降水估计对水文模拟和水资源管理至关重要。然而，由于高寒山区地形复杂、降水观测站点稀少，降水数据通常具有很大不确定性。数据融合方法常用于整合多源降水数据的优势，但往往忽略降水的空间信息。针对这一问题，本研究提出了一种基于二维卷积神经网络（2D CNN）融入相邻空间信息的两步机器学习多源降水数据融合方法，简称N-CNN。该方法结合分类模型和回归模型，对2001–2019年间中国高寒山区流域三种网格降水产品（ERA5-Land、TPReanalysis和GPM）与站点观测数据进行融合。分别采用CNN和N-CNN方法生成两套融合降水数据集。此外，通过对两套不同空间分辨率的区域再分析数据进行融合，以评估不同空间分辨率对融合结果的影响。结果表明，N-CNN方法有效整合了多源降水数据的优势。CNN和N-CNN融合降水数据具有与源降水数据相似的空间分布特征，但降水量存在差异。融合数据的降水量较源降水数据更接近站点观测值。基于25个具有完整时段（2001–2019年）的独立气象站点计算的统计指标和分类指标评估显示，两套融合数据表现均优于源降水数据。但在降水量捕捉与降水事件探测方面，N-CNN融合数据表现优于CNN融合数据，特别是在中雨（5–10 mm d−1）和暴雨（>10 mm d−1）等级上。与CNN融合降水相比，N-CNN方法将中雨站点平均均方根误差（RMSE）从4.25降至3.74 mm d−1，暴雨站点平均RMSE从9.43降至8.57 mm d−1，同时将站点平均临界成功指数（CSI）分别提高了0.03和0.04。分辨率分析进一步表明，区域再分析数据分辨率对融合降水数据的影响主要集中在降水量上，对降水事件识别影响较小。综上，本研究强调了高寒山区降水融合中考虑空间信息的重要性。
厉 et al. (Fri,) studied this question.