降水是全球水文、水资源、碳循环与能量平衡中的关键变量。然而，当前主流卫星降水产品普遍面临空间分辨率粗（10–50 km）的限制，难以满足山洪监测、滑坡预警及精准水资源管理等对高时空精度数据的迫切需求。
针对这一关键问题，成都山地所赵伟研究员团队联合中山大学研究团队提出了一种基于高空间分辨率土壤水分的降水空间降尺度与多源数据融合模型（SMPD-MERG）相结合的混合降尺度框架，有效提升了卫星降水产品的精度与应用价值。该方法充分融合GPM-IMERG卫星日降水产品、生成的ESA CCI 1 km土壤水分数据、ERA5-Land再分析降水数据以及地面测站观测数据，利用土壤水分平衡方程将原始GPM降水数据空间分辨率提升至1 km，并通过随机森林算法对多源数据进行集成，最终构建出高时空分辨率、精度优异的日尺度降水产品。
研究以伊比利亚半岛中部为示范区，汇集277个雨量站数据开展模型验证，其中222个用于训练，55个用于独立检验，全面评估了模型的适应性与稳定性。结果表明，SMPD-MERG产品在不同季节条件下均能精细刻画降水的空间变异特征，显著减弱了原始GPM产品的块状效应，且能有效识别微小降水变化。在模型性能方面，生成产品的相关系数达0.94，均方根误差1.27 mm，相对偏差仅为1%，Kling-Gupta效率系数达0.88，远优于传统降尺度方法。
该研究不仅在提升卫星降水数据空间分辨率方面实现技术突破，也为开展高精度水文模拟、极端气象事件预警和区域水资源精准管理提供了强有力的数据支持，展现出广阔的应用前景与推广价值。研究成果以“SMPD-MERG: A Hybrid Downscaling Model for High-Resolution Daily Precipitation Estimation via Merging Surface Soil Moisture and Multisource Precipitation Data”为题，发表在遥感领域一区TOP期刊IEEE Transactions on Geoscience and Remote Sensing上。该工作由国家自然科学基金优秀青年基金项目、成都山地所自主部署项目、西藏自治区科技计划项目等项目共同资助。
SMPD-MERG模型的高空间分辨率降水估算流程
（a）旱季（20170513）和雨季（20171104）SMPD-MERG结果与原始GPM产品的空间分布对比。（b-c）旱季和雨季SMPD-MERG结果与原始GPM产品的累积概率比较。（d） SMPD-MERG结果与2016-2018年雨量计观测日降水的密度图