短時強降水智能臨近預(yù)報的一種新型眾創(chuàng)機制

魏曉琳 陳訓(xùn)來 江崟 李輝 毛夏

（作者單位：魏曉琳、陳訓(xùn)來、李輝、毛夏，深圳市氣象局；江崟，深圳市國家氣候觀象臺）

為促進人工智能（AI）技術(shù)在天氣預(yù)報上的應(yīng)用，深圳市氣象局連續(xù)兩年（2017—2018年）通過與阿里巴巴公司、香港天文臺合作，共同組織了短時強降水智能臨近預(yù)報為主題的“全球AI氣象挑戰(zhàn)賽”，征集到卷積神經(jīng)網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)、決策樹模型等基于AI技術(shù)的短時強降水臨近預(yù)報方法，形成了一種新型的社會化眾創(chuàng)機制。

短時強降水是指1 h雨量大于等于20 mm的降水事件，其導(dǎo)致的主要災(zāi)害是暴洪，是所有氣象相關(guān)災(zāi)害中發(fā)生頻次最高且導(dǎo)致傷亡最多的災(zāi)害，臨近預(yù)報則是指短時間內(nèi)（0～6 h，其中0～2 h為重點）發(fā)生明顯變化的天氣現(xiàn)象的預(yù)報，包括雷暴、強對流、降水和沙塵暴等。由于致災(zāi)程度高，雷暴和強對流是研究最多的、最具挑戰(zhàn)性的臨近預(yù)報研究對象，從實際業(yè)務(wù)的角度看，目前對大多數(shù)雷暴和強對流天氣的高時空分辨率的可用預(yù)報和警報時效仍然不超過2 h。研究表明，基于高分辨率的天氣預(yù)報模式WRF（Weather Research and Forecasting）以及逐時同化雷達、GPS水汽、風(fēng)廓線等觀測資料后，利用深圳稠密的自動氣象站監(jiān)測數(shù)據(jù)針對短時強降水的定時定量預(yù)報的嚴(yán)格TS評分顯示，第一小時的降水臨近預(yù)報的準(zhǔn)確率在10%以下，第二小時起準(zhǔn)確率均在3%以下。因此對于短時強降水的短臨預(yù)報，特別是第二小時開始的臨近預(yù)報是天氣預(yù)報中的重點和難點問題。

傳統(tǒng)的臨近預(yù)報技術(shù)主要是基于多普勒天氣雷達觀測數(shù)據(jù)并結(jié)合其他資料對雷暴生成、發(fā)展和衰減過程的臨近預(yù)報。新一代天氣雷達由于可探測大氣中的多種天氣系統(tǒng)及其結(jié)構(gòu)，由于其大功率、高靈敏度和全相參性能，能可靠地定量測量降水以及降水的生消、演變、范圍、強弱以及降水分布，在臨近天氣預(yù)報和災(zāi)害性天氣警報方面有著很高的應(yīng)用價值。利用新一代天氣雷達進行臨近預(yù)報的方法有外推法、相似法、經(jīng)驗預(yù)報、降水的定量估測及預(yù)報、通過同化雷達資料利用中尺度數(shù)值模式開展數(shù)值臨近預(yù)報等，雖然我國強對流天氣短時臨近預(yù)報業(yè)務(wù)已經(jīng)取得了巨大進展，但在強對流天氣的監(jiān)測技術(shù)、快速同化更新的數(shù)值預(yù)報和集合數(shù)值預(yù)報支撐技術(shù)、強對流天氣預(yù)報檢驗技術(shù)、強對流天氣機理研究和氣候時空分布特征分析等方面仍然面臨很多挑戰(zhàn)。

近年來，人工智能技術(shù)發(fā)展較快，在天氣預(yù)報領(lǐng)域的應(yīng)用，無論在國內(nèi)外均持續(xù)受到關(guān)注，并被認(rèn)為是較為適合處理天氣預(yù)報這類復(fù)雜問題的有效方法。面對復(fù)雜的大氣系統(tǒng)的演變，與傳統(tǒng)的臨近預(yù)報方法從探尋大氣運動的本質(zhì)規(guī)律出發(fā)不同，人工智能具有針對模糊、不確定性問題進行分析、聯(lián)想、記憶學(xué)習(xí)和推斷的能力，在氣象領(lǐng)域的應(yīng)用已具有較寬的覆蓋面，從探測、數(shù)據(jù)處理、預(yù)報預(yù)測、到服務(wù)產(chǎn)品均有涉及，可通過大數(shù)據(jù)分析、信息識別、機器學(xué)習(xí)等技術(shù)解決各類難以通過數(shù)理模型直接給出確定性方案的復(fù)雜問題。AI技術(shù)除了通過機器學(xué)習(xí)解決預(yù)報模式中的不確定因素外，另一個明顯優(yōu)勢是對各類復(fù)雜信息的識別與處理，可以改進模式初始信息的質(zhì)量，也可以通過對信息的識別與學(xué)習(xí)開展短時臨近預(yù)報。Shi Xingjian等通過機器深度學(xué)習(xí)，模擬雷達回波未來2 h的移動路徑，較傳統(tǒng)基于光流矢量計算方法預(yù)測雷達回波移動具有了新的優(yōu)勢。Yao and Li等采用卷積神經(jīng)網(wǎng)絡(luò)技術(shù)，結(jié)合了尺度不變的特征變換和泰勒凍結(jié)假設(shè)相結(jié)合的云團軌跡追蹤技術(shù)，基于雷達資料對第二小時的單點強降水預(yù)報取得良好的效果。

為促進傳統(tǒng)的天氣預(yù)報方法與AI技術(shù)的融合應(yīng)用，深圳市氣象局自2017年起建立了一種新型的眾創(chuàng)機制，通過在阿里巴巴的天池平臺上發(fā)布標(biāo)準(zhǔn)雷達數(shù)據(jù)集，面向全球舉辦AI氣象挑戰(zhàn)賽，吸引從事AI、機器學(xué)習(xí)的人才到平臺上來針對短時強降水智能臨近預(yù)報問題發(fā)展原創(chuàng)的算法。在2017—2018年的實踐經(jīng)驗中，取得了一定的成效。

1 全球AI氣象挑戰(zhàn)賽介紹

1.1 2017年賽事組織概況

1.1.1 主辦方、賽題和數(shù)據(jù)集

2017年，深圳市氣象局以短時強降水智能臨近預(yù)報技術(shù)為突破點，聯(lián)合阿里云計算有限公司和CIKM2017（第26屆信息與知識管理國際會議）作為主辦方，首次組織了以短時強降水智能臨近預(yù)報為主題的挑戰(zhàn)賽，引導(dǎo)社會力量參與氣象智能預(yù)報技術(shù)研究。在賽題的選擇上，針對目前短時臨近預(yù)報方法對短時強降水的定時、定點、定量預(yù)報能力有限，尤其是第二小時以后的預(yù)報準(zhǔn)確率顯著下降的特點，以提高單點短時強降水的臨近預(yù)報精準(zhǔn)度為目標(biāo)，提出了“單點短時定量降水預(yù)測”的賽題。

競賽使用的數(shù)據(jù)集共包含14000組數(shù)據(jù)，其中1萬組為訓(xùn)練數(shù)據(jù)集，另外各2000組作為測試數(shù)據(jù)集，分別用于比賽第一階段和第二階段的競賽。其中訓(xùn)練數(shù)據(jù)集包含雷達數(shù)據(jù)和目標(biāo)站點的第一至第二小時之間的降水量，而測試數(shù)據(jù)集僅包含雷達數(shù)據(jù)。選手需根據(jù)主辦方提供的1萬組訓(xùn)練數(shù)據(jù)集通過機器學(xué)習(xí)等方法進行訓(xùn)練，建立算法模型，然后對第一和第二階段的測試數(shù)據(jù)給出未來第一至第二小時之間的降水量的預(yù)測。

數(shù)據(jù)集的編制基于廣東省2014—2016年3年的歷史多普勒雷達拼圖數(shù)據(jù)（數(shù)據(jù)已做脫敏處理），以自動站小時雨量≥20 mm為主要指標(biāo)，通過時空抽稀和隨機選取等方式確定了14000個目標(biāo)自動站點及目標(biāo)時刻，以目標(biāo)站點為中心提取水平方向上100 km×100 km的正方形、垂直方向上共4層（從0.5～3.5 km每隔1 km）、目標(biāo)時刻過去1.5 h內(nèi)逐6 min的雷達回波圖，在訓(xùn)練數(shù)據(jù)集中每組數(shù)據(jù)還提供了目標(biāo)站點在目標(biāo)時刻未來1和2 h的降水量數(shù)據(jù)（圖1），評測的方法為均方根誤差，均方根誤差越小排名越靠前。

圖1 2017年全球AI氣象挑戰(zhàn)賽賽題示意圖

1.1.2 比賽規(guī)則及結(jié)果

除主辦方內(nèi)部工作人員外，任何人均可參賽。競賽分為發(fā)布訓(xùn)練數(shù)據(jù)與第一階段測試數(shù)據(jù)集、第一階段比賽、第二階段比賽、入圍選手提交報告和源代碼及公布成績4個階段。在第一階段、第二階段比賽期間，參賽選手可以提交盡可能多的結(jié)果，以第二階段的歷史提交最優(yōu)的一次結(jié)果作為最終的比賽成績。

經(jīng)CIKM2017大會組委會評審，深圳市氣象局聯(lián)合阿里云共同組織的挑戰(zhàn)賽被確定為由國際計算機學(xué)會（ACM）于2017年11月在新加坡主辦的第26屆CIKM 國際會議的四大賽題之一，并通過CIKM國際會議官網(wǎng)和阿里天池平臺向國內(nèi)外同時公布賽題和數(shù)據(jù)，比賽時間持續(xù)近半年，最后共有來自中國、新加坡、美國、英國以及港澳臺等10余個國家和地區(qū)的1395個團隊、1650人參加，參賽團隊包括清華大學(xué)、新加坡國立大學(xué)，香港科技大學(xué)、中國科學(xué)院等國內(nèi)外著名高校院所以及高科技企業(yè)的專家和研究人員。參賽團隊充分應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)、決策樹模型等深度學(xué)習(xí)算法，不斷優(yōu)化結(jié)果，總共提交了多達7917次的評估結(jié)果，前三名隊伍及成績見表1。

第一名清華大學(xué)團隊采用卷積神經(jīng)網(wǎng)絡(luò)技術(shù)，結(jié)合了尺度不變的特征變換和泰勒凍結(jié)假設(shè)相結(jié)合的云團軌跡追蹤技術(shù)，預(yù)報效果明顯高于其他團隊，比賽最終成績較大賽提供的RMSE基準(zhǔn)線14.69減小了3.7，這對氣象部門開展強降水的智能預(yù)報技術(shù)研究提供了借鑒和參考。在CIKM國際會議期間，大會組委會安排氣象智能預(yù)報挑戰(zhàn)賽專題分會場報告，得到了大數(shù)據(jù)、人工智能等研究人員的廣泛關(guān)注。

表1 2017年全球AI氣象挑戰(zhàn)賽獲獎隊伍及成績

1.2 2018年賽事組織概況

1.2.1 主辦方、賽題和數(shù)據(jù)集

2018年香港天文臺加入賽事，由深圳市氣象局、香港天文臺、阿里云計算有限公司和IEEE ICDM2018國際會議4家聯(lián)合主辦，IEEE ICDM的全稱是IEEE International Conference on Data Mining，為數(shù)據(jù)挖掘領(lǐng)域的三大頂級國際會議。IEEE ICDM提供了一個展示原創(chuàng)研究成果的國際論壇，研究范圍涉及數(shù)據(jù)挖掘與人工智能領(lǐng)域的許多內(nèi)容，包括算法、軟件和系統(tǒng)以及應(yīng)用程序等，吸引了大量數(shù)據(jù)挖掘與人工智能相關(guān)領(lǐng)域的研究人員和應(yīng)用程序開發(fā)人員，涵蓋統(tǒng)計學(xué)、機器學(xué)習(xí)、模式識別、數(shù)據(jù)庫和數(shù)據(jù)倉庫、數(shù)據(jù)可視化、高性能計算等各個學(xué)科和領(lǐng)域。此次ICDM2018主辦的大數(shù)據(jù)競賽有兩項，其中之一為全球AI氣象挑戰(zhàn)賽，另一賽題為美國麻省理工學(xué)院主辦的多用途語音識別大數(shù)據(jù)競賽。

經(jīng)精心設(shè)計，2018年的賽題由2017年的“由面到點”（即由雷達回波圖預(yù)測單點降水）難度加大為“由面到面”（即由雷達回波圖預(yù)測雷達回波圖）。數(shù)據(jù)集的量顯著加大，融入香港的雷達數(shù)據(jù)，選取2010—2017年前汛期廣東及香港的雷達數(shù)據(jù)，數(shù)據(jù)集采取灰度的國際通用標(biāo)準(zhǔn)數(shù)據(jù)格式，構(gòu)成標(biāo)準(zhǔn)雷達數(shù)據(jù)集SRAD2018（Standardized Radar Dataset 2018），SRAD2018共提供32萬組數(shù)據(jù)，其中30萬組為訓(xùn)練數(shù)據(jù)集，另外各1萬組為初賽和決賽的測試數(shù)據(jù)集，訓(xùn)練數(shù)據(jù)集的個例數(shù)量為2017年的30倍。訓(xùn)練數(shù)據(jù)集的每一組數(shù)據(jù)包括有61張雷達圖像，空間分辨率為1 km，時間分辨率為6 min。而初賽和決賽的測試數(shù)據(jù)集的每組數(shù)據(jù)僅提供前3 h、間隔6 min的雷達數(shù)據(jù)，選手需要預(yù)測每組數(shù)據(jù)在后3 h內(nèi)以30 min為間隔的雷達圖像結(jié)果（圖2）。在評測辦法上，為了提高征集到的算法在實際業(yè)務(wù)中的應(yīng)用價值，基于Heidke技巧評分（Heidke skill score，HSS）（其說明可參考http://www.cawcr.gov.au/projects/verification/），深圳市氣象局和香港天文臺聯(lián)合對HSS方法進行改進，當(dāng)預(yù)報時效越長和強度越大，則所占的評分比重越高。

圖2 2018年全球AI氣象挑戰(zhàn)賽賽題示意圖

1.2.2 比賽規(guī)則及結(jié)果

與2017年相同，大賽面向全社會開放報名，除主辦方內(nèi)部工作人員外任何人士均可參賽。選手可1～4人組隊參賽，每位選手只能加入一支隊伍，否則會被取消參賽資格；除官方發(fā)布的SRAD2018數(shù)據(jù)集外，如參賽者還使用了其他數(shù)據(jù)信息將被視為作弊并取消參賽資格。與2017年相同，競賽同樣分為4個階段，取第二階段的歷史提交最優(yōu)的結(jié)果為代表隊最終成績。

2018年5月23日深港氣象部門通過阿里云天池平臺再度發(fā)起全球AI氣象挑戰(zhàn)賽，前后歷時6個月，影響力持續(xù)提升，共有來自全球45個國家和地區(qū)的1739支隊伍、2012名選手參加，其中海外選手243人，覆蓋45個國家和地區(qū)（含港、澳、臺），共有114支隊伍產(chǎn)出有效成績，選手分布42%為學(xué)生，5%為教職工、科研人員，29%為公司職員，24%為其他。53%的選手具有碩士及以上學(xué)歷，參賽團隊來自北京大學(xué)、中國科學(xué)院、香港中文大學(xué)、加州大學(xué)洛杉磯分校、康奈爾大學(xué)、新加坡國立大學(xué)等國內(nèi)外著名高校院所以及高科技企業(yè)。根據(jù)參賽團隊提交的技術(shù)報告和源程序，2018全球AI氣象挑戰(zhàn)賽組委會組織專家進行了審核，從程序復(fù)現(xiàn)運行結(jié)果一致性、技術(shù)原創(chuàng)性、文檔完整性、技術(shù)合理和業(yè)務(wù)可行性等方面綜合評審，來自香港中文大學(xué)（深圳）、中山大學(xué)等單位和個人獲本年度全球AI氣象挑戰(zhàn)賽的前3名（表2），此次賽事征集到基于trajectory GRU、Conv2D LSTM以及傳統(tǒng)光流法等針對賽題進行原創(chuàng)改進的智能臨近預(yù)報算法，以本次競賽的數(shù)據(jù)評分效果來看，基于AI方法的評分高于光流法的評分，顯示了人工智能技術(shù)在解決臨近預(yù)報難題中的巨大潛力。

表2 2018年全球AI氣象挑戰(zhàn)賽獲獎隊伍及成績

2018與2017年最大的不同點在于題目的難度增加、數(shù)據(jù)量顯著加大，2017年是由多層雷達回波圖預(yù)測單點的降水，而2018年是由雷達回波圖預(yù)測雷達回波圖，在實際的短臨預(yù)報業(yè)務(wù)中，顯然后者更為實用，征集的算法可以迅速投入業(yè)務(wù)使用，實踐證明在競賽中，人工智能的算法獲得了冠軍，表現(xiàn)優(yōu)于傳統(tǒng)的光流法，當(dāng)然這仍需在實際業(yè)務(wù)中進行更多的檢驗。

1.3 對標(biāo)國際一流，建立了一種短時強降水臨近預(yù)報的新型眾創(chuàng)機制

連續(xù)兩年的全球AI氣象挑戰(zhàn)賽參考和借鑒了ImageNet的發(fā)展軌跡，ImageNet項目是世界上圖像識別最大的數(shù)據(jù)庫，提供了超過1400萬個圖像，自2010年以來，該項目每年舉辦一次軟件比賽，即ImageNet大規(guī)模視覺識別挑戰(zhàn)賽（ILSVRC），競賽在給定的數(shù)據(jù)集上評估其算法，并在幾項視覺識別任務(wù)中爭奪更高的準(zhǔn)確性，2010—2017年短短幾年時間里，物體分類冠軍的精確度從 71.8% 上升到 97.3%，超越了人類物體分類水平，也有力證明了更大的數(shù)據(jù)會帶來更好的決策（https://www.sohu.com/a/160316515_680198）。

2017—2018年深圳市氣象局聯(lián)合香港天文臺、阿里云計算有限公司通過全球AI氣象挑戰(zhàn)賽的成功舉辦已經(jīng)初步構(gòu)建了從發(fā)布數(shù)據(jù)集、提供算法運行環(huán)境和計算存儲空間，吸引位于全世界各地的從事AI技術(shù)的專業(yè)人員到平臺上針對智能臨近預(yù)報的賽題提交原創(chuàng)算法，在給定的數(shù)據(jù)集上評估其算法的新型的社會化眾創(chuàng)機制。從眾創(chuàng)的結(jié)果來看，征集到卷積神經(jīng)網(wǎng)絡(luò)、trajectory GRU、Conv2D LSTM等人工智能算法用于解決氣象上降水臨近預(yù)報難題，并且在競賽給定的個例中，總體表現(xiàn)上智能臨近預(yù)報方法優(yōu)于傳統(tǒng)的光流法。

2 眾創(chuàng)機制未來的發(fā)展方向展望

2.1 持續(xù)完善數(shù)據(jù)集及算法評測方法

ImageNet創(chuàng)始人李飛飛教授指出：構(gòu)建優(yōu)良數(shù)據(jù)集的工作是 AI 研究的核心，數(shù)據(jù)和算法一樣至關(guān)重要（https://www.sohu.com/a/160316515_680198）。因此數(shù)據(jù)集是人工智能天氣預(yù)報中至為重要的一環(huán)，未來將致力于從以下幾個方面進一步完善：一是將現(xiàn)有的30萬組標(biāo)準(zhǔn)雷達數(shù)據(jù)集，擴展為百萬量級以上的數(shù)據(jù)集，這需要將當(dāng)前粵港澳的雷達數(shù)據(jù)拓展至更大的空間范圍；二是采取更嚴(yán)格、更適用于AI算法研發(fā)的雷達數(shù)據(jù)控制技術(shù)，對雷達基數(shù)據(jù)帶來的雜波、缺值等做更精心的處理，最大限度降低對機器學(xué)習(xí)帶來的干擾；三是對智能臨近預(yù)報的客觀評價算法繼續(xù)優(yōu)化，使評分的結(jié)果與預(yù)報員的主觀感受更匹配；四是繼續(xù)完善標(biāo)準(zhǔn)雷達數(shù)據(jù)集下載、使用以及人工智能算法共享的使用條款。

2.2 創(chuàng)建AIMNet平臺

針對眾創(chuàng)機制未來的發(fā)展方向，我們的構(gòu)想是在現(xiàn)有的眾創(chuàng)機制的基礎(chǔ)上，創(chuàng)建致力于解決氣象業(yè)務(wù)難題的社會化眾包平臺AIMNet，英文AIMNet的含義即基于AI技術(shù)針對性的解決氣象難題（Meteorology）的網(wǎng)絡(luò)平臺。該平臺將主要包含如下幾種功能：一是持續(xù)更新發(fā)布標(biāo)準(zhǔn)雷達數(shù)據(jù)集，并向全球征集經(jīng)過質(zhì)量控制的雷達數(shù)據(jù)，按照開源、脫密、共享、共研、共用、格式統(tǒng)一的原則匯集更多國家和地區(qū)的雷達基礎(chǔ)數(shù)據(jù)，形成人工智能訓(xùn)練資源庫；二是與超算中心合作，為AIMNet平臺提供算法運行環(huán)境和計算存儲資源，吸引從事人工智能研究的人員到平臺上提交原創(chuàng)或改進的臨近預(yù)報算法，形成短時強降水智能臨近預(yù)報算法庫；三是提供客觀的、專業(yè)的評測方法，對進入平臺上的短時強降水智能臨近預(yù)報算法進行客觀評分，形成產(chǎn)品排行榜及產(chǎn)品超市；四是將征集優(yōu)選的算法在全國氣象部門推廣落地應(yīng)用，并由氣象業(yè)務(wù)部門提供應(yīng)用反饋的意見。最終，通過AIMNet平臺的搭建，形成短時強降水智能臨近預(yù)報的大數(shù)據(jù)資源庫、算法征集、客觀優(yōu)選、應(yīng)用反饋的社會化眾創(chuàng)機制的良性閉環(huán)，促進AI與天氣預(yù)報的高度融合和螺旋式上升發(fā)展。

3 結(jié)論

本文總結(jié)了2017—2018年深圳市氣象局與阿里巴巴公司、香港天文臺（2018年參與）聯(lián)合主辦的全球AI氣象挑戰(zhàn)賽，總結(jié)了挑戰(zhàn)賽的經(jīng)驗和成果，并展望了未來發(fā)展的思路和理念，主要結(jié)論如下。

1）在人工智能與氣象這種交叉融合的新興技術(shù)上，氣象專業(yè)人員缺乏人工智能領(lǐng)域的專業(yè)知識，迫切需要通過技術(shù)的融合，促進智能臨近預(yù)報的快速發(fā)展。全球AI氣象挑戰(zhàn)賽的成功舉辦顯示了一種新型的短時強降水智能臨近預(yù)報的眾創(chuàng)機制已初見雛形和成效，有效激發(fā)了從事AI的專業(yè)人士研究氣象問題，并征集到一些優(yōu)秀的人工智能算法為氣象所用，尤其是2018年征集到的算法可直接在業(yè)務(wù)中投入使用。

2）未來智能臨近預(yù)報的發(fā)展，數(shù)據(jù)和算法同樣重要，深圳市氣象局將通過AIMNet平臺的創(chuàng)建和發(fā)展，著力推動標(biāo)準(zhǔn)雷達數(shù)據(jù)集的共享共用以倍數(shù)級增長，吸引更多AI技術(shù)人員參與短時強降水智能臨近預(yù)報算法的發(fā)展，在統(tǒng)一的平臺上，依托相同的大數(shù)據(jù)和評測方法，形成客觀、權(quán)威的評分和排序，優(yōu)選的算法將在全國氣象部門內(nèi)進行落地應(yīng)用，形成問題的提出、解決、反饋的良性發(fā)展閉環(huán)。

3）未來AIMNet平臺的創(chuàng)建除了可以促進氣象部門行業(yè)內(nèi)的應(yīng)用，同時也將搭建權(quán)威的、公開的平臺，成效突出的算法可以迅速在平臺上獲得商用價值的認(rèn)可和應(yīng)用，促進商業(yè)氣象經(jīng)濟的發(fā)展。

致謝：本項目由國家重點研發(fā)計劃(2016YFC0203602)資助。

深入閱讀

Shi X, Chen Z, Wang H, et al, 2015. Convolutional LSTM network:a machine learning approach for precipitation nowcasting.Proceedings of the 28th International Conference on Neural Information Processing Systems. Montreal: MIT Press.

Shi X, Gao Z, Lausen L, et al, 2017. Deep learning for precipitation nowcasting: a benchmark and a new model. Proceedings of the 31th Conference on Neural Information Processing Systems.Long Beach, CA, USA.

Wilson J W, Feng Y R, Chen M, et al, 2010. Nowcasting challenges during the Beijing Olympics: Success, failures, and implications for future nowcasting systems. Weather and Forecasting, 25:1691-1714.

Yao Y, Li Z, 2017. Short-term precipitation forecasting based on radar reflectivity images. Proceedings of International Conference on Information and Knowledge Management. Shenzhen Meteorological Bureau.

段鶴, 夏文梅, 蘇曉力, 等, 2014. 短時強降水特征統(tǒng)計及臨近預(yù)警.氣象, 40(10): 1194-1206.

許小峰, 2018. 從物理模型到智能分析——降低天氣預(yù)報不確定性的新探索. 氣象, 44(3): 341-350.

俞小鼎, 2013. 短時強降水臨近預(yù)報的思路與方法. 暴雨災(zāi)害,32(3): 202-208.

俞小鼎, 周小剛, 王秀明, 2012. 雷暴與強對流臨近天氣預(yù)報技術(shù)進展. 氣象學(xué)報, 70(3): 311-337.

張蕾, 王明潔, 李輝, 2015. 短時強降水臨近預(yù)報相對準(zhǔn)確率的探討. 廣東氣象, 37(2): 1-6.

張沛源, 楊洪平, 胡紹萍, 2008. 新一代天氣雷達在臨近預(yù)報和災(zāi)害性天氣警報中的應(yīng)用. 氣象, 34(1): 3-11.

鄭永光, 張小玲, 周慶亮, 等, 2010. 強對流天氣短時臨近預(yù)報業(yè)務(wù)技術(shù)進展與挑戰(zhàn). 氣象, 36(7): 33-42.