雷达回波外推是短临降水预报和强对流天气监测预警的重要技术。现有循环神经网络、卷积神经网络和Transformer模型在较长时效外推中容易出现误差累积、回波边界模糊及强度衰减等问题；其中，Transformer虽然具有较强的长距离依赖建模能力，但其计算复杂度随输入规模快速增加，限制了高分辨率雷达资料的高效处理。针对预测效率与回波结构保持难以兼顾的问题，本文围绕高效确定性外推和生成式细节订正开展研究。
首先，构建基于状态空间模型的雷达回波外推框架RadarEchoMamba。该框架利用多尺度嵌入提取不同空间尺度的回波特征，通过双向时空Mamba主干在历史观测窗口内融合正向和反向时序信息，并采用历史输入序列生成的结构先验引导渐进式解码，实现对大尺度回波运动和局部纹理的协同建模。在多个数据集上的实验表明，RadarEchoMamba在多项气象评估指标上取得具有竞争力的结果的同时，具有较好的结构相似性和感知质量，同时体现出较好的预测质量与计算效率平衡。
在确定性外推基础上，进一步探索基于扩散模型的雷达回波细节订正方法。该方法以主干网络生成的初始预测场及历史观测序列为条件，通过反向去噪过程逐步重建未来雷达回波，利用生成模型对复杂数据分布和细尺度空间结构的表达能力，缓解均方误差训练容易产生的平均化预测。扩散订正重点恢复回波边界、局地纹理和强对流核心区，在尽量保持主体位置与演变趋势的同时，改善被平滑的细尺度结构和强度信息。案例对比显示，订正后的回波形态更加清晰，强回波区域与观测结果更为接近，为减轻较长时效外推中的模糊和强度衰减提供了可行途径。
研究结果表明，状态空间模型与扩散生成方法分别在高效时空建模和回波细节恢复方面具有优势，为兼顾实时性、结构保真度及未来演变不确定性的雷达回波短临预报提供了新的技术思路。
 

雷达回波外推,状态空间模型,Mamba,扩散模型