ConvLSTM：将卷积结构引入LSTM以解决降水临近预报的时空序列预测问题

降水临近预报旨在短时间内（如0-6小时）预测局部区域的降雨强度，这对生成紧急警报和机场天气指导至关重要。传统方法主要依赖数值天气预报或基于光流法的雷达回波外推，但后者因步骤分离且参数难以确定而受限。本文提出将降水临近预报视为时空序列预测问题，并设计了卷积长短期记忆网络（ConvLSTM）。该模型在输入到状态和状态到状态的转换中均引入卷积结构，从而有效捕捉空间相关性。实验表明，ConvLSTM在合成数据集和真实雷达数据上均优于全连接LSTM（FC-LSTM）及香港天文台开发的ROVER算法，能更准确地预测未来帧。对于从事气象AI、视频预测或时空数据挖掘的研究者，建议从引言部分了解问题背景，重点研读第3节模型架构设计及第4节实验对比结果。推荐读者阅读《Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting》（2015年），以深入理解这一经典时空预测模型的构建逻辑与实证效果。