降雨预报是气象预报中不可或缺的一项研究内容,快捷准确的高时空分辨率降雨预报对预防气象灾害、保证人类生命财产安全具有重要意义。传统基于雷达回波的序列外推方法由于大气受到多重天气因素的影响,运动极为复杂,无法有效预测较长时段的降雨。利用数值模式集合预报进行降雨量预测具有定量、客观和预报时效较长的特点,并且相比传统的天气预报方法具有更高的时间和空间分辨率。但它同时也存在其局限性:运算过程用时较长,不适用于短时降水业务预报;方程设计和求解受技术水平限制,导致预报结果误差较大。本文在现有编解码架构的门控卷积循环网络基础上提出了改进的门控卷积循环神经网络。针对数值模式降雨预报数据集降雨强度整体偏强、降雨落区分布太广的问题,本文采用门卷积去改进卷积循环单元,增加编解码结构中对角化单元状态传递机制,在通道和空间上动态提取有效特征,使订正后的预报降雨强度与实际较为一致,落区偏差减小;针对订正后降雨中的高降雨缺失问题,加入输入图像最大池化跨层连接机制,保留图像不同空间尺度的特征信息,使高降雨的预报指标有所提高;针对整体预报降雨订正后偏低的问题,将分位数损失函数引入,整体上提高了订正后降雨的强度。实验表明该网络相对于基线模型在各项指标上有一定提升,最后针对增加的模块分别设计了对比实验,验证其有效性。为进一步提升模型效果,本文提出在上述改进的门控卷积循环网络基础上融合多源数据来设计降雨预报模型。首先在模型中增加一个编码器,对多源数据编码融合后再进行解码,充分利用雷达估测降雨数据集,使订正结果的评测指标有所提升、预报准确率升高;针对高值降雨订正后消失的情况,对于编码融合的方法继续优化,利用通道和空间注意力进行选择性融合,增强了模型对高值降水信息的提取能力;针对多层卷积循环网络压缩编码后导致信息丢失的问题,利用三维卷积直接提取高维时空信息,补充时空特征细节,优化了订正结果的视觉效果。实验结果表明上述改进方案均可提升改进的门控卷积循环神经网络预报降水订正效果。