臨近預(yù)報主要指0—3h的高時空分辨率的天氣預(yù)報，主要預(yù)報對象包括強降水、大風、冰雹等災(zāi)害性天氣。目前，臨近預(yù)報的主要手段是基于天氣雷達資料的雷達回波外推技術(shù)，即根據(jù)當前時刻雷達觀測結(jié)果，推測雷達回波未來的位置和強度，以實現(xiàn)對強對流系統(tǒng)的跟蹤預(yù)報。目前常用的雷達回波外推方法是質(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)測雷達回波的質(zhì)心來推測下一時刻的回波位置，該方法對采集到的信息的利用更加充分，但它依賴閾值來識別風暴單體，僅適用于對風暴的追蹤，難以應(yīng)用于預(yù)測大范圍降水的回波變化；TREC通過對雷達回波劃分區(qū)域，并求得各個區(qū)域當前時刻與前一時刻的相關(guān)系數(shù)，相關(guān)系數(shù)最大的區(qū)域即是回波移動矢量的終點。研究人員在TREC算法的基礎(chǔ)上，進一步發(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)幾個時刻的回波特征推測下一時刻的回波分布，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。

　　針對上述傳統(tǒng)雷達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)從歷史的時序雷達回波圖像集中學習回波變化規(guī)律，從而實現(xiàn)對雷達回波圖像的預(yù)測與外推。DCNN-I通過改進傳統(tǒng)CNN的結(jié)構(gòu)和網(wǎng)絡(luò)訓練過程中的參數(shù)，使網(wǎng)絡(luò)中直接影響圖像變換的卷積核在網(wǎng)絡(luò)測試階段仍然能夠隨著輸入的不同而變化，更加適用于雷達回波外推這一類輸入圖像與輸出圖像之間存在較強相關(guān)性的問題，能夠取得較好的雷達回波圖像預(yù)測結(jié)果。
?