第八届全国中尺度气象学研讨会

强对流天气的0至1小时临近预报是气象业务预报中的难点。本文基于浙江省及其周边的高分辨率气象资料（水平分辨率3千米，时间分辨率10分钟），对该区域未来0-1小时的强对流雷达回波预测，设计了基于深度学习的两阶段预测模型：先进行强对流潜势预报，再进行强对流演变预测。最后，将本深度学习模型与业务广泛应用的光流外推法及多种基准模型进行比较和评估，得到以下主要结论：
（1）在处理强对流样本不均衡问题时，对比学习策略虽然短时效预测精度低于基线模型，但随着预测时长增加，其长时效预测能力优于基线，体现了对比学习在时间维度上对类别不均衡问题的非对称影响。
（2）本研究搭建的两阶段训练模型，预测效果优于单一阶段训练的模型，尤其是在第一阶段采用对比学习训练策略后，模型在中长时效（30–60分钟）上的性能衰减更加平缓，体现出对比学习能增强对少样本强对流事件的长程特征泛化能力。
（3）本研究提出的深度学习模型，在20分钟以内的短时效上略逊于业务所用的光流法，但在20–60分钟的中长时效上凭借对非线性演变规律的学习能力展现出明显优势，显示出本模型在中长时效雷达回波预测上具有一定适用价值。
本研究明确了对比学习在强对流雷达回波预测中的适用性，为构建优势互补的强对流临近预报模型提供了科学依据。
 

强对流；临近预报；对比学习；深度学习