降水在水循环中发挥着重要作用，塑造了生态景观和生态系统。目前，有四种主要方式获取降水数据：1）雨量计观测，2）地基雷达遥感，3）卫星遥感，4）模式模拟。基于雨量计观测的降水，通常被认为是最准确和可靠的。

一：Python应用

1.1 Python基础数据结构循环与逻辑判断切片

1.2 Numpy和Scipy使用切片操作相关系数

1.3 Xarray的使用netCDF文件的读写统计计算掩膜操作可视化

1.4 cdo的使用时间域计算空间域计算文件操作

二：降水产品的评估

2.1主要降水产品GsMAPGPM IMERGCMORPHPERSIANNHARERA5

2.2指标计算计算连续指标（R2、RMSE）和离散指标（POD、FAR）

2.3不同时间窗产品评估

年尺度、季节尺度、月尺度

三：短期序列数据的订正

3.1站点数据质量控制（阈值法）

3.2构建订正的样本序列空间索引匹配临近地面站点（KDtree）构造订正序列（Gamma分布拟合、累计概率CDF）

3.3逐格点订正遥感降水

四：气候态长时间序列数据融合-数据前处理

4.1计算遥感降水数据（GPM IMERG、CMORPH和GsMAP）的气候态基于cdo和xarray计算月累计降水和多年平均累计降水可视化年际变化

4.2计算站点尺度上的不同降水产品权重

4.2.1计算站点上对应环境因子（高程、坡度和坡向）基于高程计算坡度基于高程计算坡向对高程、坡度和坡向插值到站点

4.2.2计算站点尺度上的气象数据（ERA5数据的气温、风速、湿度）

五：气候态长时间序列数据融合-数据权重空间化

5.1特征工程：利用站点尺度数据分析环境因子和气象数据与遥感降水的关系

5.2模型筛选：筛选合适的

裁剪覆盖研究区的环境因子和气象数据

5.3建模：使用机器学习算法构建权重外推模型拆分样本交叉验证

5.4在研究区外推权重

专题六：气候态长时间序列数据融合-数据融合

数据融合降水数据的融合

数据的评估

原文：基于站点、模式、遥感多源降水数据融合技术应用