DeepFusion：基于多气象模态深度融合网络的短时强降水预报

彩云科技天气算法团队在国家气象信息中心、国家气象中心、中国电信集团有限公司联合主办的 2025 “强对流天气训练数据集智能应用创新挑战活动”中，凭借自主研发的 DeepFusion 模型，在强对流降水预报专题方向中荣获第一名。本文将详细介绍 DeepFusion 模型的设计思路与技术细节。

短时强降水是影响城市安全和居民生活的重要气象灾害之一。每年夏季，突发性暴雨导致的城市内涝、交通瘫痪等问题屡见不鲜。准确预测未来 0-2 小时的降水强度，对于城市防汛决策和公众出行规划具有重要意义。

然而，短时强降水预报是一项极具挑战的任务，其主要复杂性体现在以下两方面：

1. 多源异构数据融合：降水过程涉及多种物理因素，包括大气动力条件、水汽条件、热力条件以及地形影响。这些信息分布在不同类型的数据源中（雷达、数值模式、地形数据），如何有效融合这些异构数据是核心难题。
2. 多尺度时空依赖：降水系统的演变具有显著的多尺度特性——局地对流可能仅有几公里尺度，而大范围层状云系可延伸数百公里。同时，降水的时间演变也呈现复杂的非线性特征。

图1. 彩云天气 APP 降水预报页面

传统的短临预报方法主要依赖光流外推或数值模式。光流法虽然计算效率高，但难以捕捉降水系统的生消演变；数值模式虽然具备物理基础，但存在 “spin-up” 问题导致短时效预报技巧有限，且计算量大、更新周期长（通常数小时一次），难以满足短临预报对实时性的需求。近年来，深度学习方法在降水预报领域展现出显著潜力，但现有方法大多仅利用单一数据源，未能充分挖掘多源数据的互补信息。

针对这些问题，我们提出了一种新型的短时强降水预报方法：DeepFusion。该方法通过构建多源多尺度深度融合网络，实现对雷达、降水、数值模式和地形数据的有效整合，在 0-2 小时短临预报任务中取得了优异性能。

模型设计

数据特征

降水的生成和演变过程受到多种动态因素的综合影响。我们系统性地整合了以下多源数据：

雷达数据：组合反射率是描述降水系统即时状态的核心变量，能够直接反映降水粒子的分布和强度。我们使用过去 36 分钟（6 个时间步，间隔 6 分钟）的雷达回波序列作为输入，捕捉降水系统的移动和演变趋势。

历史降水数据：历史降水强度序列为模型提供了降水演变的直接观测信息。与雷达数据类似，我们使用过去 36 分钟的逐 6 分钟降水强度作为输入，帮助模型学习降水的时间演变规律。

数值模式（NWP）数据：数值模式提供了大气环境的背景场信息，对于理解降水的物理成因至关重要。我们通过 SHAP 值分析结合气象业务经验，从原始 NWP 变量中筛选出最具预测价值的特征，涵盖动力条件（散度、风速）、水汽条件（可降水量、降水效率）等多个类别。

地形数据：地形对降水分布具有显著影响。山脉的强迫抬升作用可增强降水，而地形的阻挡效应也会影响降水系统的移动路径。我们引入海拔高度作为静态特征输入。

图2. DeepFusion 使用变量汇总

网络架构

我们设计了一种改进的 U-Net 结构，专门用于处理多源时空数据。核心设计思想是独立编码、分层融合：不同数据源通过独立编码器提取特征，再分别对同一数据源内的多变量和不同数据源之间进行融合。

图3. DeepFusion 模型整体架构

独立编码与多尺度特征提取

针对降水/雷达、NWP 和地形三类数据源，我们分别构建独立的编码通道。每个编码器内部采用多尺度特征提取器，通过逐步下采样对不同变量提取多尺度特征表示。

这种设计的核心思想在于：不同层级的特征图对应不同的感受野，浅层特征捕捉局部细节（如对流单体的精细结构），深层特征则能够感知大尺度天气背景（如锋面系统的整体形态）。

特征融合机制

多源数据的有效融合是 DeepFusion 的关键创新点，包括源内融合和跨源融合两个层面：

源内融合：对同一数据源内的不同变量（如 NWP 中的散度、风速、可降水量等），在相同尺度的特征上先进行拼接，再通过融合模块处理，提取该数据源的综合特征表示。

跨源融合：对来自不同数据源（降水/雷达、NWP、地形）的特征，同样在相同尺度上先拼接，再通过融合模块处理，整合多源互补信息。

融合模块引入通道注意力机制，动态学习各特征通道的权重，使模型能够自适应地关注对当前预测最有贡献的特征。

图4. （a）多变量多尺度特征提取与融合机制（b）注意力融合模块

解码器（Decoder）

解码器采用对称的上采样结构，通过双线性插值逐步恢复空间分辨率，并结合残差块和注意力模块进一步增强特征表达。在每个上采样阶段，通过跳跃连接（skip connection）将对应尺度的编码器特征与解码器特征拼接，保留高分辨率的细节信息。

最终输出为未来 2 小时（20 个时间步，间隔 6 分钟）的降水强度场，空间分辨率为 1km × 1km。

训练策略

数据预处理

气象数据通常存在缺失、异常等问题。我们对原始数据进行严格的质量控制，包括异常值剔除和时空插值填充。对于雷达和降水数据，采用 Min-Max 归一化；对于 NWP 数据，采用 Z-score 标准化。此外，对降水标签进行 log 变换，缓解降水分布的长尾特性。

数据增强

降水系统可以从任意方向移动，我们通过旋转和翻转等空间变换进行数据增强，提升模型的泛化能力。同时，针对强降水样本稀少的问题，采用加权采样策略，增加强降水事件的训练比重。

优化配置

• 优化器：AdamW，初始学习率 1e-4
• 学习率调度：Warmup（1000步）+ Cosine Decay
• 早停机制：基于验证集 Loss 进行早停，防止过拟合
• EMA：使用指数移动平均保存模型权重，提升预测稳定性
• 损失函数：加权 MSE + λ(1-SSIM)

实验结果

消融实验：NWP 变量的影响

为验证 NWP 变量引入的有效性及不同融合方式的影响，我们在 5% 的数据集上设计了三组对比实验：

选用的NWP输入变量包括11个直接物理量：Q1000、Q850、Q700（不同气压层比湿）、DVG200、DVG850、DVG925（不同气压层散度）、PE（降水效率）、PWAT（整层可降水量）、WS500、WS700、WS925（不同气压层风速）。

图5. NWP 变量消融实验对比：独立编码融合方案（exp_nwp2）效果最优

从实验结果可以看出：

1. NWP 变量的引入显著提升预报性能：相比于不使用 NWP（exp_nwp0），引入 NWP 变量后模型能够更好地捕捉降水系统的演变趋势。
2. 独立编码优于直接拼接：相比于直接拼接输入（exp_nwp1），采用独立编码通道后再进行特征融合的方案（exp_nwp2）在降水形态演变上与实况更为一致，特别是在强降水区域表现更优。

这一结果表明，通过独立编码通道对 NWP 变量进行结构化表征，再与雷达主干特征进行融合，可以更有效地提取其大尺度动力与环境背景信息，同时避免对雷达细尺度对流结构的干扰，从而提升整体形态一致性与物理合理性。

个例分析

以某次强对流降水过程为例，分析 DeepFusion 的预报能力：

图6. 强对流降水预报个例：主办方提供的实况与我们的预测结果（动图）

降水系统移动：模型准确预测了降水系统的移动方向和速度，与实况的空间位移高度吻合。

强度演变：模型能够捕捉降水强度的增强和减弱趋势，特别是在对流发展阶段，成功预测了强降水中心的形成。

空间分布：预测的降水空间分布与实况结构相似，SSIM 损失的引入有效保持了降水场的空间连贯性。

总结

我们提出的 DeepFusion 模型通过多气象源数据融合与多尺度特征学习，在短时强降水预报任务中取得了显著效果。实验表明：

技术创新：成功融合了雷达、降水、NWP 和地形等多源异构气象数据，通过注意力机制实现自适应的特征权重学习。

精准预测：在强对流降水预报任务中，具备较高的预报准确性。

应用价值：实现了高分辨率（1km × 1km）、高时间密度（6 分钟间隔）的 0-2 小时短临预报，对城市防汛和公众出行具有重要指导意义。

尽管 DeepFusion 取得了良好的性能，未来仍有多方面的改进方向：

强化极端事件预报：强降水事件的预报仍是主要瓶颈，可通过引入概率预报来更好地量化预报不确定性，提升极端事件的预警能力。

延长预报时效：探索 2-6 小时的短时预报，需要更好地利用 NWP 信息并建模更长程的时空依赖。

多源数据扩展：引入卫星云图、闪电定位等更多观测数据，进一步丰富模型的输入信息。

通过持续优化，DeepFusion 有望成为高效、准确的短临降水预报工具，为气象防灾减灾提供有力支撑。

关于我们

彩云科技成立于 2014 年，是国内领先的气象 AI 科技公司。旗下产品彩云天气 APP 以精准的分钟级降水预报著称，累计服务数亿用户，帮助人们更好地规划出行、应对天气变化。

彩云科技天气算法团队专注于将前沿人工智能技术应用于气象预报领域，在短临降水预报、空气质量预测、中长期天气预报等方向持续深耕。团队秉持"用 AI 让天气预报更准确"的理念，不断探索深度学习、图神经网络、多模态融合等技术在气象领域的创新应用。

如果您对气象 AI 技术感兴趣，或希望了解更多彩云科技的产品与技术，欢迎关注我们。

本文数据来源于 2025 "强对流天气训练数据集智能应用创新挑战活动"

END

声明：欢迎转载、转发。气象学家公众号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及内容、版权和其他问题，请联系小编处理。