南大雷达气象团队又一重大突破！融合三维双偏振雷达信息与物理约束，深度学习强对流临近预报研究获重要突破

针对上述挑战，南京大学雷达气象团队在前期研究中，创新性地提出了融合二维双偏振变量（KDP和ZDR）的深度学习模型FURENet，利用其提供的微物理信息，显著提升了对流初生和组织化的预报能力，成果发表于《Geophysical Research Letters》 (Pan et al., 2021)。

在此基础之上，团队潘翔博士进一步研发了新一代强对流临近预报模型——FURECast。该研究首次将三维双偏振雷达数据（ZH, ZDR, KDP）与物理自洽性约束引入深度学习框架。模型通过编码-演变-解码结构，有效提取1km、3km和7km高度层的风暴垂直结构信息，捕捉上升气流、风切变等关键动力特征。更重要的是，研究基于雨滴谱数据重新拟合了双偏振变量间的自洽性关系，并将其作为物理损失函数加入模型训练，确保预报结果不仅在统计上准确，更在微物理过程上符合物理规律（图1）。

基于广东S波段双偏振雷达数据集（GD-SPOL）的定量评估表明，FURECast在30、60和90分钟预报时效内，对强对流区域（35 dBZ）的预报评分（CSI）相比传统方法分别提升了6.6%、9.9%和14.1%。同时，模型输出的物理一致性偏差降低了两个数量级（图2）。对深圳“4.11”极端暴雨个例的预报显示，FURECast成功捕捉了弓状回波的形成过程，表现显著优于现有模型。