摘" 要：隨著人工智能技術(shù)的快速發(fā)展，深度學(xué)習(xí)的技術(shù)應(yīng)用已日漸成熟，并逐步在各個領(lǐng)域投入實(shí)際業(yè)務(wù)使用。提升短臨降水預(yù)報的精確度是當(dāng)前天氣預(yù)報領(lǐng)域最為艱巨的任務(wù)，傳統(tǒng)預(yù)報方式已無法應(yīng)對當(dāng)前急劇變化的天氣狀況。基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型能夠充分彌補(bǔ)傳統(tǒng)預(yù)報方式的缺陷，它利用復(fù)雜的網(wǎng)絡(luò)來學(xué)習(xí)輸入和輸出數(shù)據(jù)之間復(fù)雜的非線性關(guān)系，能夠有效處理天氣數(shù)據(jù)中的復(fù)雜模式。該文詳細(xì)介紹幾種實(shí)用性較強(qiáng)的模型方法，闡述在短臨降水預(yù)報方面的應(yīng)用情況，對深度學(xué)習(xí)在氣象領(lǐng)域的發(fā)展有重要的借鑒意義。

關(guān)鍵詞：深度學(xué)習(xí)；短臨降水預(yù)報；神經(jīng)網(wǎng)絡(luò)；ConvLSTM；數(shù)據(jù)集

中圖分類號：P457.6""""" 文獻(xiàn)標(biāo)志碼：A""""""""" 文章編號：2095-2945（2025）04-0164-05

Abstract： With the rapid development of artificial intelligence technology， the technical application of deep learning has become increasingly mature， and has gradually been put into actual business use in various fields." Improving the accuracy of short-term and imminent precipitation forecasts is the most arduous task in the current field of weather forecasting. Traditional forecasting methods are no longer able to cope with the current rapidly changing weather conditions. The neural network model based on deep learning can fully make up for the shortcomings of traditional forecasting methods. It uses complex networks to learn complex nonlinear relationships between input and output data， and can effectively process complex patterns in weather data. This paper introduces in detail several practical model methods and expounds their application in short-term and imminent precipitation prediction， which is of important reference significance for the development of deep learning in the meteorological field.

Keywords： deep learning; short-term and imminent precipitation forecast; neural network; ConvLSTM; dataset

提高短臨降水預(yù)報的準(zhǔn)確性一直是天氣預(yù)報領(lǐng)域最為迫切的任務(wù)。短臨降水預(yù)報的有效應(yīng)用極大地影響著社會的生產(chǎn)生活，同時精確的預(yù)報結(jié)果在氣象災(zāi)害防御方面具有重要的導(dǎo)向作用。

降水預(yù)報是一個復(fù)雜的過程，由于在不同的時間尺度上受到各種氣象因素和條件的影響，所以短臨降水預(yù)報的準(zhǔn)確率一直是預(yù)報領(lǐng)域的痛點(diǎn)。近年來，人們對奇異譜分析和經(jīng)驗(yàn)?zāi)B(tài)分解等先進(jìn)技術(shù)進(jìn)行了探索，然而這些方法在預(yù)報準(zhǔn)確性方面只能產(chǎn)生有限的改進(jìn)[1]。深度學(xué)習(xí)的出現(xiàn)，提供了一種更加靈活、適應(yīng)性更強(qiáng)的方法，它利用復(fù)雜的網(wǎng)絡(luò)來學(xué)習(xí)輸入和輸出數(shù)據(jù)之間復(fù)雜的非線性關(guān)系，通過有效處理天氣數(shù)據(jù)中的復(fù)雜模式和捕獲超出傳統(tǒng)數(shù)值模擬范圍的未解決過程，在改善天氣預(yù)報方面得到了有效的應(yīng)用[2]。時至今日，人們將深度學(xué)習(xí)技術(shù)應(yīng)用于天氣預(yù)報的興趣日益濃厚。現(xiàn)有的研究成果表明，深度學(xué)習(xí)方法的應(yīng)用在氣象領(lǐng)域表現(xiàn)出了優(yōu)越的性能[3]，具有廣闊的應(yīng)用前景。

1" 傳統(tǒng)預(yù)報方法

1.1" 數(shù)值天氣預(yù)報

數(shù)值天氣預(yù)報是一種定量的和客觀的預(yù)報，早在20世紀(jì)70年代，數(shù)值天氣預(yù)報得以真正實(shí)現(xiàn)業(yè)務(wù)應(yīng)用。盡管數(shù)值預(yù)報水平一直不斷提升，但該方法往往不能完全模擬極端天氣情況，由于產(chǎn)生的分辨率過低，無法獲得更加準(zhǔn)確的結(jié)果，且處于區(qū)域性的高分辨率模式下需要過高的計算成本[4]。因此，由于其復(fù)雜性、高耗能和不確定性的特征，該方法在小尺度天氣現(xiàn)象（如局部對流事件）的短期預(yù)報結(jié)論中存在一定的偏差。

1.2" 氣象雷達(dá)技術(shù)

氣象雷達(dá)能夠發(fā)射微波脈沖并接收回波，通過雷達(dá)回波的強(qiáng)度、速度和方向等信息，可以實(shí)時監(jiān)測降水的強(qiáng)度、類型和范圍，為短時天氣預(yù)報提供數(shù)據(jù)支持[5]。但對于一些微觀氣象現(xiàn)象或復(fù)雜天氣系統(tǒng)的預(yù)測精度有限，若處于惡劣天氣條件下，雷達(dá)的觀測能力可能會受到影響[6]，從而降低預(yù)報的準(zhǔn)確性。

1.3" 統(tǒng)計預(yù)報方法

統(tǒng)計預(yù)報方法是一種利用歷史觀測數(shù)據(jù)和統(tǒng)計模型來進(jìn)行天氣預(yù)測的方法。這種方法主要依賴于歷史數(shù)據(jù)的分析和統(tǒng)計模型的準(zhǔn)確性來進(jìn)行預(yù)測[7]。對于短期天氣預(yù)測，該方法可以提供一定的參考價值，特別是在穩(wěn)定氣象條件下。由于氣象系統(tǒng)的復(fù)雜性和變化性，該方法往往難以適應(yīng)氣象條件的突然變化，其準(zhǔn)確性和適用性受到諸多限制，因此在實(shí)際應(yīng)用中需要結(jié)合其他更為先進(jìn)的預(yù)報技術(shù)進(jìn)行綜合分析和判斷。

2" 深度學(xué)習(xí)方法及相關(guān)天氣模型

2016—2020年間，深度學(xué)習(xí)模型如CNN、LSTM、ConvLSTM、RNN等由于其預(yù)測精度的提高，在降雨時間序列預(yù)測領(lǐng)域受到了廣泛的關(guān)注。其中，因LSTM及其衍生物具有捕捉時間模式和依賴關(guān)系方面的能力，經(jīng)常被用于短期降雨預(yù)測。此外，CNN架構(gòu)可以捕捉空間局部相關(guān)性，而降水?dāng)?shù)據(jù)具有空間結(jié)構(gòu)性[8]，因此在降水預(yù)測中很有前景。值得注意的是，如RNN和CNN的混合模型也引起了研究人員的關(guān)注[9]，以此利用各種建模技術(shù)的優(yōu)勢來提高降雨預(yù)報的準(zhǔn)確性，這些模型為建立復(fù)雜的、突變的降雨趨勢和模式提供了強(qiáng)大的助力。

2.1" 卷積神經(jīng)網(wǎng)絡(luò)（CNN）

CNN作為典型的深度學(xué)習(xí)模型（圖1），其結(jié)構(gòu)包括輸入層、隱藏層和輸出層，而隱藏層包括卷積層、池化層和全連接層，用于提取數(shù)據(jù)局部特征并進(jìn)行分類回歸。卷積層由多個卷積核組成，是CNN的核心組成部分，執(zhí)行卷積運(yùn)算提取輸入數(shù)據(jù)的局部特征，并輸出特征映射。池化層降低卷積層輸出的空間維度，減少參數(shù)數(shù)量，提高計算效率。全連接層將池化層的特征映射連接到分類器，以進(jìn)行最終的分類操作。因此，CNN能夠捕獲輸入數(shù)據(jù)的空間維度特征，由于局部相關(guān)在天氣降水過程中起著重要的作用，故這一特征對降水過程的建模及數(shù)據(jù)分析非常有益[10]，能夠大大減少計算成本，提高預(yù)報分析的效率。

2.2" 長短期記憶網(wǎng)絡(luò)（LSTM）

長短期記憶（LSTM）是一種特殊的遞歸神經(jīng)網(wǎng)絡(luò)（RNN）算法[11]，能夠捕捉輸入和輸出特征之間的長期依賴關(guān)系，同時處理短期和長期依賴關(guān)系。LSTM使用稱為“門”的結(jié)構(gòu)來控制信息流，包括輸入門、輸出門和遺忘門（圖2）。輸入門控制信息中使用的新狀態(tài)的數(shù)量，輸出門決定早期狀態(tài)的信息保留，遺忘門調(diào)節(jié)信息流內(nèi)部狀態(tài)。LSTM擅長于時間序列建模，在降水預(yù)測方面已多有應(yīng)用[12]。Ata等[13]將LSTM用于降水估計和預(yù)報，Snderby等[14]基于多個數(shù)據(jù)源，包括回波強(qiáng)度、地形和衛(wèi)星圖像，利用ConvLSTM建立了高分辨率降水預(yù)測模型。Klocek等[15]將ConvLSTM與數(shù)值模型相結(jié)合，提高了降水長期預(yù)測的精度。

2.3" 遞歸神經(jīng)網(wǎng)絡(luò)（RNN）

RNN是20世紀(jì)80年代引入的一種用于時間序列數(shù)據(jù)建模的神經(jīng)網(wǎng)絡(luò)模型，能夠處理龐大的序列數(shù)據(jù)。RNN是一種基于過去收集的數(shù)據(jù)建立預(yù)測模型的算法，具有處理順序輸入的能力[16]，捕捉數(shù)據(jù)依賴性，因此在天氣預(yù)報、語音識別等多個領(lǐng)域被應(yīng)用于實(shí)際研究工作，并且預(yù)測結(jié)果顯示出較高的準(zhǔn)確性。

2.4 "基于深度學(xué)習(xí)的天氣預(yù)報模型

在過去的幾年里，深度學(xué)習(xí)技術(shù)迅速發(fā)展，并與天氣預(yù)報方面相融合，產(chǎn)生了許多基于深度學(xué)習(xí)的天氣預(yù)報模型，如MetNet-3、FourCastNet、盤古氣象大模型等。下面簡要介紹這些模型，以深入了解其架構(gòu)及特點(diǎn)。

FourCastNet是一個基于傅里葉預(yù)測的神經(jīng)網(wǎng)絡(luò)模型，由NVIDIA實(shí)驗(yàn)室開發(fā)，專門用于大氣科學(xué)和氣候研究[17]。FourCastNet采用了時空卷積神經(jīng)網(wǎng)絡(luò)（CNNs），能夠捕獲空間上的模式和時間序列的變化。此外，模型還結(jié)合了生成對抗網(wǎng)絡(luò)（GANs），可以準(zhǔn)確預(yù)測高分辨率、快速的時間尺度變量。實(shí)驗(yàn)表明，F(xiàn)ourCastNet可以在幾秒鐘內(nèi)生成對颶風(fēng)、大氣層河流和極端降水等事件的大規(guī)模集合預(yù)報，極大地改善了概率天氣預(yù)報的效果[18]。

MetNet-3是由Google Research和Google DeepMind 聯(lián)合開發(fā)的新型人工智能天氣模型。它具有較高的時間和空間分辨率，能夠從密集和稀疏的數(shù)據(jù)傳感器中學(xué)習(xí)，并提前24 h預(yù)測降水、風(fēng)、溫度和露點(diǎn)，大大擴(kuò)展了基于觀察的神經(jīng)模型可以預(yù)測的前置時間范圍和變量[19]。MetNet-3提供了一個時間平滑且高度精細(xì)的預(yù)報，為基于觀測的神經(jīng)模型樹立了新的性能里程碑。目前MetNet-3已投入運(yùn)行，可生成實(shí)時12 h降水預(yù)報，這些預(yù)報現(xiàn)已在與天氣相關(guān)的Google產(chǎn)品中提供服務(wù)。

盤古氣象大模型由華為云盤古氣象大模型研發(fā)團(tuán)隊開發(fā)，作為首個精度超過傳統(tǒng)數(shù)值預(yù)報方法的AI預(yù)測模型，其預(yù)測速度也有大幅提升。團(tuán)隊提出了適應(yīng)地球坐標(biāo)系統(tǒng)的三維神經(jīng)網(wǎng)絡(luò)來處理復(fù)雜的不均勻3D氣象數(shù)據(jù)，并且使用層次化時域聚合策略來減少預(yù)報迭代次數(shù)[20]，從而減少迭代誤差。通過在1979—2021年的全球天氣數(shù)據(jù)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，盤古氣象大模型在精度和速度方面超越傳統(tǒng)數(shù)值預(yù)測方法。

3" 深度學(xué)習(xí)在短臨降水預(yù)報中的應(yīng)用現(xiàn)狀

從前幾部分的介紹中可以看出，深度學(xué)習(xí)已經(jīng)在短臨降水預(yù)測方面取得了顯著的應(yīng)用效果。Rasp等[21]證明深度學(xué)習(xí)可以演示子網(wǎng)格過程，以提高氣候模型的性能。Chen等[22]提出了具有物理約束的圖神經(jīng)網(wǎng)絡(luò)模型，在中國降水預(yù)報方面有顯著增強(qiáng)。相比于傳統(tǒng)的數(shù)值預(yù)報方式，深度學(xué)習(xí)方法提高了預(yù)測精度，縮短了預(yù)測時間，已成為當(dāng)前領(lǐng)域的一大熱點(diǎn)研究方向。下面將介紹當(dāng)前短臨降水預(yù)報中深度學(xué)習(xí)方法的開發(fā)和應(yīng)用情況。

Deng等[23]采用U-Net的深度學(xué)習(xí)方法，將土壤濕度、海平面氣壓等數(shù)據(jù)作為樣本數(shù)據(jù)集進(jìn)行訓(xùn)練，旨在改善我國汛期降水預(yù)測，U-Net作為CNN模型之一，具有強(qiáng)大的小樣本訓(xùn)練能力。Tu等[24]提出了一種基于氣象研究與預(yù)報（WRF）模式和CNN模型相融合的深度學(xué)習(xí)方法，保留了WRF中的物理特性，同時降低了計算成本，但在計算過程中只有降水這唯一變量，捕捉到的空間特征仍有待增強(qiáng)。Zhou等[25]同樣將CNN模型與數(shù)值預(yù)報模型結(jié)合使用，通過輸入分析大氣環(huán)流因子進(jìn)行降水預(yù)測，但對于預(yù)測因子的選擇仍需進(jìn)一步探討。Ruiter[26]做了一個對比實(shí)驗(yàn)，同時使用CNN和邏輯回歸對輸入預(yù)測圖像進(jìn)行分析輸出，結(jié)果顯示邏輯回歸的預(yù)測性能更優(yōu)。盡管CNN在某些程度上解決了傳統(tǒng)預(yù)報方式的不足，預(yù)測因子和數(shù)據(jù)集的選擇仍對預(yù)測結(jié)果存在影響，深度神經(jīng)網(wǎng)絡(luò)的有效訓(xùn)練需要大量的數(shù)據(jù)和計算，且耗時更長，這可能嚴(yán)重限制對模型開發(fā)和所有可用數(shù)據(jù)的利用研究。為了解決這個問題，Samsi等[27]改進(jìn)了CNN架構(gòu)，實(shí)現(xiàn)數(shù)據(jù)并行化處理，通過使用多個GPU，訓(xùn)練時間縮短了50多倍，利用這種方式可以更好地模擬不斷變化的天氣模式。

Aderyani等[28]比較了LSTM和CNN 2種降雨預(yù)報方法的性能，分別對提前5 min和15 min的降雨事件進(jìn)行分析預(yù)測，結(jié)果表明LSTM方法的性能優(yōu)于CNN。Gope等[29]提出了一種將CNN和LSTM相結(jié)合的方法，以CNN的輸出作為LSTM的輸入。Shi等[30]設(shè)計了一個ConvLSTM 模型，通過用卷積層代替完全連接的層。這2種方法在ConvLSTM模型結(jié)構(gòu)中的融合具有強(qiáng)大的空間和時間數(shù)據(jù)處理能力，證明了該模型在短期降水預(yù)報中的巨大潛力[31]。Kim等人[32]將近年來的雷達(dá)反射率數(shù)據(jù)作為輸入數(shù)據(jù)，采用ConvLSTM預(yù)測1～2 h內(nèi)的降雨信息，結(jié)果表明，該方法的預(yù)測精度優(yōu)于線性回歸。Xiao等[33]將NWP與ConvLSTM相結(jié)合，提出了具有解構(gòu)機(jī)制和多尺度濾波器的新方法模型——MSD-ConvLSTM，該模型為降水預(yù)報提供了一種高效的數(shù)據(jù)驅(qū)動方法。Jihoon等[34]提出了一種基于地面觀測的降水臨近預(yù)報的深度學(xué)習(xí)模型——Attentive Sparse Observation Combiner（ASOC），ASOC結(jié)合了LSTM和Transformer，有效地利用了從多個地面氣象站收集的氣象觀測數(shù)據(jù)，并且捕獲觀測數(shù)據(jù)的時間動態(tài)以及它們之間的密切關(guān)系。

4" 結(jié)束語

深度學(xué)習(xí)模型在降雨預(yù)報領(lǐng)域的應(yīng)用具有很大的潛力，且目前已有部分研究成果投入業(yè)務(wù)使用，但依然存在挑戰(zhàn)，特別是在捕捉區(qū)域降雨模式的時空變化方面。雖然訓(xùn)練后的模型在擬合檢驗(yàn)方面具有較高的準(zhǔn)確性，但訓(xùn)練后的模型不能很好地捕捉輸入數(shù)據(jù)與目標(biāo)數(shù)據(jù)之間的關(guān)系，尤其是面對極端或者突發(fā)降雨事件時，仍無法達(dá)到預(yù)期的結(jié)果。此外，數(shù)據(jù)集的規(guī)模和預(yù)測因子的選擇對模型的訓(xùn)練和發(fā)展也有著舉足輕重的作用。對于特定區(qū)域的小范圍訓(xùn)練數(shù)據(jù)，無法適用于更大的通用模型，容易導(dǎo)致性能缺失。因此，擁有大量的公用數(shù)據(jù)集對模型的訓(xùn)練極為重要。

參考文獻(xiàn)：

[1] 江銘恒，游立軍，翁彬，等.中短期降水預(yù)報的多分支融合卷積神經(jīng)網(wǎng)絡(luò)[J].福建電腦，2024，40（1）：1-8.

[2] HARILAL G T， DIXIT A， QUATTRONE G. Establishing hybrid deep learning models for regional daily rainfall time series forecasting in the United Kingdom[J].Engineering Applications of Artificial Intelligence， 2024：133.

[3] 陳生，黃啟橋，譚金凱，等.基于多尺度特征深度學(xué)習(xí)的短臨降水預(yù)報[J].熱帶氣象學(xué)報，2023，39（6）：799-806.

[4] ZHENG C， TAO Y， ZHANG J， et al. TISE-LSTM： A LSTM model for precipitation nowcasting with temporal interactions and spatial extract blocks[J].Neurocomputing， 2024（Jul.14）：590.

[5] CHANG E， LEE D， et al. Advancements in weather radar technology for improved forecasting[J]. Weather and Forecasting Journal，2020.

[6] LIN W， CHAO F Y， JIANG N L. Application of Doppler Radar Data in Numerical Prediction Model[J].Journal of Meteorological Research and Application，2010.

[7] RAMSEY， PHILIP H .Statistical Methods in the Atmospheric Sciences[J].Technometrics， 2006，38（4）：402-402.

[8] VAN S P， LE H M， THANH D V， et al. Deep learning convolutional neural network in rainfall-runoff modelling[J].Journal of Hydroinformatics，2020.

[9] PADALA R S， ANEESH M， YESWANTH P V， et al. A combined deep CNN-RNN network for rainfall-runoff modelling in Bardha Watershed， India[C]//Artificial Intelligence in Geosciences， 2024，5，100073. ISSN 2666-5441. https：//doi.org/10.1016/j.aiig.2024.100073.

[10] PATEL M， PATEL A， GHOSH R.Precipitation Nowcasting： Leveraging bidirectional LSTM and 1D CNN[J]. 2018.

[11] ELBELTAGI A， SRIVASTAVA A， EHSAN M ，et al. Advanced stacked integration method for forecasting long-term drought severity： CNN with machine learning models[J].Journal of Hydrology： Regional Studies， 2024：53.

[12] CHOWDARY P N ， PINGALI S ， UNNIKRISHNAN P ，et al. Unleashing the Power of Dynamic Mode Decomposition and Deep Learning for Rainfall Prediction in North-East India[C]//International Conference on Computation of Artificial Intelligence amp; Machine Learning. Springer， Cham， 2025.

[13] ATA A， ASANJAN T T， YANG K L， et al. Short-Term Precipitation Forecast Based on the PERSIANN System and LSTM Recurrent Neural Networks[J].Journal of Geophysical Research， D. Atmospheres： JGR， 2018， 123（22）.

[14] SNDERBY C K， ESPEHOLT L， HEEK J， et al. MetNet： A Neural Weather Model for Precipitation Forecasting[J].2020.

[15] KLOCEK S， DONG H， DIXON M， et al.MS-nowcasting： Operational Precipitation Nowcasting with Convolutional LSTMs at Microsoft Weather[J].2021.

[16] AL-SELWI S M ， HASSAN M F ， ABDULKADIR S J ，et al. RNN-LSTM： From applications to modeling techniques and beyond-Systematic review[J].Journal of King Saud University - Computer and Information Sciences， 2024，36（5）.

[17] PATHAK J， SUBRAMANIAN S， HARRINGTON P ，et al. FourCastNet： A Global Data-driven High-resolution Weather Model using Adaptive Fourier Neural Operators[J]. 2022.

[18]" KURTH T， SUBRAMANIAN S， HARRINGTON P， et al. FourCastNet： Accelerating Global High-Resolution Weather Forecasting Using Adaptive Fourier Neural Operators[J].Proceedings of the Platform for Advanced Scientific Computing Conference， 2022.

[19] ANDRYCHOWICZ" M， ESPEHOLT" L， LI D， et al. Deep Learning for Day Forecasts from Sparse Observations[J]. arXiv preprint arXiv：2306.06079，2023.

[20] BI K， XIE L， ZHANG H， et al. Accurate medium-range global weather forecasting with 3D neural networks[J].Nature， 2023（619）：533-538.

[21] RASP S， PRITCHARD MS， GENTINE P. Deep learning to represent subgrid processes in climate models[J]. Proc Natl Acad Sci U S A. 2018 Sep 25;115（39）：9684-9689.

[22] CHEN， Y， WANG， Y， HUANG， G， et al. Coupling physical factors for precipitation forecast in China with graph neural network[J]. Geophysical Research Letters， 2024：51.

[23] DENG Q M， LU P R， ZHAO S Y， et al. U-Net： A deep-learning method for improving summer precipitation forecasts in China[J].大氣和海洋科學(xué)快報：英文版， 2023，16（4）：8-14.

[24] TU T， ISHIDA K， ERCAN A， et al. Hybrid precipitation downscaling over coastal watersheds in Japan using WRF and CNN[J].2021. Journal of Hydrology： Regional Studies， 2021， 37.

[25] ZHOU J H， LIU F. Improving subseasonal forecasting of East Asian" monsoon precipitation with deep learning[J].Atmospheric and Oceanic Science Letters.

[26] RUITER B D .Post-processing Multi-Model Medium-Term Precipitation Forecasts Using Convolutional Neural Networks[J]. 2021.

[27] SAMSI S， MATTIOLI C J， VEILLETTE M S. Distributed Deep Learning for Precipitation Nowcasting[C]//2019.

[28] ADARYANI F R， MOUSAVI S J， JAFARI F. Short-term rainfall forecasting using machine learning-based approaches of PSO-SVR， LSTM and CNN[J].Journal of Hydrology， 2022， 614（Pt.A）.

[29] GOPE P M S， SARKAR S. Prediction of extreme rainfall using hybrid convolutional long short term memory networks[J].Proceedings of the 6th International Workshop on Climate Informatics：CI 2016.

[30] SHI X， CHEN Z， WANG H，et al. Convolutional LSTM Network： A Machine Learning Approach for Precipitation Nowcasting[J].MIT Press， 2015.

[31] DEMETRAKOPOULOS， P. Short-term Precipitation Forecasting in The Netherlands： An Application of Convolutional LSTM neural networks to weather radar data[J]. arXiv preprint arXiv：2312.01197，2023.

[32] KIM S， HONG S， JOH M， et al. DeepRain： ConvLSTM Network for Precipitation Prediction using Multichannel Radar Data[J]. 2017.

[33] XIAO X， KUANG Q， XIANG S， et al. Precipitation Forecasting via Multi-Scale Deconstructed ConvLSTM[J]. 2019.

[34] JIHOON K， KYUHAN L， HYUNJIN H， et al. Deep-learning-based precipitation nowcasting with ground weather station data and radar data[J]. arXiv preprint arXiv：2210.12853， 2022.