摘要：卫星遥感降水产品是当前获取大范围、连续性降水观测的主要来源,但目前已有的卫星遥感降水产品空间分辨率粗糙,且存在一定的系统偏差。为此,本文充分考虑高分辨率环境变量(包括地形、NDVI、地表温度、经纬度)对降水影响以及邻近遥感降水(站点)空间相关性,构建了一种双阶段空间随机森林SRF (Spatial Random Forest)方法 (SRF-SRF)。以四川省2015年—2019年GPM (Global Precipitation Measurement Mission)月降水数据为例,借助SRF-SRF对其质量提升,并将计算结果与现有7种方法比较,包括地理加权回归(GWR)、反向传播神经网络(BPNN)、随机森林(RF)、站点降水Kriging插值(Kriging)、经SRF降尺度后的地理差异分析校正(SRF-GDA)、经双线性插值降尺度后的SRF校正(Bi-SRF)以及年降水经SRF降尺度后按月比例分解并利用SRF校正(SRFdis)等。实验分析表明:(1)在月尺度上,与原始GPM相比,SRF-SRF的平均绝对误差(MAE)降低了19.51%,中误差(RMSE)降低了16.35%,而且精度优于其他方法;在季尺度上,SRF-SRF在冬季误差最小,在夏季误差最大,但其计算精度均优于其他方法;在年尺度上,基于SRF的4种方法(包括SRF-SRF、SRF-GDA、Bi-SRF和SRFdis)优于GWR、BPNN、RF,并且SRF-SRF计算精度优于单阶段的Bi-SRF和SRF-GDA。(2) SRF-SRF降水产品空间分布连续性较好,且局部降水细节得到明显提升。(3)借助RF对各自变量重要性分析得出,降水空间相关性对卫星遥感降水质量提升具有重要作用。(4)基于月尺度的SRF-SRF融合校正效果优于基于年尺度的SRFdis,表明NDVI可用于该区域月尺度降水质量提升。