انجمن ملی ژئوفیزیک ایران مجله ژئوفیزیک ایران 2008-0336 20 4 2026 07 23 A multi‑criteria framework (Entropy–TOPSIS) for selecting optimal CMIP6 model–method combinations for precipitation and temperature bias correction in northeastern Iran یک چارچوب چندمعیاره (Entropy–TOPSIS) برای انتخاب ترکیب‌های بهینه مدل–روشِ CMIP6 جهت تصحیح اریبی بارش و دما در شمال شرق ایران 131 155 247723 10.30499/ijg.2026.579122.1763 FA آرش رازبان دانشجوی دکتری، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران سید محمد موسوی بایگی استاد، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران ایمان بابائیان استاد، پژوهشگاه هواشناسی و علوم جو، پژوهشکده اقلیم شناسی، مشهد، ایران 0000-0002-9281-062X بهنام کامکار دانش آموخته کارشناسی ارشد، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران نسرین صراف زاده مهندسی منابع آب، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد Journal Article 2026 04 20 Climate change and the intensification of its impacts have increased the need for accurate station-scale reproduction of precipitation and temperature. However, raw CMIP6 outputs, because of their coarse spatial resolution and systematic biases, require bias correction and a robust procedure for selecting appropriate model–method combinations. To address the gap of fragmented and single-variable evaluations in eastern Iran, this study proposes a station-based, multi-criteria framework for the simultaneous ranking of model–method combinations in reproducing precipitation, minimum temperature, and maximum temperature across the three Khorasan provinces (19 stations, 1989–2014). Within this framework, outputs from eight CMIP6 models (five ESMs and three GCMs) were evaluated using eight statistical bias-correction methods implemented in the CMHyd software (five methods for precipitation and four for temperature). The evaluation metrics included NRMSE, MAE, r, and KGE, together with variable-specific PBIAS for precipitation and MBE for temperature. After normalization, the criteria were weighted using Shannon entropy with regionally fixed weights, and station-level ranking was performed using TOPSIS. The results were then aggregated using median ranks, IQR, and the number of winning stations, and statistically assessed using the Friedman and Nemenyi tests. Performance differences among alternatives were significant for all three variables (Tmin: χ² ≈ 538, p ≈ 10⁻⁹⁴; Tmax: χ² ≈ 458, p ≈ 10⁻⁷⁷; Pr: χ² ≈ 286, p ≈ 10⁻⁴⁴). MPI|VarianceScaling and MPI|DistributionMapping were identified as the best regional options for Tmin and Tmax, respectively. Nevertheless, the Nemenyi test showed that 12 (Tmin) and 11 (Tmax) combinations were not statistically distinguishable from the top-ranked option, forming an excellent group characterized by convergent and stable performance indices. For precipitation, HadGEM|DistributionMapping ranked first and produced more accurate performance indices than other members of the excellent group. In contrast, many INM-, CMCC-, and GFDL-based combinations, together with some DeltaChange/LinearScaling and LocalIntensity/PowerTransformation methods, were significantly separated from the excellent group and occupied the lowest ranks. Accordingly, in the Khorasan region, MPI combined with Variance Scaling and Distribution Mapping, and HadGEM combined with Distribution Mapping, are the most stable options for reproducing temperature and precipitation, respectively. The proposed framework provides a practical basis for reducing structural uncertainty and supporting robust selection of climate model–bias correction combinations for climate change impact assessment and regional hazard management. تغییر اقلیم و افزایش اثرات آن، نیاز به بازتولید دقیق بارش و دما در مقیاس ایستگاهی را تشدید کرده است؛ اما خروجی CMIP6 به‌علت تفکیک مکانی پایین و خطاهای سامانمند، نیازمند تصحیح اریبی آماری و انتخاب مدل–روش است. این پژوهش برای رفع خلأ ارزیابی‌های پراکنده و تک‌متغیره در شرق ایران، چارچوبی ایستگاه‌محور و چندمعیاره برای رتبه‌بندی هم‌زمان ترکیب‌های «مدل–روش» در بازتولید بارش، دمای حداقل و دمای حداکثرِ سه استان خراسان ارائه می‌کند (۱۹ ایستگاه، 1989–2014). در این چارچوب، خروجی‌های ۸ مدل از CMIP6(۵ مدل ESM و 3 مدل GCM) با ۸ روش تصحیح اریبی نرم‌افزار CMHyd (۵ روش بارش، ۴ روش دما) مقایسه شدند. سنجه‌ها: NRMSE، MAE، r و KGE؛ و به‌صورت متغیرمحور PBIAS برای بارش و MBE برای دما می‌باشد. معیارها پس از نرمال‌سازی با آنتروپی شانون (وزن ثابت در منطقه) وزن‌دهی و رتبه‌بندی ایستگاهی با TOPSIS انجام شد؛ سپس نتایج با میانه رتبه‌ها، IQR و تعداد ایستگاهِ برنده تجمیع و با آزمون‌های فریدمن و نمنـی اعتبارسنجی شد. اختلاف عملکرد گزینه‌ها برای هر سه متغیر معنادار بود (Tmin: χ²≈538, p≈10⁻⁹⁴؛ Tmax: χ²≈458, p≈10⁻⁷⁷؛Pr: χ²≈286, p≈10⁻⁴⁴). MPI|VarianceScaling (میانگین رتبه≈1/3) برای Tmin و MPI|DistributionMapping (میانگین رتبه≈2/3) برای Tmax بهترین گزینه‌های منطقه‌ای بودند؛ بااین‌حال، آزمون نمنـی نشان داد ۱۲ ترکیب (Tmin) و ۱۱ ترکیب (Tmax) از نظر آماری با گزینه برتر قابل تفکیک نیستند و «گروه ممتاز» با شاخص‌های همگرا و پایدار می‌سازند. برای بارش، HadGEM|DistributionMapping (میانگین رتبه≈1) برتر بود و نسبت به سایر اعضای گروه ممتاز شاخص‌های دقیق‌تری ارائه داد. در مقابل، بسیاری از ترکیب‌های مبتنی بر INM، CMCC و GFDL و نیز برخی روش‌های DeltaChange/LinearScaling و LocalIntensity/PowerTransformation فاصله معناداری با گروه ممتاز داشتند و در رتبه‌های انتهایی قرار گرفتند. بنابراین در خراسان، مدل MPI همراه Distribution Mapping و Variance Scaling و HadGEM همراه Distribution Mapping به‌ترتیب پایدارترین گزینه‌ها برای بازتولید دما و بارش‌ هستند. این چارچوب پیشنهادی مبنایی برای کاهش عدم‌قطعیت و انتخاب اتکاپذیر مدل–روش در پیش‌نگری اقلیم و مدیریت مخاطره منطقه‌ای است.

https://www.ijgeophysics.ir/article_247723_731c17f11a629d6254173a56a8abdb4e.pdf