尽管许多具有高时空分辨率的多源降水产品（MSPs）在水循环研究中已得到广泛应用，但它们仍然存在各种不确定性。为降低这一不确定性，本研究发展了一种基于机器学习（GBDT、XGBoost和RF）的多源降水两步融合策略。研究考虑了多种环境变量和空间自相关对降水的影响，分别建立降水识别模型和降水定量估计模型，将六种主流的MSPs（GSMaP，IMERG，PERSAINN-CDR，CMORPH，CHIRPS和ERA5-Land）与观测站点进行融合，以提高中国区域的降水精度。相较于原始产品，融合数据的相关系数可达 0.85，均方根误差降低了 16%-52%，KGE提高了15%-85%。融合算法缩小了降水产品在不同时间和空间上的精度差异。相较于传统方法，本研究提出的融合算法精度更优，鲁棒性更强，即使在站点密度很低的情况下，也能获得较好的融合结果。

机器学习,降水,多源降水融合,中国区域