摘要：准确的短临降雨预报对交通运输、出行、公共安全和社会经济运行在内的各种人类活动至关重要。然而，现有研究主要集中于利用当前时期的大气可降水量（Precipitable Water Vapor, PWV）和气象参数，通过非线性神经网络进行短临降雨预报，而鲜有结合气象状态时间演变和区域专家经验增强降雨预报研究。因此，本文利用知识增强学习和神经网络方法，提出了一种新型短临降雨预报框架（ExpertCast），可实现未来1-6小时的短临降雨预报。ExpertCast首先采用反向传播神经网络来模拟历史大气条件（历史4个历元的气压、温度、相对湿度、PWV和降雨量）与未来降雨之间的非线性映射关系。此外，引入知识增强学习方法来模拟气象专家的决策逻辑，自适应获取区域特定的降雨分类阈值，克服经验阈值方案适应性有限的问题，进一步提高区域短临降雨预报结果的准确性。同时，ExpertCast采用自回归预测策略，并结合多模型集成学习来降低模型随机权重初始化带来的不确定性。本文利用中国2017-2025年的91个全球导航卫星系统（Global Navigation Satellite System, GNSS）站点的逐时PWV数据及共址的气象数据，验证了ExpertCast模型的性能。统计结果表明，ExpertCast模型对未来1-6小时内降雨的TS（Threat Score，TS）评分和POD（Probability of Detection，POD）分别为0.45-0.13和0.61-0.38。与传统模型相比，ExpertCast模型对未来1-6小时降雨预报的平均TS/POD/FAR的改善率分别为16.45%/31.90%/7.41%（BPRM1）、17.14%/9.59%/20.44%（BPRM2）和22.17%/23.33%/20.55%（BPRM3）。同时，在不同降雨强度下，ExpertCast相对于传统模型的累积均方根误差改善率分别为8.17%-22.26%（BPRM1）、6.98%-22.26%（BPRM2）和5.65%-20.16%（BPRM3）。此外，在西安市泾河国家气象观测中心和临潼气象观测场进行业务测试表明，所提出的ExpertCast模型在区域适用性和预报精度方面均具有令人满意的性能和稳定性。
 

GNSS,短临降雨预报,PWV,神经网络,知识增强学习