观潮 · 模式预报与气象 AI 观察
五套降水产品加八个辅助因子喂进 ANN：新疆多源降水融合日尺度 KGE 0.93、月尺度 0.96
> 新疆全区只有 42 个气象站，却要回答「哪套降水产品可信、怎么把它们拼成一套更好的数据」。这项研究先用广义三角帽法（GTCH）给 ChinaMet、CN05.1、CHM_PRE、GPM、CPC 五套产品排不确定性座次，再按座次逐步加产品、配八个地理气象辅助因子，用 RF、XGBoost、LightGBM、ANN、LSTM 五种模型做融合比选。结果是：加到第三套产品时收益最大（CC 提高 21.11%、RMSE 降低 55.61%），之后边际收益骤减；最终纳入五套产品加八个辅助因子的组合里 ANN 综合最优，日尺度 KGE 0.930、月尺度 0.96，比贝叶斯模型平均（BMA）的 RMSE 低 37.14%，比算术平均低 70.91%。作者同时交代了三处没做的事：未分降水相态、输入组合只用了不确定性排序一种构建方式、分区建模沿用全疆最优方案。
缺的是哪一块
降水数据有三条来路，各有硬伤：地面站点准但稀，插值精度在站点稀疏和复杂地形区急剧下降；天气雷达时空分辨率高，但受信号衰减、地形和观测距离影响，降水估测存在明显区域差异；卫星遥感覆盖广，反演精度却受区域环境和降水类型制约，对固态降水的识别能力弱。多项对比研究得到的共同结论是：不存在在所有区域和条件下都表现最优的单一降水产品。
于是融合成为提高区域降水数据质量的主要途径。传统统计方法（算术平均、加权平均、贝叶斯模型平均）原理简单、算得快，但对降水产品之间复杂的非线性关系、以及降水与地形气象因子之间的关系刻画能力有限；机器学习能挖这些非线性关系，整体性能通常更好——但不同模型的算法结构和适用条件不同，区域适用性尚无统一结论。新疆恰好是检验这个问题的极端样本：基础观测站点少，阿尔泰山、天山、昆仑山与两大盆地相间形成「三山夹两盆」，降水北疆多南疆少、山区多盆地少，影响因素极其复杂。哪些模型在这种地方好用、加几套产品划算，需要专门的比选实验。
融合方案怎么搭的
研究区为新疆全区（约 166.04 万 km²），时段 2000—2020 年。观测真值用 42 个气象站的逐日降水（中国气象数据共享网），五套产品的总降水量经双线性插值统一重采样到 0.1° 网格。
整条流水线分四步：
步骤 · 做法
不确定性评价 · 广义三角帽法（GTCH）：不需要实测真值，用产品两两差值序列构建协方差矩阵，约束优化求解误差协方差，取对角元的平方根（误差标准差）作为各产品的不确定性度量
输入组合 · 按不确定性由低到高排序，依次取前 2、3、4、5 套产品构成组合Ⅰ—Ⅳ；经纬度、高程、坡度、坡向、月份、平均气温、相对湿度共 8 个辅助因子在各组合中保持一致
模型比选 · RF、XGBoost、LightGBM、ANN、LSTM 五种模型全疆建模，2000—2014 年训练、2015 年验证、2016—2020 年独立测试
分区建模 · 用比选出的最优方案，按南北疆、山区/平原、冷暖季分别再建模，逐格预测
传统方法的对照有两种：算术平均（五套产品等权）；BMA（用 2000—2015 年站点观测经 EM 算法估计各产品权重，Box-Cox 变换压偏态，站点权重经反距离加权插值到网格）。评估用两组指标：CC、MAE、RMSE、POD、FAR、CSI 六项加 Brunke 排名法算综合得分（SCORE 越小越优，有雨日判定阈值 0.1 mm）负责比选；NSE 和 KGE 负责评价融合数据本身的精度。
结果数字
五套产品的座次（GTCH 误差标准差中位数，越大越不可靠）：
产品 · 不确定性中位数 (mm)
CPC · 0.91
GPM · 0.73
CHM_PRE · 0.66
CN05.1 · 0.63
ChinaMet · 0.60
原始产品的直接误差对比同向：全区域多年平均最大误差 CHM_PRE 最小（1.05 mm/d）、GPM 最大（2.98 mm/d），最小误差分别为 −1.38 和 −4.56 mm/d；分南北疆、山区平原、各海拔带看，CHM_PRE 也几乎在所有分区排第一。
四种输入组合下五种模型的平均表现（全疆比选阶段）：
组合 · CC · MAE · RMSE · POD · FAR · CSI · 综合最优模型
Ⅰ（前 2 套） · 0.79 · 0.33 · 1.24 · 0.83 · 0.54 · 0.42 · RF
Ⅱ（前 3 套） · 0.96 · 0.12 · 0.58 · 0.89 · 0.29 · 0.65 · LSTM
Ⅲ（前 4 套） · 0.96 · 0.11 · 0.58 · 0.89 · 0.29 · 0.65 · RF
Ⅳ（全 5 套） · 0.96 · 0.11 · 0.57 · 0.88 · 0.23 · 0.70 · ANN
边际收益的结构很清楚：产品从 2 套加到 3 套，CC 提高 21.11%、RMSE 降低 55.61%；再往上加 GPM 和 CPC，CC 平均只提高 0.47%、RMSE 平均只降 5.12%。也就是说，第三套产品之后，买来的精度提升接近于零。
最终以组合Ⅳ的 ANN 开展融合，与对照的对比：
尺度/指标 · ANN 融合 · 对照
日尺度 KGE（全疆） · 0.930 · 优于 BMA、算术平均及最优单源 CHM_PRE
分区 CC 中位数 · 全疆 0.974、南疆 0.977、北疆 0.971、山区 0.980、平原 0.958 · 冷暖季 0.973 / 0.974，相差不大
分尺度 KGE 中位数 · 全疆 0.930、南北疆 0.906、山区平原 0.895、冷暖季 0.876 · 以全疆整体建模最好
平均 CC（日尺度） · 0.975 · BMA 0.950、算术平均 0.738
月尺度 CC / RMSE / KGE / NSE · 0.98 / 3.47 mm/month / 0.96 / 0.97 · 最优单源 CHM_PRE 0.95 / 6.09 / 0.88 / 0.89；BMA 0.94 / 6.42 / 0.82 / 0.88
月尺度上，全疆 ANN 的 RMSE 比 BMA 低 45.95%、比 CHM_PRE 低 43.02%。四场日降水量 ≥50 mm 的典型暴雨（2017-06-08、2018-07-04、2016-06-18、2016-06-29）检验里，以山区/平原分区构建的 ANN 表现最好（KGE 0.92，南北疆 0.91、全疆 0.88、冷暖季 0.87），RMSE 比 BMA、算术平均、CHM_PRE 分别低 76.45%、84.01%、70.39%——暴雨这种最难的情形恰恰是融合收益最大的情形。
空间上有个值得注意的反转：误差最小的是南北疆分区构建的 ANN（全区误差 −1.053～0.868 mm/d，山区 −0.891～0.703 mm/d、海拔 >1500 m 区域 −0.589～0.430 mm/d 都是它最优），而平原区和海拔 <1500 m 区域反而是全疆整体建模的 ANN 更准（−0.374～0.395 和 −0.408～0.398 mm/d）。也就是说「全疆一个模型」和「分区建模」各有地盘，选哪种取决于应用区域的地形。
原文图
图 1：研究区高程、山脉与盆地格局及 42 个气象站点分布，右下内嵌图为南北疆划分；降水总体呈北疆多、南疆少，山区多、盆地少。
图 2(a)：五套产品在全区、南北疆、山区/平原、各海拔带、冷暖季分区上的多年平均最大误差环形图（mm/d）。CHM_PRE（深红）在各分区的条普遍最短，GPM（浅蓝）与 CPC（淡蓝）最长。
图 4：各尺度 ANN 融合数据与对照的箱线图。(a) CC、(b) KGE。左列为冷暖季、山区/平原、南北疆、全疆分尺度 ANN，右上为五套单源产品，右中为 BMA 与算术平均，右下为各尺度 ANN——全疆 ANN 的 KGE 箱体位置最高。
图 5：四场典型暴雨日（20170608、20180704、20160618、20160629）各数据集的 RMSE（左，mm/d）与 KGE（右）热图。上五行是单源产品与传统融合，下四行是各尺度 ANN——RMSE 从单源的 4—10 mm/d 量级压到 0.7—2 mm/d 量级。
图 6：月尺度站点观测与各数据集的散点对比（mm/month）。(a)—(e) 单源产品中 CHM_PRE 最好（CC 0.95），(f)(g) 为 BMA 与算术平均，(h)—(k) 为各尺度 ANN，(k) 全疆 ANN 达 CC 0.98、RMSE 3.47、KGE 0.96、NSE 0.97。
图 7：多年平均降水空间分布对比（mm/year）。(a)—(e) 单源、(f)(g) 传统融合、(h)—(k) 各尺度 ANN、(l) 站点观测。ANN 各尺度在北疆西部及天山一带的降水高值带更连续，南疆盆地内部以低值为主。
图 8（a—f）：六套融合数据的多年平均最大绝对误差站点分布（mm/d）。南北疆分区 ANN 在山区站点的误差点普遍更浅，BMA 与算术平均在盆地边缘站的深色误差点明显更多。
边界与作者承认的限制
- 站点代表性与降水相态：新疆高海拔山区观测站点缺乏，站点观测对局地降水特征的代表性受限；研究只用各产品提供的总降水量，未区分液态与固态降水——固态降水恰是卫星反演最弱的一环。作者把补充高海拔观测、引入雷达等更高时空分辨率数据、分相态评价列为后续方向。
- 输入组合只试了一种构建方式：组合Ⅰ—Ⅳ完全按 GTCH 不确定性排序生成。作者指出目前还有按相关性高低、主成分分析、熵权法、加权法构建组合的做法，哪种更有利于组合方案的确定「还有待进一步研究」——也就是说，本轮实验无法回答「不确定性排序是不是最优的分组依据」。
- 分区建模没有各自优选：南北疆、山区/平原、冷暖季的分区建模全部沿用全疆筛出的最优模型（ANN）与输入组合（组合Ⅳ），未针对不同区域分别优选输入产品、辅助因子和模型。作者承认这限制了融合数据的区域适用性和泛化能力。
一句话判断
在站点稀疏的复杂地形区，多源融合的收益大头来自「前两三套高质量产品 + 地形气象辅助因子」，而不是把手里所有产品都塞进模型；用 GTCH 排座次再决定喂什么，是这套流程里成本最低、最容易照做的一步——但相态不分、组合方式单一、分区不优选这三笔账，作者自己也没有赖掉。