近年来，深度学习闪电预报已由单一资料驱动的闪电发生识别，逐步发展为融合卫星、雷达、闪电观测及数值天气预报资料的时空预测方法。然而，中短期闪电密度预报仍面临显著困难。非对流可分辨数值模式难以准确描述单体对流的触发位置、发生时间及精细结构，微小的对流位移便可能造成较大的逐格点误差。同时，闪电密度具有稀疏性强、分布高度不均衡及局地极值突出的特点，对模型的空间定位、强信号保持和跨尺度特征建模能力提出了较高要求。
 

本文构建了一种面向闪电密度预报的多源时空融合模型，以预报时效匹配的数值天气预报场、卫星对流特征以及预报起始时刻之前的短序列闪电密度观测为输入。数值天气预报分支提取对流发生发展的环境条件及天气尺度演变信息；卫星资料分支表征云系结构、对流发展阶段及其空间组织形态；历史闪电分支刻画已有对流系统的电活动强度、持续性和移动特征。各类资料经独立特征投影和时空配准后，在统一的隐空间内进行融合，从而兼顾近期观测对对流演变的约束能力与数值预报在较长时效上的环境指示作用。
 

模型主体采用气象适配的 Mamba 状态空间模块。该模块通过二维空间上的多方向一维递归扫描更新隐状态，使天气系统信息能够沿连续扫描路径传播和保留。相较于以局部卷积反复叠加为主的结构，这种递归扫描机制更有利于描述锋面、辐合带及有组织对流系统等具有长距离连续性的天气结构，并减弱深层特征传播过程中局地强信号的衰减。Mamba 算子同时承担局部对流特征提取与远距离空间依赖建模，其选择性状态更新能够依据输入特征调节信息的保留与传递。模型末端配置抗伪影解码模块，采用逐级尺度恢复、卷积重建和全分辨率特征细化，避免转置卷积等非均匀重叠上采样操作对闪电密度场空间结构造成干扰。
 

考虑到非对流可分辨数值模式无法确定性地给出对流单体的精确位置，本文将学习目标由严格逐格点匹配扩展至邻域尺度的一致性约束。损失函数以多阈值、多尺度的可微分邻域分数技巧损失为核心，并结合事件加权强度误差和频率偏差约束，使模型在允许合理空间位移的同时，兼顾闪电落区覆盖、局地强度及发生频率。模型评估采用与训练目标一致的邻域和分类检验指标，并通过资料消融与结构消融分析各输入分支及状态空间模块的贡献。在二十四小时预报检验中，模型在2度平均邻域分数技巧评分达到 0.58，表明该方法在观测外推能力明显减弱、对流尺度不确定性显著增加的预报时效上，仍能保持较好的闪电落区与空间结构预报能力。