灾害性强降水通常由中小尺度对流系统触发，具有局地性强、发展迅速、生命史短及时空演变复杂等特点。准确预报降水回波的位置、强度、移动方向及发展变化，对城市内涝、山洪和中小河流洪水等灾害的监测预警与应急处置具有重要意义。天气雷达时空分辨率高、观测更新快，能够连续反映降水系统的组织结构和演变过程，是开展强对流天气临近预报的重要观测手段。然而，现有人工智能雷达回波外推方法多采用固定空间关系，难以适应降水单体在移动、发展、合并、分裂及消散过程中的动态关联变化，随着预报时效延长，预测结果容易出现强回波衰减、位置偏移、边界模糊和局地结构失真。针对上述问题，本文提出动态图双流卷积注意力网络（DG-DCAN）。该方法将降水观测区域表示为图结构，以连续天气雷达回波序列为输入，通过空间流和时间流分别提取不同降水区域之间的空间关联特征及回波随时间演变的动态特征。在空间流中，设计动态结构学习机制，根据当前回波特征自适应更新区域节点之间的连接权重，使图结构随降水单体的位置、强度和形态变化动态调整；同时在图注意力框架下直接处理高维时空张量，减少传统特征展平对回波内部空间结构的破坏。在时间流中，引入频域注意力机制，对不同频率分量进行自适应加权，以联合表征降水带持续移动、范围扩展等相对平稳的演变过程，以及局地对流快速增强、减弱和结构突变等短时变化。进一步采用门控融合机制，动态协调空间流与时间流的信息贡献，并结合深度可分离卷积增强局地回波特征表达。基于SEVIR和Shanghai-2020数据集开展对比试验，采用MAE、MAPE、RMSE和TS等指标，并结合不同预报时效、典型天气过程和消融试验进行综合评价。结果表明，DG-DCAN在两个数据集上总体取得最优或具有竞争力的预测结果。在Shanghai-2020数据集上，与REMNet相比，DG-DCAN在1 h预报中的MAE和RMSE分别降低约7.9%和9.7%，在2 h预报中分别降低约10.7%和13.1%，在3 h预报中的RMSE降低约18.8%。典型强对流个例表明，该模型能够较好保持主要回波带的移动趋势、局地强回波核心、边界轮廓以及不同降水单体之间的相对空间关系，并减缓中后期预报中的过度平滑、强度衰减和不合理扩散。消融试验进一步验证了动态图结构学习、频域注意力和门控融合机制的有效性。研究结果表明，DG-DCAN增强了人工智能模型对中小尺度降水系统动态空间联系和多时间尺度演变特征的联合表征能力，可为基于天气雷达监测资料的灾害性强降水临近预报提供新的技术路径，并为人工智能方法在灾害天气监测预报中的业务应用提供参考。
 

灾害性强降水；临近预报；雷达回波；动态图学习；双流注意力；人工智能