如何充分利用连续雷达体扫所包含的回波演变信息，是提高对流性降水定量估计精度的关键问题。传统反射率—雨强关系难以稳定描述快速变化的降水微物理过程，而将多时次雷达资料压缩为二维输入的深度学习方法，也可能损失体扫之间的时间联系。针对上述问题，本文构建一种面向双偏振雷达小时降水估计的三维时空特征融合网络3DHybrid-QPENet，通过联合提取连续体扫、双偏振参量及局地回波形态特征，提高复杂对流天气条件下的降水估计能力。
        研究采用广州S波段双偏振天气雷达和自动气象站逐小时降水观测资料。研究范围覆盖雷达周边100 km区域，共使用1353个国家级和区域自动雨量站。经过非气象回波剔除、偏振参量质量控制和雷达—雨量站时空匹配，从2018—2021年资料中获得3 009 277个有效样本。每个样本包含目标时刻前1 h内连续10次0.5°仰角扫描的水平反射率ZH、差分反射率ZDR和比差分相移KDP，并提取以雨量站为中心的21×21像元邻域，构成通道、时间和二维空间共同组成的四维输入张量。2021年5月的全部有效样本不参与模型训练，单独用于独立测试。

为检验不同信息组织方式的影响，试验设置二维卷积基线、三维卷积基线和三维时空特征融合网络。二维模型首先对连续体扫进行时间平均，三维模型则直接保留完整体扫序列，以同步提取偏振变量、回波空间结构和扫描间变化特征。在此基础上，3DHybrid-QPENet采用三维卷积编码器—解码器提取和恢复多尺度空间信息，通过跳跃连接保留不同层次的局地回波结构，并利用独立的时间表征分支刻画扫描间演变，最终将时间特征与多尺度空间特征融合后完成1 h累积降水回归。

        独立测试结果显示，将二维时间平均输入替换为完整三维体扫序列后，模型平均绝对误差（MAE）由1.81 mm降低至1.64 mm，均方根误差（RMSE）由3.96 mm降低至3.74 mm，相关系数（CC）由0.78提高至0.82，表明连续体扫能够提供有效的降水演变信息。加入时间表征和多尺度空间特征融合结构后，3DHybrid-QPENet的MAE和RMSE进一步降低至1.44 mm和3.38 mm，较三维基线分别改善12.5%和9.5%，CC提高至0.86。对于小时雨量超过50 mm的样本，MAE和RMSE较三维基线分别降低10.2%和9.6%，说明所提结构对强降水估计同样具有改善作用。

         在两次独立强降水过程中，3DHybrid-QPENet均获得了低于滚动更新Z–R方法及二维、三维基线网络的MAE和RMSE，并取得最高CC。与滚动更新Z–R方法相比，两次过程的MAE分别降低33.1%和34.3%，RMSE分别降低30.8%和31.3%。空间分布结果表明，所提模型能够更合理地再现局地强降水中心及雨带形态。研究说明，三维体扫表征与时空特征融合能够有效提升双偏振雷达小时降水估计性能，但对极端雨强仍存在一定低估，后续需要利用更多独立强降水过程开展模型校准和业务适用性检验。