《Journal of Hydrology》：A multi-source precipitation blending method combining hydrological model-guided precipitation adjustment and double transfer learning-based data merging
编辑推荐：
本研究提出多源降水融合（MSPB）方法，通过HBV模型指导的降水校正和双迁移学习机制，整合地面观测、格点降水及辅助气象数据，有效解决稀疏测站区域降水估算精度不足问题，在黄河源区验证中表现出优于现有方法的时空一致性及定量精度。
王静阳|李翔|吴瑞燕|穆向鹏|魏家华|黄月飞|顾胜龙|尹东勤|陶鑫|徐凯安
青海大学土木工程与水资源学院，西宁810016，中国
摘要
降水融合已被证明是提高定量降水估计准确性的有效方法。然而，传统的降水融合方法存在两个固有局限性：（1）在雨量计网络稀疏的地区适用性较差；（2）由于输入数据源的准确性不足，导致估计性能下降。为了解决这些局限性，本研究提出了一种多源降水融合（MSPB）方法，该方法整合了三个数据集——地面降水数据、网格化降水数据和辅助气象数据集——这些数据集具有高时空分辨率和实时处理能力。该方法包括：（1）将所有数据集预处理为标准化的输入-输出结构；（2）实施基于HBV的降水调整（HBV_PA）模型以提高数据质量；（3）使用校正后的数据集开发双重迁移学习（DTL）模型生成融合降水产品；（4）通过与对比对象的全面性能评估进行验证，并通过黄河源头地区（YRSA）的案例研究进行演示。评估指标包括事件检测的概率（POD）、误报率（FAR）和关键成功率指数（CSI），以及定量评估的Nash-Sutcliffe效率（NSE）、Kling-Gupta效率（KGE）和均方根误差（RMSE）。结果表明，经过HBV_PA调整的降水产品在时间和空间维度上的大多数统计指标上均显著优于三个原始数据源（IMERG-Late、GSMaP-Gauge和ERA5-Land）。在应用DTL融合HBV_PA调整后的多源降水输入后，MSPB方法在降雨事件检测性能（POD = 0.87 ± 0.01，FAR = 0.23 ± 0.01，CSI = 0.69 ± 0.01）和降水量化能力（NSE = 0.46 ± 0.02，KGE = 0.62 ± 0.01，RMSE = 2.28 ± 0.04）方面表现出色，并优于其他多源降水产品和基准方法。在唐乃海-兰州段（TLR）进行的基准实验进一步证实，所提出的DTL模型通过有效利用流域外信息，优于所有基准方法，为数据稀疏流域提供了可靠的估计方案。贡献分析进一步揭示了输入数据源在融合性能中的独特功能作用，证实了多源降水数据和辅助气象信息对降水估计准确性的重要贡献。本研究确立了MSPB方法作为开发高精度降水产品的可扩展解决方案。通过结合物理意义上的调整和强大的迁移学习能力，该框架在有效克服观测数据稀少流域的关键挑战的同时，实现了稳健的预测性能。
引言
降水是基本的水文气象变量，也是全球水循环的主要驱动力（Allen和Ingram，2002；Yin等人，2022）。降水从根本上控制着水文过程，并作为水文模型的主要输入（Dong等人，2024；Wang H等人，2025；Wang J等人，2025）。值得注意的是，陆地表面水文模拟中70-80%的不确定性来源于降水的时空变异性（Gebregiorgis和Hossain，2013；Larson和Peck，1974）。尽管降水非常重要，但由于显著的时空异质性，准确的降水估计仍然面临持续挑战（Hasan等人，2016；Koster等人，2021）。
当前的降水估计方法主要分为四种来源：雨量计、天气雷达、基于卫星的产品和大气再分析产品。每种方法都有其特点和局限性（Maggioni和Massari，2018）。虽然雨量计和雷达网络可以相当准确地记录降水测量值，但它们通常分布稀疏且不均匀，无法解决高海拔地区的降水时空异质性问题。
相比之下，基于卫星的产品和大气再分析产品提供了表征连续降水场的强大替代方案，利用了它们的高时空分辨率能力。迄今为止，已经开发了先进的遥感技术和数值天气模型来生成多种降水产品。许多高质量的遥感降水数据集——包括TRMM、GSMaP和IMERG——显示出稳健的准确性，使得它们在水文建模和水资源管理中从本地到全球范围内得到广泛应用（Tashima等人，2020；Wang等人，2017）。此外，再分析产品是提供连续覆盖降水数据的另一个关键来源（Wu等人，2023）。这些产品通过数据同化系统生成，结合了多种观测来源和卫星数据集与数值天气模型（Amjad等人，2020；Yin等人，2021）。例如，由欧洲中期天气预报中心（ECMWF）开发的ERA5是广泛使用的数据集，在陆地水文气象应用中表现出成熟的实用性（Chen等人，2021；Dong等人，2024）。
尽管基于卫星和大气再分析的降水估计在各种应用中得到了广泛使用，但其性能仍受到多种因素的限制，包括反演算法、复杂地形、传感器重采样频率和同化技术的不确定性（Arshad等人，2021；Lei等人，2022；Nerini等人，2015）。这些固有限制突显了需要进一步改进的关键领域。
为了提高降水估计的准确性，可以通过某些程序整合来自多个网格化降水产品和雨量计观测的估计值，这些程序根据它们的相对优势和相关不确定性系统地融合各个成员（Ma等人，2021；Wu等人，2020）。当前的降水融合方法大致分为两类，基于基本原理：降水校正和数据合并。降水校正建立了网格化降水产品和雨量计观测之间的统计关系。然而，这种方法一次只能校正一个网格化产品，因此在处理多个产品时限制了其稳健性（Beaufort等人，2019；Ma等人，2024；Xie等人，2017）。相比之下，数据合并通过考虑不确定性的加权方案系统地整合了多源降水数据集——包括雨量计观测、卫星估计和再分析产品。这种方法通常生成的融合降水场比单个数据源具有更好的性能（Beck等人，2019；Yin等人，2021）。数据合并方法包括加权平均方法和机器学习方法。传统加权策略的一个已知局限性是权重分配可能具有主观性，并受研究者定义的经验策略影响（Sapiano等人，2008）。实际上，合并降水输出与原始产品之间的关系往往表现出非线性特征。机器学习为合并多个网格化降水产品提供了强大的替代方案，因为它能够捕捉高维数据中的复杂非线性关系（Kossieris等人，2024；Liu Y等人，2022；Yu等人，2023）。
尽管许多研究表明，基于机器学习的降水融合产品在性能上优于其他多源降水产品，但仍然存在两个持续的限制：（1）合并降水估计的准确性本质上受到源降水产品质量的限制（Chen等人，2022；Duan等人，2022；Tang等人，2018）；（2）这些方法生成的降水估计的质量严重依赖于丰富的雨量计观测作为基准数据，使得它们在降雨监测基础设施稀少的地区不适用（Beck等人，2017；Liu等人，2019；Wu等人，2020）。
为了解决这些问题，本研究提出了一种多源降水融合（MSPB）方法，该方法有两个关键创新：（1）基于HBV的降水调整（HBV_PA）机制，利用水文系统响应作为动态过滤器来提高降水产品的质量；（2）双重迁移学习（DTL）实现，将数据丰富领域的知识适应到数据稀缺地区，从而在观测数据有限的地区产生稳健的降水估计。MSPB方法整合了三个数据集——地面降水数据、网格化降水数据和辅助气象数据集——这些数据集具有高时空分辨率和实时处理能力。MSPB产品的可靠性和有效性在黄河源头地区（YRSA）和唐乃海至兰州段（TLR）进行了评估（见补充材料S.2）。
引言之后，第2节介绍了研究区域和数据集。第3节全面阐述了方法论。第4节展示了结果，第5节进行了讨论。第6节提供了结论性意见。
研究区域
黄河全长约5,464公里，发源于巴颜卡拉山脉，流经青海、四川、甘肃、宁夏、内蒙古、山西、陕西、河南和山东九个省份和自治区，最终注入渤海。该河流域面积约为752,000平方公里。
在本研究中，我们关注的是从源头到唐乃海水文站的YRSA区域（图1）。
框架
本研究采用的MSPB方法框架如图3所示，包括四个模块：
(1)数据预处理。将网格化降水产品、辅助气象变量和地面观测数据处理为输入-输出结构，以便后续的降水调整和数据合并（详细说明见第3.2节）。
(2)水文模型引导的降水调整。预处理后的数据集首先进行序列分割。
整体性能
为了评估我们提出的HBV_PA和DTL方法在YRSA地区改进降水估计的性能，我们使用雨量计观测作为真实值进行了全面比较。评估包括原始网格化降水产品（IMERG、GSMaP、ERA5-Land）、它们的HBV_PA调整后的对应产品（IMERG_PA、GSMaP_PA、ERA5-Land_PA），以及提出的MSPB产品，涵盖2002-2019年期间。为了确保模型性能的稳定性和可靠性
多源输入对MSPB方法的影响
我们的验证结果表明，MSPB方法通过有效整合HBV_PA和DTL方法的优点，在YRSA地区取得了优异的性能。然而，我们选择的多源输入——包括辅助气象数据和网格化降水数据集——对MSPB方法性能的具体贡献需要系统评估。为此，我们按照标准方法进行了消融研究，依次排除了每个输入
结论
为了解决数据稀缺地区的降水估计挑战，我们提出了MSPB方法，该方法结合了水文模型引导的降水调整和基于双重迁移学习的数据合并策略。以YRSA作为研究区域，本研究整合了辅助气象变量（露点温度、空气温度和地表压力），并通过MSPB方法系统地合并了多个降水产品（IMERG、GSMaP和ERA5-Land）。主要
未引用参考文献
Beck等人，2016；Gu等人，2025；Liu等人，2024；Liu等人，2022a；Liu等人，2022b；Meema等人，2025；Mega等人，2019；Wang等人，2025a；Wang等人，2025b；Worqlul等人，2018。CRediT作者贡献声明
王静阳：写作——审稿与编辑，撰写——原始草稿，方法论，调查，数据管理，概念化。李翔：调查，数据管理。吴瑞燕：监督，项目管理。穆向鹏：监督，项目管理。魏家华：项目管理。黄月飞：项目管理。顾胜龙：项目管理。尹东勤：调查。陶鑫：数据管理。徐凯安：数据管理。
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。
致谢
本研究得到了中国国家重点研发计划（2023YFC3206701）、国家自然科学基金（52479032、U2243232、42171024）以及青海省自然科学基金（2025-ZJ-964J）的支持。
