低空湍流具有突发性强、时空尺度小及受边界层状态影响显著等特点，准确预报湍流动能耗散率ε对低空飞行安全和精细化边界层监测具有重要意义。本文利用2024年风廓线雷达6 min观测与160 m风塔高频风速资料，经质量控制、时间匹配和特征构建，建立包含风速、风矢量、垂直速度、折射率结构常数、垂直风切变、风梯度、谱宽、信噪比及垂直速度方差等14个因子的样本集，并提出物理引导Transformer（Physics-Guided Transformer，PGT）模型，根据连续5个6 min时次的观测预测后续30 min的160 m湍流动能耗散率。PGT由时序、统计和物理三个分支组成：时序分支通过特征门控、深度可分离一维卷积、三层Transformer编码器和注意力池化提取局地变化与长程依赖；统计分支表征窗口均值、标准差、末值及变化趋势；物理分支引入谱宽立方、垂直速度方差的3/2次方和切变生产项，并通过非负机制权重和正增益约束参与融合。为降低时间泄漏和随机初始化的影响，研究采用独立时序测试、2024年6—12月扩展窗口滚动验证以及四季等训练规模的连续时间块交叉验证，所有标准化参数均仅由训练集估计；独立测试以5个随机种子重复训练，滚动与季节验证采用3个随机种子集合。独立时序测试中，PGT取得R=0.751、MAE=0.368和RMSE=0.518，三项指标均优于RF、ExtraTrees、HistGB、MLP、LSTM、GRU和普通Transformer。6—12月滚动验证的合并相关系数为0.868，逐月宏平均R、MAE和RMSE分别为0.806、0.399和0.574；当ε≥10⁻² m² s⁻³定义为强湍流事件时，探测率、F1评分和虚警率分别为0.822、0.836和0.149。季节控制实验获得11 947个完全样本外预测，总体R=0.820、MAE=0.453、RMSE=0.644、Bias=-0.004；春季和夏季相关系数分别达到0.829和0.825，冬季降至0.701，表明稳定层结、弱信号和强事件低基率仍会限制模型性能。结果表明，PGT能够较稳定地跟踪耗散率变化并兼顾连续值预测、事件识别和物理可解释性，可为160 m低空湍流短临预警提供技术基础；但对少数突发强湍流峰值仍存在平滑和低估，后续需通过跨年份外推、天气形势分层和极端事件针对性训练进一步检验其业务泛化能力。

风廓线雷达；湍流动能耗散率；物理引导深度学习；Transformer；短临预警；时间滚动验证