降水临近预报是短时强降水监测预警与防灾减灾的重要技术支撑，提升其预报精度与时效对于有效防范短时强降水引发的次生灾害具有重要科学研究与应用价值。近年来，基于深度学习的雷达回波外推方法已逐渐成为该领域的重要研究方向，但在降水临近预报过程中仍存在一些问题亟待解决：一方面，现有方法主要依赖天气雷达的回波反射率开展外推，难以充分利用多源观测资料，实现不同资料的互补，而现有多源数据融合的方法主要以插值与重采样方式实现异构数据的对齐和融合，当时空分辨率存在差异时易造成信息丢失并引入额外误差。另一方面，现有回波外推方法大多仅预测未来反射率因子，再通过经验性Z-R关系估算降水，难以适应不同降水类型和环境条件，经验关系容易产生系统性偏差。
       为此，本文聚焦于未来0-3小时降水强度及其空间分布的预测，以雷达组合反射率与地面气象站点逐小时降水观测为多源输入，针对现有降水临近预报方法在多源异构数据融合建模方面存在的数据时空对齐与融合难题，提出一种基于多任务连续核卷积的多源融合降水临近预报。该方法以雷达和地面观测等多源异构数据为输入，通过神经网络学习二维空间连续的卷积核函数，从而能自适应任意空间分布输入数据，并在连续空间位置上通过卷积提取特征，实现统一空间的多源异构数据的融合，避免了插值或重采样带来的信息损失和额外误差；方法构建了多任务学习框架，设计联合损失函数同时对雷达回波外推与地面降水预报进行端到端联合优化，避免外推后采用传统Z-R经验关系带来的系统性偏差，提高降水临近预报的准确性。实验结果表明，该模型在六个降水等级的CSI和HSS预报性能均优于对比方法，在强降水事件捕捉方面优势尤为突出，验证了所提多源数据融合机制与多任务联合优化框架的有效性，对提升降水临近预报精度、有效实现多源异构数据融合具有较强的理论意义与业务应用潜力。

 

短时强降水；临近预报；连续核卷积