从历史降水重建向实时监测的迈进：结合近实时数据的卫星测量方法，填补数据延迟期带来的空白

《Journal of Hydrology》：Advancing from historical precipitation reconstruction to real-time monitoring: Satellite-gauge fusion with near-real-time data gap-filling accounting for latency periods

卫星-雨量计降水融合技术通过两步方法解决近实时卫星降水产品（NSPPs）的4小时延迟问题：首先采用U-Net、Attention U-Net和ConvLSTM填补延迟期降水数据，生成粗实时估计；其次利用空间随机森林（SRF）融合优化，显著提升精度（BA提升>0.10，KGE>0.80），降低 heavy rainfall RMSE至<10mm，验证了该方法在长江下游流域的有效性。

　　卫星与地面观测降水数据的融合对于提高定量降水估计的精度具有重要意义。然而，目前近实时卫星降水产品（NSPPs）仍存在数小时的延迟，这主要是由于观测和处理过程所需的时间。这种延迟导致了在实时降水模式中出现信息缺失，从而限制了融合技术在实时监测中的应用，并阻碍了对降水估计精度的进一步提升。为了解决这一问题，本文提出了一种两步降水融合框架，旨在生成高精度的实时降水估计数据。在第一步中，我们使用三种深度学习方法（U-Net、注意力U-Net和ConvLSTM）填补GSMaP_NRT和IMERG_Early在延迟期间的降水模式，从而生成粗略的实时估计。在第二步中，我们采用空间随机森林（SRF）方法，将每个NSPP中表现最佳的降水模式与地面观测数据进行融合。研究结果表明，U-Net在填补延迟期间降水模式的准确性方面表现最佳，其二元准确率（BA）和KGE（ Kling–Gupta效率）的平均中位数分别超过0.66和0.35，显示出在延迟期间的稳健性和时空一致性。此外，降水融合显著提升了BA和KGE的值，分别提高了超过0.10和0.80，同时在强降雨区域将RMSE（均方根误差）降低至10?mm以下，并增强了雨/无雨分类的准确性。研究还发现，在延迟期间（t-4至t-1）和前一周期（t-8至t-5）的降水融合中，分类和连续精度均表现出较高的一致性，其中BA超过0.80，KGE的差异被控制在0.14以内。这一框架有效解决了NSPPs在延迟期间缺乏数据的问题，为实时降水监测提供了可靠的支持。

降水的时空分布对于灾害预防和水资源管理至关重要。然而，降水具有间歇性和空间异质性，这使得高精度的时空监测面临诸多挑战。卫星降水产品因其广泛的覆盖范围和快速的更新频率，已成为降水监测的重要数据来源。但这些产品与地面观测数据相比仍存在一定的误差。因此，卫星与地面观测数据的融合技术逐渐成为提高降水估计精度的关键方法。卫星与地面观测数据融合的目标是利用统计方法、机器学习和深度学习技术，从多源降水产品中提取有价值的信息，生成高精度的降水数据集。现有研究中，降水融合技术主要分为两类：一类是针对历史降水数据集的重建，另一类则是针对近实时降水数据集的生成。前者通常不限制输入数据类型，可以整合不同用途的卫星降水产品，如用于操作应用的近实时产品和用于研究或回顾分析的后处理产品。后者则专注于利用近实时卫星数据支持灾害预报，如洪水监测。值得注意的是，关于实时降水融合的研究仍然相对较少。

深度学习技术在图像识别、视频分类和预测方面表现出色，这使得研究人员开始探索其在降水时空分布预测中的应用。这些方法在填补NSPPs数据缺失方面展现出良好的前景，为实现实时卫星与地面降水融合提供了新的思路。例如，Shi等人（2015）提出了ConvLSTM网络，用于雷达降水的时空序列预测。Ronneberger等人（2015）开发了U-Net网络，最初用于生物医学图像分割，但后来被应用于雷达降水的外推预测。Ayzel等人（2020）利用U-Net实现了每五分钟的雷达降水预测，其效果显著优于传统的光流方法。Han等人（2022）比较了U-Net、TREC和TrajGRU在降水现在（nowcasting）中的表现，发现U-Net在简单性、效率和适应性方面具有优势。Han等人（2023a）在U-Net中引入了翻译模块，使其能够实现长达120分钟的雷达降水预测，且在定性分析中保持高精度。Li等人（2024a）则比较了U-Net、SmaAt-UNet、Nested-UNet和U-Net 3Plus在雷达回波外推和降水现在中的表现。这些研究表明，深度学习方法，特别是基于U-Net的模型，在填补降水时空数据缺失方面具有显著潜力，为实现实时卫星与地面降水融合提供了可行路径。

在研究中，我们发现卫星观测数据与近实时降水产品之间的延迟通常为4小时，这导致在t-4至t-1时间段内缺乏实时降水模式。这种延迟限制了降水融合技术在实时环境中的应用，并影响了实时监测精度的提升。为了解决这一问题，我们提出了一个两步降水融合框架，并将其应用于中国长江下游地区（YRB）。在第一步中，我们利用U-Net、注意力U-Net和ConvLSTM三种深度学习方法填补NSPPs在延迟期间的降水模式，从而生成粗略的实时降水估计。在第二步中，我们采用空间随机森林（SRF）方法，将每个NSPP中表现最佳的降水模式与地面观测数据进行融合。本研究的主要目标包括：（1）评估不同深度学习方法在填补NSPPs延迟期间降水信息中的性能；（2）分析降水融合带来的精度提升；（3）研究延迟期间和前一周期的降水融合精度一致性。与以往研究相比，本研究的两个主要创新点在于：（1）使用深度学习方法填补NSPPs在延迟期间的降水模式，从而有效缓解卫星产品延迟带来的影响，生成实时降水估计，实现从近实时到实时的突破；（2）在实时环境中应用降水融合技术，利用实时气象强迫数据，推动降水融合研究在实时监测中的应用。

研究区域为长江下游地区，位于东经115.47–121.90°和北纬29.59–32.74°之间，地处中国东部，主要地形为平原，仅有西北部和西南部存在少量丘陵地带。该地区的高程变化显著，范围从-210?m到1791?m（图1(a)）。长江下游地区属于亚热带湿润季风气候，其水文气象特征受到印度季风、东亚季风和西太平洋副热带季风的影响。这种复杂的气候条件使得降水具有显著的时空异质性，给高精度降水监测带来了挑战。因此，研究该地区的降水模式对于提高区域降水估计的准确性具有重要意义。

本文提出的两步降水融合框架如图2所示，首先利用U-Net、注意力U-Net和ConvLSTM三种深度学习方法填补GSMaP_NRT和IMERG_Early在延迟期间的降水模式。随后，通过空间随机森林（SRF）方法，将填补后的降水模式与地面观测数据进行融合。为了评估填补效果，我们选取了四种典型的降水事件，分别对应于GSMaP_NRT和IMERG_Early在延迟期间的降水模式。填补后的降水模式分别标记为GSM_UNet、GSM_AUNet和GSM_CvLM，对应于GSMaP_NRT的三种模型结果。同样，IMERG_Early的填补结果分别标记为IME_UNet、IME_AUNet和IME_CvLM。作为准确性评估的基准，实际的卫星降水模式分别标记为GSM_Real和IME_Real。

在填补延迟期间降水模式的模型性能分析中，我们发现U-Net在所有评估指标中表现最佳，其次是注意力U-Net，而ConvLSTM的性能相对较弱。从理论上讲，引入CBAM（通道注意模块）可以增强U-Net在时空特征提取方面的能力，从而进一步提升其在填补降水模式中的表现。这一发现表明，尽管ConvLSTM在处理时间序列数据方面具有一定优势，但在填补降水模式时，其表现仍不及U-Net和注意力U-Net。因此，选择U-Net作为填补延迟期间降水模式的最优模型，是本研究的一个重要决策。

为了进一步验证降水融合的效果，我们采用了空间随机森林（SRF）方法，将填补后的降水模式与地面观测数据进行融合。融合后的降水数据集在多个指标上均显示出显著的提升。首先，融合后的数据在二元准确率（BA）和KGE（Kling–Gupta效率）方面分别提高了超过0.10和0.80，这表明降水融合在提升降水估计精度方面具有显著效果。其次，在强降雨区域，融合后的数据将RMSE降低至10?mm以下，这一结果对于洪水监测等灾害预警具有重要意义。此外，雨/无雨分类的准确性也得到了显著提升，这有助于更精确地识别降水事件的发生与结束时间。

在分析延迟期间（t-4至t-1）和前一周期（t-8至t-5）的降水融合精度时，我们发现两者在分类和连续精度方面均表现出较高的一致性。具体而言，BA值在延迟期间和前一周期均超过0.80，这表明融合后的数据在雨/无雨分类方面具有良好的稳定性。同时，KGE值在不同延迟期间的差异被控制在0.14以内，这说明融合后的数据在连续降水估计方面也保持了较高的一致性。这一结果表明，无论是在延迟期间还是在前一周期，降水融合都能提供可靠的降水估计，为实时监测提供了有力支持。

综上所述，本文提出的两步降水融合框架在填补NSPPs延迟期间降水模式和提升实时降水估计精度方面均取得了显著成效。通过使用U-Net、注意力U-Net和ConvLSTM三种深度学习方法，我们有效缓解了卫星降水产品延迟带来的影响，生成了更接近实时的降水估计数据。随后，通过空间随机森林（SRF）方法将填补后的数据与地面观测数据进行融合，进一步提升了降水估计的准确性。研究结果表明，U-Net在填补降水模式方面表现最佳，而降水融合在提升BA和KGE指标方面具有显著效果，特别是在强降雨区域，融合后的数据将RMSE降低至10?mm以下。此外，延迟期间和前一周期的降水融合精度保持较高的一致性，这为实时降水监测提供了可靠的数据支持。本研究不仅验证了深度学习方法在填补降水时空数据缺失方面的潜力，也为实现从近实时到实时的降水数据转换提供了可行的技术路径。未来的研究可以进一步探索其他深度学习模型在填补降水模式中的应用，以及不同融合方法在不同降水事件中的表现，以期在实时降水监测领域取得更大的突破。