基于多模态融合的强对流时空生成预报技术研究
作者：孙鹏超、张亚平、崔丽曼、虞雅璠、席乐、司雨、陈云刚、苏爱芳
（北京弘象科技有限公司）
摘要
强对流天气突发性强、尺度小、演变快，提升0-3小时监测预报能力是延长预警提前量的关键。传统雷达外推依赖回波平移连续性，难以描述对流初生、快速增强和消散；多模态方法若仅拼接输入通道，未显式约束雷达与卫星特征的表征尺度、物理含义和作用方向，易产生跨模态干扰；递归式逐帧预测误差随时效累积，造成后期回波强度衰减、边界扩散和结构细节丢失。
针对上述问题，研究构建MM-STNet，融合雷达、静止气象卫星和地形等“天空地”信息，以过去1小时序列并行预测未来0—3小时雷达回波，为强对流落区、强度及趋势研判提供依据。关键技术与创新如下：
多源数据协同感知：对雷达、卫星和地形数据进行质量控制、投影转换与时空配准；采用“以大报小”的区域设计，将上游环境与外部回波纳入感知范围，增强强回波移入及地形抬升触发的识别能力。
主从式跨模态特征调制：双流编码器分别提取雷达纹理和卫星云环境特征，以雷达为主、卫星为条件，由卫星生成γ和β，对雷达隐空间特征实施有界门控与加性校正，在保持回波强度和边界路径的同时补充环境先验。
细节保持的尺度变换：编码端采用PixelUnshuffle可逆像素重排，结合多尺度跳跃连接并通过PixelShuffle恢复分辨率，减少池化和插值造成的强回波边界与结构细节损失。
非递归并行时空演变：将三维卷积分解为时间卷积和空间卷积，在完整时序张量上并行提取演变规律，一次生成全部时次，降低自回归误差传播，增强长时效预测的清晰度与强度保持能力。
多时段强对流过程检验表明，在10、25、35和45 dBZ阈值下，MM-STNet的0—3小时平均TS分别为0.5808、0.4886、0.3419和0.1759，较未引入多模态特征的基线模型分别提高0.1023、0.0299、0.0186和0.0477；其中45 dBZ强回波TS相对提升37%。个例显示，模型对对流初生、强回波移动发展及外部移入过程的刻画能力明显增强。
该技术构建多源立体监测、特征融合与0-3小时滚动外推链路，可支撑触发信号识别、影响区域与趋势研判、分级预警制作及递进式服务，提升强对流监测预报的精细化、客观化和时效性。

关键词：强对流预报、雷达回波外推、多模态融合、时空预测、深度学习