卫星遥感和再分析系统是目前获取大范围、高时空分辨率降水信息的主要途径。卫星遥感估算降水精度依赖于多源数据的融合以及数理不确定性分析方法，对多源数据集间彼此独立的要求较高。但已有的卫星降水数据集多数采用了相似（或相同）的数据源与反演算法，导致了各数据集间的误差存在相关性。
我院董建志教授团队开发出新一代降水数据优化融合框架Statistical Uncertainty analysis-based Precipitation mERging framework (SUPER)。对卫星降水数据进行误差建模，利用数理不确定性方法联合求解各数据集的随机误差的方差、晴雨分类误差，以及各数据集间互相关性的误差；在此基础上，构建多源降水数据的误差矩阵，计算各数据集的优化融合权重，判定融合结果的稳定性，自动剔除不确定性最高的数据集，获得最优的融合结果。SUPER数据融合方法不依赖地面观测，能够稳定地应用于广大的地面观测资料匮乏地区；融合过程中充分考虑了不同数据集间的相关性误差，避免了卫星数据观测误差的过拟合；实现降水数据集的自动遴选，确保了稳定、高效的多源降水数据集融合效果。
SUPER方法已应于目前7种常用的卫星及再分析降水数据集融合，基于高密度地面观测资料的验证结果表明，SUPER的融合误差明显优于目前公认的最优的再分析降水数据和卫星降水数据（图1-2）。
图1 SUPER的降水数据融精度评估，及其与ERA5和IMERG降水数据集比较
图2 SUPER与MSWEP降水数据精度对比（蓝色区域代表SUEPR数据优于MSWEP）
该研究以“Statistical uncertainty analysis-based precipitation merging (SUPER): A new framework for improved global precipitation estimation”为题，发表于遥感领域顶级期刊《Remote Sensing of Environment》，第一作者及通讯作者为天津大学地科院董建志教授，合作作者包括了美国农业部水文遥感实验室Wade Crow研究员、天津大学陈喜教授等多名国内外专家。该工作得到国家自然科学基金（52179021, 51909121, U21A2004, 42075189）的资助。
相关论文信息：
Dong, J., Crow, W. T., Chen, X., Tangdamrongsub, N., Gao, M., Sun, S., Qiu, J., Wei, L., Gao, H., & Duan, Z. (2022). Statistical uncertainty analysis-based precipitation merging (SUPER): A new framework for improved global precipitation estimation. Remote Sensing of Environment, 283, 113299. http://doi.org/https://doi.org/10.1016/j.rse.2022.113299
Dong, J., Crow, W.T., Duan, Z., Wei, L., & Lu, Y. (2019). A double instrumental variable method for geophysical product error estimation. Remote Sensing of Environment, 225, 217-228
Dong, J., Crow, W.T., & Reichle, R. (2020). Improving rain/no-rain detection skill by merging precipitation estimates from different sources. Journal of Hydrometeorology, 21, 2419-2429
Dong, J., Lei, F., & Wei, L. (2020). Triple collocation based multi-source precipitation merging. Frontiers in Water 2: 1. doi: 10.3389/frwa
Dong, J., Wei, L., Chen, X., Duan, Z., & Lu, Y. (2020). An instrument variable based algorithm for estimating cross-correlated hydrological remote sensing errors. Journal of Hydrology, 581, 124413
