低层风场变化对突发性降水的形成有重要作用，其通过改变低层大气的流场结构，进而影响低层大气的稳定性及垂直运动，促使对流云发生发展。基于长安站风廓线雷达资料、地面加密观测资料、欧洲中期天气预报中心发布的第五代大气再分析资料及多普勒雷达资料，分析盛夏（7—8月）副热带高压控制下秦岭北麓3次典型突发性降水过程[2023年8月6日11：00—12：00（简称“过程Ⅰ”）、2023年7月13日00：00—01：00（简称“过程Ⅱ”）和2022年8月3日18：00—19：00（简称“过程Ⅲ”）]中低层风场的演变特征。结果表明：3次过程均发生在副热带高压配合低层冷空气侵入的环流背景下，突发性强。过程Ⅰ和过程Ⅱ低层为偏西风冷空气侵入，过程Ⅲ为偏东风冷空气侵入。降水发生前长安地区大气呈显著不稳定状态，对流层中层垂直风切变较弱，这是3次降水过程局地性强的主要原因。盛夏长安站低层风速多年平均总体呈单峰型变化，风速随高度先增加再减小，1 000 m高度以下平均风速不超过3.14 m·s^-1，小时风速存在明显日变化特征。低层风向随高度增加呈逆时针旋转，由西南风逐渐转为东南风。3次突发性降水过程发生前4~6 h，长安站低层大气存在冷空气侵入过程，且风速较多年平均明显加大。伴随低层冷空气的持续侵入，地面气温迅速下降，气压上升，对流触发，强降水产生。低层冷空气的持续侵入一方面在低层产生强烈的中尺度锋生，为突发性降水提供能量条件和触发条件；另一方面受秦岭北麓及关中盆地局地地形的阻挡作用，迫使低层冷空气强迫抬升，有利于降水增幅。

近年来，人工智能技术在图像识别领域取得了突破性进展，为探寻人工智能模型在武汉地区雷达回波临近预报中的应用价值，本文利用湖北武汉市2015—2020年雷达回波和降水量观测资料，对PredRNN++、MIM、CrevNet和PhyDNet 4种深度学习模型进行雷达回波临近预报训练，并基于2021年汛期雷达回波资料进行雷达回波临近预报。在此基础上，通过降水强度和降水面积指数筛选降水过程，并以均方误差（Mean Square Error， MSE）、结构相似性指数（Structural Similarity Index Measurement， SSIM）、命中率（Probability of Detection， POD）、空报率（False Alarm Rate， FAR）和临界成功指数（Critical Success Index， CSI）为指标，检验评估上述4种深度学习模型和光流法对2021年汛期武汉地区雷达回波的临近预报性能。结果表明：（1）整体来看，MIM模型的MSE最小、POD最高，MIM和PredRNN++模型的SSIM并列最高；所有深度学习模型的FAR均低于光流法，且PhyDNet模型的FAR最低；除CrevNet模型外，其余3种深度学习模型的CSI均高于光流法，且MIM模型的CSI最高。（2）预报的前12 min，光流法的CSI最高，而在18~120 min MIM模型的CSI最高，显示了深度学习模型长预报时效的优势。（3）随着回波强度增加，深度学习模型和光流法的POD和CSI均迅速降低，而FAR光流法与各模型则表现出不同的变化规律。（4）随着区域性降水强度增加，深度学习模型的预报能力均先降低后明显增强，而光流法对降水强度变化的敏感性较弱，故在强降水背景下深度学习模型的CSI较光流法增幅最大；对于局地一般对流性降水过程，所有深度学习模型和光流法的预报能力均大幅降低。（5）暴雨个例分析结果表明，深度学习模型不仅具备一定回波强度变化的预报能力，而且对回波运动的预报能力也明显高于光流法，展示了深度学习模型良好的应用前景。