基于多源信息融合的珠江流域高精度定量降水估算方法

《Journal of Hydrology: Regional Studies》：Multi-source fusion for high-precision quantitative precipitation estimation in the Pearl River Basin

　　王刚 | 钱国 | 赖国 | 王晨曦 | 何木泉
中国武汉，中国强降雨研究中心

**摘要**
**研究区域**：中国南部的珠江流域。

**研究重点**：基于红外技术的卫星降雨监测面临挑战，因为静止气象卫星无法直接测量云层下的降水量，这在强降雨期间会导致不确定性。为了解决这个问题，我们将FY-4A卫星的红外降水量数据与地面观测数据和ERA5再分析数据融合，以提高强降雨的检测能力。评估了多种融合方法，从基本的统计校正到高级的空间模型，以量化它们在不同降雨强度水平下的权衡。设计了一个独立的验证框架，以评估这些融合模型在未观测地点的泛化能力。

**对该地区的新水文学见解**：融合数据集表现出稳健的性能，对于一般降雨（>0.1毫米），检测概率（POD）超过0.90。对于强降雨（>50毫米），在独立测试中POD稳定在约0.52，略优于IMERG产品，同时提供了更高的分辨率。这种改进源于融合过程对红外饱和效应的补偿，使得能够捕捉到原始卫星产品遗漏的强降雨带。然而，对于高度局部化的、亚网格尺度的风暴，性能有所下降。这一限制突显了两个未来的需求：在陆地地区开发更高分辨率（1-2公里）的卫星，以及融合来自多个极轨微波卫星的数据，以观测未布设雨量计的海洋区域。

**1. 引言**
卫星定量降水量估计（QPE）对于水文建模和连续的空间气候分析至关重要，特别是在地形复杂且雨量计分布稀疏的地区（Maggioni和Massari, 2018; Nie等人, 2016）。尽管卫星QPE具有实用性，但它受到测量不确定性的影响。具体来说，依赖红外（IR）传感器的静止气象卫星测量的是云顶温度，而不是直接观测近地面降水量。由于这种间接的测量机制，静止卫星的估计结果严重依赖于局部感测条件和反演算法。因此，这些卫星产品经常显示出系统性偏差、降水量区域的空间错位以及对极端局部降雨的检测能力有限（Ye等人, 2024; Yin等人, 2023）。

为了减少这些卫星误差，人们越来越关注多源融合技术，这些技术将原始卫星反演结果与地面雨量计测量数据和再分析数据结合起来。许多研究报道了从统计偏差校正到高级空间模型（如最优插值（OI）和贝叶斯模型平均（BMA）的方法（Ma等人, 2021; Verdin, 2013; Goudenhoofdt和Delobbe, 2009）。这些研究表明，融合产品减少了随机误差，并且通常优于单一来源的估计（Xia和Wang, 2025）。基于这些方法论的进展，研究人员越来越多地将融合技术应用于高分辨率数据集。例如，中国的风云-4A（FY-4A）静止卫星提供了精细的空间（0.04°）和时间（15分钟）分辨率的图像。其时效性使其对于快速洪水预报和灾害预警非常有用（Tedla等人, 2024），前提是通过有效的数据融合提高其基准精度（Belay等人, 2022）。

尽管这样的融合框架改进了QPE，但准确估计极端降雨事件仍然是一个主要挑战。传统统计偏差校正方法的一个缺点是它们倾向于过度调整。由于历史数据记录中轻雨事件占多数，这些统计模型经常抑制强降雨信号，以补偿轻雨错误的大量样本（Ravuri等人, 2021）。因此，许多现有的融合产品在极端对流风暴期间仍然存在低估现象，或者出现高误报率（Jiao等人, 2025; Tang等人, 2020）。此外，即使在校准站性能良好时，这些算法在未观测到的独立地点的泛化能力仍然存在争议。在像珠江流域这样高度异质的地区，这种缺乏独立泛化能力评估的问题尤为突出。

受这些持续挑战的启发，本研究的主要目标是通过整合FY-4A卫星红外降水量数据、高密度地面观测数据和ERA5再分析场，开发一个对强降雨敏感的准确QPE数据集。为此，我们系统地评估了多种融合方法，从基本的统计校正到高级的空间建模（OI和BMA）。与以往的研究相比，本文的具体贡献包括：（i）算法局限性的定量分析：我们量化了不同融合算法在不同降雨强度水平下的权衡，揭示了统计校正如何无意中掩盖了极端降雨信号；（ii）空间泛化评估：与传统依赖性拟合指标不同，我们设计了一个独立的验证框架，使用1431个未观测站点来评估融合模型在未观测区域捕捉对流风暴的能力；（iii）一个本地优化的高分辨率产品：我们构建了一个最终融合框架，减轻了红外饱和效应。这种方法提高了强降雨的检测概率（POD），同时保持了0.04°的分辨率。

**2. 材料与方法**
**2.1 研究区域**
本研究的目标区域是珠江流域（图1）。该地区以山脉和丘陵为主，占总面积的约94.5%，而平原稀少且分布零散（Zhang等人, 2025）。珠江流域经历了频繁且丰富的降雨，主要集中在5月至9月，年降水量平均在1000至2000毫米之间（Yang等人, 2010）。高度异质的景观和山区雨量计的稀疏分布限制了纯基于地面的插值的准确性。因此，该流域成为测试和验证多源融合降水产品的理想自然实验室。

**2.2 数据收集与预处理**
**卫星与再分析数据**：原始卫星降水量估计数据来自风云-4A（FY-4A）卫星上搭载的先进地球同步辐射成像仪（AGRI）生成的二级中国区域业务降水量产品。这些每小时一次的产品具有大约0.04°（4公里）的空间分辨率，从国家气象卫星中心（NMSC）获取。每小时的数据被汇总为每日24小时降水量累计，以08:00（北京时间）作为一天结束时间。此外，ERA5每日降水量再分析数据（Wu等人, 2024）最初的空间分辨率为0.25°，通过双线性插值重新采样到FY-4A的0.04°网格，以便后续的空间融合。

**地面雨量计观测**：提取了2190个国家级气象观测站的每日降雨记录作为真实值。为了确保严格的评估，数据集被分为两个不同的子集。选择了一组759个分布均匀且记录质量高的站点进行校准和数据融合。剩余的1431个站点被保留为独立验证集，以评估不同融合方案在未见数据上的泛化能力和稳健性。

**2.3 融合方法**
高精度降水数据集的开发分为两个连续阶段：（1）原始卫星数据的像素级统计偏差校正；（2）空间多源数据融合。

**2.3.1 统计偏差校正**
原始FY-4A降水量估计包含系统误差。为了消除这些像素级的误差，我们采用了一个三步顺序统计校正框架，本研究将其称为LS-LOCI-Gamma。该方法通过基于共位地面站，依次校准月降水量、频率和强度分布来校正卫星数据。线性缩放（LS）用于调整月平均降水量（Ryazanova等人, 2021）。这一步计算了一个简单的缩放因子，确保卫星总降水量与地面观测结果相符。

**局部强度缩放（LOCI）**用于校正降雨发生频率（Jaiswal等人, 2022）。卫星传感器经常通过高估轻雨频率而产生误报。LOCI建立了一个局部降水阈值，将卫星的湿润日频率与实际雨量计记录对齐，有效去除了人为的轻雨事件。最后，采用了伽马分布映射方法（Fang等人, 2015）。降水量强度通常遵循伽马概率分布。在这一步中，LOCI校正后的卫星强度被拟合到伽马分布中，然后调整数据值以匹配地面观测分布的形状和尺度参数。

**2.3.2 空间融合算法**
偏差校正之后，将校准后的FY-4A数据与地面观测数据和ERA5再分析数据使用高级融合模型进行空间融合，以提高局部准确性：
（1）最优插值（OI）：使用OI方法（Wen等人, 2025）来最小化估计误差方差。统计校正后的FY-4A降水量作为初始背景场，雨量计读数提供观测值。最终分析的降水量是通过将加权观测偏差加到背景场上确定的。为了适应珠江流域显著的地形起伏，具体搜索策略如下：采用了最大40公里的水平相关距离（图2(a)）。选择这个距离是为了确保研究区域内的每个网格点至少与一个地面观测站匹配。在这个半径内（图2(b)），最多选择9个最近相邻站点来计算权重。如果一个网格点附近没有站点，则搜索距离逐步增加4公里，以确保空间连续性（Xie和Xiong, 2011）。

**2.3.3 统计评估指标**
原始数据、经过统计校正的数据和空间融合后的降水产品的性能通过地面雨量计观测结果进行了定量评估。由于使用了气象学中的标准验证指标，因此为了简洁起见，省略了它们的详细数学公式（Wang等人, 2021）。

为了评估每日降水量?准确性，计算了平均偏差（MB）、均方根误差（RMSE）和相关系数。正/负的MB值表示过高/低估，而RMSE反映了误差的整体分散。为了验证降水事件预测能力，计算了包括检测概率（POD）、误报率（FAR）和漏报率（MAR）在内的分类指标。这些指标特别针对不同降雨强度进行了评估，重点是一般降雨事件（阈值>0.1毫米/天）和强降雨事件（阈值>50毫米/天）。

**3. 结果与讨论**
**3.1 降水量偏差分布**
图3显示了通过偏差与RMSE密度图来评估FY-4A降水数据质量的变化。原始数据（图3a）显示出明显的正偏差，表明持续的高估。宽泛的右偏分布峰值在1.5–2.0毫米之间，3.0毫米附近有第二个峰值。广泛的偏差范围（-2.0–5.0毫米）伴随着高RMSE（17.5毫米），反映了显著的不稳定性。统计校正（LS+LOCI+Gamma）显著改变了误差分布（图3b）。偏差中心接近零（-0.25毫米），数据点趋于一致。偏差范围缩小到-1.0–0.5毫米，而峰值RMSE降至8–9毫米，证实了总体高估的减少。OI方法进一步提高了准确性（图3c）。偏差分布变得更加尖锐，主要集中在±0.1毫米之内。RMSE值降至0.5毫米以下，表明系统误差被消除，与观测结果非常吻合。贝叶斯方法达到了最高的精度（图3d）。BMA的结果与OI的结果非常相似，虽然有细微的改进。偏差进一步集中在零附近，峰值密度超过35,000，RMSE略有下降。尽管通过混合ERA5数据在局部地区取得的改进有限，但从原始数据转换到BMA代表了一个显著的优化。消除了大的误差，从而得到了一个稳定、准确的数据集。

下载：下载高分辨率图像（219KB）
下载：下载全尺寸图像

图3. 原始数据、统计校正数据（LS、LOCI、Gamma）、OI和BMA FY-4A降水量之间的偏差和RMSE分布。密度等高线以对数刻度绘制，边缘直方图显示了偏差和RMSE的计数分布。

3.2. 降水偏差的空间分布

图4评估了不同纬度下方法的性能，以评估空间一致性。图4a将原始FY-4A数据与统计校正后的结果（LS+LOCI+Gamma）进行了对比。原始数据显示出持续的正面偏差，并且在19°N和22°N附近出现显著波动（高达3.0毫米）。这种波动表明原始卫星产品的性能可能因位置而异。相反，统计校正使偏差趋于零。尽管在19°N处有一个小的负偏差，但曲线保持平坦，表明系统误差被抑制了。RMSE分析（图4b）也显示出类似的趋势。原始数据的误差水平较高（13-18毫米），在相同的19°N和22°N区域达到峰值。统计校正后的数据显著降低了RMSE，在24°N以北约为8-10毫米。这表明统计方法可能减少了原始数据中的一些较大随机误差。

下载：下载高分辨率图像（283KB）
下载：下载全尺寸图像

图4. 使用偏差校正、OI和BMA在不同纬度下的FY-4A降水量平均偏差（左）和RMSE（右）。实线代表16°N到30°N每个1°纬度区间内的平均值。阴影带表示±1标准差。虚线表示零偏差。

图4c和图4d放大了更高级的合并方法：OI和BMA。请注意，这里的垂直刻度比顶行小得多，反映了这些技术的更高精度。在图4c中，OI和BMA的偏差都非常低，大多在±0.1毫米的狭窄范围内波动。虽然在16°N到23°N之间两种方法都显示出一些波动，但在24°N以北它们显著稳定下来。BMA在较低纬度（16°N-18°N）下的表现略优于OI，因为其曲线更接近零，负偏差较小。图4d中的RMSE比较也遵循类似的趋势。两种方法的误差率都非常低，从南部的约1.5毫米降至北部的不到0.5毫米。两条曲线的高度相似性表明这两种合并算法在这个尺度上非常有效。然而，随着纬度的增加，误差率呈一致的下降趋势，表明研究区域的北部比南部更可靠。这种南北差异可能是因为南部纬度位于沿海地区，频繁的强降雨对准确估计提出了更大的挑战（Wang等人，2023年）。

我们将图5的空间视角与图4的定量纬度分析结合起来。通过将空间地图与纬度平均值曲线并置，特定地理区域与误差波动之间的联系变得清晰。在原始数据（图5a）中，偏差图被超过3.0毫米的值所主导，表明整个区域存在系统性的高估。这种普遍的正面偏差导致RMSE水平很高，范围在15毫米到20毫米之间。纬度平均值曲线验证了这一趋势，但也揭示了一个特定的地理模式。RMSE曲线在南部纬度（22°N以下）显示出明显的上升，接近18毫米。特别是广东省、广西南部和海南岛的沿海地区显示出显著的正面偏差。研究区域的大多数内陆地区也显示出显著的正面偏差，其值略低于沿海地区。

下载：下载高分辨率图像（470KB）
下载：下载全尺寸图像

图5. 珠江河域原始FY-4A降水量估计和合并方法的偏差和RMSE的空间分布及纬度平均值剖面。

应用统计校正（LS+LOCI+Gamma）从根本上改变了这一情况。如图5b所示，偏差值从正面变为负面，通常在-2.0毫米到-4.0毫米之间。这种校正有效地降低了误差幅度，使整体RMSE降至大约10毫米，但地理差异仍然存在。纬度平均值图显示这种负面偏差主要随纬度变化。偏差曲线在海南岛显示出更强的负下降趋势，而RMSE曲线在南部沿海地区（20°N-22°N）仍保留了一个凸起。偏向广泛负面偏差的变化可能源于降雨事件的固有频率。样本集中轻降水发生的频率远高于强风暴。由于统计方法基于整个数据集进行校正，这些大量的低值样本主导了整个过程。因此，这种强烈的向下调整使整体平均值降至零以下。

OI和BMA带来的改进最为显著。在图5c和图5d中，偏差值稳定在接近零的水平，大多在±0.5毫米的狭窄范围内。RMSE图显示出显著的减少，整个区域的值降至不到1.0毫米。即使在这种高精度下，仍能检测到明显的南北差异。纬度RMSE曲线在21°N-22°N带内显示出轻微波动，该区域涵盖了广东和广西的南部沿海地区。这些残留误差可能源于该地区的降水量高频率。降雨事件的频繁发生对合并算法构成了持续的挑战，阻碍了误差值的完全稳定。此外，BMA在海南岛表现出更强的稳定性，保持的误差值低于OI方法。

3.3. 不同降水强度下的偏差

我们的研究将日降水量分为四类：0.1-10毫米（轻雨）、10-50毫米（中等到大雨）、50-250毫米（暴雨）和超过250毫米（极端降雨）。图中显示了降水量变化带来的偏差。图6根据降水强度对误差指标进行了分类。这种分类至关重要，因为总体统计常常被大量的轻雨事件所扭曲，可能掩盖了在关键强降雨情况下的性能问题。

下载：下载高分辨率图像（463KB）
下载：下载全尺寸图像

图6. 通过统计校正、OI和BMA处理的FY-4A QPE数据的偏差和RMSE在不同降水强度范围内的分布。箱子代表中位数和四分位数范围（IQR），须状线延伸至1.5×IQR。注意低降水和高降水面板之间的y轴刻度不同，以便更好地可视化分布。

对于轻降水（0.1-10毫米），原始卫星估计显示出2.7毫米的正中位偏差。这与之前空间地图中观察到的一般高估情况一致。统计校正（LS+LOCI+Gamma）将这种高估降至1.1毫米，但未能完全消除。相比之下，融合方法（OI和BMA）在这里表现出显著的稳定性。两种方法的中位偏差均为0.0毫米，并将RMSE降至可忽略的水平（约0.15毫米）。相关系数也反映了类似的趋势。原始数据和统计校正后的数据显示出低相关性，中位数低于0.3。OI和BMA的相关性很强，高于0.95。由于这一类别包含最大的样本量（n=1.53×10^8），OI和BMA在这里的表现为整个数据集提供了强有力的基准。

统计校正的具体局限性在中等（10-50毫米）到强降雨（50-250毫米）类别中变得明显。随着降水强度的增加，原始卫星数据从高估变为低估，中位偏差值降至-2.5毫米，然后降至-30.4毫米。统计校正方法实际上加剧了负面偏差。在50-250毫米范围内，校正后的数据显示出-40.0毫米的中位低估。这种效应可能是因为校正参数主要受到大量轻雨样本的影响；算法本质上调整自己以抑制轻雨中的正面偏差，导致对较大风暴的估值减弱。相关结果也显示出差距。原始数据和校正后的数据相关性较弱。OI和BMA的相关性仍然很高，中位数始终高于0.95。

在极端降水类别（≥250毫米）中，性能动态发生了明显变化。这里的样本量大幅下降至仅716个事件，引入了更高的不确定性。在这种单网格级别的小样本量下，相关系数不适用于这一类别（N/A）。原始数据和统计校正都未能捕捉到这些极端情况，分别显示出-169.3毫米和-221.3毫米的巨大负偏差。它们对应的RMSE值飙升至超过160毫米。然而，融合方法设法纠正了这一缺陷，但方向相反。OI和BMA的偏差转为正面，分别为18.6毫米和25.3毫米。虽然这代表了较大的相对误差，但这些方法的RMSE（大约18-25毫米）仍然比未校正的数据低一个数量级。这表明，尽管OI和BMA难以准确确定极端事件的精确幅度，但它们成功捕捉到了原始数据缺失的大部分强降雨信号。

图6和图7共同提供了算法性能的全面视图，对比了其适应训练数据的能力和泛化到未见位置的能力。图6使用参与合并过程的站点（依赖验证）来评估方法，而图7则使用未参与该过程的独立站点进行测试。在低降水范围（0.1-10毫米）内，两种方法的结果一致。在图7a中，独立验证显示原始卫星数据有轻微的正面偏差，表现为一个略高于零线的箱子。融合方法（OI和BMA）有效地压缩了这一误差。它们的箱子紧密且靠近零线。图7e中的相关系数显示出明显的下降。OI和BMA的中位数降至大约0.55。原始数据和校正后的数据保持在0.3左右的低水平。这种相似性表明融合算法不仅记住了站点值，还捕捉到了轻雨的真实空间结构，使它们即使在之前未见过的位置也能准确预测。

然而，当降水强度增加到10-50毫米范围时，独立测试中的性能下降迹象变得明显。在图6中，OI和BMA在这一类别中保持了接近零的偏差。但在图7a中，OI和BMA的箱子略微向下移动，显示出负面的中位偏差。这表明虽然模型很好地适应了训练站点，但在推断中等降雨强度到未观察到的位置时有些困难，可能是由于对流性降雨的空间异质性更高，难以插值。相关系数也在这范围内下降。OI和BMA的中位数降至约0.5以下。

图7b中的高降水类别（50-250毫米）进一步突出了方法之间的差异。原始数据和统计校正数据显示出严重的低估。这证实了在没有地面校准的情况下，卫星传感器一致地错过了强降雨信号。融合方法（OI和BMA）显著纠正了这一缺陷。它们的箱子向上移动，朝向零线，表明算法成功地将强降雨信息从训练站点传输到了独立站点。然而，这里的校正精度不如依赖验证时高。箱子更宽，中位数略低于图6中的值，反映了在独立坐标预测强降雨的固有困难。相关结果也显示了这种不确定性。OI和BMA将中位数提高到大约0.65，但它们的范围较宽。这种变化表明在一些站点很好地捕捉到了强降雨信号，但在其他站点则错过了。第3.4节中使用POD的进一步分析将提供更多细节。

在>250毫米的极端类别中观察到了最大的挑战。类似于依赖验证，由于样本不足，这里的相关性不适用（N/A）。在依赖性验证中（图6），OI和BMA显示出高估的倾向（正偏差）。有趣的是，在独立性验证中（图7b），这种模式变成了负偏差，中位数跌至零以下。图7b中箱形图的大垂直跨度表明了高度的不确定性。这种对比确认了空间插值的经典局限性：虽然算法可以强制网格值与已知站点的极端降雨相匹配，但它们无法在未知位置完全重建这些局部极端值。尽管如此，与缺失这些事件的原始数据相比，融合方法仍然恢复了相当一部分降雨信号，证明了它们在独立验证中的价值。3.4. 降水事件测试图8将评估重点从定量误差大小转移到了分类检测能力上。该图利用POD、MAR和FAR来评估一般（>0.1毫米）和强降（>50毫米）降水事件的性能。对于一般降水事件（>0.1毫米），原始卫星产品的检测能力有限。如图8a所示，中位数POD约为0.45，这意味着卫星错过了超过一半的实际降雨事件。统计校正仅略有改善，将中位数检测率提高到大约0.50。这种不足在图8b的MAR值中得到了体现，原始数据和统计校正数据之间的miss率都保持在0.30到0.40之间。然而，OI和BMA带来了巨大的转变。这些融合方法的POD值飙升至0.90以上，而miss率降至几乎可以忽略的水平。此外，图8c显示融合方法还清除了虚假信号。原始数据和Gamma产品的误报率约为0.25，而OI和BMA显著减少了这种噪声，使中位数FAR降至0.10以下。下载：下载高分辨率图像（232KB）下载：下载全尺寸图像图8. 原始、统计校正、OI和BMA降水产品在降水事件（>0.1毫米）和强降水事件（>50毫米）中的性能比较。Gamma表示LS+LOCI+Gamma。强降水（>50毫米）的结果揭示了更复杂的动态和统计校正的一个关键局限性。在图8d中，原始数据的中位数POD约为0.40，统计校正不仅没有改进这一点，反而导致了恶化。其中位数POD急剧下降至接近0.10。这种情况的发生是因为统计方法在试图纠正整体正偏差时，过度抑制了高值，有效地抹去了许多强风暴的信号。图8e证实了这一不足，显示统计校正产品的MAR升高到大约0.90，表明统计校正错过了近90%的强降雨事件。相比之下，融合方法对于极端天气监测至关重要。OI和BMA克服了统计校正中的抑制效应。它们的中位数POD值回升到大约0.75，如图8d所示，miss率相应下降。FAR的改善最为显著（图8f）。对于强降雨，原始数据和Gamma产品显示出较高的FAR值，中位数超过0.80。OI和BMA显著提高了可靠性，将中位数FAR降低到0.15到0.20之间。虽然OI和BMA在强降雨面板中的箱形图跨度较大，表明仍存在一些变异性，但它们大幅减少误报和遗漏事件的能力证实了它们在操作应用中的卓越稳健性。图9展示了不同融合方案在预测未知位置降雨的能力。对于一般降水事件（>0.1毫米），从依赖性验证到独立性验证的转变展示了融合算法的稳健性。在训练阶段（图8a），OI和BMA达到了接近完美的检测率，中位数POD超过0.90。在图9a所示的独立测试中，这些高标准得到了很大程度上保持。OI和BMA的中位数POD依然令人印象深刻，稳定在0.90到0.93之间，几乎没有下降。同样，图9b中的MAR也非常低，中位数在0.08到0.10之间。这表明OI和BMA中使用的融合方案对于广泛分布的降雨有效，即使在与校准站点相距较远的位置也能成功捕捉到降雨事件。然而，在FAR中可以看到精度的轻微下降。在依赖性验证（图8c）中，OI和BMA的FAR异常低（约0.08）。在独立性验证（图9c）中，中位数FAR升至大约0.25。这种增加意味着虽然融合数据很好地捕捉到了实际降雨，但它在独立站点倾向于生成误报。这在很大程度上是由于融合过程的空间影响，即位于观测风暴附近的无降雨区域被错误地赋予了降雨值。尽管如此，它们的性能仍然优于原始和Gamma产品，后者的FAR约为0.30。在分析强降水事件（>50毫米）时，性能出现了明显的分化。原始卫星数据在两种验证中的表现都较差，但独立测试（图9d）显示其中位数POD仅约为0.25，证实了其在极端天气监测中的有限实用性。统计校正方法在检测中效果不佳。在图9d中，其中位数POD降至接近零，其MAR（图9e）达到1.0。这进一步证实了依赖性验证的发现：统计校正为了纠正整体偏差而过度抑制了高强度值，有效地从数据集中抹去了强风暴信号。融合方法（OI和BMA）在转向强降雨的独立验证时面临显著挑战。在图8d中，它们实现了大约0.75的中位数POD。在图9d中，这一检测率下降到大约0.52。相应地，MAR从大约0.25–0.50 increases。这种性能下降凸显了空间插值极端局部对流风暴的难度。与通常广泛分布的轻雨不同，强风暴是分散的；如果风暴袭击了一个独立站点但错过了一个训练站点，融合算法可能难以解析它。尽管灵敏度有所下降，OI和BMA在可靠性方面仍然提供了巨大的改进。这里最关键的指标是误报的减少。原始产品的中位数FAR约为0.65（图9f），而统计校正产品的FAR接近1.0（表明几乎所有强降雨标志都是错误的）。相比之下，OI和BMA的中位数FAR约为0.35。虽然这高于图8c中的0.15，但这表明融合方法比原始卫星估计更为保守和可靠。它们可能会错过一些局部、次网格尺度的风暴，但当它们在独立位置标记出强降雨事件时，这种事件很可能是真实的。为了弥合融合理论和实际应用之间的差距，图10可视化了2023年6月15日强降雨事件期间算法的性能。图10d中的地面真实数据识别出东部海岸的一个明显风暴中心，降雨量超过了100毫米的阈值。前文讨论的原始卫星产品的局限性在图10a中得到了空间上的体现。虽然卫星成功勾勒出了总体降雨区域，但它未能记录风暴的核心强度，主要将其视为低于25毫米的 moderate rainfall。这种低估在定量上表现为负偏差-4.47毫米和中等相关性0.54。图10b清楚地显示了融合过程的有效性。通过整合地面数据，融合产品重建了缺失的强降雨信号，显示出超过50毫米和100毫米的强度，与站点记录非常吻合。这种校正显著提高了准确性，RMSE从13.29毫米降至7.41毫米，相关系数上升到0.86。图10c进一步突出了融合方法的特定贡献。差异图中的正值表明算法向沿海地区额外增加了50毫米到100毫米的降雨。这证实了融合方案不仅仅调整了全局平均值，还积极针对并恢复了原始卫星数据饱和或失败区域的极端值信息。4. 讨论4.1. 统计校正和空间融合的机制本研究旨在探讨多源融合框架是否能够补偿卫星红外传感器在极端降水检测中的固有局限性。我们的独立验证结果支持这一假设，表明结合空间测站约束可以提升FY-4A的极端降雨检测概率，使其达到与IMERG Final Run等全球基准相当的水平。这些发现扩展了Xia和Wang（2025）的先前的结论，他们证明了融合产品通常优于单一源估计。然而，统计偏差校正步骤无意中抑制了强降雨信号。这种抑制使得大于50毫米的风暴的中位数MAR增加到接近0.5。这种现象与某些区域研究（Shanmugam等，2023）的结果不同，后者发现统计缩放均匀改善了所有尺度的数据质量。我们的研究表明，由于历史降雨记录主要由大量轻雨事件主导，传统统计模型优先拟合这一概率分布的主要部分。因此，为了最小化整体RMSE，算法牺牲了较少发生的高强度信号。这一发现挑战了将广泛的统计校正应用于极端天气研究的观点，建议算法必须按强度进行分层。4.2. 独立空间验证的价值本研究的一个贡献是推进了我们对多源降水融合的空间通用性的理解。之前的研究主要依赖于使用校准节点的依赖性验证。它们经常报告接近完美的拟合相关性。本研究表明，在校准站点的出色表现并不能可靠地转化为未观测空间在严重对流事件期间的表现。通过部署涵盖1431个未见站点的独立测试，我们发现像OI和BMA这样的先进空间模型在广泛降雨的情况下保持稳健性。然而，它们在捕捉未观测到的局部极端对流风暴时表现出明显的性能下降。这从概念上将评估范式从拟合能力转移到了外推可靠性。它建议未来的卫星算法开发者结合盲测指标来反映真实的操作能力。4.3. 不确定性和实际影响最终的高分辨率FY-4A融合数据集为洪水监测提供了重要的输入数据。然而，必须认识到其有效性的条件和局限性。我们的独立测试揭示了极端强降水的准确性下降。当这些次网格对流核心的物理尺度小于数据集的4公里空间分辨率时，这种情况就会发生。当单个站点记录到次网格级别的极端降雨而所有周边站点仅观察到轻降雨时，融合数据集容易错过这些局部极端值。或者，4公里的空间网格和插值算法不可避免地平均了空间差异，降低了极端峰值。这种数学上的减弱在研究中被广泛认为是空间插值对极端局部事件的平滑效应（Hofstra等，2009）。另一个限制涉及这种方法的地理适用性。我们广泛使用了地面站观测来补充卫星降水数据。因此，这种方法在开阔的未测量区域（如开阔海洋）基本上是不适用的。极轨微波观测理论上可以替代地面站来校准海洋区域的卫星数据。然而，微波降水观测本身受到狭窄的轨道范围和低重复频率的限制（Tang等，2020）。这些硬件限制使得提供连续的高频校正变得困难。因此，有效整合狭窄轨道的微波数据以克服海洋上地面监测器的缺失需要进一步深入研究。**结论**
本研究评估了一种融合的定量降水估计（QPE）方法，该方法结合了FY-4A红外雷达基于降雨量的估计数据、地面雨量计观测结果以及ERA5再分析降水数据。在统计分析和地图制作过程中，我们采用了三种数据融合方案，并通过两种验证方式来评估该方法的性能。第一种验证方式用于衡量这些方法在训练数据中使用的站点上的适用性；第二种验证方式则检验这些方法在未用于训练的站点上的表现，这种验证方式更符合实际的监测任务需求。

研究结果表明，该方法在总体上显著提升了降水量的估计准确性，尤其是在强降雨情况下的预测效果更为明显，即便在严格的独立验证条件下也是如此。本研究的一个关键贡献在于对算法局限性的定量分析。我们发现，未经处理的FY-4A QPE产品在强降雨（降水量超过50毫米）的检测能力较弱；而常见的统计校正方法会严重压制这些强降雨信号，导致独立验证中的POD（Probability of Detection，检测概率）接近零，MAR（Probability of Misclassification，误分类概率）接近1.0。这凸显了算法为优化整体误差指标而无意中掩盖极端事件的问题。相比之下，OI（Optimization for Independence）和BMA（Bias Correction for Accuracy）方法有效解决了这一问题。在独立验证中，强降雨的POD中值恢复到了约0.52，误分类概率约为0.35。这一表现证明了我们优化后框架的有效性，其检测能力甚至略优于研究中IMERG Final Run产品的性能（Shi等人，2022年）。

这些发现还揭示了我们融合方法改进基准卫星产品背后的物理机制：地面雨量计数据的融合可以有效弥补卫星传感器固有的红外饱和效应。在强对流天气中，云顶温度趋于稳定时，原始红外数据无法准确捕捉风暴核心区域的降雨强度；而我们的融合方法通过引入地面实测数据，纠正了局部偏差，并成功揭示了原本被遗漏的沿海强降雨带（降水量50–100毫米）。这种有针对性的校正不仅集中在风暴核心区域，而非全局均匀分布，从而验证了我们方法的物理合理性。

这种评估范式的转变，将重点从简单的模型拟合转向了对外推可靠性的评估。在这一过程中，我们发现了一个关键问题：强降雨情况下的融合性能在依赖验证和独立验证之间存在显著差异。这种差异凸显了陆地传感器在处理局部强对流风暴时的局限性——这些风暴分布高度集中且难以被有效监测，尤其是在周围雨量计仅记录到弱降雨的情况下。空间插值操作还会产生平滑效应，使得小于4公里网格间距的极端降雨峰值被平均化。为了解决这一问题，未来的研究应发展下一代地球静止卫星，这些卫星具有更高的分辨率（如1–2公里），能够更精确地捕捉这些小尺度对流系统。另一个主要限制是，该方法不适用于海洋等未配备雨量计的广阔区域；对于这些数据稀疏的区域，需要采用其他替代方法。未来的研究可以考虑融合多颗极轨微波卫星的观测数据来填补地面观测数据的缺失。

**作者贡献声明**
何慕泉：数据整理、资金申请、资源协调。
王晨曦：方法设计、数据分析、正式报告撰写。
郭希蕾：验证工作、方法设计、数据整理。
郭倩：报告撰写与审稿、初稿撰写、验证工作、方法设计、资金申请、数据分析。
王刚：报告撰写与审稿、初稿撰写、验证工作、方法设计、数据整理。