Rainfall forecasting and its spatio-temporal variability is important for many hydrological applications. It is critical to understand the uncertainty and verify the quality of rainfall forecasts provided by Numerical Weather Prediction (NWP) models. In the present study, the National Center for Environmental Prediction (NCEP) Global Forecast System (GFS) model performance is evaluated for day-1 to day-5 forecast with a threshold of 1 mm/day in the Nagavali and Vamsadhara river basins, India. From the results, the model predicted the rainfall with a correlation coefficient of >0.3 and probability of detection >0.6 for day-1 and day-3 forecasts. The bias in rainfall prediction shifted from overestimation to underestimation by 30% as forecast lead time increased. The total mean error is decomposed into hit, false, and missed bias. The main sources of total mean error are hit bias and false bias. However, missed bias influenced total mean error as lead time increased. Bias correction is applied for the rainfall events with a rainfall intensity >12 mm/day. RMSE improved by >18% for day-1 forecast in both the Nagavali and Vamsadhara basins, and the improvement ranged between 3% to 9% for other days. In the Nagavali basin, BIAS and ME improved and ranged from 44% to 65% for day-1 to day-5 forecast, whereas in the Vamsadhara basin, it ranged from 65% to 93%. Our findings are useful for early warning dissemination during the flood events, resource mobilization to protect communities, and sustainable water resources planning and management.

降雨预报及其时空变化对许多水文应用很重要。了解不确定性并验证数值天气预报 (NWP) 模型提供的降雨预报的质量至关重要。在本研究中，国家环境预测中心 (NCEP) 全球预报系统 (GFS) 模型性能在印度 Nagavali 和 Vamsadhara 河流域以 1 毫米/天的阈值进行了第 1 天到第 5 天预测的评估. 从结果来看，该模型预测降雨的相关系数 > 0.3 和检测概率 > 0.6 对于第 1 天和第 3 天的预测。随着预报提前期的增加，降雨预测的偏差从高估转变为低估 30%。总平均误差分解为命中、错误和遗漏偏差。总平均误差的主要来源是命中偏差和错误偏差。然而，随着交货时间的增加，遗漏的偏差会影响总平均误差。对降雨强度 >12 mm/天的降雨事件应用偏差校正。Nagavali 和 Vamsadhara 盆地的第 1 天预测的 RMSE 改善了 >18%，其他天的改善幅度在 3% 到 9% 之间。在 Nagavali 盆地，BIAS 和 ME 在第 1 天到第 5 天的预测中有所改善，从 44% 到 65% 不等，而在 Vamsadhara 盆地，它从 65% 到 93% 不等。我们的研究结果对于洪水事件期间的早期预警传播、资源调动以保护社区以及可持续的水资源规划和管理非常有用。对降雨强度 >12 mm/天的降雨事件应用偏差校正。Nagavali 和 Vamsadhara 盆地的第 1 天预测的 RMSE 改善了 >18%，其他天的改善幅度在 3% 到 9% 之间。在 Nagavali 盆地，BIAS 和 ME 在第 1 天到第 5 天的预测中有所改善，从 44% 到 65% 不等，而在 Vamsadhara 盆地，它从 65% 到 93% 不等。我们的研究结果对于洪水事件期间的早期预警传播、资源调动以保护社区以及可持续的水资源规划和管理非常有用。对降雨强度 >12 mm/天的降雨事件应用偏差校正。Nagavali 和 Vamsadhara 盆地的第 1 天预测的 RMSE 改善了 >18%，其他天的改善幅度在 3% 到 9% 之间。在 Nagavali 盆地，BIAS 和 ME 在第 1 天到第 5 天的预测中有所改善，从 44% 到 65% 不等，而在 Vamsadhara 盆地，它从 65% 到 93% 不等。我们的研究结果对于洪水事件期间的早期预警传播、资源调动以保护社区以及可持续的水资源规划和管理非常有用。第 1 天到第 5 天预测的 BIAS 和 ME 有所改善，从 44% 到 65% 不等，而在 Vamsadhara 盆地，它从 65% 到 93% 不等。我们的研究结果对于洪水事件期间的早期预警传播、资源调动以保护社区以及可持续的水资源规划和管理非常有用。第 1 天到第 5 天预测的 BIAS 和 ME 有所改善，从 44% 到 65% 不等，而在 Vamsadhara 盆地，它从 65% 到 93% 不等。我们的研究结果对于洪水事件期间的早期预警传播、资源调动以保护社区以及可持续的水资源规划和管理非常有用。