引言

全球气候变化背景下，我国江淮地区短时强降水事件(降水强度≥20 mm·h^-1)趋于多发、重发，由此引发的城市内涝、山洪等次生灾害给人民生命财产造成较大威胁，也给气象预报预警业务带来更多挑战(郑永光等，2015；汪卫国等，2024；苑希民等，2024)。

基于高时空分辨率天气雷达的临近预报是开展短时强降水精细化预警业务的主要手段，区别于中短期预报所关注的强降水会否发生及其粗略影响区域，精细化临灾预警更加关注局地降水强度演变，因此传统准线性外推预报方法在预报时效超出1 h后很难提供帮助(周康辉等，2021；王永灿等，2023；庄潇然等，2023；2025)。深度学习技术已成为应对临近预报降水强度演变问题的主要手段，国内外学者利用雷达回波数据建模，并结合回波-降水转换关系开展了一系列降水临近预报方法研究，Shi et al(2015; 2017)先后提出卷积长短时记忆神经网络(convolutional LSTM network，ConvLSTM)和轨迹卷积门控循环单元(trajectory gated recurrent unit，TrajGRU)，并结合雷达回波数据建立未来2 h以内的回波/降水临近预报，结果表明深度学习方法的预报技巧优于光流法等传统外推方法；Wang et al(2017；2018；2023)先后提出PredRNN及其改良版PredRNN++和PredRNN-v2，这一类模型较ConvLSTM进一步提升了降水时空信息学习的能力；王永灿(2023)构建了基于生成对抗网络(generative adversarial network，GAN)的GA-RNN雷达回波临近预报模型，并结合机器学习降水反演方法实现了0~2 h降水临近预报，结果优于固定Z-R降水反演关系；Ravuri et al(2021)提出生成式降水临近预报模型(deep generative model of rainfall，DGMR)，并利用雷达估测降水场作为输入预报未来90 min的降水概率，结果表明DGMR的降水预报技巧优于光流法以及通过卷积神经网络(U-Net)建立的临近预报模型。考虑雷达回波反演降水的二次误差，庄潇然等(2023；2025)提出了基于深度学习的双通道融合降水临近预报方法，可以直接输出未来3 h的逐6 min降水量，规避了降水反演二次误差，有效提升了降水量预报技巧，为深度学习降水临近预报由研究走向应用提供了思路。

过去的研究从不同层面体现了深度学习在定量降水临近预报中的适用性(Zhou et al，2020；代刊等，2025；祁海霞等，2025；曾小团等，2025；钟琦等，2025)，但各种方法对于强降水, 特别是20 mm·h^-1以上短时强降水的预报有效性仍然未知。Zhang et al(2023)提出了物理机制约束的生成式深度学习模型NowcastNet，即通过生成对抗网络刻画雷达估测降水场中的对流尺度细节演变信息，并结合物理约束下的演变网络刻画输入降水场的中尺度变化特征，从而实现物理规律和深度学习的有机结合，试验结果表明NowcastNet较DGMR进一步提升了1 h时效以上强降水的预报能力；曾康等(2024)提出了具有一定天气学意义的频域生成对抗网络(Spectrum GAN，SGAN)技术，并与物理约束时空卷积神经网络PhyDNet(Le Guen and Thome, 2020)结合发展了0~3 h雷达回波临近预报方法，有效缓解了回波预报中的“模糊”问题(即预报回波随时效呈现均态发展，并伴随强度衰减)(Das et al, 2024)，提升了强对流天气中的强回波预报技巧评分。

目前，深度学习在强降水临近预报研究和应用中的局限性仍旧突出(Ha and Lee, 2023；Han et al，2023；Tan et al，2024)，Zhang et al(2023)采用的模型训练集和测试集均为雷达反演降水场，因此降水反演二次误差仍然存在；曾康等(2024)仅开展了雷达回波预报研究，还缺乏对降水预报的相关尝试；尽管庄潇然等(2025)尝试将GAN与PhyDNet结合并应用于降水临近预报，能够有效提升强对流天气背景下的典型局地强降水过程预报效果，但整体预报表现与业务应用预期仍有差距；此外，GAN被认为能用于改善深度学习临近预报中普遍存在的“模糊”问题，但对降水预报技巧提升并无明确帮助(Ravuri et al，2021；曾康等，2024)。本文进一步对GAN在强降水临近预报中的适用性进行研究，提出改良的强降水临近预报方法并在江苏开展应用分析，以推动深度学习临近预报的技术改良和应用深化。

1 数据集介绍

本文涉及的深度学习模型均源自江苏省气象局强对流专用数据集训练，包括雷达组合反射率因子和降水量，网格数为480个×560个，水平网格距为0.01°，时间分辨率为6 min，覆盖江苏及安徽中东部地区，数据集的具体制作方式见庄潇然等(2023)。针对0~3 h降水临近预报任务，筛选2018—2023年4—9月区域内超过5%站点有雨(＞0.1 mm·h^-1)的时次，将其用于制作数据集，在模型训练过程中，划分2018—2022年4—9月共计50 165组数据样本选为训练集，2023年4—6月3721组样本作为验证集，同年7—9月的3778组数据样本作为测试集。由于实际业务应用是本文的研究主要着眼点，因此对新方法在2024年汛期实际应用时段的检验评估结果将另文给出。全文所用时间为北京时。

2 试验设置

从基本原理来说，GAN由生成器和鉴别器组成，其中鉴别器用于在平面空间上对预报场进行鉴别，而生成器则试图让鉴别器认定其生成的预报结果为真值，在模型构建过程中可以将任意深度学习网络用作生成器，在其与鉴别器“博弈”的过程中使得预报结果趋于真实。针对降水临近预报任务中GAN训练不稳定、超参敏感性等问题，Karnewar and Wang(2020)、曾康等(2024)先后提出多尺度梯度GAN(multi-scale gradient GAN，MGAN)和SGAN，本文进一步针对强降水临近预报任务，将二者作为鉴别器与PhyDNet结合，提出两种新的强降水临近预报方法。

2.1 基于SGAN的强降水临近预报方法

为了克服深度学习临近预报中的“模糊”问题，曾康等(2024)提出基于SGAN的雷达回波临近预报方法，通过离散余弦变换滤波器(庄潇然等，2017)将生成器PhyDNet得到的二维回波场转换到谱空间，保留其中200 km以下波段部分进行对抗约束，从而使得鉴别过程更加聚焦于训练数据中的小尺度信息，该方法较传统GAN不仅改善了训练难于收敛的不足，还有效缓解了雷达回波预报的“模糊”问题。本文采用的基于SGAN的强降水临近预报方法技术路线与曾康等(2024)基本一致，将PhyDNet作为生成器得到未来3 h的雷达组合反射率因子和降水量预报，并与对应真值共同输入鉴别器SGAN，通过计算综合损失函数，输出经过鉴别的3 h降水量预报。不同于曾康等(2024)方法，本研究为了提升短时强降水以上量级预报效果，在加权平均损失函数的降水强度权重设置中增加了≥30 mm·h^-1阈值(表 1)。

2.2 基于MGAN的强降水临近预报方法

SGAN通过滤除200 km以上的波段使得生成对抗网络更聚焦于小尺度天气系统信息，而对于系统性强降水，大尺度背景对天气系统的整体结构和演变同样重要。对此，本文利用MGAN初步生成大尺度的粗分辨率预报场，再基于此结果逐步生成小尺度的高分辨率预报场，鉴别器则对大尺度和小尺度预报场进行综合鉴别，以此实现GAN在降水预报中的优化。

以PhyDNet为生成器，MGAN为鉴别器，共同构成强降水临近预报模型PhyMGAN。PhyDNet(图 1a) 的编码器将原数据480个×560个的网格点逐步下采样生成120个×140个和30个×35个的网格点，最低的30个×35个网格点的数据经过PhyDNet主体计算后生成30个×35个网格点的大尺度预报结果，再由生成器的解码器逐步上采样生成120个× 140个和480个×560个网格点的高分辨率预报结果，鉴别器MGAN将生成的三种网格分辨率预报结果与真值插值而来的对应分辨率真值进行综合鉴别(图 1b)。MGAN的鉴别损失函数(L_MGAN) 可表示为：

$ \begin{gathered} L_{\mathrm{MGAN}}=E_{x \sim \operatorname{Pdata}(x)}\left[\lg D\left(x_1, x_2, x_3\right)\right]+ \\ E_{x \sim \operatorname{Pg}(x)}\left[\lg \left(1-D\left(G\left(x_1, x_2, x_3\right)\right)\right)\right] \end{gathered} $

(1)

式中：E_x~Pdata(x)表示从真值样本中采样x的期望，E_x~Pg(x)表示从预报样本中采样x的期望，D是鉴别器，G是生成器，x₁、x₂和x₃分别对应480个×560个、120个×140个和30个×35个分辨率的网格点数据。

除L_MGAN外，损失函数的设计包含了加权平均绝对误差(L_w)，相较于曾康等(2024)，权重表(表 1)中增加了30 mm·h^-1的权重，以提升模型对于强降水预报任务的偏重，L_w和L_MGAN共同构成了综合损失函数(L):

$\begin{aligned} L_{\mathrm{w}}= & \frac{1}{N} \sum\limits_{i=1}^N\left[w\left(y_i^{\text {Prec }}\right)\left|\hat{y}_i^{\text {Prec }}-y_i^{\text {Prec }}\right|+\right. \\ & \left.w\left(y_i^{\text {Radar }}\right)\left|\hat{y}_i^{\text {Radar }}-y_i^{\text {Radar }}\right|\right] \end{aligned} $

(2)

$ L=L_{\mathrm{w}}+L_{\mathrm{MGAN}} $

(3)

式中：$\hat{y}_i^{\text {Prec }} $和y_i^Prec分别代表模型的降水预报场和观测场, $ \hat{y}_i^{\text {Radar }}$和y_i^Radar分别代表模型的雷达反射率因子预报场和观测场，w(y_i^Prec)和w(y_i^Radar)分别代表降水和雷达反射率因子的损失函数权重，N代表所有预报时次所有格点的样本总和。训练过程模型保存的指标为20 mm·h^-1阈值的降水TS。生成器训练时，GAN的损失函数通常可以平衡其他损失函数的超参数(Reulen et al，2024)，L_MGAN与L_w之间的平衡超参数与曾康等(2024)保持一致，比例设置为1∶10。

2.3 对照试验设置

设置了基础试验PhyDNet和将其用作生成器的三组对照试验(表 2)，PhyGAN为通用空间鉴别器GAN与PhyDNet的结合，PhySGAN和PhyMGAN则分别将SGAN和MGAN作为鉴别器。四组试验均采用逐6 min雷达组合反射率因子和降水量作为输入和输出，且均用到加权平均损失函数(表 1)。本文将过去2 h(即起报时刻前2 h)逐6 min的雷达组合反射率因子(X_t-19^Radar, X_t-18^Radar, …, X_t^Radar)和降水场(X_t-19^Prec, X_t-18^Prec, …, X_t^Prec)作为模型输入，通过不同试验实现未来3 h的雷达组合反射率因子(X_t+1^Radar, X_t+2^Radar, …, X_t+30^Radar)和降水场(X_t+1^Prec, X_t+2^Prec, …, X_t+30^Prec)预报。训练开始前雷达组合反射率因子和降水均归一化至[0，1]区间。

采用预报业务通用的TS和Bias对上述四组深度学习试验输出的逐小时短时强降水(降水强度≥20 mm·h^-1)预报结果进行评估，真值为2024年6月19日至8月15日的地面分钟级级降水量，站点分布见图 2。TS和Bias的计算方法可参见Shi et al(2017)。

3 结果定量评估

首先对各深度学习强降水临近预报方法在2024年6月19日至8月15日的预报技巧进行定量评估。图 3分别给出整体时段、梅雨期系统性强降水时段(6月19日至7月16日)和出梅后局地强降水时段(7月17日至8月15日)中四组试验的20 mm·h^-1短时强降水TS，可以看出各种深度学习预报方法在整体时段和系统性强降水时段表现相对一致(图 3a，3b)，PhySGAN和PhyMGAN在前1 h时效较基础试验PhyDNet的提升幅度分别可达17.2%和13.0%，在2~3 h时效增量更加明显。与此同时，注意到该提升幅度随预报时效增加，这可能是因为PhySGAN和PhyMGAN均改善了PhyDNet中的降水强度随时间衰减的问题，进而重点提升了后期强降水中心的预报效果。值得注意的是，在局地强降水时段中(图 3c)，PhySGAN和PhyMGAN在2~3 h时效较基础试验的TS增幅与系统性强降水时段相比有不同程度的下降，说明新方法对于持续时间短、空间尺度小的局地强降水过程预报效果提升仍相对有限，但该结果和系统性强降水时段也存在共性，即PhySGAN在前1 h时效的TS表现最优，PhyMGAN在2~3 h时效最优。此外，PhyGAN在各评估时段内TS均最低，特别是在系统性强降水时段，说明通用GAN鉴别器在训练过程中缺乏对复杂天气过程的鉴别能力，不能直接用于强降水这一类多尺度特征明显的预报任务。

图 4进一步给出了各组试验的Bias，与图 3相结合能够直观看出PhySGAN和PhyMGAN之所以能够获得更高的TS，得益于修正了PhyDNet和PhyGAN对于20 mm·h^-1以上短时强降水预报频率偏低的问题。值得注意的是，PhyMGAN在系统性强降水时段2~3 h时效的Bias超过1.5(图 4b)，即通过“过度预报”换取较高的TS，相较之下PhySGAN的Bias在各时段内均更接近于最优数值1。

4 “复杂场景”预报方法性能分析

为更直观地理解各预报方法的性能，选取2024年7月1日17:00—20:00发生在江苏沿淮地区的一次局地短历时强降水过程进行分析，此次过程兼具局地性、突发性等多重特征，阶段1(17:00—18:00)：淮安北部局地零散降水区(雨区A)明显增强(图 5a，5b)，并出现小范围短时强降水(图 5c)，结合风暴追踪可知雨区A向偏北方向移动(图略)；阶段2(18:00—19:00)：雨区A东侧位于盐城西北部的降水系统组织化发展(雨区B)，18:30雨区B的滑动小时降水量达到20 mm(图 5d)，A和B发生合并形成相对完整的东西向中尺度线状雨带；阶段3(19:00—20:00)：伴随雨区B向北偏东方向发展，雨区A逐渐减弱(图 5e，5f)。也就是说，尽管该过程从强度或致灾性角度均不能被称为重大/典型案例，但考虑到17:00—20:00无论是降水系统的强度演变还是移动方向均发生了复杂变化，从实际业务角度来说是一次“复杂场景”，可从多维度评估预报产品性能。需注意的是，此处仅用于分析各方法性能及对预报预警业务的潜在增益，不强调优劣。

为了不失一般性，首先给出业务常用的交叉相关方法在17:00起报的未来3 h降水量预报表现(图 6)，由于该方法为准线性的外推方法，因此仅能呈现出雨区A增强前向北的线性外推趋势，整个3 h时效内无论是降水强度还是移向均无明显变化，对业务无指导作用。

相较于外推方法，四组深度学习预报方法均呈现出降水强度演变刻画性能(图 7)。基础试验PhyDNet在1 h时效预报出了雨区A发展增强的过程，但2~3 h时效强降水中心出现衰减，未预报出短时强降水落区(图 7a₁~7c₁)。在增加了通用GAN之后，PhyGAN在2~3 h时效几乎完全没能预报出强降水雨区及其中心强度，降水量较基础试验PhyDNet更弱，这与PhyGAN鉴别器训练过程中缺乏对复杂多尺度天气过程的鉴别能力有关，无法在预报时效延长后生成正确的预报结果(图 7a₂~7c₂)。

与PhyDNet和PhyGAN相比，PhySGAN和PhyMGAN在本次“复杂场景”中从不同角度均表现出更高的参考价值。在1 h时效，PhySGAN和PhyMGAN均预报出雨区A增强过程(图 7a₃，7a₄)，对短时强降水落区预报均和实况(图 5c)更匹配。从2 h时效开始，PhySGAN和PhyMGAN出现分歧，前者尽管预报出雨区B增强，但整体雨带发生断裂，呈现东西两个零散短时强降水中心(图 7b₃)；PhyMGAN则比较完整地刻画出了发展增强的东西线状降水雨带(图 7b₄)，体现出了一般意义上更优的预报技巧。预报时效达到3 h时，PhySGAN和PhyMGAN均预报出雨区A降水减弱甚至消散的特征，但PhySGAN中雨区B向东南方向移动(图 7c₃)，PhyMGAN则向东北方向移动(图 7c₄)，与实况更接近(图 5f)。另外，PhySGAN还对主雨带南侧，即发生于泰州一带的局地降水增强过程体现出一定预报性能(图 7c₂，7c₃)。

综上所述，从“复杂场景”表现来看，PhySGAN和PhyMGAN体现出了不同预报性能，前者对强降水形态、强度等局部细节刻画更好，后者则对强降水雨带的整体轮廓和位置表征更好。结合模型设计分析可知，PhySGAN着重对输入场中的高频信息进行鉴别，因此适用于水平方向变化大的局地强降水预报，而PhyMGAN通过多重尺度设计强化了对空间尺度较大的系统性强降水信息的鉴别能力，进而对整体雨带预报能力较好，但结合Bias(图 4)可知，PhyMGAN在大范围强降水样本较多时易出现过报。

5 典型预报应用案例

上文首先评估了各深度学习强预报方法的预报技巧，并结合一次演变复杂、预报难度大的“复杂场景”揭示了各深度学习及传统外推方法在强降水预报业务中潜在增益，结果表明本文提出的PhySGAN和PhyMGAN均具备业务紧缺的强降水生消演变预报性能，并兼具较优的评分表现。

PhySGAN和PhyMGAN均已于2024年汛期前部署于江苏省气象台，逐6 min滚动更新提供未来3 h的定量降水预报。本节将在上文结论基础上，通过2024年江苏汛期两次典型强降水案例直观阐述两种新方法的应用表现及其业务增益，考虑传统外推方法在降水增强过程中作用较小，因此本节不加入对比。

5.1 案例1：7月8日系统性强降水过程

7月8日20:00至9日08:00，受高空槽、冷式切变线、低空急流等天气尺度系统的共同影响，江苏自西北向东南出现一次系统性强降水过程，受影响的江苏、安徽、山东有超过300个国家及区域自动气象站12 h累计降水量超过100 mm。此次过程大尺度强迫明显，全球数值模式提前3 d以上预报了此次过程，江苏相关省、市级气象部门也于8日20:00前发布了暴雨蓝色或黄色预警。回顾整个过程，8日21:00江苏西北部陆续出现局地零散的20 mm·h^-1以上短时强降水(图 8a₁~8c₁)，随后发生快速增强(图 8d₁，8a₂，8b₂)，8日23:00和9日00:00多个站点出现70 mm·h^-1以上降水(图 8c₂~8e₂)，是整个12 h强降水时段内的最强。因此，尽管此次过程气象服务难度总体较低，但能否预报出22:00后降水的快速增强将对区县级暴雨预警升级以及精细化专业气象服务形成考验。

从PhySGAN和PhyMGAN 21:00起报的降水量来看(图 8a₃~8e₃，8a₄~8e₄)，二者均预报出江苏西北部和东北部两处降水增强过程，这对预报员能够起到较好的提示作用，其中PhySGAN对降水形态的刻画更加精细，而PhyMGAN则倾向于预报成片短时强降水雨带。从强度上来看，二者均未预报出23:00后江苏西北部出现的局部50 mm·h^-1以上降水区域(图 8c₂~8e₂)，其中PhyMGAN在9日00:00的降水强度预报最大值为43.2 mm·h^-1，与实况更加接近。从两组试验22:00起报结果来看(图 8a₅~8e₅，8a₆~8e₆)，此时PhyMGAN预报出2 h(即9日00:00)后江苏西北部局部会出现50 mm·h^-1以上的降水强度，尽管8日23:00相关地区局部降水强度就达到50 mm·h^-1，但这仍然对预报预警工作具有明确指示意义；此外，随着横槽转竖，9日00:00之后实况降水逐渐呈现东北—西南向(图 8e₂~8g₂)，PhyMGAN未能体现出这一雨带形态和位置转变(图 8c₆，8e₆)，相较之下PhySGAN预报表现更好，特别是较好地体现出了雨带西段的位置(图 8c₅，8e₅)，能够更好地帮助预报员开展下游地区的精细化专业预报服务。

5.2 案例2：9月11日局地强降水过程

9月11日16:00—20:00，受东风急流(东风波)和弱冷空气影响，江苏东部沿海地区出现一次突发性局地极端强降水过程，造成盐城市区出现严重城市内涝。由17:00—20:00的3 h累计降水量可见(图 9a)，此次过程具有空间尺度小, 强降水范围集中、强度大等特征，结合雷达回波演变特征可见(图 10)，16:30—17:30江苏东部沿海地区的零散降水回波逐渐组织化形成γ中尺度强降水单体(图 10a~10c)，该单体随后缓慢西移(图 10d)，受影响地区短时间内出现极端强降水，17:00—20:00最大累计降水量超过150 mm。区别于案例1，本次强降水过程预报难度更高，不仅体现在能否预报出16:30后的局地降水量激增，还体现在能否成功预报出强降水单体局地维持。需要特别说明的是，无论是欧洲中期天气预报中心(ECMWF)全球数值预报系统(图 9b)，还是两个临近起报时次的江苏本地快速更新数值预报系统(图 9c，9d)，对此次江苏东部沿海地区局地强降水几乎未给出任何指示(全球模式存在6 h左右滞后，江苏本地模式滞后约3 h)，因此本节将聚焦本研究提出的预报方法能否为预报带来帮助。

图 11给出16:30开始PhySGAN和PhyMGAN多个时次起报的3 h累计降水量，可以看出从16:30开始，在实况尚未发生强降水的时候，两种预报方法即预报出江苏东部沿海存在局地强降水中心，体现出局地降水增强的预报能力，尽管该中心较实况略偏西，但能够有效提示预报员相关地区出现局地极端强降水中心的可能性。随着起报时间持续更新，PhySGAN和PhyMGAN均持续预报江苏东部沿海的局地强降水且中心逐渐西移，与实况趋于接近，为预报员提供了更加明确的信号。此外，PhyMGAN对整个强降水雨带范围预报过大，这样尽管TS会更高，但可能由于重点不够突出从而带来一定负面作用，相较之下PhySGAN则对强降水雨带的刻画更为精细，指示意义更加明确。

6 结论和讨论

本文通过优化通用生成对抗网络提出基于频域生成对抗网络(SGAN)和多尺度生成对抗网络的强降水临近预报方法PhySGAN和PhyMGAN，提供江淮地区未来3 h的降水量预报。通过预报技巧评分、“复杂场景”性能评估和典型应用实例分析了两种方法在2024年江苏汛期短时强降水(降水量≥20 mm·h^-1)预报中的表现，得到以下结论：

(1) PhySGAN和PhyMGAN在不同检验时段的3 h内短时强降水TS较基础试验PhyDNet和通用生成对抗网络试验PhyGAN均有明显提升，两种新方法通过优化GAN使得TS增益幅度随预报时效增加，有效提升较长时效的TS表现。系统性时段检验结果与整体时段一致，但在局地强降水时段，受预报对象可预报性偏低影响，PhySGAN和PhyMGAN较基础试验的TS评分提升幅度有不同程度的下降。

(2) 从Bias来看，PhySGAN和PhyMGAN均修正了PhyDNet和PhyGAN对于短时强降水预报频率偏低问题，由此得到较高TS。其中PhyMGAN在系统性强降水时段部分时效的Bias超过了1.5，即通过“过度预报”换取较高的TS，相较之下, PhySGAN的Bias更接近于最优数值1，说明多尺度鉴别器的设计一定程度上易造成过报。

(3) 从“复杂场景”所展示出的预报性能来看，四组深度学习预报方法较传统外推方法均能刻画强降水演变，本文提出的PhySGAN和PhyMGAN较PhyDNet和PhyGAN也有更优的性能表现，但在“复杂场景”中二者也体现出了明显性能差异，其中PhySGAN对强降水形态、强度等局部细节刻画能力更好，PhyMGAN则对强降水雨带的整体轮廓和位置表征更好。

(4) PhySGAN和PhyMGAN在2024年江苏汛期强降水过程中均得到了有效应用。在2024年7月8日夜间系统性强降水过程中，二者均提前预报出降水增强过程，起到较好的临灾预警提醒作用。PhyMGAN对23:00以后江苏西北部徐州出现的局部50 mm·h^-1以上极端降水强度有更好的指示作用，PhySGAN则能够更好体现雨带形态和位置的转变。在9月11日东风波造成的局地强降水过程中，PhySGAN和PhyMGAN均在实况出现前预报出江苏东部沿海存在局地强降水中心，体现出局地降水增强的预报能力，随着起报时间持续更新，持续将强降水中心向西订正逐渐与实况趋近，为预报员提供了更加明确的信号和信心。

以上研究结论揭示了GAN在短时强降水临近预报中的应用潜力，特别是针对业务关切的降水增强过程，未来将进一步分析相关方法在降水减弱过程中的适用性。值得注意的是，近期国家气象中心基于NowcastNet(Zhang et al，2023)和中国长序列雷达数据建立了人工智能临近预报模型“风雷”V1(盛杰等，2025)，有效实现了不同尺度强对流过程的雷达回波预报，并在一定预报时效内给出了正确的对流系统生消演变预报，在未来研究中将考虑借鉴“风雷”模型数据物理双驱动的设计，并将其用于短时强降水临近预报业务。此外，一般认为快速更新同化数值模式对2 h后的预报时效更具优势，未来的工作中也将开展深度学习临近预报与数值模式对2~3 h时效强降水预报的性能对比分析。