强对流天气因其演变迅速、非线性强，0–2小时临近预报是气象领域的关键难点。传统方法多依赖雷达反射率因子外推，难以捕捉对流生消演变过程；现有深度学习模型亦多限于单一变量，缺乏微物理与动力结构信息，预报精度与物理一致性不足。本研究基于双偏振雷达观测数据，系统构建融合多变量信息与物理约束的深度学习临近预报框架。首先，提出多模态高维融合模型FURENet，结合双偏振变量（K_DP、Z_DR）与注意力机制，显著提升对流初生与组织化预报能力，强对流CSI预报评分提升10%以上。其次，发展三维多变量预报模型FURECast，引入自洽性物理损失函数，增强长时效预报的物理一致性与准确度。进一步，构建物理引导的生成式预报框架RainCast，结合神经微分算子（Neural ODE）与扩散模型，利用流场、涡度、散度等动力特征引导生成过程，有效缓解生成式预报的随机性问题，显著提升多尺度对流结构精细度，强对流邻域CSI提升36%以上，FVD视频感知距离降低76%。多组定量评估与个例分析表明，所提方法在强对流区域预报评分、结构相似度等指标上均显著优于现有方法。研究成果为深度学习融合物理信息实现高精度、高一致性临近预报提供了新路径。
 

强对流临近预报；,双偏振雷达,深度学习,物理约束,生成式模型