrepancies between satellite pixel data and point gauge measurements.
Furthermore, the study highlights that increased temporal aggregation can improve the correspondence between gauge and satellite data, aligning with the observed monthly results. Although the LS method maintains temporal ordering, it does not rectify distributional discrepancies, which could be better addressed through distribution-aware or hybrid approaches combined with robust preprocessing techniques. The scatter plot presented in Figure 2 illustrates a consistent yet dispersed relationship between GPM satellite rainfall and observed rainfall, revealing patterns of peak underestimation and minor event overestimation. This underscores the LS method’s limitations in convectively complex environments while affirming its utility in scenarios with limited data availability.
Discussion
The study conducted an analysis of precipitation data in the BKT watershed in Semarang, utilizing a combination of gauge observations and satellite estimates from the GPM IMERG Final Run over the period from 2014 to 2023. The research aimed to improve the accuracy of satellite-derived precipitation estimates through various bias correction methods, including Linear Scaling (LS), Linear Regression (LR), Correction Factor (CF), Spatio-Temporal (ST) adjustment, and Random Forest (RF) regression. Each method was evaluated based on metrics such as Nash-Sutcliffe Efficiency (NSE), correlation coefficient (R), and Root Mean Square Error (RSR), with RF demonstrating the highest performance (NSE = 0.61, R = 0.78, RSR = 0.63), indicating effective bias removal and improved alignment with gauge observations.
The LS method showed limited skill in capturing monthly variability (NSE = 0.28), while the LR method revealed significant dispersion, particularly at higher precipitation totals, suggesting challenges in addressing nonlinear biases. The CF and ST methods achieved moderate success (NSE = 0.53), effectively capturing temporal trends and seasonal variability, although they struggled with low and extreme event intensities. The RF method’s superior performance was attributed to its ability to model nonlinear relationships and spatial dependencies, making it a robust choice for operational forecasting. Overall, the study highlights the importance of employing advanced statistical techniques to enhance the reliability of satellite precipitation data for hydrological applications.