成果速览：把极端暴雨报在发生之前——极端雨强人工智能短临预报技术解析

传统临近预报以雷达回波外推为主，相当于看着回波“顺藤摸瓜”，但极端雨强风暴内部变化剧烈，外推结果很快失真，这正是极端雨强预报迟迟难以突破的症结。为破解这一难题，南京气象科技创新研究院高影响天气研究团队、气象大数据与人工智能应用团队的业务骨干，依托国家重点研发计划课题，将人工智能算法深度引入短临预报全流程，构建起从对流初生预警、0-2小时临近预报到0-12小时短时预报的全链条技术体系。

智能预报的第一步，是让机器读懂极端雨强的“指纹”。团队系统整理华北、黄淮和江淮近十年夏季的极端雨强过程多源观测资料，包括双偏振雷达、风云静止卫星、风廓线雷达、加密自动站以及ERA5再分析和高分辨率模式资料等，形成了多源数据集。逐一提炼极端降水云团的卫星光谱特征、雷达微物理特征和关键热动力因子，最终形成相应的特征数据集，为后续模型研发夯实了数据底座。

在收集极端雨强“指纹”的基础上，团队进一步构建了多个先进预报模型。在对流风暴初生预警算法方面，构建了融合卫星多通道资料的深度学习雷达回波外推方法，研发了适用于极端雨强风暴的卫星多通道和雷达资料融合的对流初生预警预报模型。在双偏振雷达临近预报算法方面，建立极端雨强微物理信息的多变量融合深度学习模型。模型以卷积神经网络UNet为主干，结合高维融合与通道注意力机制，有效融合双偏振雷达变量的微物理及动力信息，实现了极端雨强下双偏振雷达变量0-2h的精确短临预报；针对样本不平衡问题，采用加权二元交叉熵损失函数，显著强化模型对极端雨强的敏感度。

在此基础上，团队运用条件扩散生成模型，将平流扩散方程的物理约束与微物理参量增强嵌入其中，打造出新一代生成式极端降水临近预报模型PAGCast。在华北、江苏、安徽、河南等地的检验中，该模型对极端降水的命中率均超过80%，对1-2小时的20和50 mm h⁻¹以上量级降水的预报效果整体优于SWAN光流方法。目光放得更远，预报才能更早。团队进一步构建基于预报递归神经网络PredRNNv2-AWS的0-12小时强降水短时预报算法，将区域观测与中尺度模式资料有效整合，输出高时空分辨率预报；同时借助LightGBM机器学习框架，把确定性预报升级为概率预报。