南大雷达气象团队又一重大突破！融合三维双偏振雷达信息与物理约束，深度学习强对流临近预报研究获重要突破

研究背景

强对流天气因其发展迅速、生命周期短且非线性强，其0-2小时的临近预报是国际上的研究热点与难点。传统方法多基于雷达回波外推，难以精准预测强对流的生消演变。近年来，深度学习为该领域带来新机遇，但其预报效果受限于输入信息单一（多为反射率因子），缺乏对风暴内部微物理和动力过程的刻画。

研究进展

针对上述挑战，南京大学雷达气象团队在前期研究中，创新性地提出了融合二维双偏振变量（KDP和ZDR）的深度学习模型FURENet，利用其提供的微物理信息，显著提升了对流初生和组织化的预报能力，成果发表于《Geophysical Research Letters》 (Pan et al., 2021)。

在此基础之上，团队潘翔博士进一步研发了新一代强对流临近预报模型——FURECast。该研究首次将三维双偏振雷达数据（ZH, ZDR, KDP）与物理自洽性约束引入深度学习框架。模型通过编码-演变-解码结构，有效提取1km、3km和7km高度层的风暴垂直结构信息，捕捉上升气流、风切变等关键动力特征。更重要的是，研究基于雨滴谱数据重新拟合了双偏振变量间的自洽性关系，并将其作为物理损失函数加入模型训练，确保预报结果不仅在统计上准确，更在微物理过程上符合物理规律（图1）。

图1. FURECast模型架构及自洽性物理约束损失函数

基于广东S波段双偏振雷达数据集（GD-SPOL）的定量评估表明，FURECast在30、60和90分钟预报时效内，对强对流区域（35 dBZ）的预报评分（CSI）相比传统方法分别提升了6.6%、9.9%和14.1%。同时，模型输出的物理一致性偏差降低了两个数量级（图2）。对深圳“4.11”极端暴雨个例的预报显示，FURECast成功捕捉了弓状回波的形成过程，表现显著优于现有模型。

图2. （a）多组模型35dBZ强对流预报CSI评分结果；（b）多组模型强对流预报评分随时间变化；（c）物理一致性偏差评估结果

论文发表

本研究通过构建融合三维双偏振雷达信息的物理约束深度学习模型，实现了对强对流天气更精准、更具物理一致性的临近预报。该研究以“Advancing Convective Precipitation Nowcasting via 3D Polarimetric Radar Data and Physics-Constrained Deep Learning Model”为题，发表于《Geophysical Research Letters》。研究受到国家自然科学基金（42025501, 14380222）等项目的联合资助。

团队工作介绍

南京大学雷达气象团队在赵坤教授带领下，长期深耕强对流雷达观测、机理与预报研究。其中，潘翔博士前期构建的FURENet模型，首次验证了双偏振变量在深度学习临近预报中的关键作用 (Pan et al., 2021)。本研究是团队在该领域的又一重要突破，为发展更具物理一致性的下一代智能临近预报技术奠定了坚实基础。

END

声明：欢迎转载、转发。气象学家公众号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及内容、版权和其他问题，请联系小编处理。