雷达回波短临预报是强天气预警的核心，但由于缺乏热动力学状态变量以及流体剧烈的非刚体形变，传统深度学习模型在预测对流生消时面临本质瓶颈，且极易在欧拉网格下陷入平流预测主导的虚假评分与回归均值导致的图像模糊。为系统性破解这一难题，研究阐述了从“多模态信息融合”到“拉格朗日范式”的对流短临可预报性探源路线。路线第一阶段提出多模态注意力引导生成网络（MAG-Net），针对雷达动力学信息源的局限，有机融合静止卫星关键热红外与水汽通道，通过可解释性集成梯度分析证实了卫星热动力学前兆信息对延展 30 分钟以上强对流预报时效的决定性作用，并通过梯度保持融合（GPF）策略提升高频纹理留存。路线第二阶段实现范式升级，摒弃全网格像素外推，构建拉格朗日目标诊断框架。该框架将非刚体对流解耦为离散的时空演化对象，利用概率分类场与对流生命周期双向协同约束，指导局部条件生成对抗网络（cGAN）在边界框内进行不确定性锐化重建。

人工智能，短临预报，雷达外推，中尺度对流系统，生成对抗网络