Rainformer：面向雷达降水短临预报的特征提取均衡网络

降水临近预报是自然灾害研究中的基础性挑战之一。强降水，尤其是暴雨，往往造成巨大的人员财产损失。现有方法通常采用卷积操作提取降水特征，并通过增加网络深度以扩大感受野，从而获取伪全局特征。尽管该方案结构简单，但仅能捕捉局部降水特征，对强降水事件的响应能力较弱。本文提出一种新型降水临近预报框架——Rainformer，其中包含两个实用组件：全局特征提取单元与门控融合单元（Gate Fusion Unit, GFU）。前者基于窗口化多头自注意力机制（Window-based Multi-head Self-attention, W-MSA），具备稳健的全局特征学习能力；后者则实现局部特征与全局特征的均衡融合。Rainformer具有结构简洁且高效的网络架构，在强降水预测任务中显著提升了预测精度，尤其在高强降水场景下表现突出，展现出良好的实际应用潜力。实验结果表明，Rainformer在基准数据集上的表现优于七种现有先进方法，为高强降水预测任务提供了更深入的见解与有效解决方案。