雷达回波外推是强对流天气临近预报的核心技术，也是民航运行中雷雨、大风等危险天气预警的关键支撑手段。当前大量深度学习雷达回波外推模型，如 SAM‑ConvLSTM、ConvLSTM、PredRNN 等，主要以雷达拼图图像作为唯一输入数据源，依靠历史回波序列推演未来对流演变，在回波生消突变、局地小尺度对流预报上仍存在局限。针对该现状，行业研究可探索将民航常规气象报文 METAR/TAF 融入深度学习外推框架，弥补纯雷达图像建模的短板，为民航场景下短临对流预报提供新的技术思路。 

　　一、现有雷达回波外推模型在民航应用场景的现实短板 

　　以 SAM-ConvLSTM 为代表的时空深度学习模型，通过卷积循环单元融合自注意力记忆模块，有效提升雷达回波外推的 CSI、POD等指标，改善强回波预测精度、缓解长时外推恶劣天气模糊问题。但该类模型输入完全依赖雷达回波图像数据，面向民航机场及终端区业务使用时仍存在固有局限： 

　　1. 雷达观测存在物理局限性：雷达会受地形遮挡、地物杂波、雷达盲区、电磁干扰影响，部分机场关键区域会出现回波缺失、失真，仅依靠图像序列，无法获知机场真实气象实况； 

　　2. 只捕捉回波形态演变，缺少站点真实观测约束：雷达回波只能间接反演降水、对流强度，不能直接表征机场跑道层面的风向、风速、能见度、雷暴发生实况。对流云团移动到机场上空，是否真正产生雷雨、强阵风，纯图像模型难以精准判别； 

　　3. 缺少预报员积累的文本预报先验信息：现有模型没有利用民航业务成熟的预报产出。METAR 实况报文、TAF 机场预报报文，包含机场实时观测、官方发布的未来时段天气趋势，纯图像深度学习模型无法利用这部分业务沉淀信息。 

　　在民航运行场景，预报重要的是机场及终端区的实际天气，而不只是雷达图像推演，仅仅依靠雷达图像外推，容易出现图像预测有强回波而机场并未出现雷雨或者局部快速新生对流而雷达序列尚未充分体现的预测错判。 

　　二、引入 METAR 与 TAF 报文的融合建模技术思路 

　　METAR 为机场气象实况报文，提供机场站点的实时风场、能见度、天气现象（雷暴、阵雨、大风等）；TAF 是机场定时发布的预报报文，给出未来数小时机场预期风向风速、天气现象变化。两类报文是民航运行必备数据源，数据标准化、可实时获取，适合作为辅助信息接入雷达回波外推模型。 

　　融合建模技术思路1：METAR 实况报文作为条件特征输入 

　　METAR 属于时序结构化实况数据，可提取机场及周边站点的天气现象编码、风速风向、能见度、温度等关键气象信息，做数值编码与归一化处理，构建低维时序特征向量。将该组时序特征，作为条件侧信息，和雷达图像序列共同输入 SAM‑ConvLSTM 这类编码器‑解码器模型： 

　　在编码器阶段，雷达图像信息继续完成空间回波特征提取； 

　　METAR 结构化报文信息通过一维时序网络 / 嵌入层，将文本解析后的实况要素映射成特征向量； 

　　在 SAM‑ConvLSTM 循环单元内部或者编码器多尺度特征层，实现图像时空特征与报文实况特征的特征拼接、门控融合。 

　　当雷达存在遮挡、杂波，或者机场已经观测到雷暴，即使雷达图像信号不够充分，模型也可以利用站点真实观测，约束回波外推走向，减少图像外推和机场实况不符，强化机场重点区域对流生消的判别能力，适合机场终端区的定点短临预报优化。 

　　融合建模技术2：TAF 预报报文作为先验引导信息 

　　TAF 报文包含预报员输出的未来机场天气演变趋势，可以解析 TAF 中的天气现象变化时间节点、预期风场变化，转为时序标签/条件先验。 

　　融合方式分为两种： 

　　软约束方式：把 TAF 解析后的预报先验作为模型条件输入，和雷达图像一起训练，让深度学习模型学习雷达回波外推与业务预报先验之间的映射关系； 

　　损失正则约束方式：不直接参与前向推理，在损失函数层面增加正则项，使模型外推得到的机场区域回波推演结果，与TAF 报文给出的天气趋势保持一致，把成熟业务预报经验作为模型训练的弱监督信息。 

　　TAF 是生成预报，本身会存在预报偏差，不建议直接当作真值标签，更适合做先验引导、正则约束，而不是强制真值。 

　　融合建模技术3：METAR+TAF 双报文联合输入 

　　同时利用 METAR 的实况信息和 TAF 的预报信息，两条报文特征分支并行，分别提供站点实时状态、未来天气趋势，和雷达图像的时空特征做多模态融合。一方面用真实观测修正雷达观测偏差，另一方面用业务预报先验降低长时外推的发散模糊，进一步改善机场重点区域雷雨等危险天气预测效果。 

　　三、落地研究需要注意的关键问题 

　　1. 时空对齐是基础：METAR、TAF 是围绕机场的离散时间报文，雷达是二维面图像。训练数据集需要完成时间戳对齐、空间映射，把报文信息对应到雷达图的机场像素位置，解决点数据和面雷达图像的数据维度差异； 

　　2. 报文非数值信息解析处理：报文是文本编码，雷暴 TS、阵雨 RA、变风组等符号需要标准化解析、编码，不能直接把原始文本输入网络；缺失报文时要设计掩码机制，保证模型依然可以仅依靠雷达图像完成推理，保障业务鲁棒性； 

　　3. 数据集样本不均衡问题：大部分 METAR 报文是晴好天气，雷雨危险报文样本占比少。在模型训练时，需要和现有雷达外推任务一样，针对危险天气样本做加权损失，避免报文特征被大量晴好样本淹没； 

　　4. 业务实用性优先：融合 METAR/TAF 之后，不能过度增加推理时延。民航短临预报对实时性有硬性要求，在设计多模态融合模块时，需要控制参数量、推理开销，保障满足业务运行时效。 

　　四、行业价值与展望 

　　现有 SAM‑ConvLSTM 等基于雷达图像的深度学习外推模型，在回波形态预测层面已经取得不错效果，但面向民航业务，模型输出最终服务于机场运行决策，需要兼顾雷达回波图像外推与机场真实天气状态。 

　　将民航成熟的METAR 实况、TAF 预报报文引入雷达回波外推模型，属于多模态条件短临预报新思路，不需要新增观测设备，复用民航已有的业务报文资源。通过点站点报文观测约束雷达图像外推，改善机场终端区雷雨的漏报、空报，缓解长时外推图像模糊，让模型输出结果更贴合民航实际运行关注的跑道、终端区天气，为机场危险天气短临预警提供一条低成本的改进方向，可供气象算法研究者、民航业务部门开展后续试验验证。（作者：杨文东，系中国民航高质量发展研究中心专家）（编辑：李季威 校对：张彤 审核：韩磊）