陳代明 王亞東 咸永財(cái) 張鳴倫 劉明 沈凱令

摘? 要： 短臨降水預(yù)測(cè)由于氣象數(shù)據(jù)體量大、種類繁多，以及大氣系統(tǒng)的復(fù)雜性，預(yù)測(cè)難度大。擬構(gòu)建一個(gè)基于時(shí)空預(yù)測(cè)網(wǎng)絡(luò)的雷達(dá)回波外推模型來提高預(yù)測(cè)性能。該網(wǎng)絡(luò)旨在將時(shí)間特征和空間特征進(jìn)行解耦，獨(dú)立提取特征?？臻g模塊通過注意力機(jī)制建模時(shí)間不變信息，時(shí)間模塊通過級(jí)聯(lián)的門控機(jī)制建模時(shí)間依賴。最后，在雷達(dá)回波數(shù)據(jù)集上驗(yàn)證了模型的性能。

關(guān)鍵詞： 短臨預(yù)報(bào)； 神經(jīng)網(wǎng)絡(luò)； 時(shí)空解耦； 雷達(dá)回波

中圖分類號(hào)：TP399? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ?文章編號(hào)：1006-8228（2023）05-01-05

Radar echo extrapolation research based on spatiotemporal prediction network

Chen Daiming1， Wang Yadong1， Xian Yongcai1，? Zhang Minglun1， Liu Ming1， Shen Kailing2

（1. National Energy Shanxi Hydro electric Limited Liability Company， Hanzhong， Shanxi 723000， China;

2. Nanjing University of Information Science and Technology）

Abstract： Short-term precipitation prediction is difficult due to the large volume and variety of meteorological data， as well as the complexity of atmospheric systems. We propose to construct a radar echo extrapolation model based on a spatiotemporal prediction network to improve the prediction performance. The network aims to decouple temporal and spatial features and extract features independently. The spatial module models time-invariant information through an attention mechanism， and the temporal module models temporal dependence through a cascaded gating mechanism. The performance of the model is validated on a radar echo dataset.

Key words： short-term forecasting; neural networks; spatiotemporal decoupling; radar echoes

0 引言

短時(shí)強(qiáng)降雨一直是重大自然災(zāi)害中需關(guān)注和研究的重點(diǎn)問題。我國(guó)長(zhǎng)江中下游流域今年極端暴雨天氣頻發(fā)，由此造成的災(zāi)害和影響極其嚴(yán)重。由于強(qiáng)降雨短臨預(yù)報(bào)能夠根據(jù)當(dāng)前時(shí)刻的天氣情況提供未來多個(gè)小時(shí)內(nèi)降雨強(qiáng)度估計(jì)值，所以預(yù)報(bào)的結(jié)果可以用于輔助相關(guān)部門和相關(guān)行業(yè)組織及時(shí)做出正確決策。

短時(shí)強(qiáng)降雨具有高度非線性、隨機(jī)性和復(fù)雜性，使得強(qiáng)降雨短臨預(yù)報(bào)成為具有挑戰(zhàn)性的世界難題。

新一代多普勒天氣雷達(dá)作為探測(cè)云團(tuán)降水的主要工具，輸出的產(chǎn)品已成為天氣監(jiān)測(cè)、預(yù)警強(qiáng)對(duì)流天氣的重要信息來源。其中，雷達(dá)回波圖像具有嚴(yán)格的時(shí)序特征（時(shí)間分辨率為6分鐘），其反射率因子能夠更直觀、高效的反映降水實(shí)況，結(jié)合其他氣象要素指標(biāo)或天氣形勢(shì)，可以獲得更好的效果，對(duì)提高災(zāi)害性天氣監(jiān)測(cè)能力和改進(jìn)天氣預(yù)報(bào)質(zhì)量有重要的現(xiàn)實(shí)意義[1]。目前，降水預(yù)測(cè)主要就是基于多普勒雷達(dá)的歷史數(shù)據(jù)和實(shí)時(shí)雷達(dá)觀測(cè)結(jié)果，推測(cè)雷達(dá)回波未來的位置和強(qiáng)度，利用Z-R關(guān)系[2-4]求出未來時(shí)刻的降雨強(qiáng)度，然后，預(yù)報(bào)員結(jié)合自身經(jīng)驗(yàn)，在預(yù)測(cè)結(jié)果的基礎(chǔ)上給出最終短臨預(yù)報(bào)。然而，由于氣象數(shù)據(jù)體量大、種類繁多、不易處理，以及大氣系統(tǒng)的復(fù)雜性，在實(shí)際業(yè)務(wù)中，只有經(jīng)驗(yàn)豐富的預(yù)報(bào)員才能較為準(zhǔn)確的給出定性的預(yù)報(bào)，主觀性較強(qiáng)。有鑒于此，本項(xiàng)目將針對(duì)這一目標(biāo)，專注于基于天氣雷達(dá)數(shù)據(jù)的外推研究，基于石家莊市氣象局提供的數(shù)據(jù)，擬構(gòu)建一個(gè)基于時(shí)空預(yù)測(cè)網(wǎng)絡(luò)的雷達(dá)回波外推模型。

本文在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，提出了一個(gè)改進(jìn)的基于時(shí)空預(yù)測(cè)網(wǎng)絡(luò)的回波外推模型，模型通過雙分支特征并行提取的編碼結(jié)構(gòu)從歷史的雷達(dá)回波圖像中分別學(xué)習(xí)回波的空間和時(shí)間變化規(guī)律，從而實(shí)現(xiàn)對(duì)雷達(dá)回波的外推。在對(duì)比實(shí)驗(yàn)中與之前的深度學(xué)習(xí)雷達(dá)回波外推方法進(jìn)行對(duì)比，實(shí)驗(yàn)表明本文提出的算法的表現(xiàn)優(yōu)于現(xiàn)有的深度學(xué)習(xí)外推方法。

1 研究現(xiàn)狀

1.1 研究現(xiàn)狀

傳統(tǒng)短臨預(yù)報(bào)主要包括統(tǒng)計(jì)預(yù)報(bào)、數(shù)值模式預(yù)報(bào)和雷達(dá)外推方法。統(tǒng)計(jì)預(yù)報(bào)法缺乏物理基礎(chǔ)、預(yù)報(bào)精度不高；當(dāng)前主流的數(shù)值模式歐洲ECMWF模式[5]、美國(guó)GFS模式[6]與中國(guó)天氣預(yù)報(bào)GRAPES模式[7]等雖然能進(jìn)行中長(zhǎng)期、大尺度的降雨范圍、趨勢(shì)等預(yù)報(bào)，但因其時(shí)間（1-3h）、空間（3-13km）分辨率相對(duì)于中小尺度強(qiáng)對(duì)流天氣系統(tǒng)偏低，不能準(zhǔn)確地捕捉較短時(shí)內(nèi)、中小尺度強(qiáng)對(duì)流發(fā)生、發(fā)展等全生命史。近年來，盡管基于雷達(dá)回波的外推方法取得了一定的效果，但仍存在一些問題[8]。目前相對(duì)成熟的雷達(dá)外推方法主要是交叉相關(guān)法和光流法。交叉相關(guān)法從近2幀圖像中推演[9]，屬于剛體線性外推，無法解決形變問題，不具備從歷史數(shù)據(jù)中學(xué)習(xí)的能力，無法解決對(duì)流天氣的生消問題。光流法比交叉相關(guān)法精確一些[10]，但其成功使用有較大限制，因?yàn)樵诶走_(dá)外推過程中光流估計(jì)步驟和雷達(dá)回波的外推步驟是分開的，因而會(huì)產(chǎn)生累積誤差，使得光流法參數(shù)設(shè)置十分困難。

深度學(xué)習(xí)是在這樣的背景下異軍突起，正演變成一場(chǎng)盛大的創(chuàng)新革命，成為了人工智能最炙手可熱的領(lǐng)域。施恩[11]等人提出了一種基于動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)方法來實(shí)現(xiàn)雷達(dá)回波的外推，其性能要?jiǎng)儆趥鹘y(tǒng)方法COTREC[12]和DITERC[13]。施行健[14]等人提出一種卷積長(zhǎng)短期記憶網(wǎng)絡(luò)（Convolutional Long Short-Term Memory， ConvLSTM）模型，該模型可以同時(shí)學(xué)習(xí)到雷達(dá)圖像空間和時(shí)間上的特征，解決回波外推問題的同時(shí)也獲得了比實(shí)時(shí)光流法更加準(zhǔn)確的結(jié)果。張玲玲[15]在其基礎(chǔ)上將卷積自編碼器與ConvLSTM進(jìn)行對(duì)接，增強(qiáng)了外推圖像的質(zhì)量。隨后施行健[16]在ConvLSTM的基礎(chǔ)上又進(jìn)行改進(jìn)，提出了軌跡門循環(huán)單元（Trajectory Gate Recurrent Unit， TrajGRU）模型。該模型相對(duì)于未改進(jìn)前增加了一定的抗畸變性，但在實(shí)際業(yè)務(wù)中效果與ConvLSTM相差不大。與此同時(shí)，作者還制定了一個(gè)新的評(píng)估基準(zhǔn)HKO-7，實(shí)現(xiàn)了對(duì)降水更加合理的預(yù)測(cè)。事實(shí)上，降水預(yù)測(cè)可以看作是一種回歸問題。吳昆[17]等人采用三維卷積神經(jīng)網(wǎng)絡(luò)（3D Convolutional Neural Networks， 3DCNN）和LSTM結(jié)合的方式預(yù)測(cè)了特定區(qū)域的降水量，并在氣象站平臺(tái)上實(shí)現(xiàn)穩(wěn)定運(yùn)行。Han[18]等人進(jìn)一步將3DCNN應(yīng)用于三維多普勒雷達(dá)數(shù)據(jù)中進(jìn)行對(duì)流風(fēng)暴預(yù)測(cè)，并將預(yù)測(cè)問題轉(zhuǎn)化為分類問題。關(guān)鵬洲[19]將Inception網(wǎng)絡(luò)與Xgboost集成學(xué)習(xí)相結(jié)合，得到了較好的回歸效果。

1.2 存在的問題

已有的時(shí)空預(yù)測(cè)網(wǎng)絡(luò)，大多針對(duì)的是視頻這種時(shí)間分辨率較高的時(shí)空序列，而雷達(dá)數(shù)據(jù)間隔時(shí)間較長(zhǎng)，加上氣象系統(tǒng)本身的復(fù)雜性，雷達(dá)回波序列預(yù)測(cè)更加困難，尤其是對(duì)流的產(chǎn)生和消失不能做到很好的預(yù)測(cè)。另外，時(shí)空預(yù)測(cè)普遍存在的后期預(yù)測(cè)模糊問題，尤其是對(duì)于雷達(dá)外推，當(dāng)前的解決方案并不能很好的解決。因此，需要針對(duì)雷達(dá)回波序列的特點(diǎn)，設(shè)計(jì)適合的算法。

普通卷積運(yùn)算對(duì)局部特征變化的圖像并不適用。普通卷積核默認(rèn)是以從左到右、自上而下的方式進(jìn)行計(jì)算加權(quán)，卷積核鄰域與被卷積目標(biāo)位置對(duì)應(yīng)關(guān)系是不變的，所以普通卷積對(duì)擁有局部不變特征的圖像較為合適。但面對(duì)具有如旋轉(zhuǎn)、放縮和生消等特性的回波圖像時(shí)，這樣的卷積操作是有明顯局限的。

2 工作內(nèi)容

2.1 數(shù)據(jù)集制作

本研究使用寶雞新一代多普勒天氣雷達(dá)數(shù)據(jù)，收集了2019-2021年24次降水事件的雷達(dá)數(shù)據(jù)來制作數(shù)據(jù)集。原始雷達(dá)數(shù)據(jù)首先被質(zhì)量控制，然后被插值到笛卡爾坐標(biāo)，空間分辨率為水平1千米。在這項(xiàng)研究中，我們使用組合反射率的數(shù)據(jù)，數(shù)據(jù)集的時(shí)間分辨率為6分鐘。

將預(yù)處理過的雷達(dá)回波序列按天分類，每一天240幀圖像劃分為6個(gè)塊，每個(gè)塊是40幀。隨機(jī)選取4個(gè)塊作為訓(xùn)練集，1個(gè)作為驗(yàn)證集，1個(gè)作為測(cè)試集。訓(xùn)練集和驗(yàn)證集都是選取一個(gè)長(zhǎng)度為30的滑動(dòng)窗口，進(jìn)行采樣，其中10幀作為輸入，20幀作為標(biāo)簽。每個(gè)樣本張圖像存放在一個(gè)文件夾內(nèi)代表一個(gè)樣本；測(cè)試集的滑動(dòng)窗口長(zhǎng)度同樣為30，其中10幀作為輸入，20幀作為標(biāo)簽驗(yàn)證。將所有樣本按照80%、10%、10%來劃分，分別得到訓(xùn)練集、驗(yàn)證集和測(cè)試集。

2.2 雷達(dá)回波外推模型

在本節(jié)中，我們定義了雷達(dá)回波外推任務(wù)以及我們?cè)O(shè)計(jì)的體系結(jié)構(gòu)中每個(gè)組件的作用。令[xt∈rw×h×c]表示雷達(dá)回波序列[x]中的第[t]幀，其中w，h和c分別表示寬度，高度和通道數(shù)。雷達(dá)回波外推的目的是在給定輸入幀[x1：t]的情況下生成未來幀[xt+1]。在第t個(gè)時(shí)間步，我們的網(wǎng)絡(luò)觀察到直到第t幀的先前連續(xù)幀的歷史記錄，并生成下一幀的預(yù)測(cè)值。我們的模型是一個(gè)解耦時(shí)間和空間的雙分支網(wǎng)絡(luò)。考慮到雷達(dá)回波在時(shí)空中產(chǎn)生一系列變化，而以往的幀預(yù)測(cè)網(wǎng)絡(luò)只在統(tǒng)一的時(shí)空中進(jìn)行建模，這會(huì)導(dǎo)致信息的紊亂和丟失，不能讓模型全面的學(xué)習(xí)到時(shí)空的變化，也會(huì)導(dǎo)致錯(cuò)誤的預(yù)測(cè)。因此，我們采用了將時(shí)間和空間分開解耦的方式，獨(dú)立的學(xué)習(xí)一系列信息，并通過適當(dāng)方式進(jìn)行合并，來產(chǎn)生更準(zhǔn)確的預(yù)測(cè)。

2.2.1 空間模塊

空間模塊處理時(shí)間不變的靜態(tài)信息。空間模塊接收輸入模塊的輸入并進(jìn)入多頭注意力機(jī)制（圖1）。

具體來說，將輸入通過兩個(gè)不同的線性變換或者非線性變換，即Key模塊和Value模塊。此外，將初始狀態(tài)為零的張量通過Query模塊來作為注意力機(jī)制中的Query部分，值得注意的是，Query在整個(gè)時(shí)間序列的過程中是隨時(shí)間傳播，不斷更新修改。注意力機(jī)制即將過去的信息與當(dāng)前的輸入信息進(jìn)行非均等權(quán)重的分配，讓過去與現(xiàn)在的相關(guān)性更大的信息能夠得到更多的關(guān)注。此后，在通道方向上進(jìn)行分裂，劃分成若干的組別。

[AttentionQ，K，V=softmaxQKIdV]? ⑴

考慮到時(shí)空中會(huì)包含若干獨(dú)立的時(shí)空行為，我們?cè)O(shè)立若干個(gè)獨(dú)立模塊，其參數(shù)是可以學(xué)習(xí)的，我們通過模型的更新過程，不斷調(diào)整獨(dú)立模塊的參數(shù)，使其逼近各種時(shí)空行為。具體來說，我們通過注意力機(jī)制進(jìn)行選擇，使輸入選擇與自己的時(shí)空行為更相近的獨(dú)立模塊，并在此基礎(chǔ)上通過ConvGRU進(jìn)行更新。

[zt=σWzxt+Uzht-1rt=σWtxt+Utht-1ht=tanhWxt+Urt°ht-1ht=1-zt°ht-1+zi°ht]? ⑵

最后，我們將所有的更新數(shù)據(jù)在通道方向上進(jìn)行結(jié)合并通過線性變換或非線性變換進(jìn)行更新（圖2）。

2.2.2 時(shí)間模塊

時(shí)間模塊我們采用PredRNN++網(wǎng)絡(luò)中的循環(huán)單元CausalLSTM來捕獲時(shí)間信息。的變換來擬合現(xiàn)實(shí)情況下的變換趨勢(shì)。

[gtitft=tanhσσW1Xt，Hkt-1，Ckt-1]

[Ckt=ft⊙Ckt-1+it⊙gt]

[g'ti'tf't=tanhσσW2Xt，Ckt，Mk-1t] ⑶

[Mkt=f't⊙tanhW3Mk-1t+i't⊙g't]

[ot=tanhW4Xt，Ckt，Mkt]

[Hkt=ot⊙tanhW5Ckt，Mkt]

最后，將提取的時(shí)間信息送入解碼模塊，與空間模塊提取的信息合并后進(jìn)行解碼。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)設(shè)計(jì)代碼基于版本3.8的Python語(yǔ)言開發(fā)。深度學(xué)習(xí)網(wǎng)絡(luò)模型主要通過Pytorch開源神經(jīng)網(wǎng)絡(luò)庫(kù)實(shí)現(xiàn)，鑒于模型結(jié)構(gòu)與訓(xùn)練數(shù)據(jù)較大，應(yīng)對(duì)如此龐大的計(jì)算量?jī)H僅使用CPU訓(xùn)練耗時(shí)太久難以完成，因此我們結(jié)合GPU加速深度學(xué)習(xí)實(shí)驗(yàn)的經(jīng)驗(yàn)，采用NVIDIA GeForceGTX3060進(jìn)行GPU并行計(jì)算加速。

3.2 評(píng)估方法

在氣象業(yè)務(wù)中，對(duì)不同的降水強(qiáng)度往往給予的關(guān)注程度不同，因此應(yīng)該根據(jù)模型在不同降水程度下的綜合表現(xiàn)作為評(píng)價(jià)算法好壞的重要依據(jù)。選取不同降水強(qiáng)度，并找到對(duì)應(yīng)的反射率進(jìn)而定位到對(duì)應(yīng)的灰度閾值上，即可完成降水強(qiáng)度在回波圖像上的表征。本文中采用的預(yù)測(cè)指標(biāo)包括： 臨界成功指數(shù)（CSI） 、誤報(bào)率（FAR） 以及探測(cè)概率（POD）。本文以nS、nM和nF分別表示預(yù)測(cè)圖像中成功、漏報(bào)和空?qǐng)?bào)的格點(diǎn)數(shù)，CSI、FAR、POD計(jì)算公式如下：

[CSI = nS /（ nS + nM + nF ）]

[FAR = nf/（nS + nF）]? ⑷

[POD = nS /（ nS + nM）]

POD和CSI指標(biāo)越高代表預(yù)測(cè)的越精準(zhǔn)；而FAR值越低自然代表模型越精準(zhǔn)。為了能更直觀的反映外推出的圖像相似程度，將MSE也放入評(píng)價(jià)標(biāo)準(zhǔn)中。MSE通過累計(jì)所有像素差異得來，是最直接的誤差來源，值越小代表預(yù)測(cè)效果越好。

3.3 實(shí)驗(yàn)結(jié)果

外推模型評(píng)估方面，選取了反射率為30和50（單位dBZ）兩個(gè)等級(jí)作為對(duì)應(yīng)灰度閾值來進(jìn)行二值化。這些等級(jí)分別代表了降水大雨級(jí)別和暴雨級(jí)別。實(shí)驗(yàn)將本文的算法與ConvLSTM、TrajGRU、PredRNN以及PredRNN++四種主流算法進(jìn)行對(duì)比，突出所提算法的準(zhǔn)確率。在兩個(gè)閾值條件下，進(jìn)行了外推時(shí)長(zhǎng)為1小時(shí)的實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表1和表2所示。

在不同反射率強(qiáng)度對(duì)應(yīng)的各模型統(tǒng)計(jì)結(jié)果中，可以看出，本文模型的POD和CSI兩個(gè)指標(biāo)較另外四種方法均為最高，F(xiàn)AR和MSE數(shù)值均為最低，提出的模型在所有評(píng)價(jià)標(biāo)準(zhǔn)中均是最優(yōu)的。30dbz情況下，相比于ConvLSTM、TrajGRU、PredRNN、PredRNN++，POD增長(zhǎng)0.061、0.045、0.020、0.011；CSI增長(zhǎng)0.030、0.021、0.012、0.008；FAR下降0.056、0.038、0.021、0.008。

實(shí)驗(yàn)證明，將時(shí)空提取過程分為兩個(gè)獨(dú)立的分支，即時(shí)間分支和空間分支，可以更全面和精細(xì)化的提取并預(yù)測(cè)未來的變換趨勢(shì)。

3.4 可視化展示

4 結(jié)束語(yǔ)

本文提出了一種用于雷達(dá)外推的雙分支時(shí)間空間獨(dú)立提取器網(wǎng)絡(luò)。我們網(wǎng)絡(luò)的時(shí)間分支能夠有效建模時(shí)間依賴，對(duì)時(shí)間上的非平穩(wěn)變換也能準(zhǔn)確捕獲。空間分支建模時(shí)不變信息，對(duì)圖像的細(xì)節(jié)也能較好的擬合。最后，網(wǎng)絡(luò)融合空間分支和時(shí)間分支的各自的優(yōu)勢(shì)，進(jìn)而產(chǎn)生準(zhǔn)確的預(yù)測(cè)。我們?cè)诶走_(dá)回波數(shù)據(jù)集上的實(shí)驗(yàn)證明了模型的有效性。未來可以將其應(yīng)用于其他時(shí)空序列預(yù)測(cè)問題上，如交通流預(yù)測(cè)等。

參考文獻(xiàn)（References）：

[1] 王婷，劉云鵬，董晨，等.短臨降水預(yù)報(bào)方法及其應(yīng)用研究綜述[J].電子世界，2019（10）：11-13

[2] 朱亞宗，董德保，何越，等.CINRAD/SA雷達(dá)天饋系統(tǒng)關(guān)鍵參

數(shù)測(cè)量方法研究[J].物聯(lián)網(wǎng)技術(shù)，2019（9）：25-27

[3] Zeng Zhilin， Wang Donghai， Chen Yun. An investigation of

convective features and Z-R relationships for a local extreme precipitation event[J]. Atmospheric Research，2021，250

[4] Sébastien Verrier，LaurentBarthes，Cécile Mallet.

Theoretical and empirical scale dependency of Z-R relationships： Evidence， impacts， and correction[J]. Journal of Geophysical Research. Atmospheres，2013，118（14）

[5] 陶祖鈺，趙翠光，陳敏.談?wù)劷y(tǒng)計(jì)預(yù)報(bào)的必要性[J].氣象科技

進(jìn)展，2016，6（1）：6-13

[6] Huosheng Xie，Lidong Wu，Wei Xie，Qing Lin，Ming Liu，

Yongjing Lin. Improving ECMWF short-term intensive rainfall forecasts using generative adversarial nets and deep belief networks[J].Atmospheric Research，2021，249

[7] Malay Ganai，SnehlataTirkey，R.P.M. Krishna，Parthasarathi

Mukhopadhyay. The impact of modified rate of precipitation conversion parameter in the convective parameterization scheme of operational weather forecast model （GFS T1534） over Indian summer monsoon region[J]. Atmospheric Research，2021，248（prepublish）

[8] 薛紀(jì)善.新一代數(shù)值預(yù)報(bào)系統(tǒng)（GRAPES）的初步結(jié)果[A].

中國(guó)氣象學(xué)會(huì).海峽兩岸氣象科學(xué)技術(shù)研討會(huì)論文匯編[C].中國(guó)氣象學(xué)會(huì)：中國(guó)氣象學(xué)會(huì)，2004：1

[9] 吳劍坤，陳明軒，秦睿，等.多種雷達(dá)回波區(qū)域跟蹤技術(shù)對(duì)比研

究[A]. 中國(guó)氣象學(xué)會(huì).第35屆中國(guó)氣象學(xué)會(huì)年會(huì)S1災(zāi)害天氣監(jiān)測(cè)、分析與預(yù)報(bào)[C].中國(guó)氣象學(xué)會(huì)：中國(guó)氣象學(xué)會(huì)，2018：6

[10] 陳雷，戴建華，陶嵐.一種改進(jìn)后的交叉相關(guān)法（COTREC）在

降水臨近預(yù)報(bào)中的應(yīng)用[J].熱帶氣象學(xué)報(bào)，2009，25（1）：117-122

[11] Shi E， Li Q， Gu D， et al， A Method of Weather Radar

Echo Extrapolation Based on Convolutional Neural Networks[C]， International Conference on Multimedia Modeling， Bangkok， Thailand， Springer，2018：16-28

[12] Fletcher T D， Andrieu H， Hamel P. Understanding，

management and modelling of urban hydrology and its consequences for receiving waters： A state of the art[J].Advances in water resources，2013，51：261-279

[13] Zhang Y， Chen M， Xia W， et al， Estimation of weather

radar echo motion field and its application to precipitation nowcasting[J]. Acta Meteorol， Sin，2006，64（5）：631-646

[14] Shi X J， Chen Z， Wang H， et al， Convolutional LSTM

network： A machine learning approach for precipitation nowcasting[C].Advances in neural information processing systems， Quebec， Canada， MIT Press，2015：802-810

[15] 張玲玲.基于雷達(dá)回波圖像的短期降雨預(yù)測(cè)[D]. 碩士，河北

師范大學(xué)，2018

[16] Shi X J， Gao Z， Lausen L， et al， Deep learning for

precipitation nowcasting： A benchmark and a new model[C]. Advances in Neural Information Processing Systems， Long Beach， USA， MIT Press，2017：5617-5627

[17] Wu K， Shen Y， Wang S， 3D Convolutional Neural

Network for Regional Precipitation Nowcasting[J]， Journal of Image and Signal Processing，2018，7（4）：200-212

[18] Han L， Sun J， Zhang W， Convolutional neural network

for convective storm nowcasting using 3-D Doppler Weather Radar Data[J]. IEEE Transactions on Geoscience and Remote Sensing，2019，58（2）：1-9

[19] 關(guān)鵬洲，王夢(mèng)毫，李倩.基于集成學(xué)習(xí)和深度學(xué)習(xí)的短期降

雨預(yù)測(cè)模型[C].2017年（第五屆）全國(guó)大學(xué)生統(tǒng)計(jì)建模大賽獲獎(jiǎng)?wù)撐倪x.中國(guó)統(tǒng)計(jì)教育學(xué)會(huì)，2017：2-23