基于多任务学习方法和降水分类思想，本研究提出了一种不同于传统的“识别-分类-估计”多步反演法的静止气象卫星定量降水估计（QPE）新方法。首先结合Himawari-8/AHI的红外辐射计数据与GPM/DPR的L2级雷达产品建立了西北太平洋热带气旋的降水融合观测数据集。进一步基于GPM/DPR的对流降水云和层状降水云测量结果，选取云顶亮度温度和亮度温差的组合，推导出其与各层降雨速率垂直变化的定量关系。以此物理联系建立的多任务学习模型经过训练可以同时获得降水类型和地表降雨率。最后，通过比较CMORPH、PERSIANN系列卫星降水产品和GPM IMERGE的近地表降雨量，对该新方法以及机器学习方法（随机森林和XGBoost）得到的热带气旋降水进行评估分析。结果表明，从多任务学习模型中导出的QPE结果优于传统机器学习模型的结果。该技术有望实现准确连续观测降水系统内部的变化，这将有助于研究整个热带气旋生命周期中不断演变的降水物理性质。

Precipitation,GPM-DPR,静止卫星,定量降水估计,多任务学习