1.一种基于雷达图像与再分析数据融合的短时降水预测方法，其特征在于，包括以下步骤：（1）采集连续时次的雷达图像与再分析数据，通过空间插值、时间对齐及标准化处理生成统一网格格式的输入数据；

（2）利用双通道编码器分别提取雷达图像和再分析数据的时空特征，并通过通道注意力机制进行加权融合，生成融合特征张量；

（3）将融合特征输入卷积长短期记忆神经网络ConvLSTM，建模降水系统的时空演化过程，输出未来0‑3小时的初步降水预测图像；

（4）构建残差学习网络，基于历史残差和观测信息对初步预测结果进行偏差修正；

（5）当雷达图像输入缺失时，通过替代特征生成模块维持输入结构完整性；

（6）生成未来0‑3小时降水强度图像或概率图，并适配业务系统接口输出。

2.根据权利要求1所述一种基于雷达图像与再分析数据融合的短时降水预测方法，其特征在于，步骤（1）中，雷达图像包括反射率Z、差分反射率 、比相位 及径向速度V，时间分辨率为6‑10分钟，空间分辨率为0.5 km×0.5 km或1 km×1 km； 再分析数据包括温度T、相对湿度RH、水平风速U, V及位势高度 ，时间分辨率为1小时，空间分辨率为0.25°×

0.25°，经双线性插值对齐至雷达图像网格。

3.根据权利要求1所述一种基于雷达图像与再分析数据融合的短时降水预测方法，其特征在于，步骤（2）中，双通道编码器包括：雷达图像编码器和再分析变量编码器；雷达图像编码器为三层卷积神经网络，通道数依次为32→64→64，激活函数为ReLU；再分析变量编码器采用1×1卷积与全连接结构，保持变量通道独立性，输出通道数为64；通道注意力权重为可学习参数，融合公式为：；

其中， 为可学习通道注意力权重，依据输入特征的重要性自适应分配融合比例。

4.根据权利要求3所述一种基于雷达图像与再分析数据融合的短时降水预测方法，其特征在于，再分析变量编码器对每个气压层850hPa、700hPa、500hPa的变量独立编码后拼接，经上采样至雷达图像分辨率。

5.根据权利要求1所述一种基于雷达图像与再分析数据融合的短时降水预测方法，其特征在于，步骤（3）中，ConvLSTM为两层堆叠结构，输入通道数为64，输出通道数为64，卷积核大小为3×3，步长为1，激活函数为Tanh和Sigmoid；时序建模模块采用并行多步解码机制，通过两层卷积网络即3×3卷积核和1×1卷积核生成未来18帧降水图像，时间间隔为10分钟，输出尺寸为H×W。

6.根据权利要求5所述一种基于雷达图像与再分析数据融合的短时降水预测方法，其特征在于，ConvLSTM单元在训练阶段启用Dropout机制，推理阶段关闭。

7.根据权利要求1所述一种基于雷达图像与再分析数据融合的短时降水预测方法，其特征在于，步骤（3）中，模型训练采用端到端方式，并在训练集中构造模拟缺失样本；损失函数为：；

其中， 是均方误差损失；M是预测图像的时间步数量； 是空间维度； 是模型在时间t时刻对位置(i,j)的降水强度预测值。

8.根据权利要求1所述一种基于雷达图像与再分析数据融合的短时降水预测方法，其特征在于，步骤（4）中，动态误差修正网络的输入包括初步预测图像、历史残差及再分析背景变量；

修正公式为：

；

其中， 表示ConvLSTM网络输出的初步降水图像； 为误差修正网络预测的残差图像； 为修正后的最终降水预测结果；

损失函数包括均方误差项和L2正则项： ；其中，

为预测值 与观测值 之间的均方误差； 为修正项幅度控制项；其

中λ为调节权重。

9.根据权利要求1所述一种基于雷达图像与再分析数据融合的短时降水预测方法，其特征在于，步骤（5）中，模态缺失补全包括：雷达图像有效性检测，标记 ；当时，使用历史均值模板或条件生成网络生成替代雷达特征 ；融合权重 调整为0.5或由注意力模块自适应调整。

10.根据权利要求1所述一种基于雷达图像与再分析数据融合的短时降水预测方法，其特征在于，步骤（6）中，预测输出包括实值降水强度图、经Sigmoid或Softmax转换概率图及累加降水图；输出格式为NetCDF或GeoTIFF，附带地理坐标元数据，支持滑动窗口推理即每

10分钟更新未来3小时预测结果。