Precipitation is an important forcing for land surface models (LSMs). Various types of precipitation data sets are available based on satellites, rain gauges, merged data sets, as well as analysis products. This study evaluates the uncertainty in soil moisture estimates using the five different forcing precipitation data sets from the: Global Data Assimilation System (GDAS), Tropical Rainfall Measurement Mission (TRMM)-Multi-satellite Precipitation Analysis (TMPA), Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks-Climate Data Record (PERSIANN-CDR), Global Precipitation Mission (GPM), and Indian Meteorological Department (IMD) gridded data over the Indian domain using the Noah land surface model within the NASA Land Information System (LIS). The simulations are conducted using the five different precipitation data sets over the Indian subcontinent for 3 years from 2012–2014. Except for the rainfall forcing, the simulation environment was retained identical for each of the five simulations in terms of model configuration and physics. The simulation results are compared with the weekly soil moisture station data available from the IMD for different depths. Results indicate that the LIS-Noah soil moisture estimates forced with IMD rainfall agreed better among the five simulations with IMD in situ data. The simulated output soil moisture using IMD as precipitation data has the lowest soil moisture RMSE for all 3 years as compared to other simulations, while the GPM forced simulation has a higher RMSE value for all 3 years. The correlation coefficients of simulated soil moisture outputs with respect to different in situ stations show that, among the five simulations, IMD forced simulation has a higher correlation coefficient for the majority of stations for the years 2012 and 2013, while for the year 2014, GPM forced simulation shows better results. The correlation coefficient between the PERSIANN-CDR forced simulation output and in situ stations shows poor results as compared to other products. IMD gridded rainfall forced simulation is superior to the other four precipitation forced simulations in all study areas and could be used in the future for hydrological and meteorological models.

降水是地表模型 (LSM) 的一个重要强迫因素。基于卫星、雨量计、合并数据集以及分析产品，可以获得各种类型的降水数据集。本研究使用来自以下五个不同强迫降水数据集评估土壤水分估计的不确定性：全球数据同化系统 (GDAS)、热带降雨测量任务 (TRMM)-多卫星降水分析 (TMPA)、遥感降水估计使用人工神经网络的信息 - 气候数据记录 (PERSIANN-CDR)、全球降水任务 (GPM) 和印度气象部门 (IMD) 使用 NASA 土地信息系统 (LIS) 内的诺亚地表模型在印度域上网格化数据. 模拟是使用印度次大陆 2012 年至 2014 年 3 年的五个不同降水数据集进行的。除了降雨强迫之外，在模型配置和物理方面，五个模拟中的每一个的模拟环境都保持相同。将模拟结果与 IMD 提供的不同深度的每周土壤水分站数据进行比较。结果表明，在使用 IMD 原位数据的五次模拟中，使用 IMD 降雨强制进行的 LIS-Noah 土壤水分估计更符合。与其他模拟相比，使用 IMD 作为降水数据的模拟输出土壤水分在所有 3 年中具有最低的土壤水分 RMSE，而 GPM 强制模拟在所有 3 年中具有更高的 RMSE 值。不同原位站模拟土壤水分输出的相关系数表明，在5次模拟中，IMD强迫模拟在2012年和2013年大多数站的相关系数较高，而对于2014年，GPM强制模拟显示出更好的结果。与其他产品相比，PERSIANN-CDR 强制模拟输出和原位站之间的相关系数显示出较差的结果。IMD网格降雨强迫模拟在所有研究区域均优于其他四种降雨强迫模拟，可用于未来水文和气象模型。2012年和2013年大部分台站IMD强迫模拟的相关系数较高，而2014年GPM强迫模拟的结果较好。与其他产品相比，PERSIANN-CDR 强制模拟输出和原位站之间的相关系数显示出较差的结果。IMD网格降雨强迫模拟在所有研究区域均优于其他四种降雨强迫模拟，可用于未来水文和气象模型。2012年和2013年大部分台站IMD强迫模拟的相关系数较高，而2014年GPM强迫模拟的结果较好。与其他产品相比，PERSIANN-CDR 强制模拟输出和原位站之间的相关系数显示出较差的结果。IMD网格降雨强迫模拟在所有研究区域均优于其他四种降雨强迫模拟，可用于未来水文和气象模型。