本文提出LMcast模型，通过预训练语言模型（PLM）引导的长期记忆Transformer解决降水临近预报中有效信息随预报时长增加而减少的问题。模型利用PLM的检索与生成能力，从历史降雨数据码本中召回相似过程的未来信息作为先验知识，结合当前输入生成的短期记忆，提升长期预报精度。在四个雷达数据集上的实验表明，LMcast在关键指标上优于现有方法。

"QPE" 通常指的是 "Quantitative Precipitation Estimation"，即定量降水估计的缩写。这是一种用于测量和估计降水量的方法，通常在气象学、水文学和水资源管理中使用。QPE 方法包括使用各种技术和工具，如雷达、卫星遥感、气象站数据、数值模型等，以定量方式估计降水的强度、分布和总量。QPE 方法的准确性取决于数据源、算法和模型的质量，因此它在不同的应用中可能采用不

准确的天气预测对人类生活产生重要影响，直接影响着包括经济、农业、商业、交通和物流等多个领域。特别是短临降水预测，即未来6小时的天气预测，由于在支持上述工业部门的社会经济需求中具有高度影响，因此成为越来越受欢迎的研究主题[1]。此外，降水短临预测在水相关风险管理中起着重要作用。警告系统通常也依赖于此类预测来生成警报[2]。传统的降水预测方法基于数值天气预报（NWP）[3]。然而，它们的空间和时间分辨

这篇论文研究了基于CMA-MESO模式的分级短时强降水概率预报方法。研究的核心目标是开发一种不同雨强等级的短时强降水（SHR）预报方法，满足日益精细化的预报需求，尤其是在极端天气预报方面。