准确的降水预报在气象学和气候研究中具有重要意义，直接影响防灾减灾、农业生产和水资源管理等领域的决策。目前，数值天气预报（NWP）是短期降水预报的核心，但受限于物理不确定性和分辨率不足，NWP通常难以准确捕捉精细的站点级降水变化。近年来，深度学习技术在降水预报中展现出巨大潜力，但现有研究在处理多个离散站点的预报时面临着严峻的“尺度错配”问题：基于网格的模型缺乏站点尺度的精度，而以站点为中心的模型又往往忽略了控制降水的大尺度大气动力学过程和复杂地形差异。
针对上述难题，中国科学院大气物理研究所刘祺博士后与夏江江副研究员（通讯作者）、中国科学院微电子研究所高兴宇研究员（通讯作者）及合作者，提出了一个面向特定离散站点的多尺度解耦Transformer降水预报大模型——SPPM-FT（Station-based Precipitation Prediction Model-Finetuned）。该研究构建了“降尺度—站点微调—可解释性分析”的三阶段创新框架。在模型架构上，研究团队创新性地将高分辨率地形特征提取与大气变量处理进行“解耦”，通过多尺度特征融合机制，使得微观地形特征（如山谷辐合、坡向和海拔梯度）能够显式地调节解码器中的降水生成过程，实现了大尺度天气环流与局地地形特征的自适应跨尺度耦合。此外，该研究所提出的三阶段范式不仅适用于气象站点降水预报，也为地球科学领域中其他具有相似特征的离散点预报问题提供了通用的方法学参考，例如水文站的水位预测、远洋航线的海洋气象预报，以及风机节点的新能源发电功率预测等。
该研究在涵盖中国2421个国家级气象观测站的数据集上进行了全面评估。研究结果表明：
① 预报精度全面提升：SPPM-FT模型在0.1至50.0 mm/3h的所有降水阈值上均超越了欧洲中期天气预报中心（ECMWF-IFS）的业务预报系统，关键指标提升幅度达9.05%~109.68%。尤其在大雨至暴雨（＞10.0 mm/3h）等级，模型有效克服了传统NWP对强降水普遍低估的系统性偏差，TS评分获得显著提升（图1）。
图1. 10.0 – 50.0 mm/h阈值下，ECMWF-IFS（左一列）、SPPM-FT（左二列）的TS评分空间分布对比，以及SPPM-FT的改进幅度（右一列）
② 深度学习“物理黑盒”解释：研究团队利用Guided Grad-CAM可解释性方法，揭示了模型在预报极端降水时的注意力机制。分析表明（图2），模型不仅关注气旋中心，还能自适应地捕捉到台风外围螺旋雨带和关键水汽输送通道。这证明了该模型能够自主学习并捕获具有明确气象物理意义的大尺度环流与局地极端降水之间的空间关系，增强了人工智能在离散点天气预报中的科学可信度。
图2. 台风“韦帕”与“利奇马”的可解释性和预报结果分析。从左到右依次为：引导梯度类激活热力图、实况、SPPM-FT预报结果，以及ECMWF-IFS预报结果
相关研究成果近期发表于期刊《IEEE Transactions on Geoscience and Remote Sensing》，得到国家重点研发计划（2024YFB4204801）、国家自然科学基金（42275158、62376264）、广东省基础与应用基础研究基金（2025B1515520004、2025A1515010928）的共同资助，以及国家重大科技基础设施“地球系统数值模拟装置”（https://cstr.cn/31134.02.EL）的技术支持。
论文信息：
Qi Liu (刘祺), Xingyu Gao (高兴宇), Wencong Cheng (程文聪), Zhuo Sun (孙卓), Ziqing Zu (祖子清), Yuchao Jin (金煜超), Weiwei Wang (王伟伟), Deming Zhao (赵得明), Jiangjiang Xia (夏江江). 2026. SPPM-FT: Multi-Scale Decoupled Transformer for Station-Specific Precipitation Forecasting. IEEE Transactions on Geoscience and Remote Sensing. doi: 10.1109/TGRS.2026.3683153
