本研究介绍了一种基于深度学习 (ConvLSTM) 的新型数据驱动的降雨预测模型 DeepRain，使用天气雷达三维四通道数据预测降雨量，并且在实验中与线性回归相比，二重 ConvLSTM 的 RMSE 降低了 23.0%。

Nov, 2017

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

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

通过将深度学习和数值天气预报（NWP）相结合，我们提出了一种改进短期全球降水预报的混合模型，并证实其可显著提高预报技能和减小均值偏差。

Jun, 2022

我们提出了一种基于各种时空神经网络的端到端解决方案来预测特定地区干旱概率，特别是用于长期决策，同时利用气候模型的内在因素和见解来增强干旱预测，通过比较评估结果表明，卷积 LSTM 和 Transformer 模型在预测干旱强度方面优于基线模型，ROC AUC 分数从 0.90 到 0.70，推荐根据预测时间跨度选择合适的模型进行长期干旱预测。

Sep, 2023

本文介绍了一种基于神经网络的天气预测模型，可以在大范围内预测未来十二小时的降水，并在大陆美国地区比基于物理的 HRRR 及 HREF 模型表现更好，进而证明基于数据驱动的预测模型具有推动天气预测技术进步的潜力。

Nov, 2021

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

应用深度学习算法和历史降雨数据进行预测，结果表明与基于数值天气预报模型和持续性预测相比，我们的预测更准确，同时我们发现过去 20 天的数据对降雨预测有帮助，并提出了改进数值天气预报的建议。

Feb, 2024

使用 Dynamic Mode Decomposition (DMD) 和 Long Short-Term Memory (LSTM) 这两种数据驱动的方法，研究了印度东北地区 118 年来的日降雨数据，并进行了降雨预测的相对效果比较分析，结果显示 LSTM 在准确性方面优于 DMD，展现了 LSTM 捕捉数据中复杂非线性关系的能力，从而成为降雨预测的强大工具，并提出数据驱动方法和深度学习方法可以显著提高印度东北地区的降雨预测准确性，帮助减轻极端天气事件的影响并增强该地区对气候变化的适应能力。

Sep, 2023

本研究使用三种深度学习模型（U-net、ConvLSTM 和 SVG-LP）在二维降水图上进行降雨即时预测，并提出了补丁提取算法以获得高分辨率的降水地图和损失函数来解决图像模糊问题和减少降水地图中零值像素的影响。

Mar, 2022