本文针对湖南地区短时定量降水预报的系统性误差，提出基于改进U-Net的深度学习订正模型SARU。该模型在U-Net架构中融入残差模块和通道空间注意力机制（SCSE），以强化特征提取、缓解梯度消失并适应降水非均匀分布。利用2017—2022年汛期（4—9月）湖南省1912个地面站逐小时降水实况及ECMWF-IFS最优物理量因子集训练，构建端到端逐小时订正模型。在2023年独立汛期，将SARU与业务化的最优TS评分法（OTS）及CMA-SH9模式原始预报进行多维度对比。结果表明：SARU综合性能显著最优，晴雨准确率0.868、相关系数0.166、平均绝对误差0.349、偏差0.731，均优于OTS和CMA-SH9，尤其趋势与量级匹配改进突出。空间上在湘中、湘西北优势明显。SARU有效平衡空报与漏报（两者比例相当），而OTS严重漏报、CMA-SH9显著空报，纠正了系统性偏差。分级检验中，SARU对强降水订正效果卓越。对≥20mm降水，SARU预报频次偏少27.29%，远优于OTS（偏少85.54%）和CMA-SH9（偏多95.50%）。对[5,10)、[10,20)及≥20mm三个级别，SARU的TS、POD、FAR、MAR均最优。尤其在短时强降水（≥20mm）上，SARU的TS是OTS的15倍、CMA-SH9的2.14倍，且在湘西、湘西北山区保持良好技巧，适应复杂地形。针对湖南夜雨特征（夜间02—08时强降水频次高）：OTS几乎无法把握（TS近零），CMA-SH9技巧很低（约0.01），而SARU显著捕捉该规律，TS夜间明显升高，05时达峰值约0.07，体现了深度学习学习复杂时空演变模式的能力。在局限性方面，SARU对傍晚至上半夜时段的强降水预报能力不足，可能与样本较少或物理过程复杂有关；模型输入完全依赖ECMWF-IFS，性能受限于底层模式质量，影响业务鲁棒性；所采用的Dice Loss在极端事件权重平衡上仍有优化空间。
本文针对湖南地区短时定量降水预报的系统性误差，提出基于改进U-Net的深度学习订正模型SARU。该模型在U-Net架构中融入残差模块和通道空间注意力机制（SCSE），以强化特征提取、缓解梯度消失并适应降水非均匀分布。利用2017—2022年汛期（4—9月）湖南省1912个地面站逐小时降水实况及ECMWF-IFS最优物理量因子集训练，构建端到端逐小时订正模型。在2023年独立汛期，将SARU与业务化的最优TS评分法（OTS）及CMA-SH9模式原始预报进行多维度对比。结果表明：SARU综合性能显著最优，晴雨准确率0.868、相关系数0.166、平均绝对误差0.349、偏差0.731，均优于OTS和CMA-SH9，尤其趋势与量级匹配改进突出。空间上在湘中、湘西北优势明显。SARU有效平衡空报与漏报（两者比例相当），而OTS严重漏报、CMA-SH9显著空报，纠正了系统性偏差。分级检验中，SARU对强降水订正效果卓越。对≥20mm降水，SARU预报频次偏少27.29%，远优于OTS（偏少85.54%）和CMA-SH9（偏多95.50%）。对[5,10)、[10,20)及≥20mm三个级别，SARU的TS、POD、FAR、MAR均最优。尤其在短时强降水（≥20mm）上，SARU的TS是OTS的15倍、CMA-SH9的2.14倍，且在湘西、湘西北山区保持良好技巧，适应复杂地形。针对湖南夜雨特征（夜间02—08时强降水频次高）：OTS几乎无法把握（TS近零），CMA-SH9技巧很低（约0.01），而SARU显著捕捉该规律，TS夜间明显升高，05时达峰值约0.07，体现了深度学习学习复杂时空演变模式的能力。在局限性方面，SARU对傍晚至上半夜时段的强降水预报能力不足，可能与样本较少或物理过程复杂有关；模型输入完全依赖ECMWF-IFS，性能受限于底层模式质量，影响业务鲁棒性；所采用的Dice Loss在极端事件权重平衡上仍有优化空间。
本文针对湖南地区短时定量降水预报的系统性误差，提出基于改进U-Net的深度学习订正模型SARU。该模型在U-Net架构中融入残差模块和通道空间注意力机制（SCSE），以强化特征提取、缓解梯度消失并适应降水非均匀分布。利用2017—2022年汛期（4—9月）湖南省1912个地面站逐小时降水实况及ECMWF-IFS最优物理量因子集训练，构建端到端逐小时订正模型。在2023年独立汛期，将SARU与业务化的最优TS评分法（OTS）及CMA-SH9模式原始预报进行多维度对比。结果表明：SARU综合性能显著最优，晴雨准确率0.868、相关系数0.166、平均绝对误差0.349、偏差0.731，均优于OTS和CMA-SH9，尤其趋势与量级匹配改进突出。空间上在湘中、湘西北优势明显。SARU有效平衡空报与漏报（两者比例相当），而OTS严重漏报、CMA-SH9显著空报，纠正了系统性偏差。分级检验中，SARU对强降水订正效果卓越。对≥20mm降水，SARU预报频次偏少27.29%，远优于OTS（偏少85.54%）和CMA-SH9（偏多95.50%）。对[5,10)、[10,20)及≥20mm三个级别，SARU的TS、POD、FAR、MAR均最优。尤其在短时强降水（≥20mm）上，SARU的TS是OTS的15倍、CMA-SH9的2.14倍，且在湘西、湘西北山区保持良好技巧，适应复杂地形。针对湖南夜雨特征（夜间02—08时强降水频次高）：OTS几乎无法把握（TS近零），CMA-SH9技巧很低（约0.01），而SARU显著捕捉该规律，TS夜间明显升高，05时达峰值约0.07，体现了深度学习学习复杂时空演变模式的能力。在局限性方面，SARU对傍晚至上半夜时段的强降水预报能力不足，可能与样本较少或物理过程复杂有关；模型输入完全依赖ECMWF-IFS，性能受限于底层模式质量，影响业务鲁棒性；所采用的Dice Loss在极端事件权重平衡上仍有优化空间。

SARU；U-Net；OTS；逐小时降水预报；夜雨特征