[目的] 短时强降水（SDHR）因其极强的突发性与非线性特征，是精细化分级预报的难点。现有深度学习模型在主雨带空间连续性、量级预报技巧以及地理环境自适应性方面仍存在瓶颈。[资料和方法] 本研究以湖南省为试验区，基于2017—2025年雷达组合反射率、自动气象站逐时降水及多尺度地形特征（高度、梯度、曲率）构建高分辨率时空数据集，提出一种面向分级预报的多源信息融合网络——FusionTempoNet (FTNet)。模型通过双流残差GRU架构协同表征对流系统的形态演变与地表降水强度特征；在解码阶段显式引入地形高度、梯度与曲率作为空间先验约束，以辅助修正预报场的空间分布；同时集成有序Dice损失（ORDiceLoss）优化等级间的序数逻辑，从训练机制上缓解极端样本稀疏导致的预报偏弱问题。[结果] 基于2025年独立测试集的评估结果显示：FTNet在1–3 h分级预报中表现出显著的稳健性。针对超过20 mm/h的关键降水等级，FTNet的TS评分较PredRNN++、PhyDNet等经典模型有跨越式提升；与国家级AI业务大模型“风雷”相比，FTNet在强降水等级中心定位的稳定性及高量级预报技巧（ME）上展现出明显优势。 [结论] 实验表明，FTNet通过整合多源观测时空特征与地理空间约束，有效改善了分级预报中的量级偏差与落区偏移。本研究证明了引入空间先验信息与有序损失机制对提升强降水客观分级预报技巧的重要性，可为构建具备物理鲁棒性的临近预报模型提供科学参考。
 

短时强降水 深度学习 分级预报 多源时空融合 地形约束