臨近預(yù)報(bào)主要指0—3h的高時(shí)空分辨率的天氣預(yù)報(bào)，主要預(yù)報(bào)對(duì)象包括強(qiáng)降水、大風(fēng)、冰雹等災(zāi)害性天氣。目前，臨近預(yù)報(bào)的主要手段是基于天氣雷達(dá)資料的雷達(dá)回波外推技術(shù)，即根據(jù)當(dāng)前時(shí)刻雷達(dá)觀測(cè)結(jié)果，推測(cè)雷達(dá)回波未來的位置和強(qiáng)度，以實(shí)現(xiàn)對(duì)強(qiáng)對(duì)流系統(tǒng)的跟蹤預(yù)報(bào)。目前常用的雷達(dá)回波外推方法是質(zhì)心跟蹤法和交叉相關(guān)法（ Tracking　Radar Echoes by Correlation．TREC）。質(zhì)心跟蹤法通過預(yù)測(cè)雷達(dá)回波的質(zhì)心來推測(cè)下一時(shí)刻的回波位置，該方法對(duì)采集到的信息的利用更加充分，但它依賴閾值來識(shí)別風(fēng)暴單體，僅適用于對(duì)風(fēng)暴的追蹤，難以應(yīng)用于預(yù)測(cè)大范圍降水的回波變化；TREC通過對(duì)雷達(dá)回波劃分區(qū)域，并求得各個(gè)區(qū)域當(dāng)前時(shí)刻與前一時(shí)刻的相關(guān)系數(shù)，相關(guān)系數(shù)最大的區(qū)域即是回波移動(dòng)矢量的終點(diǎn)。研究人員在TREC算法的基礎(chǔ)上，進(jìn)一步發(fā)展了COTREC（ Continuity Of TREC vectors）和DITREC（Difference Image-based TREC）等方法，但是此類方法僅根據(jù)幾個(gè)時(shí)刻的回波特征推測(cè)下一時(shí)刻的回波分布，數(shù)據(jù)利用率較低，并且假設(shè)回波是線性演變的，而賓際情況下回波的變化更為復(fù)雜。

　　針對(duì)上述傳統(tǒng)雷達(dá)回波外推方法存在的問題，本文在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)（ Convolutional Neural Network，CNN）的基礎(chǔ)上，提出了一種基于輸入的動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)（ Dynamic　Convolutional Neural Networks based on Input，DCNN-I），該網(wǎng)絡(luò)從歷史的時(shí)序雷達(dá)回波圖像集中學(xué)習(xí)回波變化規(guī)律，從而實(shí)現(xiàn)對(duì)雷達(dá)回波圖像的預(yù)測(cè)與外推。DCNN-I通過改進(jìn)傳統(tǒng)CNN的結(jié)構(gòu)和網(wǎng)絡(luò)訓(xùn)練過程中的參數(shù)，使網(wǎng)絡(luò)中直接影響圖像變換的卷積核在網(wǎng)絡(luò)測(cè)試階段仍然能夠隨著輸入的不同而變化，更加適用于雷達(dá)回波外推這一類輸入圖像與輸出圖像之間存在較強(qiáng)相關(guān)性的問題，能夠取得較好的雷達(dá)回波圖像預(yù)測(cè)結(jié)果。
?