贝叶斯三角帽法的GRACE/GRACE-FO组合模型及其不确定性

利用贝叶斯三角帽法将多个GRACE/GRACE-FO重构模型进行融合,提升基于深度学习的地表质量变化重构模型的精度,为高精度填补及重构GRACE/GRACE-FO数据提供参考。实验表明,组合模型估算的全球陆地水储量变化的不确定性最低,其结果在多数流域与参考模型的一致性更佳;较最优的重构模型,组合模型全球及流域的不确定性降低约15%,纳什效率系数(NSE)提升约5%,尤其在半干旱、半湿润及湿润区域,其精度提升更明显。

基于贝叶斯三角帽法的多源降水数据融合分析及应用

目前的降水产品依然存在较大的不确定性,采用多源降水数据融合可以更准确地估计降水量和空间分布情况。为实现无资料地区的数据融合,本文在不使用任何先验信息的前提下,通过整合站点插值、卫星遥感和再分析的降水产品,基于贝叶斯三角帽(Bayesian-Three Cornered Hat, BTCH)法,融合多源降水数据,探究不同输入数量的降水产品对于融合数据精度的影响以及每个降水产品对于融合数据精度的贡献率,并在黄河源区进行应用。结果表明:在月尺度上,融合数据性能优于原始降水产品;在日尺度上,融合数据性能明显高于卫星遥感和再分析降水产品,但低于基于站点的降水产品CHM_PRE;2套基于站点的降水产品CN05.1和CHM_PRE对于融合数据有最大的贡献率。在黄河源区的应用表明,该数据融合方法确实能够更准确地估计降水量,可应用于无实测降水资料地区,为数据融合分析及应用提供参考。