精确预测强降水对于防灾减灾和水资源管理至关重要。深度学习模型在捕捉时空模式方面展现出潜力，但一个关键矛盾仍然存在：这些模型在强降水事件上，虽然能取得较低的均方根误差，但同时TS评分也很低。这是因为标准方法仅在损失函数层面对此类事件施加加权惩罚，未能从根本上引导模型的特征学习聚焦于关键信号。
我们提出了一种概念上的转变：将具有明确气象学意义的降水强度等级，从一个后验评估指标转变为一种先验的结构约束。我们开发了一个双分支卷积LSTM网络。一个分支执行连续的定量降水回归预测；另一个分支同时预测离散降水强度等级的概率分布。
我们引入了“降水等级注意力”机制，该机制利用分类分支的动态输出来生成空间注意力图，从而引导模型的特征学习聚焦于与强降水相关的关键气象区域。这增强了模型在特征层面感知和刻画极端降水信号的能力。
所提出的模型在关键业务阈值上展现了对强降水的显著预测技巧，同时保持了较低的计算成本。对于强降水事件，其性能明显优于基线模型和再分析数据，同时保持了具有竞争力的整体均方根误差。这表明了其强大的业务应用潜力，有效弥合了整体预测精度与高影响天气预报技巧之间的差距。

precipitation forecast,dual-branch Network,deep learning,precipitation level attention