针对豫西复杂地形区现有降水资料时空分辨率与反演精度不足的问题，本研究构建了一种基于卷积长短期记忆网络（ConvLSTM）的多源数据协同反演新方法。该方法通过深度耦合S波段双偏振雷达的偏振参量（ZH、ZDR、KDP）、GPM卫星红外亮温及ALOS数字高程模型等多源信息，构建了一个能够同步捕捉降水时空演变特征的端到端深度学习模型，旨在直接利用多源观测数据协同反演高精度、高分辨率的格点化降水。
研究选取2024年主汛期豫西地区典型降水过程数据，构建了时空匹配的训练与测试数据集。模型利用ConvLSTM的卷积门控结构，有效提取输入数据的空间特征并建模其时序演化关系。损失函数结合均方误差（MSE）与结构相似性（SSIM），在优化像素级精度的同时，保障降水场整体空间结构的保真度。
实验结果表明，该模型成功生成了时空分辨率高达5分钟、0.01°的格点化降水融合产品。在独立测试集上的定量评估显示，其反演结果与地面实测值的相关系数达到0.62，平均绝对误差与均方根误差分别为1.605 mm与2.825 mm，其性能全面优于传统的Z-I关系法（固定Z=200I^1.6）与R-net神经网络基准模型。空间分布分析进一步证实，该模型能有效再现暴雨中心的位置与形态，对雷达探测盲区及地形遮挡区域的降水估测精度有显著改善，融合卫星与地形信息有效弥补了单一数据源的缺陷。
本研究证实了ConvLSTM模型在整合多源遥感数据、解决复杂地形区降水精细反演问题上的有效性与先进性。所构建的方法可为区域水文气象模拟、灾害监测预警提供高时空分辨率的可靠数据产品，并为此类协同反演问题提供了一条创新性的技术路径。
 

双偏振天气雷达数据；多源数据融合；ConvLSTM网络；降水反演