基于深度學(xué)習(xí)的短臨降水預(yù)報(bào)應(yīng)用研究

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(gè)領(lǐng)域投入實(shí)際業(yè)務(wù)使用。提升短臨降水預(yù)報(bào)的精確度是當(dāng)前天氣預(yù)報(bào)領(lǐng)域最為艱巨的任務(wù)，傳統(tǒng)預(yù)報(bào)方式已無(wú)法應(yīng)對(duì)當(dāng)前急劇變化的天氣狀況?；谏疃葘W(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(bào)方式的缺陷，它利用復(fù)雜的網(wǎng)絡(luò)來(lái)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(bào)方面的應(yīng)用情況，對(duì)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(bào)；神經(jīng)網(wǎng)絡(luò)；ConvLSTM；數(shù)據(jù)集

中圖分類號(hào)：P457.6""""" 文獻(xiàn)標(biāo)志碼：A""""""""" 文章編號(hào)：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(bào)的準(zhǔn)確性一直是天氣預(yù)報(bào)領(lǐng)域最為迫切的任務(wù)。短臨降水預(yù)報(bào)的有效應(yīng)用極大地影響著社會(huì)的生產(chǎn)生活，同時(shí)精確的預(yù)報(bào)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(bào)是一個(gè)復(fù)雜的過(guò)程，由于在不同的時(shí)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(bào)的準(zhǔn)確率一直是預(yù)報(bào)領(lǐng)域的痛點(diǎn)。近年來(lái)，人們對(duì)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(bào)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(lái)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(guò)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(guò)程，在改善天氣預(yù)報(bào)方面得到了有效的應(yīng)用[2]。時(shí)至今日，人們將深度學(xué)習(xí)技術(shù)應(yīng)用于天氣預(yù)報(bào)的興趣日益濃厚?，F(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(bào)方法

1.1" 數(shù)值天氣預(yù)報(bào)

數(shù)值天氣預(yù)報(bào)是一種定量的和客觀的預(yù)報(bào)，早在20世紀(jì)70年代，數(shù)值天氣預(yù)報(bào)得以真正實(shí)現(xiàn)業(yè)務(wù)應(yīng)用。盡管數(shù)值預(yù)報(bào)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(guò)低，無(wú)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(guò)高的計(jì)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(duì)流事件）的短期預(yù)報(bào)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(guò)雷達(dá)回波的強(qiáng)度、速度和方向等信息，可以實(shí)時(shí)監(jiān)測(cè)降水的強(qiáng)度、類型和范圍，為短時(shí)天氣預(yù)報(bào)提供數(shù)據(jù)支持[5]。但對(duì)于一些微觀氣象現(xiàn)象或復(fù)雜天氣系統(tǒng)的預(yù)測(cè)精度有限，若處于惡劣天氣條件下，雷達(dá)的觀測(cè)能力可能會(huì)受到影響[6]，從而降低預(yù)報(bào)的準(zhǔn)確性。

1.3" 統(tǒng)計(jì)預(yù)報(bào)方法

統(tǒng)計(jì)預(yù)報(bào)方法是一種利用歷史觀測(cè)數(shù)據(jù)和統(tǒng)計(jì)模型來(lái)進(jìn)行天氣預(yù)測(cè)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(jì)模型的準(zhǔn)確性來(lái)進(jìn)行預(yù)測(cè)[7]。對(duì)于短期天氣預(yù)測(cè)，該方法可以提供一定的參考價(jià)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(bào)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(cè)精度的提高，在降雨時(shí)間序列預(yù)測(cè)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(shí)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(cè)。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(cè)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(shì)來(lái)提高降雨預(yù)報(bào)的準(zhǔn)確性，這些模型為建立復(fù)雜的、突變的降雨趨勢(shì)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(gè)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(jì)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(guò)程中起著重要的作用，故這一特征對(duì)降水過(guò)程的建模及數(shù)據(jù)分析非常有益[10]，能夠大大減少計(jì)算成本，提高預(yù)報(bào)分析的效率。

2.2" 長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）

長(zhǎng)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(zhǎng)期依賴關(guān)系，同時(shí)處理短期和長(zhǎng)期依賴關(guān)系。LSTM使用稱為“門”的結(jié)構(gòu)來(lái)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?tīng)顟B(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(zhǎng)于時(shí)間序列建模，在降水預(yù)測(cè)方面已多有應(yīng)用[12]。Ata等[13]將LSTM用于降水估計(jì)和預(yù)報(bào)，Snderby等[14]基于多個(gè)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(cè)模型。Klocek等[15]將ConvLSTM與數(shù)值模型相結(jié)合，提高了降水長(zhǎng)期預(yù)測(cè)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(shí)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(guò)去收集的數(shù)據(jù)建立預(yù)測(cè)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(bào)、語(yǔ)音識(shí)別等多個(gè)領(lǐng)域被應(yīng)用于實(shí)際研究工作，并且預(yù)測(cè)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(bào)模型

在過(guò)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(bào)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(bào)模型，如MetNet-3、FourCastNet、盤古氣象大模型等。下面簡(jiǎn)要介紹這些模型，以深入了解其架構(gòu)及特點(diǎn)。

FourCastNet是一個(gè)基于傅里葉預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)模型，由NVIDIA實(shí)驗(yàn)室開(kāi)發(fā)，專門用于大氣科學(xué)和氣候研究[17]。FourCastNet采用了時(shí)空卷積神經(jīng)網(wǎng)絡(luò)（CNNs），能夠捕獲空間上的模式和時(shí)間序列的變化。此外，模型還結(jié)合了生成對(duì)抗網(wǎng)絡(luò)（GANs），可以準(zhǔn)確預(yù)測(cè)高分辨率、快速的時(shí)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(duì)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(bào)，極大地改善了概率天氣預(yù)報(bào)的效果[18]。

MetNet-3是由Google Research和Google DeepMind 聯(lián)合開(kāi)發(fā)的新型人工智能天氣模型。它具有較高的時(shí)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(cè)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(cè)的前置時(shí)間范圍和變量[19]。MetNet-3提供了一個(gè)時(shí)間平滑且高度精細(xì)的預(yù)報(bào)，為基于觀測(cè)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(shí)12 h降水預(yù)報(bào)，這些預(yù)報(bào)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(duì)開(kāi)發(fā)，作為首個(gè)精度超過(guò)傳統(tǒng)數(shù)值預(yù)報(bào)方法的AI預(yù)測(cè)模型，其預(yù)測(cè)速度也有大幅提升。團(tuán)隊(duì)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(lái)處理復(fù)雜的不均勻3D氣象數(shù)據(jù)，并且使用層次化時(shí)域聚合策略來(lái)減少預(yù)報(bào)迭代次數(shù)[20]，從而減少迭代誤差。通過(guò)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(cè)方法。

3" 深度學(xué)習(xí)在短臨降水預(yù)報(bào)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(cè)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(guò)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(guó)降水預(yù)報(bào)方面有顯著增強(qiáng)。相比于傳統(tǒng)的數(shù)值預(yù)報(bào)方式，深度學(xué)習(xí)方法提高了預(yù)測(cè)精度，縮短了預(yù)測(cè)時(shí)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(bào)中深度學(xué)習(xí)方法的開(kāi)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(guó)汛期降水預(yù)測(cè)，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(bào)（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(shí)降低了計(jì)算成本，但在計(jì)算過(guò)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(bào)模型結(jié)合使用，通過(guò)輸入分析大氣環(huán)流因子進(jìn)行降水預(yù)測(cè)，但對(duì)于預(yù)測(cè)因子的選擇仍需進(jìn)一步探討。Ruiter[26]做了一個(gè)對(duì)比實(shí)驗(yàn)，同時(shí)使用CNN和邏輯回歸對(duì)輸入預(yù)測(cè)圖像進(jìn)行分析輸出，結(jié)果顯示邏輯回歸的預(yù)測(cè)性能更優(yōu)。盡管CNN在某些程度上解決了傳統(tǒng)預(yù)報(bào)方式的不足，預(yù)測(cè)因子和數(shù)據(jù)集的選擇仍對(duì)預(yù)測(cè)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(jì)算，且耗時(shí)更長(zhǎng)，這可能嚴(yán)重限制對(duì)模型開(kāi)發(fā)和所有可用數(shù)據(jù)的利用研究。為了解決這個(gè)問(wèn)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(guò)使用多個(gè)GPU，訓(xùn)練時(shí)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(bào)方法的性能，分別對(duì)提前5 min和15 min的降雨事件進(jìn)行分析預(yù)測(cè)，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L(zhǎng)STM的輸入。Shi等[30]設(shè)計(jì)了一個(gè)ConvLSTM 模型，通過(guò)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(shí)間數(shù)據(jù)處理能力，證明了該模型在短期降水預(yù)報(bào)中的巨大潛力[31]。Kim等人[32]將近年來(lái)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(cè)1～2 h內(nèi)的降雨信息，結(jié)果表明，該方法的預(yù)測(cè)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(bào)提供了一種高效的數(shù)據(jù)驅(qū)動(dòng)方法。Jihoon等[34]提出了一種基于地面觀測(cè)的降水臨近預(yù)報(bào)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(gè)地面氣象站收集的氣象觀測(cè)數(shù)據(jù)，并且捕獲觀測(cè)數(shù)據(jù)的時(shí)間動(dòng)態(tài)以及它們之間的密切關(guān)系。

4" 結(jié)束語(yǔ)

深度學(xué)習(xí)模型在降雨預(yù)報(bào)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(shí)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(duì)極端或者突發(fā)降雨事件時(shí)，仍無(wú)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(cè)因子的選擇對(duì)模型的訓(xùn)練和發(fā)展也有著舉足輕重的作用。對(duì)于特定區(qū)域的小范圍訓(xùn)練數(shù)據(jù)，無(wú)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(duì)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(bào)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(bào)[J].熱帶氣象學(xué)報(bào)，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(bào)：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.