针对因降水空间异质性与机器学习性能差异性导致的降水空间刻画不清、预测精度不高等问题，提出了精准捕捉降水空间异质性的加权堆叠遥感日降水产品点面融合方法（Spatial Heterogeneity Weight Stacking，SHW-Stacking）。该方法首先耦合特征重要性与非线性相关性进行自适应特征优选，然后利用高斯混合聚类并结合轮廓系数划分描述日降水空间异质性的同质子区，最后耦合机器学习模型优势构建加权堆叠机器学习模型融合卫星降水产品与站点数据以获得高质量降水产品。采用SHW-Stacking方法对中国区域2016-2020年逐日IMERG降水产品和雨量站数据进行点面融合，并与八种传统机器学习方法（Stacking-ED、Catboost-ED、Stacking、Catboost、LightGBM、XGBoost、RF、ELM）进行对比分析。实验结果表明：SHW-Stacking能够准确再现实测降水空间分布，其多时间尺度性能均表现最优，在日、月、季和年尺度上MAE分别至少降低1.9%、1.9%、2.2%和2.3%，KGE分别至少提高1.3%、0.8%、0.8%和1.1%，且在降水强度大于1 mm/day时对降水事件的捕捉能力明显优于其他对比方法。
针对因降水空间异质性与机器学习性能差异性导致的降水空间刻画不清、预测精度不高等问题，提出了精准捕捉降水空间异质性的加权堆叠遥感日降水产品点面融合方法（Spatial Heterogeneity Weight Stacking，SHW-Stacking）。该方法首先耦合特征重要性与非线性相关性进行自适应特征优选，然后利用高斯混合聚类并结合轮廓系数划分描述日降水空间异质性的同质子区，最后耦合机器学习模型优势构建加权堆叠机器学习模型融合卫星降水产品与站点数据以获得高质量降水产品。采用SHW-Stacking方法对中国区域2016-2020年逐日IMERG降水产品和雨量站数据进行点面融合，并与八种传统机器学习方法（Stacking-ED、Catboost-ED、Stacking、Catboost、LightGBM、XGBoost、RF、ELM）进行对比分析。实验结果表明：SHW-Stacking能够准确再现实测降水空间分布，其多时间尺度性能均表现最优，在日、月、季和年尺度上MAE分别至少降低1.9%、1.9%、2.2%和2.3%，KGE分别至少提高1.3%、0.8%、0.8%和1.1%，且在降水强度大于1 mm/day时对降水事件的捕捉能力明显优于其他对比方法。
 

空间机器学习,遥感降水