降水是径流形成的控制因子，降水的时程分配与空间分布的变异性很强，准确快速获取面降水信息是缺资料流域水文模拟预报的瓶颈。基于卫星、站点和预报模式的新一代多源降水校正融合是雨水情监测预报的重要手段。针对无实测降水流域多源信息融合的问题，发展了一种最大化相关性多源降水融合方法ETCC，其不同于最小化误差方差的TC (Triple Collocation)融合框架，在无需地面站点实测数据的情况下能够最大化融合降水产品与未知真值之间的相关性。针对物理模型和机器学习的耦合模型方面，利用可微分建模反向传播算法计算模型参数的梯度，实现对物理模型的参数更新，探索使用神经网络取代概念模型不同模块对模型性能和可解释性的影响。针对基于多源降水信息的水文集合预报方面，结合参数估计方法与贝叶斯理论，构建综合考虑模型输入、参数和结构不确定性的集合模拟框架，推演了可靠的概率预报区间。研究成果可为雨水情监测预报“三道防线”提供科技支撑。

降水融合、偏差校正、深度学习、耦合模型、集合预报