近年来，基于雷达回波数据的配备长短期记忆(LSTM)的数据驱动方法已成为短临降水预报任务的主流。这些方法通常以雷达回波序列为输入，着重学习降水的时间特征。然而，由于这些LSTM模块降水特征建模能力有限，无法充分捕捉降水的空间分布和时间运动特征。为了解决这一问题，南京大学智能科学与技术学院袁晓彤教授团队提出了一种长-短雷达回波序列学习的短临降水预报方法(SLTSL)。

具体而言，SLTSL主要包括短雷达回波序列学习模块(SSLM)和长雷达回波序列学习模块(LSLM)。SSLM通过多种加权运算对短雷达回波序列中的降水空间分布特征进行加权操作。其中，SSLM通过对四个相邻矩的特征图进行矩阵拼接得到短雷达回波序列。LSLM通过矩阵融合将所有时刻的回波图像融合成一个长雷达回波序列，然后通过多状态转换和聚合从长雷达回波序列中捕获降水在各个时刻的时间运动特征。为了验证该方法的性能，我们在RadarCIKM、TAASRAD19和RadarKNMI三种公开数据集上进行了实验。实验结果表明，该研究提出的预报方法比其他先进的方法优越。该工作已经被遥感顶刊TGRS接收。

论文链接：https://ieeexplore.ieee.org/document/10587006