趙君　劉雨　徐進超　王國慶　邵月紅　楊林

摘要：目前的降水產(chǎn)品依然存在較大的不確定性，采用多源降水數(shù)據(jù)融合可以更準確地估計降水量和空間分布情況。為實現(xiàn)無資料地區(qū)的數(shù)據(jù)融合，本文在不使用任何先驗信息的前提下，通過整合站點插值、衛(wèi)星遙感和再分析的降水產(chǎn)品，基于貝葉斯三角帽（Bayesian-Three Cornered Hat，BTCH）法，融合多源降水數(shù)據(jù)，探究不同輸入數(shù)量的降水產(chǎn)品對于融合數(shù)據(jù)精度的影響以及每個降水產(chǎn)品對于融合數(shù)據(jù)精度的貢獻率，并在黃河源區(qū)進行應用。結(jié)果表明：在月尺度上，融合數(shù)據(jù)性能優(yōu)于原始降水產(chǎn)品;在日尺度上，融合數(shù)據(jù)性能明顯高于衛(wèi)星遙感和再分析降水產(chǎn)品，但低于基于站點的降水產(chǎn)品CHM_PRE;2套基于站點的降水產(chǎn)品CN05.1和CHM_PRE對于融合數(shù)據(jù)有最大的貢獻率。在黃河源區(qū)的應用表明，該數(shù)據(jù)融合方法確實能夠更準確地估計降水量，可應用于無實測降水資料地區(qū)，為數(shù)據(jù)融合分析及應用提供參考。

關(guān)鍵詞：多源降水;數(shù)據(jù)融合;不確定性分析;貝葉斯三角帽

中圖分類號：P426.6

文獻標志碼：A

文章編號：1001-6791（2023）05-0685-12

降水是陸地水文循環(huán)的主要驅(qū)動因素。研究表明，徑流預報的誤差主要由降水數(shù)據(jù)的偏差主導［1］，因此量化評估和減少這種誤差，可以提高對水文系統(tǒng)和模型模擬的理解［2］。目前，地面站點、衛(wèi)星遙感和氣象雷達的觀測數(shù)據(jù)都存在一定的不確定性［3-5］。為了解決降水觀測數(shù)據(jù)存在的不確定性，通常采用多源數(shù)據(jù)融合來提高對降水時空分布的估計［6］?，F(xiàn)在已有大量關(guān)于數(shù)據(jù)融合的算法，如最優(yōu)插值、卡爾曼濾波、概率密度函數(shù)最優(yōu)插值等［7-9］。然而，這些方法大多需要地面實測數(shù)據(jù)，對于數(shù)據(jù)匱乏或無資料地區(qū)，基于機器學習的遷移學習［10］以及基于TC（Triple Collocation）算法［11］的多源降水數(shù)據(jù)融合都以得到應用，但關(guān)于無資料地區(qū)的數(shù)據(jù)融合研究依然相對較少。

針對缺乏實測數(shù)據(jù)的區(qū)域，三角帽（Three Cornered Hat，TCH）法已被用于量化降水、GRACE、土壤濕度和蒸散發(fā)等［12-15］在區(qū)域或全球尺度上的不確定性。這為無資料地區(qū)的數(shù)據(jù)融合提供了思路，即利用三角帽法計算數(shù)據(jù)集的不確定性，并根據(jù)不確定性的大小為每個數(shù)據(jù)集分配權(quán)重，從而實現(xiàn)無實測數(shù)據(jù)地區(qū)的數(shù)據(jù)融合［16-17］。Xu等［18］利用廣義三角帽分析了13套月降水數(shù)據(jù)集和11套日降水數(shù)據(jù)集在全球尺度上的相對不確定性，并根據(jù)各降水產(chǎn)品的不確定性通過加權(quán)進行多源降水數(shù)據(jù)融合，結(jié)果表明基于廣義三角帽法的多源數(shù)據(jù)融合要優(yōu)于其他方法;He等［19］基于一種貝葉斯三角帽（Bayesian-Three Cornered Hat，BTCH）方法，通過整合多源地表蒸散發(fā)產(chǎn)品來提高地表蒸散發(fā)（ET）的估計，結(jié)果表明BTCH方法能夠有效地減少ET產(chǎn)品之間的差異，并提高ET估計的精度和穩(wěn)定性。這些研究主要集中在融合算法的發(fā)展方面，但融合數(shù)據(jù)的精度不僅被算法影響，同時也受到輸入源的影響［20］。全球范圍內(nèi)降水產(chǎn)品種類繁多，如何選擇降水產(chǎn)品進行數(shù)據(jù)融合是值得考慮的問題。因此，在融合數(shù)據(jù)之前，分析并選擇不同數(shù)量和類型的降水產(chǎn)品對融合數(shù)據(jù)精度也是非常重要的［21］。如何更加合理地構(gòu)建多源降水融合框架有待深入研究。

本文基于貝葉斯三角帽方法融合多源降水數(shù)據(jù)，采用2001—2020年中國大陸地區(qū)8套基于站點、衛(wèi)星遙感和再分析原始降水產(chǎn)品，以實測站點數(shù)據(jù)作為參照，定量分析不同輸入數(shù)量下融合數(shù)據(jù)的精度差異以及每個降水產(chǎn)品對于融合數(shù)據(jù)精度的貢獻率。

1 研究區(qū)域與數(shù)據(jù)

1.1 研究區(qū)概況

第5期趙君，等：基于貝葉斯三角帽法的多源降水數(shù)據(jù)融合分析及應用

水科學進展第34卷

本次研究選取中國大陸作為研究區(qū)域，選取了834個地面氣象站點，站點分布如圖1（a）所示。研究區(qū)包括熱帶、亞熱帶、溫帶、亞寒帶等多種氣候類型。

為驗證融合降水數(shù)據(jù)的效果，選取黃河源區(qū)作為驗證區(qū)。黃河源區(qū)地處青藏高原東部邊緣，目前區(qū)域內(nèi)國家設(shè)立的氣象站點僅有12個，數(shù)量嚴重不足且已有站點大部分分布在河谷地帶，在空間分布上不具有代表性，屬于典型的資料匱乏地區(qū)，數(shù)據(jù)的缺失嚴重制約了黃河源區(qū)的水文預報精度［22］。黃河源區(qū)的地理位置分布如圖1（b）所示。

1.2 研究數(shù)據(jù)

本文中的實測降水資料來源于國家氣象信息中心（CMA），所選用的降水產(chǎn)品包括CMORPH（Climate Prediction Center MORPHing technique）數(shù)據(jù)集［23］、中國科學院氣候變化研究中心CN05格點化觀測數(shù)據(jù)集［24］、PERSIANN（The Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks）數(shù)據(jù)集［25］、國家青藏高原科學數(shù)據(jù)中心CHM_PRE數(shù)據(jù)集［26］、歐洲中期天氣預報中心ERA5-Land降水數(shù)據(jù)集［27］、日本宇宙航空研究開發(fā)機構(gòu)（JAXA）GSMaP（Global Satellite Mapping of Precipitation）數(shù)據(jù)集［28］、IMERG（Integrated Multi-satellitE Retrievals for GPM）數(shù)據(jù)集［29］以及CHIRPS（Rainfall Estimates from Rain Gauge and Satellite Observations）數(shù)據(jù)集［30］。數(shù)據(jù)詳細信息如表1所示。選取2001—2020年作為研究時段，采用雙線性插值法（Bilinear）將所有降水產(chǎn)品的空間分辨率統(tǒng)一為0.25°，時間分辨率統(tǒng)一為1 d。

2 研究方法

2.1 基于貝葉斯理論的三角帽方法

2.2 評估方法與統(tǒng)計指標

3 結(jié)果與分析

3.1 降水產(chǎn)品不確定性分析

圖2為2001—2020年使用TCH法計算的單個降水產(chǎn)品不確定性的箱線圖。其中，CMORPH、ERA5-Land和GSMaP相對不確定性的中位數(shù)分別為20.6、18.3和26.1 mm，表明它們的不確定性比其他降水產(chǎn)品高得多；CHIRPS和PERSIANN不確定性的中位數(shù)分別為14.3和13.3 mm，表明這兩者的不確定性相對較低；而CN05.1、CHM_PRE和IMERG不確定性的中位數(shù)分別為9.3、10.0和10.1 mm，表明這3套降水產(chǎn)品擁有最小的相對不確定性。

圖3顯示了2001—2020年使用TCH法計算的不確定性空間分布圖。可以看出，8套降水產(chǎn)品的不確定性呈現(xiàn)從東南沿海向西北內(nèi)陸遞減的趨勢，這與中國的降水分布類似，因此降水多的地區(qū)通常存在較大的不確定性。

特別地，IMERG、CHM_PRE和CN05.1在全國范圍內(nèi)具有較小的不確定性;此外，ERA5-Land、CHIRPS和GSMaP在南方地區(qū)和青藏高原的部分地區(qū)存在較大的不確定性。

3.2 月尺度融合數(shù)據(jù)精度對比

為了探究輸入降水產(chǎn)品數(shù)量對融合數(shù)據(jù)精度的影響，按照圖2中各降水產(chǎn)品不確定性從小到大的順序，將不確定性最小的前3個降水產(chǎn)品組成融合數(shù)據(jù)BTCH3（融合了CN05.1、CHM_PRE、IMERG），以此類推，不確定性最小的前4個降水產(chǎn)品組成BTCH4，直至前8個產(chǎn)品組成BTCH8。基于貝葉斯三角帽方法分別計算BTCH3—BTCH8相應的融合數(shù)據(jù)，每個分組中，不同降水產(chǎn)品在每個格點上的平均權(quán)重如圖4所示?？梢钥闯?，不確定性最小的CHM_PRE和CN05.1在每個分組中都擁有最大的權(quán)重，隨著降水產(chǎn)品數(shù)量的增加，每種降水產(chǎn)品的權(quán)重都不同程度的下降。這會“稀釋”精度高的降水產(chǎn)品在融合數(shù)據(jù)中的分量，或是隨著精度不高的降水產(chǎn)品的增多“拉低”融合數(shù)據(jù)的整體精度。使用EKG、CC、ERMS和RB定量評估不同分組融合數(shù)據(jù)的精度也證實了這一點。圖5展示了融合數(shù)據(jù)隨輸入數(shù)據(jù)集數(shù)量增加各評價指標中位數(shù)的變化情況。BTCH3在各項指標的綜合表現(xiàn)優(yōu)于其他組合，其EKG（0.859）、CC（0.955）最高，ERMS（21.718 mm）最小。因此，對于多源數(shù)據(jù)融合單純增加數(shù)據(jù)集的數(shù)量可能并不會提升融合數(shù)據(jù)的精度。

為了更直觀地展示評價指標的空間分布情況，圖7展示了融合數(shù)據(jù)BTCH3和參與融合的原始降水產(chǎn)品在月尺度上的精度評價指標空間分布圖。由圖7（a）、7（d）、7（g）、7（j）可知，融合數(shù)據(jù)和各原始降水產(chǎn)品反映的中國大陸地區(qū)相關(guān)系數(shù)分布格局總體上相似，即東部季風區(qū)相關(guān)系數(shù)較高（0.91～0.99），西北地區(qū)和青藏高原地區(qū)相關(guān)系數(shù)偏低（0.43～0.72），融合數(shù)據(jù)和CHM_PRE在總體精度和空間分布類似，CN05.1表現(xiàn)弱于兩者，IMERG在總體精度上表現(xiàn)最差。圖7（b）、7（e）、7（h）、7（k）顯示ERMS沿西北地區(qū)向東南沿海遞增。圖7（c）、7（f）、7（i）、7（l）表明融合數(shù)據(jù)和各降水產(chǎn)品在東部季風區(qū)的部分區(qū)域存在低估降水的情況，但大部分地區(qū)都不同程度地高估了降水。

3.3 日尺度融合數(shù)據(jù)的精度對比

采用與融合月尺度降水相同的方法，將8套不同降水產(chǎn)品按照不同組合融合為一個新的日降水數(shù)據(jù)。圖8為不同分組下各評價指標的中位數(shù)，結(jié)果顯示融合數(shù)據(jù)在日尺度上的表現(xiàn)和月尺度上相似。其中，最佳融合數(shù)據(jù)由不確定性最小的3套降水產(chǎn)品（BTCH3）組成。一個有趣的現(xiàn)象是，日尺度融合數(shù)據(jù)受降水產(chǎn)品數(shù)量的影響更顯著。在日尺度上，融合數(shù)據(jù)的修正Kling-Gupta效率系數(shù)隨降水產(chǎn)品數(shù)量的增加下降了25.6%（波動范圍為0.497～0.668），而在月尺度上下降了5.1%（波動范圍為0.815～0.859）。換句話說，在日尺度上，融合數(shù)據(jù)對于輸入的降水產(chǎn)品數(shù)量更加敏感。

表2為精度最高的融合數(shù)據(jù)（BTCH3）和原始降水產(chǎn)品在日尺度上各種評價指標的中位數(shù)。在參與數(shù)據(jù)融合的原始降水產(chǎn)品中，CHM_PRE在各項評價指標上均明顯優(yōu)于其他原始降水產(chǎn)品和融合數(shù)據(jù)。IMERG的精度較低，在所有降水產(chǎn)品和融合數(shù)據(jù)中表現(xiàn)最差。盡管融合數(shù)據(jù)的精度明顯優(yōu)于IMERG和CN05.1，但總體精度不及CHM_PRE。造成融合數(shù)據(jù)在日尺度上的融合效果不如月尺度的原因，一方面是因為CHM_PRE是基于中國境內(nèi)及周邊共2 839個雨量站點，利用月值降水約束和地形特征矯正得到的數(shù)據(jù)集［26］，其數(shù)據(jù)精度足夠高；另一方面，隨著時間尺度減小，降水序列中周期性的成分不斷降低，隨機性成分和背景噪聲的增加導致融合算法難以獲取真正的降水信息，這也導致在日尺度上融合數(shù)據(jù)的精度對于不同輸入數(shù)量的降水產(chǎn)品更加敏感。

3.4 降水產(chǎn)品貢獻率的定量評估

為了定量評估不同降水產(chǎn)品對于融合數(shù)據(jù)精度的影響，采用式（12）來計算從BTCH4至BTCH3和BTCH5至BTCH4等變化情況下每個降水產(chǎn)品的相對貢獻率。表3總結(jié)了不同輸入下各降水產(chǎn)品的相對貢獻率。例如，去除BTCH4中的PERSIANN（即由BTCH4變?yōu)锽TCH3）導致融合數(shù)據(jù)的精度（EKG）由0.581變?yōu)?.668，因此PERSIANN對融合數(shù)據(jù)的相對貢獻率為-14.896%;同樣，去除BTCH4中的CHM_PRE使得融合數(shù)據(jù)的精度由0.581變?yōu)?.478，因此CHM_PRE對于BTCH4精度的相對貢獻率為17.73%，其他數(shù)據(jù)依次類推。

通過表3可以看出，2套基于站點的降水產(chǎn)品（CHM_PRE和CN05.1）對于融合數(shù)據(jù)的貢獻率最大，而衛(wèi)星遙感和再分析降水產(chǎn)品對于融合數(shù)據(jù)精度的相對貢獻率基本為負。隨著降水產(chǎn)品數(shù)量的增加，CHM_PRE和CN05.1的相對貢獻率不斷降低，這與3.2節(jié)中的增加過多的降水產(chǎn)品會“稀釋”融合數(shù)據(jù)精度的結(jié)論相符。Wei等［21］關(guān)于數(shù)據(jù)融合的研究也表明基于站點的CPC（Climate Prediction Center）數(shù)據(jù)集對于融合數(shù)據(jù)精度的影響最大，在貝葉斯模型平均（BMA）中增加CPC數(shù)據(jù)集顯著提高了融合數(shù)據(jù)的精度。因此，數(shù)據(jù)融合過程中的數(shù)據(jù)集選擇至關(guān)重要。

3.5 融合數(shù)據(jù)的適用性分析

為了驗證基于貝葉斯三角帽法的融合數(shù)據(jù)在資料匱乏地區(qū)的適用性，選取黃河源區(qū)內(nèi)的瑪多、興海、河南、達日和若爾蓋5個典型氣象站點進行驗證。由于該地區(qū)的地面降水觀測數(shù)據(jù)匱乏，嚴重制約了該區(qū)域的水文預報精度。本文使用ENS來驗證融合數(shù)據(jù)BTCH3在相應站點處的模擬精度，并與精度最高的降水產(chǎn)品CHM_PRE進行對比。結(jié)果如圖9所示，基于貝葉斯三角帽法的融合數(shù)據(jù)在各個站點上的ENS均優(yōu)于CHM_PRE。這表明基于貝葉斯三角帽法的數(shù)據(jù)融合方法確實可以更準確地估計降水量，適用于資料匱乏的地區(qū)。

4 結(jié)論

本文基于貝葉斯三角帽法，使用了8套不同的降水產(chǎn)品，包括CMORPH、CN05.1、PERSIANN、CHM_PRE、ERA5-Land、GSMaP、IMERG和CHIRPS，探究了不同輸入數(shù)量的降水產(chǎn)品對于融合數(shù)據(jù)精度的影響和各降水產(chǎn)品的相對貢獻率，并驗證了融合數(shù)據(jù)在資料匱乏的黃河源區(qū)的適用性。主要結(jié)論如下：

（1） 在8套不同的降水產(chǎn)品中基于站點的CN05.1和CHM_PRE以及基于衛(wèi)星遙感的IMERG相較于其他降水產(chǎn)品擁有較小的不確定性。各降水產(chǎn)品的不確定性存在明顯的空間分布差異，基本呈現(xiàn)出從東南沿海向西北內(nèi)陸遞減的趨勢。

（2） 使用過多的降水產(chǎn)品會降低融合數(shù)據(jù)的精度，本文中融合數(shù)據(jù)的修正Kling-Gupta效率系數(shù)隨著降水產(chǎn)品數(shù)量的增加逐漸降低，在月尺度上降低了5.1%，在日尺度上降低了25.6%。精度最高的融合數(shù)據(jù)是由CN05.1、CHM_PRE和IMERG這3套不確定性最小的降水產(chǎn)品組成的。

（3） 各降水產(chǎn)品中CHM_PRE和CN05.1對于融合數(shù)據(jù)有最大的相對貢獻率。黃河源區(qū)的適用性分析表明，基于貝葉斯三角帽法的數(shù)據(jù)融合方法可以更準確地估計降水量。

雖然基于貝葉斯三角帽法的數(shù)據(jù)融合方法在無資料或數(shù)據(jù)匱乏的地區(qū)得到成功應用，但本研究依然存在一些不確定因素和限制。例如，在本文中，貝葉斯三角帽法在日尺度上的融合效果不如月尺度融合效果好，該數(shù)據(jù)融合模型還需進一步優(yōu)化。此外，有很多因素可能會限制三角帽法的準確性，如數(shù)據(jù)集中樣本的數(shù)量和異常值、數(shù)據(jù)集的真實偏差以及未知誤差的相關(guān)性，相關(guān)問題還需要進一步研究。

參考文獻：

［1］YATHEENDRADAS S，WAGENER T，GUPTA H，et al.Understanding uncertainty in distributed flash flood forecasting for semiarid regions［J］.Water Resources Research，2008，44（5）：w05S19.

［2］REICHERT P，MIELEITNER J.Analyzing input and structural uncertainty of nonlinear dynamic models with stochastic，time-dependent parameters［J］.Water Resources Research，2009，45（10）：w10402.

［3］POLLOCK M D，O′DONNELL G，QUINN P，et al.Quantifying and mitigating wind-induced undercatch in rainfall measurements［J］.Water Resources Research，2018，54（6）：3863-3875.

［4］MCMILLAN H，KRUEGER T，F(xiàn)REER J.Benchmarking observational uncertainties for hydrology：rainfall，river discharge and water quality［J］.Hydrological Processes，2012，26（26）：4078-4111.

［5］TAN X H，YONG B，REN L L.Error features of the hourly GSMaP multi-satellite precipitation estimates over nine major basins of China［J］.Hydrology Research，2018，49（3）：761-779.

［6］BECK H E，WOOD E F，PAN M，et al.MSWEP V2 global 3-hourly 0.1° precipitation：methodology and quantitative assessment［J］.Bulletin of the American Meteorological Society，2019，100（3）：473-500.

［7］SAPIANO M R P，SMITH T M，ARKIN P A.A new merged analysis of precipitation utilizing satellite and reanalysis data［J］.Journal of Geophysical Research，2008，113（D22）：D22103.

［8］JOYCE R J，XIE P P.Kalman filter-based CMORPH［J］.Journal of Hydrometeorology，2011，12（6）：1547-1563.

［9］SHEN Y，ZHAO P，PAN Y，et al.A high spatiotemporal gauge-satellite merged precipitation analysis over China［J］.Journal of Geophysical Research：Atmospheres，2014，119（6）：3063-3075.

［10］LIU Z Y，YANG Q L，SHAO J M，et al.Improving daily precipitation estimation in the data scarce area by merging rain gauge and TRMM data with a transfer learning framework［J］.Journal of Hydrology，2022，613：128455.

［11］CHEN C，HE M N，CHEN Q W，et al.Triple collocation-based error estimation and data fusion of global gridded precipitation products over the Yangtze River basin［J］.Journal of Hydrology，2022，605：127307.

［12］LIU Y，ZHENG Y J，LI W P，et al.Evaluating the performance of satellite-based precipitation products using gauge measurement and hydrological modeling：a case study in a dry basin of Northwest China［J］.Journal of Hydrometeorology，2022，23（4）：541-559.

［13］YAN X，ZHANG B，YAO Y B，et al.GRACE and land surface models reveal severe drought in Eastern China in 2019［J］.Journal of Hydrology，2021，601：126640.

［14］LIU J，CHAI L N，DONG J Z，et al.Uncertainty analysis of eleven multisource soil moisture products in the third pole environment based on the three-corned hat method［J］.Remote Sensing of Environment，2021，255：112225.

［15］XU T R，GUO Z X，XIA Y L，et al.Evaluation of twelve evapotranspiration products from machine learning，remote sensing and land surface models over conterminous United States［J］.Journal of Hydrology，2019，578：124105.

［16］SHANGGUAN Y L，MIN X X，SHI Z.Inter-comparison and integration of different soil moisture downscaling methods over the Qinghai-Tibet Plateau［J］.Journal of Hydrology，2023，617：129014.

［17］SHAO X M，ZHANG Y Q，LIU C M，et al.Can indirect evaluation methods and their fusion products reduce uncertainty in actual evapotranspiration estimates？［J］.Water Resources Research，2022，58（6）：e2021WR031069.

［18］XU L，CHEN N C，MORADKHANI H，et al.Improving global monthly and daily precipitation estimation by fusing gauge observations，remote sensing，and reanalysis data sets［J］.Water Resources Research，2020，56（3）：e2019WR026444.

［19］HE X L，XU T R，XIA Y L，et al.A Bayesian three-cornered hat （BTCH） method：improving the terrestrial evapotranspiration estimation［J］.Remote Sensing，2020，12（5）：878.

［20］TANG G Q，CLARK M P，PAPALEXIOU S M，et al.Have satellite precipitation products improved over last two decades？ A comprehensive comparison of GPM IMERG with nine satellite and reanalysis datasets［J］.Remote Sensing of Environment，2020，240：111697.

［21］WEI L Y，JIANG S H，DONG J Z，et al.Fusion of gauge-based，reanalysis，and satellite precipitation products using Bayesian model averaging approach：determination of the influence of different input sources［J］.Journal of Hydrology，2023，618：129234.

［22］雍斌，張建云，王國慶.黃河源區(qū)水文預報的關(guān)鍵科學問題［J］.水科學進展，2023，34（2）：159-171.（YONG B，ZHANG J Y，WANG G Q.Key scientific issues of hydrological forecast in the headwater area of Yellow River［J］.Advances in Water Science，2023，34（2）：159-171.（in Chinese））

［23］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］.Journal of Hydrometeorology，2004，5（3）：487-503.

［24］吳佳，高學杰.一套格點化的中國區(qū)域逐日觀測資料及與其它資料的對比［J］.地球物理學報，2013，56（4）：1102-1111.（WU J，GAO X J.A gridded daily observation dataset over China region and comparison with the other datasets［J］.Chinese Journal of Geophysics，2013，56（4）：1102-1111.（in Chinese））

［25］ASHOURI H，HSU K L，SOROOSHIAN S，et al.PERSIANN-CDR：daily precipitation climate data record from multisatellite observations for hydrological and climate studies［J］.Bulletin of the American Meteorological Society，2015，96（1）：69-83.

［26］HAN J Y，MIAO C Y，GOU J J，et al.A new daily gridded precipitation dataset for the Chinese mainland based on gauge observations［J］.Earth System Science Data，2023，15（7）：3147-3161.

［27］MUOZ-SABATER J，DUTRA E，AGUST-PANAREDA A，et al.ERA5-Land：a state-of-the-art global reanalysis dataset for land applications［J］.Earth System Science Data，2021，13（9）：4349-4383.

［28］KUBOTA T，SHIGE S，HASHIZUME H，et al.Global precipitation map using satellite-borne microwave radiometers by the GSMaP project：production and validation［J］.IEEE Transactions on Geoscience and Remote Sensing，2007，45（7）：2259-2275.

［29］HOU A Y，KAKAR R K，NEECK S，et al.The global precipitation measurement mission［J］.Bulletin of the American Meteorological Society，2014，95（5）：701-722.

［30］FUNK C，PETERSON P，LANDSFELD M，et al.The climate hazards infrared precipitation with stations：a new environmental record for monitoring extremes［J］.Scientific Data，2015，2：150066.

［31］TAVELLA P，PREMOLI A.Estimating the instabilities of N Clocks by measuring differences of their readings［J］.Metrologia，1994，30（5）：479-486.

［32］GALINDO F J，PALACIO J.Estimating the instabilities of N correlated clocks［C］∥Proceedings of the 31th Annual Precise Time and Time Interval Systems and Applications Meeting.Dana Point，California：Institute of Navigation，1999：285-296.

Multi-source precipitation data fusion analysis and application based on

Bayesian-Three Cornered Hat method

The study is financially supported by the National Key R&D Program of China （No.2021YFC3201101） and Key R&D Project of Jiangsu Province，China （No.BE2020633）.

ZHAO Jun1，2，LIU Yu1，XU Jinchao1，2，WANG Guoqing2，SHAO Yuehong1，YANG Lin1

（1. School of Hydrology and Water Resources，Nanjing University of Information Science & Technology，Nanjing 210044，China;

2. The National Key Laboratory of Water Disaster Prevention，Nanjing Hydraulic Research Institute，Nanjing 210029，China）

Abstract：At present，precipitation products still have great uncertainty.Precipitation and its spatial distribution can be estimated more accurately by using multi-source precipitation data fusion.To achieve data fusion in no-gauged areas，Bayesian-Three Cornered Hat method is adopted to integrate precipitation products based on gauged data，satellite remote sensing and reanalysis data without any prior information，to explore the influence of precipitation products with different input quantities on the accuracy of fusion data，and to study the contribution rates of each precipitation product to the accuracy of fusion data.It is applied in the source region of the Yellow River.The results show that the performance of the fusion data is better than that of the original precipitation products on the monthly scale.On the daily scale，the performance of the fusion data is obviously better than that of satellite remote sensing and reanalysis precipitation products，but lower than that of the gauge-based precipitation product CHM_PRE.Two gauge-based precipitation products，CN05.1 and CHM_PRE，have the largest contribution rates to the fusion data.The application in the source region of the Yellow River shows that the Bayesian-Three Cornered Hat method can estimate precipitation more accurately.It is suitable for no-gauged areas，and can provide the reference basis for data fusion analysis and its application.

Key words：multi-source precipitation;data fusion;uncertainty analysis;Bayesian-Three Cornered Hat