华宇：先进的基于实时的卫星降水估算技术

《International Journal of Applied Earth Observation and Geoinformation》：Huayu: Advanced real-time satellite-based precipitation estimation

　　宋子江|刘婷|袁琳娜|李玉英|徐敖|孙西刚|李叶|卢峰|刘敏
华东师范大学地理信息科学教育部重点实验室，上海200241，中国

**摘要**
随着气候变化加剧全球极端降水和洪水事件的频率和严重程度，对公共安全和经济资产的相关风险也在不断增长。在这种情况下，准确的、实时的基于卫星的降水量估计对于大规模水文气象分析和有效的灾害监测变得至关重要。NASA的GPM综合多卫星反演（IMERG Final Run）结合了“所有”卫星的微波观测数据，并进行了气象校正和气候调整，以0.1°的空间分辨率和30分钟的时间分辨率生成降水量估计。然而，尽管其在捕捉降雨模式和变化性方面优于主流的卫星降水量数据集，但其大约3.5个月的延迟显著限制了其实时应用的可能性。我们提出了Huayu，这是一种基于深度学习的实时卫星降水量反演系统，它仅依赖于风云-4B地球静止卫星的红外观测数据，在120° × 120°的区域内提供更精细的时空分辨率（15分钟，0.05°）的降水量估计。实验验证表明，Huayu与雨量计观测结果高度一致，其关键成功率指数（CSI）比IMERG Final Run提高了3.3%（CSI: 0.671 vs CSI: 0.693）。

**1. 引言**
降水量是一个具有重大科学和社会意义的天气变量。准确的实时数据对于灾害响应、农业规划和水资源管理至关重要，能够实现洪水和干旱的早期预警。然而，降雨的高度变异性和强度使得其的大规模精确估计特别具有挑战性。现有的实时降水量监测主要依赖于配备主动微波技术的地面天气雷达系统。从天气雷达数据中推导降水量估计的最广泛使用的方法是Z-R关系（Fulton等人，1998年）。最近的进展包括机器学习方法，例如谷歌DeepMind提出的方法，该方法利用Multi-Radar/Multi-Sensor System（MRMS）中的MetNet模型实现了最多提前十二小时的降水量预测（Espeholt等人，2022年；Zhang等人，2023年）。尽管有这些改进，雷达网络的空间覆盖范围仍然存在固有限制。这一差距在偏远和海洋地区尤为明显，那里雷达数据的稀缺成为全面大规模降水量监测的关键障碍（Wang等人，2020年）。

卫星观测技术的进步引入了区域降水量监测的新方法（Cheng和Han，2016年；Gómez-Chova等人，2015年；Navalgund等人，2007年；Goetz等人，1983年）。极轨卫星在较低的高度飞行，提供更高的空间分辨率，但它们重新访问同一区域的频率较低。相比之下，地球静止卫星在大约36,000公里的轨道上运行，可以持续、高频地观测固定区域。

机器学习的迅速发展显著影响了气象卫星研究领域。在这一领域，基于卫星的机器学习已经证明了其在降水估计方面的可行性，为经典方法提供了可行的替代方案（Ji等人，2025年；Kubota等人，2020年；Tan等人，2019年；Zhu等人，2024年）。机器学习方法擅长捕捉卫星降水数据中的复杂关系，即使辅助输入较少。Wang等人（2020年）开发了IPEC（使用卷积神经网络的红外降水量估计），该模型使用了三个GOES红外通道（第3、第4和第6波段）。当与NCEP第四阶段降水量分析（Lin，2011年）进行验证时，该模型的关键成功率指数（CSI）约为0.4。在后续研究中，Wang等人（2021年）将这一框架适配到风云卫星上，得到了IPEC-V2数据集。当与CMPA网格化降水量产品（Shen等人，2014年）进行评估时，IPEC-V2的最大相关系数（CC）为0.34。Jiang等人（2023年）使用FY-4A（风云-4A）卫星数据和全球降水测量（GPM）IMERG（综合多卫星反演）开发了一个降水预测模型。他们的模型在0.5小时的预测时间内获得了约0.58的相关系数（CC）和0.46的关键成功率指数（CSI）。在另一项研究中，G. Ma等人（2022年）使用多尺度网络获得了0.50的相关系数（CC）和0.24的关键成功率指数（CSI），与NCEP第四阶段分析相比。Zhang等人（2022年）提出的PrecipGradeNet模型在针对IMERG Early Run进行验证时也表现出色，关键成功率指数为0.4。由于IMERG Final Run（FR）的3.5个月延迟，无法用于实时降水估计，因此没有被采用。

因此，仍然存在一个明显的差距：需要一种方法，既能利用IMERG FR基准的高保真度，又能满足地球静止轨道实时应用所需的低延迟要求。为了解决这一挑战，我们推出了Huayu，这是一种使用FY-4B高级地球静止辐射成像仪（AGRI）的红外数据进行实时降水估计的新机器学习模型。通过增强GeoAttX框架（Song等人，2025年），Huayu通过训练IMERG FR产品更有效地解码了卫星红外辐射与降水量之间的复杂关系。Huayu的进步主要集中在两个关键创新上：提高了估计准确性和显著降低了延迟——这是迈向地球静止轨道操作化、高分辨率实时降水监测的关键一步。随着常规数据集的更新，Huayu将使政策制定者和预报员能够快速监测天气事件并对变化的水文气象条件做出反应。未来的研究将探讨其在特定场景中的适用性及其全球操作部署的潜力。

**2. 相关数据**
地球静止气象卫星（GMS）位于赤道上空35,786公里的高度，遵循地球静止轨道。这种轨道配置使这些卫星能够通过与地球自转周期同步来保持相对于特定陆地区域的静止位置。目前运行的地球静止气象卫星包括风云-4A/B（Yang等人，2017年）、GOES-16/18（Schmit等人，2005年；Schmit等人，2017年）、Himawari-9（Bessho等人，2016年）和Meteosat-11/12（Schmetz等人，2002年），其参数总结在表1中。高级基线成像仪（ABI）、高级Himawari成像仪（AHI）和灵活组合成像仪（FCI）具有16个光谱带，分辨率为2公里/10分钟，而高级地球静止辐射成像仪（AGRI）和旋转增强可见光和红外成像仪（SEVIRI）的分辨率分别为4公里/15分钟和3公里/15分钟。风云-4B（FY-4B）的地球静止轨道位于105°E，特别适合亚洲地区的实时降水监测。这种定位为这一具有全球重要性的区域提供了独特的观测优势，因为它涵盖了多样的经济、地缘政治、文化和环境景观。

**表1. 截至2025年1月1日，不同地区目前运行的地球静止气象卫星的主要参数**
| 卫星 | 位置 | 分辨率 | 有效载荷 | 光谱带 | 地区 |
|------------|----------------|--------------|-----------------|--------------|-------------|
| FengYun-4B | 105°E | 4公里/15分钟 | AGRI | 15 | 中国 |
| GOES-16 | 75.2°W | 2公里/10分钟 | ABI | 16 | 美国 |
| GOES-18 | 137°W | 2公里/10分钟 | ABI | 16 | 美国 |
| Himawari-9 | 140.7°E | 2公里/10分钟 | AHI | 16 | 日本 |
| Meteosat-11 | 9.5°E | 3公里/15分钟 | SEVIRI | 11 | 欧洲 |
| Meteosat-12 | 10° | 2公里/10分钟 | FCI | 16 | 欧洲 |

**2.1. IMERG**
GPM综合多卫星反演（IMERG）是NASA和JAXA联合项目的全球降水测量（GPM）任务（Huffman等人，2015年；Kidd等人，2020年；Tan等人，2019年；Huffman等人，2023年）的第三级产品。它结合了来自一组卫星的数据，提供了最先进的基于卫星的降水量估计。我们使用的是IMERG V07B数据集，该数据集提供了三种不同延迟的产品：Early Run（4-6小时）、Late Run（12小时）和Final Run（3.5个月）。数据的空间分辨率为0.1°，时间分辨率为30分钟。

**图1.** 图像经过随机裁剪后，通过2×2平均池化进行上采样，然后进行随机翻转和旋转。接下来的图像处理在水平和垂直方向上分别有50%的概率发生。每90°旋转（0°、90°、180°和270°）的概率为25%。训练和验证对是一个17×400×400的特征图，包含两幅连续的风云-4B图像（（2×7）×400×400）、降水量区域和晴空区域（3×400×400）。

**图2.** 经重新校准后，FY-4B的经度和纬度范围均为120°。2024年1月31日之前，中间经度为133°E（区域A），之后的经度为105°E（区域B）。

**表2.** AGRI的15个光谱带的参数。Huayu使用了第9至第15个光谱带，这些光谱带在正下方的分辨率为4公里（0.04°）。
| 光谱带 | 中心波长（μm） | 波宽（μm） | 分辨率（km） |
|------------|------------------|--------------|----------------|------------|
| 10 | 47 | 0.45 | ～0.49 |
| 12 | 65 | 0.55 | ～0.75 |
| 13 | 53 | 0.82 | ～0.75 |
| 14 | 1.37 | 9 | 1.37 |
| 15 | 1.38 | 6 | 2.25 |
| 16 | 2.50 | 2.10 | ～2.35 |
| 17 | 3.75 | 3.50 | ～4.0（高） |
| 18 | 3.75 | 3.50 | ～4.0（低） |
| 19 | 6.25 | 5.80 | ～6.70 |
| 20 | 10 | 6.95 | ～7.15 |
| 21 | 7.42 | 7.24 | ～7.60 |
| 22 | 8.55 | 8.3 | ～8.84 |
| 23 | 10 | 10.30 | ～11.30 |
| 24 | 12 | 11.50 | ～12.50 |
| 25 | 13 | 13.3 | ～13.60 |

**2.2. FY-4B**
风云-4（FY-4）（Yang等人，2017年）是中国第二代地球静止气象卫星系列。FY-4B是该系列中的第二颗卫星，于2021年6月3日发射，是一颗在轨运行的卫星。FY-4B上的主要有效载荷包括高级地球静止辐射成像仪（AGRI）、地球静止干涉红外探测器（GIIRS）、地球静止高速成像仪（GHI）和空间环境包（SEP）。这颗卫星已在各种研究领域得到广泛应用，包括海表面温度质量评估（He等人，2024年）、定量降水估计（Z. Ma等人，2022年）、云图像外推和大气运动向量分析（Xia等人，2024年）。FY-4B上的AGRI仪器以15分钟的间隔提供全盘图像，可以裁剪生成一个2400×2400像素的图像，覆盖经度（45°E至165°E）和纬度（60°S至60°N）范围内的120°区域，空间分辨率为0.05°。FY-4B的QPE（FengYun-4B定量降水估计，15分钟中间版本）是AGRI提供的二级降水产品。原始的空间-时间分辨率为亚点的4公里/15分钟，与全盘图像相同。

**2.3. HadISD**
HadISD（Dunn等人，2014年；Dunn等人，2012年；Smith等人，2011年；Dunn等人，2016年）是由英国气象局（Met Office）提供的全球亚日数据集，基于NOAA的ISD数据集，并经过主要气候变量的质量控制测试。本研究中使用的版本是v3.4.3.2025f，时间跨度为1931年1月1日至2025年8月29日，包含全球约8500个站点的数据。在本研究中，我们选择了2022年1月7日至2022年12月31日期间研究区域的3小时降水深度数据，共444个站点。

**2.4. CMORPH**
偏差校正气候预测中心变形技术（CMORPH）是NOAA（国家海洋和大气管理局）的气候数据记录（CDR），使用多颗卫星上的被动微波和红外传感器（Joyce等人，2004年）。其分辨率为8公里/30分钟，延迟为3-4个月。

**2.5. GSMaP_NOW**
GSMaP_NOW（现在版本）由JAXA（Kubota等人，2020年）制作。GSMaP_now包含两个版本，取决于是否经过雨量计校准。本研究中使用了经过雨量计校准的降水产品。

**2.6. PERSIANN和PERSIANN-CCS**
PERSIANN（使用人工神经网络从遥感信息进行降水估计）是一种当前的实时降水系统，空间分辨率为0.25°，基于地球静止卫星的红外图像（Nguyen等人，2018年）。其云分类系统（PERSIANN-CCS）是一种广泛使用的实时卫星降水高分辨率（0.04°）产品，被认为是基于地球静止卫星红外观测的最先进降水数据（Zhu等人，2024年；Hong等人，2004年；Wang等人，2020年；Wang等人，2021年）。

**2.7. 数据处理**
Huayu使用FY-4B/AGRI仪器的七个水汽通道（光谱带9-15，6.25-13.3μm）进行实时降水反演。FY-4B于2021年发射，并于2022年7月开始运行。使用2023年和2024年这两年的数据来训练，以保持训练集的多样性。2022年7月至12月的数据用于测试和验证。2025年的其余数据用于特殊评估。研究区域如图2所示；注意，卫星的中心经度在2024年1月31日之后从133°E移至105°E。为了准备数据，原始的2746×2746全盘图像（4公里分辨率）根据Song等人（2025年）的方法重新校准为2400×2400（0.05°分辨率），并随机裁剪为800×800的块。每张图像被随机裁剪成九个800×800的块。每个块都经过了随机裁剪、翻转和旋转。Huayu训练阶段使用的数据来自2023年至2024年，测试阶段使用的数据来自2022年7月至12月（包括雨量计和网格化验证）。

本研究区域如图2所示；请注意，卫星的中心经度在2024年1月31日之后从133°E移至105°E。为了准备数据，原始的2746×2746全盘图像（4公里分辨率）根据Song等人（2025年）的方法重新校准为2400×2400（0.05°分辨率），并随机裁剪为800×800的块。每个图像被随机裁剪成九个800×800的块。卫星图像在时间上被隔离，以确保没有数据泄露。为了调和FY-4B（0.05°）和IMERG（0.1°）不同的空间分辨率，被裁剪的图像块被平均合并为400 × 400的尺寸，如图1所示。连续的图像（每15分钟一张）是相似的，为了保持训练数据的多样性，我们每6小时采样一次。出于同样的原因，我们在测试数据中每49小时采样一次数据。使用49小时而不是6小时或48小时的原因是，我们希望保持测试数据的简洁性，并充分考虑一天中的不同时间点。本研究使用49小时来采样数据；每天的小时点各不相同。降雨面积小于2%的样本被过滤掉以加速收敛，最终得到23,165个训练样本和728个验证样本（详见源代码仓库）。用于验证的HadISD中的55,087条记录是根据FY-4B的完整性组织的。例如，从0:00到3:00累积的站点记录需要12张连续的FY-4B图像（00:15、00:30、00:45、01:00、01:15、01:30、01:45、02:00、02:15、02:30、02:45、03:00）。如果这12张图像中的任何一张缺失或无法使用，该记录将被忽略。过滤后的记录数量为55,087条。对于其他数据集，如果数据集中提供了时间戳，我们将使用这55,087个时间戳进行匹配。与FY-4B过滤器类似，例如GSMaP_NOW，从0:00到3:00累积的记录需要三张每小时一次的降水图像（01:00、02:00、03:00）。大多数数据集可以匹配全部55,087条记录；然而，PRESIANN-CCS只匹配了54,816条（缺失率为0.4%），FY-4B QPE匹配了54,185条（缺失率为1.6%），PERSIANN匹配了54,975条（缺失率为0.2%）。因此，在计算指标时，记录的数量并不相同（大多数为55,087条，有些略少一些）。

下载：下载高分辨率图像（1MB）
下载：下载全尺寸图像

图3. 提出的网络Huayu的结构。在Huayu的编码器和解码器阶段都有五个GeoAB。GeoAB是一个地理注意力模块，包括WA（窗口注意力）、SWA（移位窗口注意力）和LRA（长距离注意力）。GeoAB旨在结合局部和全局信息以处理地理任务。

下载：下载高分辨率图像（664KB）
下载：下载全尺寸图像

图4. 双目标损失用于训练，应用于随机采样的FY-4B AGRI数据块（7个波段）和相应的IMERG数据（降水量、晴空和降雨区域掩码）。

3. 方法
3.1. 网络结构
本工作基于现有的地理注意力块（GeoAB）（Song等人，2025年），该模型专注于云图像外推。本文提出了一种名为Huayu的先进卫星降水估计模型，并通过引入“U”结构（Ronneberger等人，2015年；Chen等人，2023年）进一步进行了改进，如图3所示。输入的卫星图像由Ft表示，Huayu根据以下公式计算输出降水量Yt：
(1) Yt = Huayu(Ft)。
每个GeoAB中有三个注意力模块：(1) 窗口注意力（WA）、(2) 移位窗口注意力（SWA）（Liu等人，2021年；Liu等人，2022年）和(3) 长距离注意力（LRA）（Song和Zhong，2022年）。这三个模块能够在较低的计算成本下获取局部和全局信息。这对于通常包含大量语义信息的地理任务非常合适。θ(?)、g(?)和f(?)是三个不同的卷积层。Rw、Rv和Rh是三种重塑操作，分别用于按窗口、垂直和水平方向变换特征形状。图3中的操作T表示特征的转置。WA、SWA和LRA的实现细节可以在现有的LGAN（长距离注意力网络）（Song和Zhong，2022年）中找到。关于Huayu设置的更多细节在第3.4节中有介绍。

3.2. 双目标损失
深度学习在基于回归的降水估计中面临一个根本挑战：神经网络经常生成接近零的值，而不是确切的零，这使得轻雨和晴空之间的区别变得模糊。为了克服这一限制，Huayu采用了两阶段双目标损失。它首先进行二分类来识别降雨区域，然后只为被分类为降雨的区域生成降水量。此外，回归损失仅在这些降雨区域上计算，从而将模型的能力集中在最重要的降水估计上。双目标损失函数定义为：
(2) loss = SmoothL1(Pt1, Yt1) + CrossEntropy(Pt3, Yt2, Yt3)。
双目标损失结合了两个组成部分：CrossEntropy项用于识别降雨区域，而SmoothL1项用于调节降水量，如图4所示。目标数据Pt在时间t的第一个通道（即降水量）在模型输出中表示为Pt1和Yt1，依此类推。双目标损失显著提高了模型的性能，这一点通过第3.5节中的消融实验得到了证明。

下载：下载高分辨率图像（438KB）
下载：下载全尺寸图像

图5. Huayu实时系统从FY-4B的数据处理流程。在校准后，卫星图像通过操作T(?)被裁剪成四个子块（S1-S4）。Huayu将分别为每个子块生成对应的降水量，通过反向操作T(?)?1在15分钟内达到0.05°的总降水量。为了优化网格效应，采用了操作AP(?)来生成最终的实时降水量。

3.3. Huayu实时系统
为了实现实时卫星降水估计，必须利用FY-4B AGRI数据，这些数据通常有10分钟的延迟。在校准和裁剪后，AGRI数据通过操作T(?)被分割成四个图像，每个子块的分辨率为0.1°×0.1°。如方程式(3)所规定的，转换T(?)将原始图像S分解为四个不重叠的子图像S1、S2、S3、S4。这是通过定义两个索引集E（用于偶数索引）和O（用于奇数索引）来实现的，这些索引集的范围在800以下，对应于输入FY-4B图像的空间维度。这种分解有效地进行了非重叠的2 × 2块操作，每个子块是通过从每个块内的特定位置选择像素来构建的。具体来说，这可以表示为：
(3) T(S) = {S1, S2, S3, S4}, E = {0, 2, …, 798}, O = {1, 3, …, 799}, S1 = {Ti, j = Si, j ∈ E, j ∈ E}, S2 = {Ti, j = Si, j ∈ O, j ∈ E}, S3 = {Ti, j = Si, j ∈ E, j ∈ O}, S4 = {Ti, j = Si, j ∈ O, j ∈ O}。
每个子块都由Huayu独立处理，生成相应的0.1° × 0.1°分辨率的降水量估计，如图5所示。然后通过逆变换T?1(?)将这些估计合并成一个0.05° × 0.05°分辨率的统一降水场。为了减少块分解过程中引入的网格伪影，在重建过程中应用了平均池化操作。合并后的降水场Pi,j定义在800 × 800的网格上，索引i,j∈{0,1,…,799}。对内部像素应用3 × 3平均池化：19∑m = i?1, i+1∑n = j?1, j+1Pm,n，这平滑了高频不连续性，同时保留了空间细节。对于边缘像素，保留原始值Pi,j以保持图像大小为800 × 800。这种策略有效地抑制了由于相邻块之间的灰度不一致导致的网格效应和可见的块边界，而不影响图像质量。

表3. 使用提出的快速启动代码在个人计算机上收集的Huayu的成本和参数。这里使用的磁盘是HDD（硬盘驱动器）。

类别 详细信息
价值
硬件 CPU GPU 内存 Intel(R) Core(TM) i7-10700 NVIDIA GeForce RTX 4060 Ti 48GB
软件 Python Pytorch CUDA 3.11.9
3.1 1.9 2.1.0 12.1
数据参数 输入数据 输出数据 2746 × 2746全盘IR图像 800 × 800网格降水量
硬件成本 GPU内存 CPU内存 4GB 3.3GB
时间成本 加载模型 准备数据 推理 后处理 总成本 3.3秒 11.7秒 0.6秒 <0.1秒 15.6秒

3.4. 参数设置和推理速度
Huayu包含241.78M个参数。为了适应GPU内存限制，网络每个特征图使用90个通道和10个GeoAB块。该模型在2023年和2024年的数据上进行训练，如第2节所述。为了减少连续相似图像的冗余，采用了6小时的采样间隔。对于数据增强，每个原始的2400 × 2400 FY-4B图像被随机裁剪成9个子图像。我们还排除了降雨面积小于2%的样本，以解决类别不平衡问题。最终数据集包含23,165个训练样本和728个验证样本。训练使用了AdamW优化器（Loshchilov，2017年）进行了50个周期，初始学习率为0.001，每10个周期减半一次。损失函数是第3.2节中提出的双目标损失，用于识别接近零的降水量和晴空区域。我们在四块NVIDIA RTX 6000 Ada GPU（每块48 GB内存）上使用了32的批量大小，基于预训练模型在一天内完成了训练。我们的实现使用了Python 3.12和PyTorch在Linux上。

Huayu是一个实时的端到端方法；列出推理速度和成本是有帮助的。快速启动演示在个人计算机上进行，以评估速度和成本，结果列在表3中。Huayu中使用的大部分时间是“准备数据”，这几乎占用了将卫星图像从全盘“.HDF”文件转换为数组的时间。120° × 120°区域的总共用时少于20秒，这是实时系统可以接受的。实际上，网络的延迟可能是Huayu的最大延迟。

表4. 双目标损失和单目标损失的消融实验。每个模型训练了50个周期，选择最佳SmoothL1结果进行比较（即单目标损失的第48个周期和双目标损失的第46个周期）。报告了五个指标：两种不同的损失（SmoothL1和CrossEntropy分别对应Loss1和Loss2）、R2、RMSE、AUROC以及三种降水强度和总降水量。评估的阈值为0.1 mm/h，以处理单目标模型中的接近零的值。

损失名称 选定的周期 SmoothL1/CrossEntropy R2 AUROC RMSE CSI
单目标损失 第48个周期 0.15 – 0.09 0.54 0.88 0.08 0.13 0.13 0.12
双目标损失 第46个周期 0.14 0.23 0.45 0.94 0.69 0.42 0.52 0.55 0.46

3.5. 消融实验
为了直接比较提出的双目标损失和单目标损失，表4列出了消融实验的结果。这两个模型分别使用不同的损失函数（即单目标损失和双目标损失）训练了50个周期。在选定的周期（单目标损失的第48个周期和双目标损失的第46个周期）中，模型的SmoothL1损失最低。这些模型的损失值接近（0.15 vs. 0.14），而R2和其他两个指标的结果则有很大差异。即使应用了0.1 mm/h的阈值，虽然提高了AUROC，但R2和RMSE并没有明显改善。双目标损失不仅关注降水量值，还关注降雨区分，从而大幅提高了模型的性能。

为了评估提出的T(?)和T?1(?)的性能，下表显示了接下来的实验结果。消融实验中有三个结果：0.1°、0.05°（双线性上采样）和0.05°（T(?)和T?1(?)）。IMERG FR和FY-4B的分辨率不同，需要下/上采样来弥补这种差异。如表所示，T(?)和T?1(?)将IMERG FR的0.1°分辨率细化为FY-4B的0.05°，性能略有提升。尽管CSI略低于平均水平和双线性组合，但CC和RMSE都更好。

表5. 关于不同采样策略的消融实验。IMERG FR和FY-4B的空间分辨率不同（0.1° vs. 0.05°）。T(?)和T?1(?)不仅将分辨率从0.1°细化为0.05°，而且性能也略优于平均水平和双线性组合。同时，T(?)和T?1(?)的成本几乎可以忽略不计。

4. 结果和讨论
为了全面评估Huayu与雨量计观测和主流降水产品的性能，我们采用了一组关键指标。这些指标包括标准测量方法——皮尔逊相关系数（CC）、均方根误差（RMSE）、检测概率（POD）、误报比率（FAR）、准确率（ACC）和关键成功指数（CSI）——以评估整体准确性和分类检测能力。在这些指标中，CSI（分类准确率）作为整体模型性能的关键指标，因为它在检测到的事件（POD）与漏检事件和误报（FAR）之间取得了平衡。为了直接在像素级别上比较Huayu和IMERG FR的降水强度，我们还计算了接收者操作特征曲线下面积（AUROC）和决定系数（R2）。为了专门关注降雨区域，我们采用了加权的皮尔逊相关系数（CCrain），该系数是通过仅在IMERG FR记录到降雨的像素上比较Huayu和IMERG FR的数据来计算的。