4、基于雨码融合的时空降水预测方法

基于雨码融合的时空降水预测方法

1. 研究背景与相关工作

在洪水场景中，提前6小时的降水预报对于减轻洪水灾害、保障下游地区人员安全至关重要。当发布降水预报后，老人和儿童能够及时转移到安全设施中。目前，在降水预报领域，深度学习方法得到了广泛应用。

1.1 深度学习方法在水资源领域的应用

从2018年到2020年3月底，有315篇相关文章（不包括社论和综述文章）聚焦于深度学习方法在水领域的应用，如水资源的监测、管理和治理。其中，卷积神经网络（CNNs）和长短期记忆网络（LSTMs）是研究最多的架构。在气象预报领域，它们主要用于短期降水“临近预报”，预报范围通常为30 - 60分钟。例如：
- CNN - LSTM模型 ：Wu等人设计的结合CNN和LSTM的模型，使用多模态数据（卫星数据、雨量计观测数据和热红外图像），在定量降水估计方面优于CNN、LSTM和多层感知器等对比模型。
- CNN模型 ：Yan等人使用CNN模型结合雷达反射图像，对中国局部地区的短期降水进行预报。
- ConvLSTM模型 ：Chen等人使用ConvLSTM模型，利用雷达回波数据预报30或60分钟的降水。

1.2 时空序列降水预报

时空序列降水预报方法可分为经典方法和深度学习方法。经典方法又可细分为基于特征的方法、状态空间模型和高斯过程；深度学习方法包括深度时间生成模型、前馈神经网络（FNNs）和循环神经网络（RNNs）。虽然像ConvLSTM、TrajGRU和PredRNN等方法在时空降水预报方面有显著进展，但由于混沌