短时强降水（≥20mm·h⁻¹）因其爆发性强、致灾风险高，一直是气象预报中的难点。湖南省地处副热带季风区，受复杂地形与低空急流影响，0–3小时内的对流性降水频发且强度大 。传统的雷达外推方法（如pySTEPS）在超过1小时后因忽略生消项导致误差激增，而数值模式在短时间内存在spin-up盲区，难以满足业务需求 。近年来，深度学习模型虽在捕捉非线性演变方面展现潜力，但大多仅依赖雷达单源数据，在极端雨强预报中存在显著空报或强度低估 。自动气象站（AWS）的地面实况虽能提供真实的降水强度，但如何有效解决雷达与站点观测数据的异构融合及长尾分布问题，仍是当前临近预报面临的重要挑战 。
针对上述问题，本研究提出了一种基于U-Net的双编码器降水临近预报模型（Unt-2encoder），并引入时序模块与多阈值偏差损失进行优化 。模型采用双编码器结构，分别为雷达反射率序列（过去2小时，12分钟间隔）和地面降水实况（过去2小时，逐小时累积）提供独立的特征提取路径。这种设计避免了简单通道堆叠带来的信息丢失与伪梯度干扰，能够在下采样过程中学习每种数据源独特的空间模式。为增强对降水系统演变的模拟，本研究将ConvGRU模块集成到双编码器路径中，构建了ConvGRU-UNet-2Encoder模型 。该模块通过卷积操作替代矩阵乘法，使模型能以自回归方式逐步处理序列，并在不同分辨率下记忆时空特征。针对降水数据的长尾分布特性，本研究设计了Weighted_mse_mae_bias损失函数。通过动态提高强降水样本（如>0.5归一化值，权重设为30）的惩罚权重，并引入基于偏差得分（Bias-Score）的惩罚项，旨在同步抑制极端降水预报中的高估与低估现象 。
研究选取湖南省及周边区域（108.3°E-114.7°E, 24.3°N-30.7°N）为目标区，利用2019-2025年的雷达三维拼图（1km分辨率）及1913个自动站降水资料开展实验 。通过反距离加权插值生成匹配的网格化降水场 。实验对比了仅雷达输入、简单通道叠加以及双编码器等不同架构在20mm/h和50mm/h阈值下的性能。
实验结果显示，引入地面降水实况后模型性能大幅提升，在20mm阈值下平均TS评分提升约0.15 。UNet-2Encoder的双编码器结构在20mm阈值下相比简单拼接模型，TS评分平均进一步提升了0.02。Weighted_mse_mae_bias损失函数在50mm暴雨阈值上展现出明显优势，有效抑制了系统性空报，使Bias评分更趋近于1，预报命中数与实际观测更为接近。在梅雨锋系统和台风“格美”大范围对流性降水过程中，模型对主要雨带的宏观分布具有较强预报技巧 。特别是在台风个例中，ConvGRU模型在预测强降水中心的持续性方面表现更优 。然而，对于小尺度、快速发展的午后热对流，模型仍存在预报时效短、量级低估及图像过度平滑的局限性 。
本研究证明了多模态数据融合与双编码器架构在短时强降水预报中的优越性。通过优化损失函数，模型在应对极端降水事件时展现出更高的保真度 。研究成果对于提升湖南及类似地形复杂区域的防汛抗灾预警能力、应对极端天气挑战具有重要的业务实用价值与科学意义 。


 

短时强降水；临近预报；多源融合；U-Net；双编码器；湖南