GRACE和 GRACE-FO 在探索全球质量变化和迁移方面发挥着关键作用。然而，由于地球物理背景模型和不同产品的处理技术存在差异，导致陆地水储量（TWS）不一致，从而阻碍了GRACE在全球和区域的适用性。由于相应尺度的独立观测数据的缺乏，依靠单一机构的解决方案会降低探测的灵敏度和可靠性。为解决这一问题而开发的传统集合平均值解决方案往往会忽略机构间的差异，从而偏离现实。通过严格的算法优化不同的产品，提高对全球和区域 陆地水储量变化的理解，是解决这一问题的当务之急。我们采用广义三角帽（GTCH）方法量化不同 GRACE 产品的不确定性，并将其与贝叶斯模型平均（BMA）方法相结合，构建了一种新的融合算法--GTCH+BMA，该算法可有效融合多源 GRACE 产品。结果表明，GTCH+BMA 算法生成的 TWS 产品具有最佳的一致性和准确性，在全球和流域尺度上表现出最低的不确定性和最高的信噪比。与单一机构解决方案相比，融合产品在全球范围内将平均不确定性降低了 62.8%，信噪比提高了 1.54 倍。在流域尺度上，其平均不确定性降低了 59.7%，信噪比提高了 8.05 倍，尤其是在水文信号较弱的地区得到了有效改善。此外，GTCH+BMA 融合算法不受滤波半径的影响，表现出一定程度的独立性，与集合平均算法相比性能更优。

多源GRACE数据,数据融合