介绍了一种新的对流临近预报外推算法,卷积长短时记忆模型(Convolu-tional Long Short-Term Memory,简称ConvLSTM)在对流临近预报中的应用情况。该套算法首先利用光流技术对历史数据进行回算,将生成的逐像元光流场信息与前后时次的雷达反射率残差信息、RGB(R,红色red;G,绿色green;B,兰色blue)图片信息一起作为机器学习输入量输入ConvLSTM模型并进行训练,在外推过程中将光流场中的旋转、辐合、辐散等动力信息作为预报因子,形成最优临近预报模型。样本检验分析表明:ConvLSTM算法集合了卷积神经网络(CNN)的图像特征提取能力和长短时记忆网路模型(Long Short Term Memory Network,简称LSTM)的时序学习能力,与传统固定域值识别算法相比,对云的分类和边界识别精度更高,可以有效消除单体虚假合并现象,提高对流单体识别准确率;ConvLSTM对单体的生消趋势具备一定的预报能力,可很好地学习到雷达回波的时间演变特征,光流信息的加入对雷达回波的合并或分离等非线性过程有较好的预判,与传统线性外推相比,非线性外推更接近雷达回波的真实移动轨迹,从而使预报时效和效果均得到提升。