多源降水數據融合研究及應用進展

潘旸 谷軍霞 徐賓 沈艷 韓帥 師春香

（國家氣象信息中心，北京 100081）

0　引言

降水的潛熱釋放是大氣最主要的能量來源[1]，降水是氣候系統中水分循環和能量交換的重要組成部分，是表征氣候變化的重要指標，降水的極端天氣及氣候事件（洪澇、干旱）對人類生產和生活造成重要影響。降水落至陸地，一方面會引起土壤濕度變化，從而引起土壤熱容量、熱傳導和熱擴散變化，這些變量控制著不同土壤層間的熱量傳輸過程，進而影響土壤溫度和近地層的氣溫，最終對陸氣間能量和水的交換產生影響。另一方面，落至陸表的降水會通過蒸發、下滲和徑流回到水循環中，對陸表水循環產生重要影響[2]。另外，在運用數值模式模擬和預測天氣及氣候系統變化時，亦需要高質量的降水觀測產品來做比對和檢驗。因此，降水的時空分布對了解氣候系統和長期的天氣氣候變化，以及陸表、水文過程的模擬和預報都至關重要。

獲取降水觀測信息的途徑主要有三種：地面雨量計、地基雷達和衛星遙感探測信息。一方面，地面雨量計和地基雷達的降水資料相對準確，但其空間分布不均勻，適合觀測局地區域性的降水，很難獲得較準確的大區域或全球的降水信息。另一方面，衛星遙感可進行大范圍空間連續的探測，對某些特定目標區的觀測時間分辨率也很高，但是由于衛星反演降水的物理原理和算法的局限性，其反演降水的精度相對較低。由于缺乏時空連續覆蓋廣泛的綜合觀測系統，要得到長期的精準的高分辨率的全球降水分布非常困難，數值模式輸出的降水產品可以彌補觀測系統時空不連續造成的問題，但模式降水本身亦存在嚴重的系統偏差。綜上可見，基于單一來源的降水資料都各有利弊，如何有效結合不同來源降水資料的優勢，發展多源降水融合技術，成為近年來國際上在高質量降水產品研發中的主流趨勢。

本文介紹了國內外主流的降水融合技術和產品的發展與現狀，重點闡述了國家氣象信息中心在降水融合領域的研究進展和成果，并探討了融合降水產品中存在的問題以及未來的工作計劃和展望。

1　降水融合的發展現狀

1.1　衛星反演降水及融合技術的發展

靜止衛星能夠長時間、連續且高時空分辨率地探測大氣，利用它探測的紅外/可見光（IR/VIS）云頂亮溫與降水概率和降水強度統計關系來反演降水[1,3]，適用于對流性降水為主的區域，相對精度在30%～300%[4]。而極軌衛星探測的是大氣中降水粒子發射或者散射的微波，由被動微波（PMW）反演降水精度顯著提高[5-6]。但微波降水對海陸下墊面較敏感，且受極軌衛星過境次數和軌道的限制，難以實現時空全覆蓋，因此結合紅外和微波探測的優勢發展集成衛星反演降水是研制全球衛星反演降水產品的主流思路。早期研發的融合產品主要有美國氣候預測中心融合分析降水（CMAP）、全球降水氣候計劃（GPCP）產品等（表1），融合思路是：先用地面觀測對各種紅外、微波降水估計產品進行偏差訂正，再依據不同資料的誤差采用泊松松弛法[3,7]、誤差反比加權[8]等方法整合在一起。這類降水產品雖然只有逐月（候）/2.5°的分辨率，但資料時間覆蓋從1979年至今，一定程度上滿足了降水季節性、年際和年代際變化等氣候方面的研究和應用。

表1　全球主要的降水融合產品列表Table 1 List of global merged precipitation products

20世紀90年代末，熱帶降雨測量任務（TRMM）衛星上搭載了專門監測降水的主動式微波傳感器（PR），能夠獲得海洋和陸地上空降水的三維結構，消除了下墊面的影響，其反演精度達到地基雷達的水平，因此TRMM的微波輻射計（TMI）和PR常被用來評價和校正其他衛星反演降水數據。此時，針對高時空分辨率衛星集成產品的研制算法有了進一步發展，代表性的有兩類：一類是美國國家環境預報中心（NCEP）采用的TRMM多衛星降水分析（TMPA）算法[8]，它先利用TMI降水校正多顆極軌衛星的PMW降水，再用訂正后PMW降水與靜止衛星IR觀測的匹配樣本建立基于紅外亮溫的降水反演系數；另一類是美國國家海洋大氣局（NOAA）氣候預測中心（CPC）的Morphing（CMORPH）技術[9]，它利用IR數據來計算云的移動矢量，依此對PMW降水進行向前向后的外推插值，得到全球30 min/8 km的CMORPH降水產品（表1）。近年來，鑒于CMORPH在微波降水較少時精度下降的不足，Joyce等[10]研發了基于卡爾曼濾波（KF）的新一代CMORPH算法，充分發揮了紅外反演降水的作用。日本氣象廳（JMA）也采用了與新一代CMORPH類似的技術[11]，制作了逐小時/0.1°時空分辨率的全球降水圖（GSMaP）（表1）。這些高分辨率的衛星降水資料雖然時序列多從1998年開始，但對全球范圍的強降水天氣監測、極端天氣和降水日變化研究提供了數據支撐。

單純的衛星反演降水資料存在很大的系統性偏差和隨機誤差，經過地面觀測資料訂正后，其精度可以大幅提高，從而大大提升衛星資料的應用潛力[12]。早期用于訂正衛星的地面觀測多采用月值降水數據，例如GPCP、CMAP、GPCP-1DD（GPCP 1 degree daily）、TMPA等降水產品均采用德國氣象局全球降水氣候中心（GPCC）研制的地面雨量計月值降水數據進行比例偏差訂正（表1）。近年來，NOAA/CPC研制了逐日/0.5°的全球陸地日值降水格點分析場（CPCU），CPC利用此數據集采用“概率密度（PDF，Probability Density Function）匹配法+最優插值（OI，Optimal Interpolation）”的兩步融合法研制了逐日/0.25°的CMORPH Blended產品，這為高時空分辨率衛星資料的偏差訂正和融合開闊了思路。

總的來說，這些衛星反演及融合降水產品雖然應用廣泛，但還是存在衛星反演降水技術帶來的固有缺陷，如：固態降水的辨識、復雜地形的影響等，仍需要不斷地完善和改進。近年來，針對TRMM降水雷達時空分辨率不夠、對小雨和強降水觀測不敏感的問題，美國國家航空航天局（NASA）和日本宇宙航空開發機構（JAXA）合作開展了全球降水觀測計劃合作項目（GPM）。2014年2月發射的GPM衛星所搭載的雙頻降雨雷達（DPR）和GPM微波成像儀（GMI））能夠識別固態降水和微量降水，有望提高全球范圍降水觀測的質量。

1.2　雷達QPE產品中的多源數據融合

雷達通過接收其發射電磁波經過降水區降水粒子反射回來的雷達回波信號來進行定量降水估測（QPE）。由于Z-R關系不確定、地形遮擋、距離衰減、探測高度等原因造成雷達估測降水存在明顯的系統性偏差，需要利用地面雨量計資料進行校準。目前，美國NOAA國家強風暴實驗室（NSSL）研發的Stage IV系統和國家氣象局（NWS）水文發展辦公室（OHD）研發的多雷達多遙感（MRMS）分析系統是發展最為成熟和應用最廣泛的業務化系統。

其中，Stage IV基于混合體掃的雷達估測基數據，采用業務員選擇的Z-R關系（包括對流、熱帶氣旋、夏季層云降水、美國大陸東部冬季層云降水和西部冷季降水五種可選類型）[13]生成1 h/4 km高分辨率的數字化降水陣列（DPA，Digital Precipitation Array）數據，結合地球靜止業務環境衛星（GOES）紅外降水估計數據，和來自NWS的水文氣象自動數據系統（HADS）和NOAA的氣象同化數據獲取系統（MADIS）系統的雨量計觀測數據，再經過一系列多遙感降水估計（MPE）技術應用套件，生成相應的MPE降水產品[14]（圖1）。其中的衛星多傳感融合產品還涉及了衛星、雷達、地面三源降水的融合技術的應用[15]。而MRMS系統的特色是高分辨率、高時效，其實時發布的雷達QPE產品的空間分辨率為1 km，能達到每2 min更新，包括瞬時降水率、小時累積降水量以及誤差等，該系統的輸入數據源除了雷達基數據和用于對雷達反演降水進行局地偏差訂正的約10000個HADS雨量計小時降水數據外，還用到了NOAA/NCEP的快速更新模式（RAP）輸出的地表溫度、3D溫度、濕球溫度、結冰層高度等環境變量進行降水類型的判斷，還采用了山地制圖（Mountain Mapper）技術，利用基于坡面回歸模型（PRISM）的降水氣候月值產品進行山區降水產品的制作等[16-17]。這兩套系統中所應用的地面、雷達觀測資料的質量控制以及多源降水融合等技術，對于我國高時空分辨率融合降水產品的研制具有重要借鑒意義。

1.3　多源降水產品及融合在陸面模擬中的應用

圖1　Stage IV系統流程圖Fig. 1 Flow chart of Stage IV system

全球長期的降水數據對研究陸表水和能量收支非常重要，陸面模擬的空間性差異非常大，日尺度以下的降水頻率變化對陸表的蒸發和徑流都產生影響[18-19]，因此陸面模擬和再分析對降水驅動的時空分辨率要求較高。再分析（模式）降水產品的優勢是資料時空連續、一致性好、分辨率相對較高，缺點是誤差大，單以此作為陸面過程的驅動會逐步影響蒸發、徑流和土壤濕度，形成“氣候漂移”[20-21]，融合觀測降水信息進行訂正是消除“氣候偏移”的有效途徑。如美國NASA的新一代研究與應用回溯分析系統（MERRA）和歐洲中期天氣預報中心（ECMWF）的中期再分析系統（ERA-Interim）等陸面再分析（MERRA/Land、ERA-Interim/Land）的降水驅動，多采用了GPCP、CMAP等侯值/月值衛星降水產品對模式降水進行偏差訂正的思路。隨著較高分辨率的地面觀測降水產品（如CPCU）的出現，美國NCEP的氣候預測系統再分析（CFSR）的陸面再分析（CFSR/Land）的降水驅動設計了動力降尺度和線性加權融合相結合的方法[22]：先采用高分辨率的全球數據同化系統（GDAS）模式降水對質量較好但分辨率較低的CMAP、CPCU資料進行時空分解，再采用與緯度分布有關的線性加權平均的方法融合CMAP、CPCU和GDAS降水，充分發揮衛星、雨量計和模式降水分別在赤道、中緯度、高緯度等陸地區域的優勢，尤其是在美國本土、歐洲、澳大利亞等雨量計密集地區給予了雨量計分析場最大的權重，使得降水驅動的精度明顯提高。近期，MERRA第二代（MERRA2）的觀測訂正降水也采用了與CFSR/Land降水驅動類似的思路，明顯改進了水循環的模擬[23]。另外，歐盟聯合研究中心（EU/JRC）研制了一套1979—2015年逐3 h/0.25°分辨率的多源集合權重降水（MSWEP）產品，不僅考慮了氣候上地形和風效應的低估，還融合了CMORPH、TRMA 3B42、GsMAP-MVK、ERA-Interim、日本氣象廳55年再分析（JRA-55）、CPCU、GPCC等更多源、多尺度的降水數據，有效提高了水文模擬的精度[24]。

2　國家氣象信息中心降水融合技術和產品的發展

2.1　降水二源融合到三源融合的發展

國內降水融合的產品多集中在滿足氣象業務對區域高分辨率降水產品的需求上，且多是模式預報或衛星與地面自動站觀測的融合。早期產品分辨率多在逐小時/5～10 km，例如：國家衛星氣象中心研制的風云（FY）系列衛星降水產品[25]、氣象中的降水實況分析產品、信息中心的地面與FY（或CMORPH）二元融合產品等。近年來，隨著氣象預報和服務業務對降水實況產品分辨率需求和精度的提高，氣象公共服務中心采用信任傳播模型算法制作了10 min葵花8衛星和地面融合的快速降水格點實況產品，國家氣象信息中心則引入氣象探測中心的1 km雷達降水研制了質量較高的地面-雷達-衛星三源融合降水產品。

國家氣象信息中心在降水融合方面的研究起步相對較早，2010年引進美國CPC研制的“PDF+OI”兩步融合法[26]研制了中國區域逐小時、0.1°的地面和衛星二源融合降水產品[27-29]。其融合思路是：先采用PDF匹配法訂正衛星降水的非獨立性系統誤差，再采用OI技術融入地面觀測信息。對原來適用于逐日、0.25°的方案做了兩點改進：其一，根據逐小時降水誤差存在日變化和零值樣本偏多的概率分布特征，調整了PDF的時空樣本匹配窗口和選取策略，有效降低了由PDF曲線不穩定造成“過度訂正”的大值出現的概率[30]。其二，在逐小時、0.1°上進行樣本統計，擬合誤差及誤差空間相關的變化曲線（圖2），誤差估計更加準確[30]。新方案有效提高了融合降水的量值，特別是對強降水的把握能力。

圖2　不同時空分辨率上背景場誤差的統計關系：（a）均方誤差與累積降水量值；（b）網格上任意兩點的誤差相關系數與距離Fig. 2 The statistic relation of first guess error at different temporal-spatial resolution: (a) Error2 vs. accumulated rainfall;(b) correlation coefficient vs. distance

2014年，為了進一步提高產品空間分辨率而不降低精度，國家氣象信息中心在二源融合技術的基礎上，引入雷達降水高分辨的空間結構信息，發展了三源融合的思路：先采用PDF技術訂正雷達和衛星降水的系統誤差，再采用BMA方法融合雷達和衛星降水形成最優初始場，最后采用OI融入地面觀測。在PDF匹配訂正時，根據0.05°雷達降水偏差局地性強的特征對樣本時空匹配窗口做了適當調整[30]。在聯合雷達和衛星降水時，采用了貝葉斯模式平均（BMA，Bayesian Model Averaging）方法，其特點是：各種資料的誤差是根據不同時空窗口的樣本動態計算的，不同時刻不同區域內資料分配的權重是不同的，使得權重的分配在局地范圍內更準確。在應用OI方法融合地面觀測時，背景場由單一來源的衛星降水替換成了雷達衛星聯合降水，并在0.05°分辨率上重新定義了地面觀測和背景場的誤差。最終的三源融合降水在中國區域覆蓋完整，保留了雷達高分辨率的降水特征，量值與地面觀測降水接近（圖3），經過2380個國家級自動站的獨立樣本檢驗（表2），結果表明：三源融合降水的精度優于任何單一來源的降水產品，同時也要優于原來的二源融合降水產品。

圖3　2014年6月21日01時（UTC）5 km分辨率上不同降水產品的降水空間分布（mm/h）：（a）Gauge，地面觀測；（b）MQPE，探測中心雷達QPE產品；（c）CMORPH，CMORPH衛星降水產品；（d）Merge_OI，三源融合降水Fig. 3 Precipitation distribution of different products on 5km resolusion at 01UTC 21 Jun, 2014: (a) Gauge, from gauge; (b)MQPE, Radar QPE; (c) CMORPH, satellite retrieved products; (d) Merge_OI, gauge-radar-satellite merged precipitation

表2　不同類型降水產品的誤差（2015年5—10月2380站獨立樣本檢驗）Table 2 The statistical errors of different precipitation products (Based on independent validation samples for May-October in 2015)

2016年，為滿足氣象服務對降水產品更高分辨率的需求，國家氣象信息中心在5 km三源融合技術的基礎上又發展了“PDF+BMA+DS+OI”1 km三源融合技術方案：利用雷達1 km的空間結構信息，對5 km上經過PDF系統偏差訂正和BMA融合的雷達-衛星聯合降水進行空間降尺度（DS，Downscaling），得到一個既含有1 km高分辨的信息又保證5 km上無偏的背景場，然后采用OI融入觀測信息。該方法在滿足業務產品時效的基礎上來優化背景場，最終達到了1 km三源融合產品的精度優于單一來源降水產品的融合效果（圖4和圖5），并且在強降水的監測上1 km要優于5 km的三源融合產品（圖6），更加適用于強天氣的監測和模式預報檢驗。

圖4　2016年7月19日22時（UTC）1 km分辨率上降水量（mm/h）的空間分布：（a）Gauge，地面觀測；（b）；CMORPH，衛星反演降水（c）Radar QPE，雷達估測降水；（d）Merge，三源融合降水Fig. 4 Precipitation distribution of different products on 1 km resolusion at 22UTC 19 July 2016: (a) Gauge, from gauge;MQPE, (b) CMORPH, satellite retrieved products; (c) Radar QPE; (d) Merge, gauge-radar-satellite merged precipitation.

2.2　多源降水融合系統建設

為了滿足多種氣象預報、監測及公眾服務等實時業務的需求，國家氣象信息中心非常注重及時將融合技術的研究成果轉向業務應用。2011 年11 月基于改進的“PDF+OI”技術研制的中國區域地面自動站與衛星反演降水產品融合系統1.0版本（CMPA_Hourly V1.0）投入業務試運行，實時發布1 h、10 km分辨率的地面、衛星二源降水融合產品。2015年7月，基于“PDF+BMA+OI”方法研制的中國區域地面自動站、衛星、雷達三源降水融合系統（CMPA_Hourly V2.0）投入實時運行，通過中國氣象數據網、國家氣象數據內網和中國氣象局衛星廣播系統（CMACast）實時發布1 h、5 km分辨率且質量更高的地面、衛星、雷達三源降水融合產品。2016年12月，CMPA-Hourly V2.0升級成中國多源降水融合系統2.1版本（CMPAS-Hourly V2.1），進入業務試運行，產品分辨率由5 km提高到1 km。

圖5　2016年7月19日22時（UTC）華北區域（110.5°—120.5°E，33.5°—41.5°N）內檢驗站降水量（mm/h）的散點分布：Gauge，地面觀測；（a）CPA，地面插值降水產品；（b）Radar QPE，雷達估測降水；（c）CMORPH，衛星反演降水；（d）Merge，1 km三源融合降水Fig. 5 The scatter chart of different precipitation products vs. Gauged precipitation at 22UTC 19 July 2016 over area of 110.5°-120.5°E, 33.5°-41.5°N : (a) CPA, grid analysis from gauge; MQPE, (b) Radar QPE; (c) CMORPH, satellite retrieved products; (d) Merge, gauge-radar-satellite merged precipitation at 1 km grids.

圖6　不同降水強度下1 km（Meg_0.01 deg）和5 km（Meg_0.05 deg）融合產品的（a）均方根誤差、（b）相對偏差和（c）TS評分（2016年6—8月獨立樣本統計）Fig. 6 (a) RMSE, (b) relative Bias, and (c) TS scores of merged products with intensity of rainfall at 1 km (Meg_0.01 deg)and 5 km (Meg_0.05 deg) grids (Based on independent validation samples for Jun-Aug in 2016)

CMPAS-Hourly V2.1系統包括數據獲取、數據預處理、融合、產品生成、產品評估、產品分發、系統監視、數據管理、運行調度9個部分（圖7），可以按照產品生成時效需求依次推出5 km和1 km的多種降水融合的數據和圖形產品，以及實時的質量評估結果，各種降水產品的整體質量隨滯后時間而逐步提高，最快速的地面和雷達二源融合產品時效是整點滯后12 min，而質量較高5 km三源融合產品滯后45 min，1 km的三源融合產品則滯后55 min。目前，CMPAS系統的三源融合降水產品在智能網格預報、氣象災害預警業務監測及產品檢驗、GPAPES檢驗評估等業務中發揮積極作用。

圖7　CMPAS-Hourly V2.1業務系統架構Fig. 7 Flow chart of CMPAS-Hourly V2.1 system

2.3　其他融合降水產品的研制與應用

基于地面自動站、CMORPH衛星、雷達QPE等數據生成的二源、三源融合產品雖然一定程度上滿足了用戶對產品質量、時效和高分辨率的需求，但是仍然存在需要解決的問題和未能滿足的需求：

第一，CMORPH沒有用到FY3的微波降水資料，限制了衛星集成降水產品在中國地區質量的提高。國家氣象信息中心采用基于紅外冷云移動矢量的微波降水時空內插技術，實現了以時間位移長度為權重系數的多衛星集成，研制了東亞多衛星集成降水（EMSIP）產品[31-32]。與類似的CMORPH、GsMAP產品相比，EMSIP有效改進了中國地區降水日變化的特征（圖8），還能防止CMORPH“斷供”，為二源和三源融合產品提供較高質量的衛星輸入源。

圖8　2012年6月—2013年8月EMSIP、GSMAP、CMORPH與地面觀測降水的（a）降水量日變化，以及三個衛星產品的（b）偏差 和（c）命中率的日變化Fig. 8 The diurnal cycles of three satellite retrieved products, EMSIP, GSMaP, CMORPH, and observations: (a) for precipitation, (b) for bias, (c) for detected probability (Based on the samples for July 2012 - August 2013)

第二，雷達QPE產品還存在雷達放射狀波束結構，以及不同部雷達的系統偏差拼接后造成降水空間結構的不連續等質量問題，會帶入三源融合降水產品中。若以此作為驅動數據，這種偏差會在土壤濕度中隨時間不斷累積放大。因此國家氣象信息中心專門針對1 km陸面數據同化分析系統（HRCLDASv1.0），采用多重網格三維變分（STMAS）方法[33-34]研制了一套1 km分辨率的EMSIP衛星和地面二源融合降水驅動數據，詳細內容可參考“CMA高分辨率陸面數據同化系統（HRCLDAS-V1.0）研發及進展”一文[35]。

第三，國內發展的適用于陸面氣候模擬的融合降水產品較少，例如：國家氣象信息中心采用“PDF+OI”技術研制的1998年以來逐日/0.25°中國區域衛星、地面融合降水產品[36]，國家氣候中心采用HL-OI方法研制的2003年以來逐日/1°中國和全球區域模式、衛星和地面三源融合降水數據[37-38]等，但無論是資料時空覆蓋范圍還是時空分辨率都有待提高。2015年，“氣象資料質量控制及多源數據融合與再分析”創新攻關任務要求研制1979年以來逐3 h、25 km分辨率的全球融合降水產品，以滿足中國氣象局再分析（CRA-40/Land）降水驅動的需要。信息中心在引進美國CFSR/Land降水驅動融合技術的基礎上，采用GPCPv2.2月值降水進行氣候態的偏差訂正，并融合中國區域高質量的地面觀測格點分析資料，以改進全球降水在中國地區的質量。目前，已完成了全球降水融合原型系統和1979—2016年的試驗產品（CMPAS-global）制作。初步評估表明，與CFSR/Land融合降水驅動數據相比，CMPAS-global產品與GPCPv2.3的氣候態偏差明顯減小（圖9），在中國地區的質量也明顯提高，整體質量更優。

圖9　不同降水產品與GPCPv2.3的北半球夏季（JJA）氣候態（1980—2010年）的差異：（a）CFSR融合降水驅動數據（MCFSR）；（b）CMPAS-global產品（CMPAS）Fig. 9 Climatological difference between GPCPv2.3 and (a) CFSR/Land Merged precipitation forcing(MCFSR), (b)CMPAS-global(CMPAS) for Northern Hemispehric summer (JJA)

3　總結與展望

中國的多源降水融合產品的研發始終緊密面向氣象業務發展的需求，從引進國際先進融合技術到吸收創新，產品分辨率和精度不斷提高，范圍從中國逐步拓展到全球，時間序列也從實時逐漸向歷史延伸，為智能網格預報業務提供了高質量的降水實況分析產品，滿足了陸面模擬、干旱監測和氣候分析的需求。但仍有一些尚未解決的問題，需要在今后的工作中考慮：加強融合方法在站點稀疏地區和青藏高原的優化；加強模式降水的評估與應用，改進冬季北方地面自動站停測和衛星固態降水反演能力不足的缺陷；改進雷達偏差訂正方法，解決雷達空間結構不連續問題。同時，未來現代化氣象業務的需求對降水產品的時效和分辨率要求越來越高，除了常規地面觀測降水資料，還需要高效融合更多分鐘級的雷達多層次探測資料，多通道衛星遙感以及閃電定位資料、三維云、模式分析資料等，同時給出降水相態信息，針對海量觀測數據，傳統的融合方法可能并不適用，可以嘗試開展神經網絡等機器學習方法的研究與應用。

[1]Arkin P, Meisner B. The relationship between large-scale convective rainfall and cold cloud over the western hemisphere during 1982-84.Monthly Weather Review, 1987, 115: 51–74.

[2]Syed T H, Lakshmi V, Paleologos E, et al. Analysis of process controls in land surface hydrological cycle over the continental United States, J Geophys Res, 2004, 109, D22105.

[3]Xie P, Arkin P A. Global precipitation: A 17-year monthly analysis based on gauge observations, satellite estimates, and numerical model outputs. Bull Amer Meteor Soc, 1997, 78(11): 2539-2558.

[4]Ebert E E, Manton M J. Performance of satellite rainfall estimation algorithms during TOGA COARE. Journal of the Atmospheric Sciences, 1998, 55(9): 1537-1557.

[5]Berg W, Chase R. Determination of mean rainfall from the Special Sensor Microwave/Imager (SSM/I) using a mixed lognormal distribution. Journal of Atmospheric and Oceanic, 1992, 9: 129–141.

[6]Ferraro R R, Marks G F. The development of SSM/I rain-rate retrieval algorithms using ground-based radar measurements. Journal of Atmospheric and Oceanic Technology, 1995, 12(4): 755–770.

[7]Reynolds R W. A real-time global sea surface temperature analysis. J Clim, 1988, 1: 75-86

[8]Huffman G J, R F Adler, P Arkin, et al. The Global Precipitation Climatology Project (GPCP) combined precipitation dataset. Bull Amer Meteor Soc, 1997, 78: 5-20.

[9]Joyce R J, Xie P. Kalman filter–based CMORPH. J of Hydro , 2011,12(6): 1547–1563.

[10]Joyce R J, Janowiak J E, Arkin P A, et al. CMORPH: A method that produces global precipitation estimates from passive microwave and infrared data at high spatial and temporal resolution. J of Hydro , 2004, 5: 487-503.

[11]Okamoto K, Iguchi T, Takahashi N, et al. The global satellite mapping of precipitation (GSMaP) project. Geoscience and Remote Sensing Symposium, IGARSS Proceedings, 2005 IEEE International.

[12]Michaelides S, Levizzani V, Anagnostou E, et al.: Precipitation:Measurement, remote sensing, climatology and modeling.Atmospheric Research, 2009, 94(4): 512-533.

[13]Fulton R, Breidenbach J, Seo D J, et al. The WSR-88D rainfall algorithm. Wea Forecasting, 1998, 13: 377–395.

[14]Kitzmiller D, Miller D, Fulton R, et al. Radar and multisensor precipitation estimation techniques in national weather service hydrologic operations. J Hydrol Eng, 2013, 18(2): 133-142.

[15]Kondragunta C R, Kitzmiller D, Seo D J, et al. Objective integration of satellite, rain gauge, and radar precipitation estimates in the multisensor precipitation estimator algorithm. Proc, 19th Hydrology Conf, American Meteorological Society, Boston, 2005.

[16]Zhang J, Howard K, Langston C, et al. National mosaic and multisensor QOE(NMQ) system. Bull Amer Meteor Soc, 2011, DOI:1 0.1175/2011BAMS-D-11-00047.1.

[17]Zhang J, Howard K, Langston C, et al. Multi-Radar Multi-Sensor(MRMS) quantitative precipitation estimation: Initial operating capabilities. Bull Amer Meteor Soc, 2016, DOI:10.1175/BAMS-D-14-00174.1621-637.

[18]Sheffield J, Ziegler A D, Wood E F, et al. Correction of the highlatitude rain day anomaly in the NCEP-NCAR reanalysis for land surface hydrological modeling. J Clim, 2004, 17: 3814-3828.

[19]Qian T, Dai A, Trenberth K E, et al. Simulation of global land surface conditions from 1948-2004. Part I. Forcing data and evaluation. J Hydrometeorology, 2006, 7: 953-975.

[20]Lenters J D, Coe M T, Foley J A. Surface water balance of continental United States, 1963-1995: Regional evaluation of a terrestrial biosphere model and the NCEP/NCAR reanalysis. J Geophys Res, 2000, 105(D17): 22393-22425.

[21] Maurer E P, O’Donnell G M, Lettenmair D P, et al. Evaluation of the land surface water budget in NCEP/NCAR and NCEP/DOE Reanalyses using an off-line hydrological model. J Geophys Res,2001, 106(D16): 17841-17862.

[22]Meng J, Yang R, Wei H, et al. The land surface analysis in the NCEP climate forecast system reanalysis. J of Hydro, 2012, 13:1621-1630.

[23]Reichle H R, Liu Q, Randal D K, et al. Land surface precpitation in MERRA-2. J Clim, 2017, 30: 1643-1664.

[24]Beck H E, Albert I J M, Levizzani V, et al. MSWEP: 3-hourly 0.25°global gridded precipitation (1979-2015) by merging gauge,satellite, and reanalysis data. Hydrol Earth Syst Sci, 2017, 21: 589-615.

[25]Lu N, You R, Zhang W. A fusing technique with satellite precipitation estimate and rain gauge data. Acta Meteor Sinica,2004, 18(2): 141-146.

[26]Xie P, Xiong A. A conceptual model for constructing highresolution gauge - satellite merged precipitation analyses. J Geophys Res, 2011, 116: D21106.

[27] 潘旸, 沈艷, 宇婧婧, 等. 基于最優插值方法分析的中國區域地面觀測與衛星反演逐時降水融合試驗. 氣象學報, 2012, 70(6): 1381-1389.

[28] 宇婧婧, 沈艷, 潘旸, 等. 基于地面觀測降水訂正衛星反演降水系統誤差(PDF）方法在中國地區的應用. 應用氣象學報, 2013,24(5): 544-553.

[29]Shen, Y, Zhao P, Pan Y, et al. A high spatiotemporal gauge-satellite merged precipitation analysis over China. J Geophys Res, 2014,119: 3063-3075

[30] 潘旸, 沈艷, 宇婧婧, 等. 基于貝葉斯融合方法的高分辨率地面—衛星—雷達三源降水融合試驗. 氣象學報, 2015, 73(1): 177-186.

[31]Xu B, Xie P, Xu M, et al. A validation of passive microwave rainrate retrievals from the Chinese FengYun-3B satellite. Journal of Hydrometeorology, 2015, 16: 1886-1905.

[32]徐賓, 師春香, 姜立鵬, 等. 東亞多衛星集成降水業務系統. 氣象科技, 2015, 43(6): 1007-1014.

[33]Xie Y, Koch S, McGinley J, et al. A space–time multiscale analysis system: A sequential variational analysis approach. Mon Weather Rev, 2011, 139: 1224–1240.

[34]張濤, 苗春生, 王新. LAPS與STMAS地面氣溫融合效果對比試驗. 高原氣象, 2014, 33(3): 743-752.

[35]韓帥, 師春香, 姜志偉, 等. CMA高分辨率陸面數據同化系統（HRCLDAS-V1.0）研發及進展. 氣象科技進展, 2018, 8(1):102-108, 116.

[36] 宇婧婧, 沈艷, 潘旸, 等. 中國區域逐日融合降水數據集與國際降水產品的對比評估. 氣象學報, 2015, 73(2): 394-410.

[37]Nie S, Luo Y, Wu T, et al. A merging scheme for constructing daily precipitation analyses based on objective bias-correction and error estimation techniques. J Geophys Res: Atmos, 2015, 120,doi:10.1002/2015JD023347.

[38]Nie S, Wu T, Luo Y, et al. A strategy for merging objective estimates of global daily precipitation from gauge observations,satellites estimates, and numerical predictions. Adv Atmos Sci,2016, 33: 889-904.