本文将降水短时预报问题作为时空序列预测问题，并使用卷积LSTM (ConvLSTM) 构建可端到端训练的模型，数据实验表明，相比全连接的 LSTM和 ROVER算法，ConvLSTM 能够更好地捕捉时空相关性, 并在降水短时预报中具有更好的预测性能。

Jun, 2015

该研究提出了一种新的Trajectory GRU（TrajGRU）模型以解决天气预报中的位置变化问题，并提出了一个基准数据集和评估标准，旨在为未来的研究提供方便，并衡量该领域的技术水平。

Jun, 2017

本文介绍了CloudLSTM，这是一种专门用于预测由地球空间点云生成的数据流的新型循环神经模型。我们设计了一种动态点云卷积(DConv)操作符作为CloudLSTM的核心组件，直接对点云进行卷积，并从围绕输入不同元素的相邻点集中提取本地空间特征。我们将所提出的结构应用于两个代表性的、涉及点云流的实际用例，即移动服务交通预测和空气质量指标预测。我们的结果表明，CloudLSTM可以提供准确的长期预测，胜过各种竞争神经网络模型。

Jul, 2019

采用深度学习技术中的UNET卷积神经网络，将高分辨率（1km × 1km）短期（1小时）降水预测视为图像翻译问题，用于气候变化适应的高分辨率实时预测，表现优于光流、持续性和NOAA的数值一小时HRRR气象预测模型。

Dec, 2019

本研究提出了一种基于深度学习的预降水方案，利用U-Net模型和预训练技术来提高预测性能，使用新的损失函数减轻类别不平衡问题，实验表明相较于传统方法，本方法的准确性和精度在降水预报和降水估算中都有所提高。

Feb, 2022

本文提出了一种有效利用多个气象站基于地面气象观测的注意力方法ASOC，且可以与现有基于图像的降水预测模型相结合，改善其预测效果。研究结果表明，使用该方法与现有模型相结合，可以将1-6小时超过1毫米/小时和10毫米/小时降雨事件的平均关键成功指标（CSI）提高5.7％。

Oct, 2022

本文提出了一种基于深度学习架构的降水模拟方法，该方法可以全球范围内每30分钟进行一次未来4小时的预测。该架构融合了U-Net和卷积长短期记忆（LSTM）神经网络，并使用来自全球预报系统（GFS）的集成多卫星降水检索数据（IMERG）和一些关键的降水驱动因素进行训练。通过研究不同的训练损失函数（包括均方误差和分类误差），评估了对降水模拟精度的影响，结果表明分类网络在极端降水模拟方面表现优于回归网络。核心成功指数证实了分类网络的预测降水更接近IMERG。同时，研究发现物理变量的引入可以提高降水模拟的准确性，特别是对于较长的预测时段。在分辨率为10公里的尺度下，该模型仍然具有较高的技能得分，尤其对于4毫米/小时以上的降水情况。

Jul, 2023

此研究利用ConvLSTM神经网络将天气雷达数据应用于短期降水预测，通过卷积神经网络层进行空间模式识别和LSTM网络层进行时间序列建模，构建了一个包含九层的自动编码器模型。结果表明，ConvLSTM网络在气象预测中有着高准确性，尤其在天气复杂的地区具有显著潜力，为气象任务提供了一种更准确、数据驱动的方法。

Dec, 2023

本研究引入深度学习空间模型以提高精确预测城市等细致空间尺度下降水，通过使用特定地点的物理信息数据和局部精度，反映气象研究领域的当前进展。

Apr, 2024

本研究针对传统天气预测方法在应对复杂非线性和时间变化数据时的局限性，提出了一种混合CNN-LSTM模型以提高德里区域温度预测的准确性。研究表明，该模型在预测准确性和稳定性上显著优于传统方法，预示着其在气象预测及相关领域的广泛应用潜力。

Sep, 2024