研究背景
暴雨的混沌性和快速演变特征使得临近预报充满挑战。近年来，研究逐渐从单一的确定性或概率性方法转向结合两者的混合框架。
然而，许多现有混合模型依然是纯数据驱动的，缺乏显式的物理先验约束，导致其物理一致性和泛化能力有限，尤其在极端降水情境下表现不足。
核心创新
物理先验表征
基于偏微分方程（PDE）构建门控卷积单元，将物理定律融入深度学习架构，确保预测的物理一致性
确定性预测模块
利用多层PDEGiU解码器生成物理一致的预测结果，捕捉大尺度降水演变特征
扩散校正网络
在物理感知的隐状态条件下建模残差不确定性，细化局地结构，提升预测精度
方法框架
STEP 1 暴雨先验表征网络
采用编码器-解码器结构的自编码器，通过PDE引导的门控卷积单元（PDEGiU）编码雷达观测与降水数据为多层时空特征表征
STEP 2 先验引导的确定性预测
通过时空相似性聚合历史事件先验，利用多层PDEGiU解码器递归生成未来降水场，并施加时空相干性损失确保物理一致性
STEP 3 先验控制的扩散校正
针对每个预报时效训练独立的扩散模型，基于先验表征和确定性预测，通过去噪扩散概率模型逐帧校正残差误差
实验结果
性能指标
逐时效表现
消融实验
| 模型配置 | Total CSI | 性能变化 |
|---|---|---|
| 完整模型 | 0.235 | 基准 |
| 去除扩散模块 | 0.212 | -9.8% |
| 去除物理先验 | 0.194 | -17.4% |
| 端到端训练 | 0.218 | -7.2% |
关键发现：物理先验表征是实现物理一致且高精度降水预报的核心要素，其移除导致性能下降最为显著（-17.4%）