基于深度学习的降水短时预报方法，整合雷达回波与雨量计数据

《Journal of Hydrology》：Deep learning-based precipitation nowcasting integrating radar echoes and rain gauge data

　　•尝试将ASPP、残差块和空间注意力机制融入SAAR-UNet，用于雷达回波的外推。•提出了RST-RainNet，该模型采用双分支ConvLSTM–U-Net结构并结合残差校正机制，用于定量降水估计的短期预报。•利用动态分类与分区Z–R算法生成物理先验信息，进而制作QPE分布图。•通过融合雷达回波数据与雨量计观测数据，提升了1–2小时内的降水短期预报精度。

引言
降水短期预报是一项对人们日常活动有着重要影响的任务。然而，强降水的强烈时空变化特性以及较高的灾害风险，使得准确预测强对流天气成为水文气象学领域的一大挑战（Zhang等，2023）。准确及时的降水预报能为水文建模和洪水模拟提供可靠的数据支持，从而有助于预防自然灾害（Gong等，2025）。作为监测中尺度及小尺度强对流天气系统的核心仪器，气象雷达能够提供高时空分辨率的数据，为短期预报奠定基础（Ravuri等，2021）。目前，降水短期预报的主要方法基于雷达回波外推和定量降水估计技术。该方法通过分析回波序列的变动与发展趋势来预测未来的回波情况，再将其转化为降水量。但这一方法存在两大难题：一是雷达回波外推的准确性，二是将回波转化为降水量的精确度。由于降水量是根据外推后的回波数据计算得出的，因此累积的不确定性会导致估算值与实际降水量之间存在差异（Wan等，2025）。所以，要实现高精度的降水短期预报，就需要提升回波外推和降水估计的精度，同时减少整体计算误差。

表1. 雷达回波外推方法能够有效利用气象雷达数据，揭示降水的时空特征、演变过程及分布情况（Cao等，2025）。近年来，深度学习为时空序列预测带来了新的思路。为了构建更精准、更适用于区域天气系统的短期预报模型，这些技术可以从大量历史雷达数据中提取出时间和空间的变化特征（Pirone等，2023）。深度学习已在水文气象领域得到广泛应用，并取得了显著成果（Liu等，2024a，Liu等，2024b，Su等，2025，Cheng等，2025）。Shi等（2015）将ConvLSTM应用于回波预测，证明了这种结构在时间序列预测中的适用性。此后，TrajGRU（Shi等，2017）、PredRNN（Wang等，2017）以及PredRNN++（Wang等，2019）等模型也被用于降水预报。降水短期预报需要考虑连续地图中的时间和空间特征，而这正与卷积神经网络模型的优势相契合（Wang等，2025）。Agrawal等（2019）使用名为U-Net的卷积神经网络进行降水预报，其效果优于光流法和数值模型。从那以后，U-Net便成为回波外推领域的常用工具（Zhao等，2024）。U-Net结构简洁，可根据需求灵活调整，这为提高小尺度降水预报的精度提供了可能。U-Net模型已被广泛使用（Han等，2022），后续研究则侧重于通过结构优化进一步提升其性能（Fernández和Mehrkanoon，2021）。Li等（2024a）采用了嵌套式U-Net和带有嵌套跳接的U-Net 3?+?结构。Li等（2024b）通过整合U-Net与Transformer架构提出了HTLA模型，而Zhao等（2025）则基于视觉Mamba技术开发了Mamba-UNet。这些基于U-Net的架构通过引入注意力机制、残差连接以及多分支特征提取功能，提升了时空表征能力。不过，它们针对的是雷达回波外推的不同缺陷，比如多尺度背景建模不足、细尺度结构信息丢失，或是长距离依赖关系表征不完善等问题（Zheng等，2021）。因此，架构的选择应依据目标预报问题的特点，而非仅依据经验性的性能对比结果。

此外，在强对流天气条件下，雷达回波的变化极为剧烈（Chung等，2025），尤其是在回波信息较为有限的中小流域内，这种情况会显著影响降水预报的准确性（Park和Lee，2025）。在针对小流域且预报时效较短的场景进行雷达回波外推时，面临的挑战不仅是模拟大尺度的回波位移，还要保留局部的高反射率核心区域及其明显的空间梯度。对流性降水系统通常具有强烈的空间异质性，即在高强度降水整体结构中存在着密集的高强度回波团。这种多尺度结构要求同时呈现局部强度、边界梯度以及大尺度背景特征。那些仅依靠单尺度特征提取或统一特征聚合的架构，往往难以保持强回波结构，从而导致预报结果过于平滑。基于U-Net的架构为雷达回波外推提供了有效的框架，因为其编码器-解码器设计以及跳接机制非常适合用于提取和重建回波图中的空间结构（Tan等，2024）。然而，与强对流降水相关的雷达回波具有明显的空间异质性、局部高反射率核心，以及快速变化的结构特征，这些特点很难用单一的感受野来描述（Lareau等，2026）。因此，现有研究强调了需要改进雷达回波图像中复杂时空特征的提取与表征方法（Liu等，2022）。在此背景下，孔洞空间金字塔池化模块便应运而生。ASPP通过不同膨胀率的并行孔洞卷积操作，在多个尺度上扩大感受野并整合背景信息，从而提升多尺度表征能力与边界定位精度（Chen等，2017）。在降水预报应用中，Broad-UNet已证明，引入ASPP有助于更好地学习复杂的天气模式，进而提升降水量和云量预报的准确性（Fernández和Mehrkanoon，2021）。因此，将ASPP嵌入雷达回波外推网络中，有望强化多尺度特征提取能力，更精准地呈现高强度回波核心及其边界特征，进而提升强降水系统的预报性能。

通过定量降水估计技术，雷达回波可转化为小时级降水量，这一技术对于强降水警报以及定量降水预报而言至关重要（Zou等，2023）。降水量的高度时空变异性给精确的定量降水估计带来了很大挑战（Zhang等，2021a，Zhang等，2021b）。基于雷达的定量降水估计方法可分为两类：一类是机器学习（深度学习）算法，另一类则是基于雷达反射率Z和降水强度R的公式化方法。Z-R关系仍然是将雷达反射率转换为降水强度的核心方法（Verrier等，2013）。不过，某些物理因素的变化可能会影响这种简单的Z-R关系，而仅基于反射率和降水强度的数学关系也难以全面反映降水实际情况（Kim等，2021）。为降低因小时降雨量变化带来的降水估计误差，一些研究将雨量计观测数据与雷达数据相结合，用以修正雷达估算的降水量（Zhang等，2025）。尽管如此，由于计算上的限制以及雷达回波数据本身的系统性误差，误差依然存在。

由于降水具有显著的非线性特征，且人工神经网络具备从海量数据中学习的能力，因此机器学习和深度学习技术被广泛应用于定量降水估计领域（Jiang等，2024）。极端梯度提升算法（XGBoost）（Hieta和Partio，2025）、随机森林算法（RF）（Wolfensberger等，2021）以及多层感知器算法（MLP）（Chen等，2019）都被用来建立雷达反射率与实测降水量之间的关联。深度学习作为机器学习的重要分支，能够识别高维数据中的复杂关系，从多种特征中学习有效的表征方式，为精确、实时的定量降水估计和预报提供支撑（Cheng等，2023，Jiang等，2024）。Dinh等（2023）构建了一种GRU模型用于定量降水估计，其性能优于人工神经网络、循环神经网络、长短期记忆网络以及Z-R关系模型。为从多种数据源中高效提取信息，并弥补因蒸发导致的降水损失，Cui等（2025）提出了分层多分支卷积块结构，将该结构与相对湿度数据和雷达数据相结合，形成一种多模态融合架构，证明了多源数据在降水估计中的有效性。U-Net在信息捕捉和特征整合方面也具有明显优势，同样适用于降水估计工作。Wang等（2024）通过优化U-Net模型，结合多普勒气象雷达和FY-4A卫星数据，降低了降水计算误差。Hu等（2021）设计了包含四个U-Net子网络的深度学习架构。为分析FY-4A卫星数据并估算降水量，Gao等（2022）提出了一种带有集成注意力机制的U-Net架构。不过，U-Net在降水估计方面也存在一些局限性。对于每一幅地图数据，跳接机制虽然能够实现编码器与解码器之间的信息传递，但这种方法往往无法体现连续多幅地图之间的时间差异。此外，U-Net通常采用的单一数据源策略，在处理复杂任务时也容易出现误差。长短期记忆网络能够有效捕捉降水系统发展过程中的时间依赖性，可与卷积神经网络相互补充，共同提取时间相关特征。Liu等（2024a）、Liu等（2024b）以及Zhang等（2021a）、Zhang等（2021b）都曾运用LSTM算法来优化深度学习模型，以提高定量降水估计的精度并降低误差。不过，如何进一步提升模型识别地理特征、提取降水系统信息的能力，依然是气象预报领域需要解决的关键问题。

本研究旨在构建一个具有物理可解释性的雷达与雨量计融合框架，用于降水短期预报。其主要目标与贡献如下：（1）通过整合ASPP、残差卷积和空间注意力机制，提出了用于雷达回波外推的SAAR-UNet模型。该设计通过强化多尺度背景信息、保留精细的回波边界，以及有针对性地突出对水文气象有重要意义的区域，实现了对强回波的结构性表征。（2）基于双分支U-Net–ConvLSTM架构，开发了用于定量降水短期预报的RST-RainNet模型。该框架将雷达获取的空间降水演变信息与受雨量计数据约束的定量降水估计先验信息相结合，从而提升了降水时空分布的表征能力以及强度校正的精度。（3）研究了将雷达回波序列与经过雨量计校正的定量降水估计序列相结合用于降水估算的可行性。通过分析模型性能、结构敏感性以及残差校正效果，对该方法进行了评估。

研究区域
本研究选取了中国河北省邢台市的柳林实验流域作为研究区域。该流域面积为57.4平方公里，主河道长度为13.2公里，流域宽度为4.35公里。其出水口位于东经114°21′、北纬37°17′，如图1所示。流域内分布有五座雨量计，柳林水文站则负责监测水位与流量情况。该流域处于半干旱与半湿润气候带，大部分地区……

U-net
如图2所示，本研究以经典的带有跳接连接的编码器-解码器架构U-Net作为基准模型。U-Net的左侧为编码器部分，该部分通过双卷积块（蓝色箭头）和最大池化操作（红色箭头）对特征图进行下采样，同时增加通道数，以便获取更丰富的层次化特征表示。在编码器之后是数量相同的解码器，它们负责提取高级特征并恢复原始信息……

回波外推精度评估
经过比较的各类回波外推模型可分为四类：（1）基准模型U-Net，它提供标准的带有跳接连接的编码器-解码器框架；（2）经过注意力机制强化的模型变体，包括CH-UNet、SA-UNet和CBAM-UNet，这类模型能够突出有用的通道级和空间特征，同时抑制噪声；（3）经过卷积优化后的模型变体，即Res-UNet和R2-UNet，这类模型通过引入残差块或循环残差块来提升特征提取效率与训练稳定性；以及……

讨论
本研究采用经过优化的U-Net网络，通过将雷达回波外推结果与定量降水估计图相结合，来实现降水短期预报。此外，还引入了残差校正策略，通过整合雨量计观测数据进一步优化预报结果。除了架构方面的改进之外，该框架在方法论和实际应用层面也都具有重要意义。本研究建立了有序的短期预报工作流程，其中雷达回波外推负责提供连续的空间信息……

结论
本研究通过针对性的结构优化以及基于物理原理的雷达与雨量计数据融合方法，构建了一个集成雷达回波外推与定量降水估计的降水短期预报框架。在雷达回波外推方面，SAAR-UNet通过整合ASPP、残差卷积和空间注意力机制，提升了多尺度回波结构、局部高反射率核心区域以及明显强度梯度的表征能力。在降水短期预报方面，RST-RainNet……

伦理声明
我们保证本稿件为原创内容，尚未发表，且在提交《水文学杂志》审核期间也不会向其他期刊投稿。本研究并未被拆分为多个部分，以便向不同期刊或逐步向某一家期刊投稿以增加投稿数量。所有数据（包括图像）均未被伪造或篡改，用以支持我们的研究结论。也没有将他人的数据、文本或理论冒充为自己的成果。

CRediT作者贡献说明：
李雷静：写作——审阅与编辑，写作——初稿，方法论，概念构建。
李建竹：写作——初稿，验证，软件，方法论，概念构建。
王永涛：写作——审阅与编辑，验证。
尚崇举：验证，方法论。
李志霞：验证，方法论。
刘金：数据整理。

未引用的参考文献：Gou等人，2020年；Kusiak等人，2012年。

利益冲突声明：作者声明不存在任何可能影响本文所述研究的已知财务利益或个人关系。

致谢：本研究得到了中国天津市科技计划项目（编号25ZXZSSS00440）、国家自然科学基金（编号52279022）以及贵州省水利科学技术计划项目（KT202538）的支持。

李雷静|李建竹|王永涛|尚崇举|李志霞|刘金