针对突发性强降雨对城市安全和基础设施的严重威胁，日本研究团队利用新一代多参数X波段相控阵天气雷达（MP-PAWR）与四维人工智能神经网络（ANN4D）技术，构建了全球首个可实现10分钟提前量的强降雨实时临近预报系统。该系统旨在突破传统雷达时空分辨率不足的瓶颈，解决对流风暴垂直快速发展难以预测的核心难题，并通过智能手机应用向公众发布预警，为防灾减灾提供关键时间窗口。
创新方法：高分辨率雷达数据驱动ANN4D模型+虚假特征校正算法
系统整合埼玉、大阪和神户三部MP-PAWR的高密度四维观测数据（30秒内完成100+仰角扫描），将雷达反射率和差分反射率输入ANN4D模型。该模型经过2020年埼玉夏季数据训练，在1.875 km高度生成0.4 km分辨率的10分钟降水预报。针对模型在晴空区域易产生虚假降雨的问题，研究者首创噪声扰动校正机制：通过叠加随机噪声生成辅助预报图，结合布尔掩码识别并消除伪影，显著提升预报准确性。同时以传统TREC4D模型（基于三维运动矢量追踪）作为基准进行对比评估。
核心成果：泛化能力验证与双模型互补优势。
系统在2024年新站点（大阪、神户）展现强泛化性，预报性能与训练区域（埼玉）基本一致。虚假降雨校正算法使误报率（FAR）降低0.1-0.2，临界成功指数（CSI）提升0.1-0.2。关键发现包括：① ANN4D在降雨初生期表现优异，成功预测传统模型遗漏的对流单体；② TREC4D在成熟暴雨区更精准，其运动矢量追踪能力在强降雨持续期占优；③ ANN4D因分析高度下限限制，对近地生成的暴雨存在6-8分钟延迟。
转型价值：迈向多源融合的下一代预警体系，该研究首次证实ANN4D模型可跨年度、跨区域稳定运行，为城市突发强降雨预警提供可扩展技术范式。未来将聚焦四大突破：① 融合ANN4D与TREC4D构建混合模型，发挥其在暴雨不同发展阶段的互补优势；② 将分析高度扩展至0.5-10 km以捕获低空对流触发；③ 引入MP-PAWR的差分相移率抵抗衰减影响；④ 整合静止卫星数据（如HIMAWARI）提升弱信号时期的预测能力，目标将预报时效延长至10分钟以上。
本期文章：Baron, Philippe, et al. "Real-Time Nowcasting of Sudden Heavy RainfallUsing Artificial Neural Network and Multi-Parameter Phased Array Radar." SOLA 21 (2025): 319-328.
