摘要：针对雷达组合反射率（Composite Reflectivity，CR）临近预报中长时效回波强度明显偏弱、局地突发性强对流预报能力不足等问题，本文基于浙江省2022—2025年强对流过程的CR观测资料和欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts，ECMWF）数值预报资料，构建了AWMAE–SSIM联合损失函数（AS）。该损失函数由基于强度偏差（BIAS）反馈的自适应加权平均绝对误差（Intensity-BIAS-Feedback Adaptive Weighted Mean Absolute Error，AWMAE）损失和结构相似性（Structural Similarity Index Measure，SSIM）损失组成。在此基础上，依托SimVPv2模型框架，对比分析了仅以历史CR序列为输入的基准模型（Radar Model，RM）与进一步引入ECMWF多变量环境场的多源融合模型（ECMWF Radar Model，ERM）对0—3 h CR的预报效果。同时，在保持输入配置一致的条件下，对SimVPv2与引导扩散模型（Guided Diffusion，GD）的预报性能进行了比较。结果表明，GD能够生成更丰富的CR纹理和更精细的对流结构，但其临界成功指数（Threat Score，TS）总体低于SimVPv2。此外，GD对输入场中的杂波较为敏感，容易使非气象反射率信号随预报时效延长而持续传播，并逐渐演变为虚假的对流反射率结构。相比之下，SimVPv2在TS和BIAS指标上总体占优，但对局地精细结构的预报能力弱于GD。ECMWF环境信息的引入增强了模型对CR生消的预报能力，其增益具有显著的时效依赖性。在0—30 min时效内，ERM在20—45 dBZ和55—70 dBZ区间的预报效果略差于RM，在45—55 dBZ区间与RM接近；在30—60 min时效内，ERM在三个强度区间的预报效果均与RM接近；在60—90 min时效内，ERM在20—45、45—55和55—70 dBZ区间均略优于RM；在90 min以后，ERM在20—45 dBZ和55—70 dBZ区间显著优于RM，在45—55 dBZ区间略优于RM，其中在55—65 dBZ区间的优势最为显著。AWMAE能够根据验证集中不同CR阈值对应的BIAS反馈，自适应调整损失权重，推动全时效平均BIAS向预设的1～2目标区间收敛，同时兼顾TS的提升，从而显著降低对人工调参的依赖。SSIM损失能够有效缓解预测CR场的模糊现象，改善CR边界、空间连续性和局地结构，并同步提升TS和SSIM指标。进一步对不同预报时效下ECMWF变量与未来CR场之间Pearson相关系数的绝对值进行加权统计，发现在水汽、热力和动力三类环境因子中，水汽因子的总体相关性最高，热力因子次之，动力因子相对较低。单变量中，500 hPa相对湿度与未来CR场的相关系数最高，为0.267；其后依次为3 h模式降水、700 hPa相对湿度、850 hPa相对湿度、700 hPa比湿和整层可降水量，相关系数分别为0.236、0.206、0.185、0.176和0.161。

临近预报,深度学习,扩散模型,数值模式,损失函数