发射于1997年11月的热带降雨测量卫星(Tropical Rainfall Measuring Mission，TRMM)是一颗专门监测热带降雨的卫星，TRMM卫星上搭载的测雨雷达(Precipitation Radar，TRMM PR)是目前第一个也是唯一一个主动遥感的星载降水雷达，它可以获得降水和潜热的三维结构信息(Kozu et al，2001; 王振会，2001)。TRMM PR可以提供稳定的反射率因子测量，它的绝对定标误差在1 dB以内，长期稳定性误差小于0.05 dB。自TRMM成功发射以来，其上搭载的测雨雷达已经提供了将近20年的可靠降水数据集(Liao et al，2009a；Wang et al，2009; Kirstetter et al，2013)。TRMM PR具有较高的垂直分辨率，但其灵敏度较低，可检测的反射率因子最小值为17 dBz。

地基雷达(GR)一般工作在较低的频率——如S波段，从而具有更高的灵敏度，且在雷达附近有很高的水平分辨率。因此，自TRMM卫星发射以来，一方面，关于TRMM PR和GR降水资料的定量比较一直是中外研究的热点(Wang et al，2009; Bolen et al，2000，2003;王成刚等，2003)。另一方面，把TRMM PR和GR数据相结合，可有效地利用两种探测方式所获得的数据的优势，使得测雨雷达数据最优化。Calheiros等(2000)直接将TRMM PR和位于巴西的S波段GR图像进行互补叠加，即将TRMM PR图像的中间部分作为结合后图像的中心，GR图像边缘作为结合后图像的边界部分即外壳层，从而更好地显示对流风暴。Calheiros(2001)分析了TRMM PR低灵敏度对回波高度和风暴观测的影响，说明TRMM PR和GR数据结合在弱回波探测上的潜在优势。Seo(2010)基于神经网络算法结合TRMM PR和GR数据，从而填补地基雷达数据空白区域，使数据在空间上更完整。此外，中外许多学者提出融合地面、卫星、雷达降水数据以提高定量降水测量精度(Liu et al，2001; Chandrasekar et al，2012; 潘旸等，2015)。Chandrasekar等(2012)提出结合星载雷达、地基雷达、雨量计来提高降水估算精度，分析了联合三源数据估测降水的优势。潘旸等(2015)基于贝叶斯融合算法将1 h的雷达估测降水、卫星反演降水与地面站点观测降水资料融合，证明三源资料联合可提高降水测量精度。但少见基于融合算法将TRMM PR和GR反射率因子数据结合。通过对TRMM PR和GR两者不同探测方式的传感器获得的反射率因子图像进行融合，可克服单一传感器在分辨率、灵敏度等方面的不足和局限性，从而提高数据的整体质量。反射率因子数据质量的提高，对中小尺度对流天气过程的精细探测，以及定量测量降水、中尺度预报中的雷达数据同化等后期应用都很重要。

本研究将TRMM PR和GR反射率因子数据融合，从而充分利用星载雷达和地基雷达两种不同探测方式的优势。一方面，融合后的反射率因子图像继承TRMM PR的高垂直分辨率，以及GR高的水平分辨率的优点，从而提高数据的三维(3D)分辨率，以致可得到更精细的降水结构；另一方面，地基雷达高的灵敏度使融合后的图像能更好地检测弱降水，从而增加降水信息量；另外，TRMM PR资料在总体上有很高的可信度，而GR资料在远距离时由于波束展宽的平均作用，数据偏差大，两者三维融合后数据具有更高的完整性和可靠性。最后对三维融合反射率因子数据进行了效果评估，首先对融合后的反射率因子数据进行分析和讨论，并通过降水反演与地面雨量计数据进行了对比。

TRMM卫星初始时轨道高度为350 km，2001年8月轨道提升为402.5 km。TRMM PR工作于13.8 GHz(Ku波段)，最小可检测反射率因子即灵敏度为17 dBz。3 dB天线波束宽度为0.71°，从而星下点水平分辨率约为4.3 km(轨道提升后变为约5 km)。TRMM PR以+/-17°垂直轨道方向扫描，扫描宽度为215 km(轨道提升后变为246 km)。TRMM PR脉冲宽度为1.67 μs，沿斜距方向观测范围为0—20 km，斜距方向分辨率为0.25 km。本研究所用的地基雷达为南京地基雷达。南京地基雷达工作于S波段，采用体扫模式。3 dB波束宽度约为1°，最小可检测反射率因子为50 km处-7.5 dBz。

数据选取的是2010年7月11日以层云降水为主的降水个例资料，星载观测数据的轨道号是72086，扫过南京雷达(32.1908°N，118.6969°E)的时刻是23时17分51秒(世界时，下同)。TRMM PR数据为2A25产品，此产品包括星体坐标系下雷达反射率因子的三维观测数据，数据点数目为扫描条数×49×80。TRMM PR的2A25数据已经过一定的质量控制，如衰减订正，波束充塞订正(Iguchi et al，2000)。GR数据为起始时刻23时18分00秒的一次体扫数据，已经采用NCAR(National Center for Atmospheric Research)SOLO Ⅱ进行了人工地物杂波去除。数据范围选取以南京地基雷达为中心的300 km×300 km范围内，垂直覆盖区域为1—20 km。

由于TRMM PR和南京GR具有不同的工作频率、扫描方式、分辨率与采样体积等，两者的数据必然有一些差别，且在进行数据融合前必须进行时间和空间匹配。南京地基雷达反射率因子数据位于球坐标系(方位、仰角、距离)中。目前TRMM PR和GR的空间匹配主要有网格匹配法和几何匹配法。网格匹配法把TRMM PR和GR雷达反射率资料格点化到一个共同的三维笛卡尔坐标系中，几何匹配法匹配的区域是TRMM PR和GR波束相交的区域(Bolen et al，2003; Liao et al，2009a，2009b)。相比网格匹配法，几何匹配法无需对GR波束空隙插值，重采样结果更接近原始资料，因此对于TRMM PR和GR反射率因子定量比较，几何匹配法更合适。但网格匹配法结果能更好地显示降水的三维结构，文中所研究的TRMM PR和GR反射率因子融合是为得到更完整精细的降水三维结果，因此，在空间匹配时采用的是中外研究人员使用较多的网格化匹配法(Liao et al，2009a，2009b ; Wang et al，2009)。对GR体扫数据进行重采样时，采用三次线性插值的方法，综合利用径向、方位和垂直向三维数据。经过网格化处理，GR反射率因子数据被重映射到1 km×1 km×1 km的三维网格中。

由于TRMM PR扫描被限制在+/-17°内，距离向可看作与地平面近似垂直，即在同一个扫描波束内，视场中心在地球椭体上的经纬度近似为不同距离TRMM PR采样的经纬度。这种近似在扫描角比较大时则会出现比较大的水平偏差，如在扫描角17°时，在10 km高度处它的地面位置到天底点会发生约3 km的水平偏移(Wang et al，2009)。因此，有必要对TRMM PR数据进行偏移和视差校正。图 1显示的是偏移校正示意图。由于上述近似，TRMM PR采样点P在地球椭体上的足迹P₀会偏移到P₁，且偏移距离P₀P₁为rsinα，其中r为P到P₀的距离。扫描平面SP₀P₁与水平面P₀MP₁N近似垂直，则P₀M和P₀N可由TRMM PR采样点的经纬度θ_PR、φ_PR以及GR的经纬度θ_GR、φ_GR得到

点击浏览公式

图 1 TRMM PR距离偏移校正示意 Fig. 1 Illustration of TRMM PR displacement correction

图选项

从而偏移距离(δx，δy)为

点击浏览公式

于是，经过偏移校正后的TRMM PR采样点的坐标为(x+δx，y+δy，rcosα)。经过偏差校正后，TRMM PR数据被重采样到4 km×4 km×0.25 km的网格中。

为了充分发挥TRMM PR高径向分辨率和GR高水平分辨率的优势，将TRMM PR和GR的反射率数据重采样到同一个三维笛卡尔网格上，网格的分辨率为1 km×1 km×0.25 km。对于时间匹配，由于GR每次体扫大约6 min，而每次TRMM PR扫面只需大约0.6 s即属于瞬时采样，因此TRMM PR和GR数据在时间上将相差约6 min。设置8 min即[-1，7]的时间窗，当-1 min＜TRMM PR飞过GR上空的时分-GR一次体扫的开始时分＜7 min时，即认为TRMM PR和GR的时间相匹配。本研究所选取的个例中TRMM PR扫过南京雷达的时刻是23时17分51秒，而GR体扫起始时刻是23时18分00秒，满足时间匹配的条件。

为了更好地反映数据融合结果的有效性，在数据融合前，通过对格点化后的TRMM PR和GR反射率因子初步分析，说明了TRMM PR和GR数据差异及相关性。图 2是TRMM PR和GR格点化后的3 km等高平面位置显示(CAPPI)，其中图 2a是TRMM PR格点化后的CAPPI，图中网格分辨率为4 km×4 km，水平覆盖范围为以GR为中心的±150 km，因此水平x，y方向上均为75个格点。图 2b是GR格点化后的CAPPI，网格分辨率为1 km×1 km，x、y方向上均300个格点。为进行融合，须将两者重采样到相同分辨率的网格中。图 2c是对图 2a进行双线性插值后网格分辨率变为1 km×1 km的TRMM PR CAPPI(双线性插值结果与原始格点的均方根误差近似1.8404 dBz，插值所带来的误差对最终的融合结果影响不大)。

图 2 TRMM PR(a、c)、GR(b、d)格点化后的3 km高CAPPI (a.格距4 km, b,c,d. 格距1 km) Fig. 2 3 km height CAPPI of gridded TRMM PR (a,c) and GR (b,d) reflectivity factor (a. grid spacing 4 km； b,c,d. grid spacing 1 km)

图选项

从图 2中可以看出，两种资料的回波大体上较一致，但TRMM PR CAPPI中强降水的分布范围明显比GR CAPPI中的范围大，而TRMM PR中小于18 dBz的弱回波区相比GR缺失较多。图 3是TRMM PR-GR散点图，两者的相关系数为0.87，一致性较好，但TRMM PR与GR之差的平均值为5.1 dBz。造成两种资料出现差异的原因很多，如两者探测方式的不同，雷达波长的不同，采样时间的不同，照射体积的不同等。但两者的平均值相差这么大，除了上述探测时的时空差异外，很有可能是GR的系统定标偏差。关于TRMM PR和GR的定量比较以及利用TRMM PR对GR进行系统定标在近几年讨论较多。为使融合结果更好，在TRMM PR和GR数据预处理时，对GR进行了一致性偏差订正，偏差订正方法采用基于七步处理法的TRMM PR、GR大量数据定量比较的统计结果^①。在GR系统偏差订正过程中，考虑了不同波长的影响，并进行了s-Ku波段调整，这在一定程度上补偿了不同波长引起的差异。经大量TRMM PR和GR案例的定量对比研究统计发现，2010年6—7月南京地基雷达的定标偏差近似为3.6 dBz，图 2d是对图 2b进行定标偏差订正之后的结果。

①韩静，楚志刚，王振会等. 江苏省地基雷达系统偏差订正研究. 气象科学，在审. Han J，Chu Z G，Wang Z H et al. Bias correction of ground based radar in Jiangsu. Scientia Meteor Sinica. Under submission(in Chinese)

从图 2中也可看出，由于TRMM PR灵敏度低，其最小可检测反射率因子(Z_Min)约为17 dBz，很多弱回波不能被检测到。图 4是TRMM PR、原始GR反射率因子概率分布。在以GR为中心的300 km×300 km范围内，由于TRMM PR是条带式扫描，此区间内部分区域并未覆盖到，因此概率分布中TRMM PR点数比GR少。另外由图 3可知，GR的反射率因子比TRMM PR平均小5.1 dBz，因此图 4中的GR概率分布曲线也较TRMM PR整体稍微左移。从图 4可看出GR可检测到小于TRMM PR Z_Min的反射率因子。经统计计算，在TRMM PR和GR的共同区域，小于TRMM PR Z_Min的反射率因子占总体样本的28%左右，即受灵敏度的影响，28%的弱回波不能被TRMM PR检测到。

图 3 TRMM PR-GR反射率因子散点图 Fig. 3 Scatter plot of TRMM PR and GR reflectivity factor

图选项

图 4 TRMM PR、GR反射率因子概率分布 Fig. 4 Probability distributions of TRMM PR and GR reflectivity factor

图选项

从2.3节中的TRMM PR和GR的对比分析可知，虽然对同一场景进行探测，但两者获取的图像是有差异的，且TRMM PR、GR获取的图像各有优缺点。TRMM PR垂直分辨率可达0.25 km，但其灵敏度较低，很多弱回波可能探测不到。GR灵敏度较高，但其只是有限仰角测量，3D观测资料分布不均。将TRMM PR和GR反射率因子数据进行融合，使融合后的数据具有TRMM PR和GR两者的优点，最小化两者的缺点。

数据融合是对多个传感器采集到的关于同一场景或目标的多个源数据进行适当的融合处理，以获取对同一场景或目标的更准确、更全面、更为可靠的数据图像描述(Stathaki，2008)。TRMM PR和GR一个由上往下探测，一个由下向上探测，一个垂直探测，一个水平探测，此外，TRMM PR和GR的波长、采样体积等均不同，因此两者获取的反射率因子图像信息各有特点。将TRMM PR和GR获取的反射率因子数据图像进行三维融合，则可以实现优势互补，可同时充分利用TRMM PR和GR的优点。图 5是TRMM PR和GR反射率因子数据融合的基本流程。

图 5 TRMM PR和GR反射率因子数据融合的基本流程 Fig. 5 Schematic diagram of data fusion of TRMM PR and GR reflectivity factor

图选项

TRMM PR和GR所在的平台各异，且还会受到各种环境因素的影响，两者对同一场景获得的反射率因子数据会有时空不同、杂波污染等问题，因此TRMM PR和GR反射率因子数据融合之前必须经过一系列处理，如去杂波、时空匹配、GR偏差订正等。这些初步处理问题已在第2节的资料初步分析中阐述和讨论。源数据经过初步处理后，接下来就是采用不同的融合算法对TRMM PR和一致性偏差订正后的GR的反射率因子进行数据融合，同时对融合的结果进行效果评估，形成具有反馈的系统，从而可根据不同的应用场合选择更为合适的融合方式以得到最优的融合结果。

这里主要考虑3种融合算法：加权平均法、最大值法、线性回归法。不论使用何种融合算法，融合的大体过程主要分为3步：首先，对于不高于17 dBz的反射率因子以及GR有回波而TRMM PR无回波的区域，融合后的反射率因子用对应位置的GR的反射率因子代替；对于TRMM PR存在有效数据而GR无回波的区域，融合后的反射率因子用对应位置的TRMM PR的反射率因子代替；对于TRMM PR、GR回波共同区域，且反射率因子强于17 dBz的位置，融合后的反射率因子值根据融合算法得到。

TRMM PR和GR两个3D反射率因子图像的加权平均融合过程可以表示为

点击浏览公式

式中，ZPRGR1表示TRMM PR、GR经过加权平均融合后的反射率因子值，n₁，n₂，n₃分别为x，y，z三维坐标上的格点。本研究作简单的平均处理，即w₁=w₂=0.5。加权平均融合算法相当于对数据作了一定的平滑处理，因此可降低单传感器测量时大的测量误差。

最大值法是对TRMM PR、GR共同区域的反射率因子取最大值

点击浏览公式

最大值融合法可看作是加权平均融合法的一个特例，即将TRMM PR和GR反射率因子中较大的一个的权值赋为1，则另一个权值赋为0。最大值融合法的优点是不会漏掉强回波，出发点是从坏处着想，缺点是TRMM PR和GR其中一个的探测结果偏大时，导致融合结果总体比实际值偏差更大。

采用线性回归法是受TRMM PR和GR定量比较的启发。大量的TRMM PR、GR定量比较研究指出：TRMM PR和GR一致性较好，但两者有一定的偏差(Bolen et al，2000，2003；王成刚等，2003)。线性回归法首先假定TRMM PR、GR的偏差是与反射率因子大小相关，且近似为TRMM PR的一个线性函数，然后通过最小二乘法进行回归获得两者的回归偏差。即在线性回归法中，TRMM PR、GR偏差由基于最小二乘法的线性拟合得到

点击浏览公式

点击浏览公式

利用此线性回归处理后的反射率因子数据在一定程度上类似于对GR以TRMM PR作为参考标准进行了偏差校正，因此可一定程度上减弱GR系统定标偏差的影响，且融合后的数据与GR数据总体上更一致。

图 6a、b、c分别是由平均、最大值、线性回归3种融合算法得到的3 km CAPPI。由图 6可看出，不管是利用何种融合算法，融合后的图像较单独TRMM PR测量信息量更大，提高了弱降水检测能力，且水平分辨率有所提高；与单独GR测量相比，融合图像弥补了GR远距离观测资料少，重采样后资料误差大的不足，数据在整体上的可信度进一步提高。图 7是融合后图像的反射率因子概率分布，其中的GR是一致性偏差订正后的GR，因此其概率分布曲线较原始GR整体稍微右移。由于融合的图像结合了TRMM PR和GR的特点，融合后的图像TRMM PRGR与TRMM PR以及GR的一致性均更好。表 1是融合后的图像TRMM PRGR与原始TRMM PR比较的统计结果。融合后的图像TRMM PRGR与TRMM PR的相关系数更高，两者偏差(TRMM PR-GR/TRMM PRGR)的平均值也明显减小，这是因为融合后的图像兼顾了原始TRMM PR和GR的特点。文中的线性回归法是基于最小二乘法得到TRMM PR与GR的偏差，然后订正此偏差得到融合结果，因此结果与GR将有更强的一致性。从实际计算结果可以知道，线性回归融合图像TRMM PRGR3与TRMM PR的相关系数和GR与TRMM PR的相关系数比较接近，TRMM PRGR3与GR的相关系数为0.99。

图 6 基于不同融合算法得到的3 km 高CAPPI (格距1 km；a.平均值法，b.最大值法,c.线性回归法) Fig. 6 3 km height CAPPI (grid spacing 1 km) of fused reflectivity factor obtained by mean value (a),maximun value (b),and linear regression (c) method

图选项

图 7 融合前、后的反射率因子概率分布对比 Fig. 7 Comparison of reflectivity factor probability distributions before and after fusion

图选项

图 8和9分别是融合前、后的高度剖面。图 8是TRMM PR和系统偏差订正后GR的高度剖面，其中图 8a是原始的沿图 2a中黑色实线距离处的高度剖面，图 8b是对应位置上一致性定标偏差订正后的GR高度剖面。垂直覆盖范围为1—20 km，由于TRMM PR垂直分辨率为0.25 km，因此垂直方向上共77个格点，而GR垂直分辨率为1 km，因此GR原始数据的垂直方向上为20个格点。时空匹配后，GR的分辨率变为0.25 km(图 8c)。

图 8 TRMM PR(a)、GR(b,c) 高度剖面 Fig. 8 Vertical cross sections of TRMM PR(a) and GR(b,c)

图选项

图 9 基于不同融合算法得到的高度剖面 (a.平均法，b.最大值法，c.TRMM PR替代法) Fig. 9 Vertical cross sections of fused reflectivity factor obtained with different methods (a.mean value method,b.maximum value method,c.substution method)

图选项

图 9a和b是基于平均法和最大值法得到的高度剖面融合图像。由于TRMM PR在垂直方向上分辨率为0.25 km，远高于GR数据，TRMM PR在垂直探测上具有很明显的优势，因此图 9c则采用TRMM PR替代法得到。TRMM PR数据替代法指反射率因子共同区域用TRMM PR数据代替，而小于TRMM PR检测阈值的弱回波依然用GR数据代替。从图 8可看出，TRMM PR在垂直方向上的测量有很高的优势，能探测到垂直向上的细微结构，但由于灵敏度低会使回波顶高测量偏低，而图 8b中的GR垂直剖面图有明显的分层现象，分辨率非常低，且GR资料由9个固定仰角的资料插值而成，其远距离处的高空资料存在一定误差。通过TRMM PR和GR数据融合后，垂直剖面图中高分辨率以及高灵敏度将被兼顾。GR测量时，强回波中心区域明显偏小，融合后，图 9b和c中强回波区域增多，但平均值法使得融合后的数据相对TRMM PR数据仍然偏小。鉴于TRMM PR在垂直方向测量的明显优势，为获得更优的高度剖面图，可选取TRMM PR数据替代法。

从以上水平和高度剖面的融合图像发现，将TRMM PR和GR反射率因子数据进行三维融合，不仅可以提高水平和垂直3D分辨率，还能增大信息量，且反射率因子图像在总体上更加完整和可靠。融合后的高分辨率反射率因子数据能探测到更精细的降水结构，且能更好地探测弱降水，从而对探测强风暴十分有利。

为说明TRMM PR和GR融合结果在测量降水上的应用，现将融合结果通过Z-R关系反演降水，与雨量计测量的降水结果进行对比分析。此次个例中TRMM PR经过南京的扫描时刻是23时17分51秒，雷达利用1 km高度上的反射率因子值通过Z-R关系转换计算出1 h降水量，而雨量计1 h的降水量是23时18分前半小时和后半小时降水量的累加得到。为使降水估算更加精确，在使用Z-R关系时，对降水进行了分类，层云降水使用Z=200R^1.6进行反射率因子和降水量的换算，对流云降水使用Z=300R^1.4(Doviak et al，2006)。图 10是层云降水和对流云降水分别存在的区域，其中黑色点号表示区域为层云降水区域，红色加号表示对流云降水区域，从图中可以看出大部分区域都属于层云降水。图 11是南京地区雨量计分布位置，图中坐标是以南京雷达为中心的直角坐标系，X，Y坐标是通过球坐标转换成直角坐标，然后计算每个雨量站点到雷达的X，Y距离得到。

图 10 降雨类型分布 Fig. 10 Distribution of Rain type

图选项

图 11 雨量站分布 Fig. 11 Distribution of rain gauge

图选项

图 12是分别利用雷达和雨量计估测降水的结果的散点图，图 12a中雷达指原始星载雷达TRMM PR，图 12b中雷达指原始的南京地基雷达GR，图 12c中雷达指经过一致性定标偏差校正后的地基雷达GRc，图 12d中雷达数据指根据经过加权平均融合的雷达(TRMM PRGR1)反射率因子估测的降水值，图 12e中雷达数据是根据经过最大值法融合的雷达(TRMM PRGR2)反射率因子估测的降水值，图 12f中雷达指根据经过线性回归法融合的雷达(TRMM PRGR3)反射率因子估测的降水值。图中雨量计数据中有一些为0的点，但雷达估测值不为0且此值比较大，这有可能是一些雨量计站点由于降水倾斜导致数据缺失。另外，从图中可看出，没有进行融合之前，直接用TRMM PR估计降水的结果明显比雨量计结果偏大，直接用GR估计降水的结果明显比雨量计结果偏小，利用融合的反射率因子估计降水的结果与雨量计结果相比偏差较小。表 2给出了降水的雷达估计值(5种)与雨量计测值之差别的统计结果。

图 12 雷达估计和雨量计降水的散点图 Fig. 12 Scatter plot of rain rate obtained by radars and rain gauge

图选项

雷达与雨量计由于采样空间和时间上等方面的差异，两者计算出的降水量必然存在差别。从表 2可以看出，TRMM PR估计降水比雨量计平均高出0.67 mm/h左右，GR估计结果比雨量计平均低约0.56 mm/h，基于加权平均和线性回归融合的反射率因子估计的降水结果相比单独TRMM PR、单独GR估计降水，与雨量计统计结果差异明显减小。最大值融合法由于取TRMM PR和GR中的最大值，因此使得TRMM PRGR2估测降水结果偏大。加权平均融合后的反射率因子值TRMM PRGR1估测降水与雨量计结果的统计平均、相关系数以及均方差，相比TRMM PR、GR均有所改善。文中的线性回归融合得到的反射率因子TRMM PRGR3与GR有更好的一致性，但融合前对GR进行了一致性定标校正，融合结果TRMM PRGR3估测降水与原始GR相比有明显改进。

表 3是2010年6月至8月8个TRMM PR和GR时空匹配个例数据的夏季平均值与雨量计信息的对比结果，其中表 3中的数值依然是雷达-雨量计的结果。表 3中的夏季统计平均结果与表 2中个例分析的结果基本一致，TRMM PR和系统偏差订正的地基雷达GRc融合后的反射率因子值估计降水的结果相比单独GR和TRMM PR有所改善。但2010年夏季的8个个例中有3次以对流性降水为主，而对流性降水垂直尺度大、回波强度大等引起的如波束充塞、电磁波衰减等问题，使得融合后数据与雨量计数据相比改进效果不如层云降水的效果明显。关于对流云降水数据融合中的数据预处理及融合算法需要在以后工作中进一步研究。

在时空匹配的基础上将TRMM PR反射率因子数据与GR数据进行三维融合。共使用了3种融合算法：平均值法、最大值法、线性回归法。3种融合算法得到的融合图像均结合了TRMM PR和GR各自探测方式的优点，从而具有更高的3D分辨率，能获得更精细的降水结构；具有更高的灵敏度，可更好地检测弱降水；增大了雷达回波图的信息量，且回波图在总体上更加完整和可靠。

通过Z-R关系将融合后的雷达数据进行降水反演，并与雨量计数据对比发现：与单独TRMM PR或单独GR反演降水相比，平均值法和线性回归法融合得到的图像估测的降水结果与雨量计结果有更好的一致性，两者偏差的平均值明显减小；线性回归法更多地继承了GR的特点，从而和雨量计的相关系数比GR时更接近；最大值法由于提取TRMM PR和GR中的最大值，因此使得估测降水结果明显偏大。对流云降水数据融合反演降水的改善效果不如层云降水时明显，关于对流云降水融合过程中的一些科学问题需要进一步研究。除此以外，关于数据预处理时TRMM PR的米散射效应问题导致的TRMM PR和GR反射率因子数据不一致，在后续研究中会进一步考虑和完善。

致 谢：感谢江苏省气象局徐芬高级工程师提供的雨量计数据和南京地基雷达数据，感谢NASA戈达德空间飞行中心数据分发中心提供TRMM PR资料。