1.一种贝叶斯框架下的地基和星载测量降水数据融合算法，其特征在于，包括一下步骤：(1)选取时间上和空间上匹配的星载测量降水和地基雷达测量降水个例的数据，匹配时设置一定的空间窗和时间窗，时间窗为星载测量扫过匹配空间窗的时间与地基雷达开始一次体扫的时间差距在±6min以内，空间窗为以地基雷达为中心，r半径的圆形区域与星载雷达测绘带所相交的区域，其中r为地基雷达扫描范围，像素空间匹配时利用格点匹配法，(2)将时空匹配的地基雷达和星载测量降水数据各个像素，根据降水类型分为层状云降水和对流性降水两类，(3)在降水分类基础上，将层状云降水像素按降水强度分为中小雨和大雨，将对流性降水像素按降水强度分为中小雨和大雨，根据降水强度分级标准，将7.6mm/h以上的分为大雨，反之则为中小雨，(4)基于匹配的不同降水类型不同降水强度的地基雷达和星载测量降水数据，建立分层贝叶斯框架以推求未知真实降雨量的后验分布，将地基雷达估计降水结果RR近似为降雨真实值RT的先验信息，给定真实降雨量情况下的星载测量降水RS的条件概率为似然函数，真实降雨量则通过求已知星载降水量情况的真实降雨量的后验分布得到，由于先验分布参数和似然函数参数既与降水类型有关又与降水强度等因素有关，模型参数不是固定值，而是受不确定性因子的影响呈一定的概率分布，从而形成如下层次贝叶斯结构形式：f(RT|RS)∝f(Rs|RT)f(RT)

f(RT)～N(RG,σ1)

σ1～Exp(σ1|λ1)

f(Rs|RT)～N(a+α+(b+β)RR,σ2)

α～N(0,σα),β～N(0,σβ),σ2～Exp(σ2|λ2)

式中∝表示正比于，～表示呈某种概率分布形式，f(x)表示概率分布，f(Rs|RT)表示给定真实降雨量RT情况下星载测量降水RS的条件概率，即似然函数，N(x)表示正态分布，Exp(x)表示指数分布，f(RT)～N(RG,σ1)表示真实降雨量的先验概率f(RT)呈均值为RG方差为σ1的正态分布形式，似然函数中a，b是星载测量降水相对于地基雷达降水估计数据的系统误差参数，其受降水类型、降水强度的影响，这种影响包含于参数α，β中，α，β呈均值为0，方差为σα，σβ的正态分布，λ1，λ2是指数分布的尺度参数，(5)利用时空匹配的地基雷达降水数据和雨量计数据训练样本，估计地基雷达降水数据不同降水类型不同降水强度下的先验误差模型参数λ1(6)利用时空匹配的星载测量降水数据和地基雷达降水数据训练样本，估计不同降水类型不同降水强度下的似然函数模型参数a，b,σα，σβ,λ2(7)将步骤(3)中的先验模型参数和步骤(4)中似然函数模型参数，代入步骤(2)构建分层贝叶斯融合结构模型中，求解真实降雨量的后验概率分布f(RT|RS)(8)利用蒙特卡洛法求解真实降雨量的步骤(7)后验概率分布参数，其中估计的每个像素的后验概率分布的均值则为融合结果，方差则为对应的融合结果不确定性。

2.根据权利要求1所述的步骤(5)中训练得到分层先验误差模型参数模块，其特征在于，具体包括以下步骤：

5.1)对地基雷达观测数据进行质量控制，采用模糊逻辑法进行地基雷达数据进行地杂波去除，自适应约束法进行反射率因子Z和差分反射率ZDR的衰减订正，对差分相移率KDP进行中值滤波，

5.2)利用地基雷达观测参量估计近地面降水量，由于双偏振雷达可获得观测参量反射率因子Z，差分反射率ZDR、差分相移率KDP，则可使用R(Z)关系、R(KDP)法、R(Z、ZDR)法联合估计降水，其中R为小时降水量，降水关系式通过雨滴谱数据拟合得到，

5.3)对地基雷达观测范围内的雨量计数据进行质量控制，如去除过高或过小的降雨量数据，

5.4)将雨量计数据与双偏振雷达数据进行时空匹配，以得到时空匹配的双偏振雷达数据样本和雨量计数据样本，雨量计数据的时间分辨率为1小时，地基雷达数据的时间分辨率

5‑8分钟，所以时间匹配为将1小时内的多个地基雷达数据与这1小时的雨量计数据作为匹配数据，空间匹配为将距离雨量计最近的6个地基雷达库数据作为此雨量计的匹配数据，

5.5)利用匹配的雨量计数据和地基雷达数据进行定量统计对比，以雨量计数据为标准，得出地基雷达降水数据的系统偏差，并对地基雷达数据进行系统偏差校正，

5.6)对匹配的降水量数据进行降水类型分类，首先利用雨滴谱数据拟合偏振参数和滴谱参数的关系，进而基于拟合的关系利用地基雷达测量数据反演滴谱参数，根据滴谱参数关系法将降水类型分为层状云降水和对流性降水，

5.7)在不同降水类型基础上，根据降水强度大小，进行降水强度分类，将7.6mm/h以上的分为大雨，反之则为中小雨，

5.8)基于匹配的地基雷达降水数据和雨量计数据，将两者的误差建模为均值为0，方差为σ1的高斯分布，即f(RR‑RG)～N(0,σ1)，由于方差σ1受降水类型、降水强度的影响，进一步将其建模为指数分布σ1～Exp(σ1|λ1)，其中指数分布参数为λ1，

5.9)基于匹配的数据统计估计层状云降水中小雨、层状云降水大雨、对流性降水中小雨、对流性降水大雨的误差方差分布参数λ1。

3.根据权利要求1所述的步骤(6)中训练得到分层似然函数模型参数，其特征在于，具体包括以下步骤：

6.1)对星载测量降水数据进行质量控制，星载测量降水数据往往有现成的降水产品，可从覆盖范围和产品精度选取合适的降水产品，并选取星载测量的灵敏度以上的降水数据，

6.2)将星载测量降水数据和经过雨量计系统偏差校正的地基雷达降水数据进行时空匹配，其中时空匹配方法如步骤(1)，由于训练数据需要大量样本，选取与应用模块独立的多个时空匹配个例作为训练样本，

6.3)根据匹配的地基雷达和星载测量降水数据将降水类型分为层状云降水和对流性降水，

6.4)在不同降水类型基础上，根据降水强度大小，进行降水强度分类，将7.6mm/h以上的分为大雨，反之则为中小雨，

6.5)基于匹配的地基雷达和星载测量降水数据，构建两者的似然函数，并建模为正态分布形式f(Rs|RT)～N(a+α+(b+β)RR,σ2)，基于不同降水类型、降水强度，将分布参数α、β进一步建模为均值为0，方差为σα，σβ的正态分布α～N(0,σα),β～N(0,σβ)，σ2进一步建模为指数分布σ2～Exp(σ2|λ2)，

6.6)基于匹配的数据统计估计分布基参数a、b，以及层状云降水中小雨、层状云降水大雨、对流性降水中小雨、对流性降水大雨的分布超参数(σα,σβ,λ2)。