文献综述（或调研报告）：
1.天气预报发展研究综述
最早的气象观测可以追溯到我国的殷代，甲骨文中有许多关于气象的记载，出现了许多卜雨、卜晴、卜暴风雨、卜雪、卜雹的甲骨片，儒家经典《春秋》中，也有着古人关于看天预测天气的智慧。这种方法延续了千年，虽然天气预测没有形成系统的体系和学问，但是古人这种用肉眼观察天象预测天气的方法与现代天气预测中根据卫星云图、雷达回波图等气象数据预测天气情况有异曲同工之妙。
十七世纪以前，人们还只是运用上述方法进行预测，而在十七世纪以后，随着仪器科学的发展，温度表和气压表等气象观测仪器相继被发明，促成了地面气象站的成立，这时天气的预报主要根据单站测量得到的气压、气温、风、云等要素的变化来预报天气。1851年，英国首先通过电报传送观测资料，绘制成地面天气图，并根据天气图制作天气预报。1920年诞生了一款数值天气预报程序，需要手工计算。直到20世纪50年代计算机的诞生使数值天气预报产品变得规模化、且具较好的实时性。1986年，A.C.Lorenc[2]提出利用贝叶斯概率参数推导出理想的方程，以寻找数值天气预报的最佳分析方法。从此，数值天气预报便作为主角登上历史舞台，将天气预报学科化、体系化。
进入21世纪以来，随着半导体材料的研发，计算机算力、存储能力的大幅提升，人工智能（AI）和大数据登上了这个时代的科技舞台，基于数值天气预报数据的人工智能预报方法也逐渐成为了天气预报的一个热门发展方向。AI技术具有许多优势，包括轻松地在空间和时间上进行概括，处理大量的预测变量，将物理理解整合到模型中以及从数据中发现其他知识。近年来，预报员和研究人员已开始广泛采用AI技术，因为它们在各种应用程序中都展示出了自己的优势，包括模型偏差校正，处理大型数据集，以及在大型数据集中发现新知识[3]。
至少从1950年代初开始，就已经在天气预报中使用了一种最简单，最著名的统计学习方法，即线性回归。1995年，Kitzmiller等使用回归来预测恶劣天气的可能性，1997年，Billet等用它来预测最大冰雹的大小和大雹的概率。2005年，Baldwin等人[4]使用层次聚类对降水区域进行分类。2008年，Haupt等人[5]概述了应用于环境科学的AI技术，包括人工神经网络（ANN），决策树，遗传算法，模糊逻辑和主成分分析。2009年，Gagne[6]等人使用k-means聚类方法以分割一张雷达图，后来，Lakshmanan等人使用k-means聚类对雷达回波分类图进行了细分。Miller[7]等人使用聚类算法来识别风暴轨迹。支持向量机（SVM）也已被Trafalis等人用于检测和预测龙卷风[8]。2015年，Mecikalski[9]等人使用逻辑回归预测对流引发的可能性。基于决策树的方法在数据科学中很流行，用于处理大数据。他们仅能识别和学习最相关的变量，从而使用户能够提供许多可能的预测功能，而不必担心无关的变量是否会使训练过程不堪重负。
近年来，卷积神经网络、长短时记忆网络、生成对抗网络等方法被用于天气预测中。Yunjie Liu[10]等人应用深度卷积神经网络分类系统以检测极端气候事件，结合基于贝叶斯定理的超参数优化方法，其系统检测热带极端气候事件的准确率达到89%~99%。Benjamin Klein[11]等人提出一种新的深度网络层——“动态卷积层”，该层的滤波器随着输入的不同而变化并应用于短时天气预报，效果优于多种传统方法。A.G.Salman[12]使用单层LSTM(长短时记忆模型)或多层LSTM建立天气变量预测的自适应模型，前提是输入数据中两个高度相关的模式将校正输入模式，使模型更易从训练集中学习与识别模式。
2.基于深度学习的天气预报关键技术方法研究
二维空间的雷达回波图对于天气预测中的降水预测有着重大意义，下面将对近几年学者和研究者提出的雷达回波图的外推方法进行介绍。
2015年，施行健提出ConvolutionalLSTM（ConvLSTM）[13]，将降水临近预报公式化为输入和预测目标都是时空序列的时空序列预测问题。通过扩展完全连接的LSTM（FC-LSTM），使其在输入到状态转换和状态到状态转换中都具有卷积结构，并使用它来构建端到端的降水临近预报问题的可训练模型。实验表明，ConvLSTM网络可以更好地捕获时空相关性，在进行降水临近预报方面有始终优于FC-LSTM和最新的可操作基于雷达回波的变分方法（ROVER）算法的表现，也优于传统的基于光流矢量法。
