来源：张雷不安的云朵论文：A deep-learning based precipitation forecasting
模型： 比较：RBF、SVM、ARIMA、ELM（extreme learning machine）、SAE（Sparse AutoEncoder） 数据集：遵义市1956-2010
train data:1956-2000
test data:2000-2010
动态区域组合MLP来源：贾旸旸不安的云朵论文：Short-term Rainfall Forecasting Using Multi-layer Perceptron
模型：PCA：13个物理因子进行降维，输入到MLP中
贪婪算法决定MLP的结构，
该模型的初始数据包括五个高空因素和八个地表因素。
在气象学中，通常用位势高度代替实际高度，用等压面代替水平高度，因此，气象数据总是采用等压面格式。例如，500hpa通常相当于5.5km的高度。降雨系统通常由500hpa的天气系统控制。根据区域经验，该模型选择的五个海拔因子分别是500hpa高度下的实际高度（x1）、温度（x2）、温度露点差（x3）、风向（x4）和风速（x5）。风向和风速影响着降雨系统的运动方向和速度。温度露点差与湿度直接相关。温度露点差、温度和实际高度值影响着降雨系统的内能。地表因子代表该地区的局部大气条件。不同地区地表因子的差异导致降雨不同。该模型中所用的八个面因子包括总云量（X6）、地表风速（X7）、地面风向（X8）、地面气压（X9）、地表3小时压力变化（X10）、地表温度露点差（X11）、地表温度（X12）和过去三小时的降雨。周围区域（x13）。对于同一个预测区域，每个周边区域都与该预测区域建立一个MLP。表1显示了所有13个因素。这些因素是我们模型的初始输入。
最小-最大规范化。最常用的数据规范化方法之一是最小-最大规范化。它可以在0和1之间标准化数据。由于不同因素的大小不同，有必要对数据进行预处理。对于要处理的序列，序列的最大值对应于1，最小值对应于0，其余值在0和1之间按比例转换。
主成分分析。归一化后，PCA用于减小输入的维数。确定新因子个数的标准是99%，即所选因子的特征值之和占总特征值的99%以上。经计算，新因子的总信息可以代表原始数据的99%以上。此标准定义了保留的信息量，但没有指定所需的因子数量。对于不同的预测区域，因子的数量可能不同，但不会超过初始输入，即13。在大多数情况下，需要的因素数量在3到8之间。PCA处理后，所需的计算资源大大减少。
MLP的输入是Z1-Z4四个参数，输出是降雨量
step1:
step2:中心预测点与其他地区各有一个MLP，两个地区的距离决定了周围MLP的数量。周围多个MLP模型一起决策，如果预测降雨的MLP超过1，取均值。
比较： 数据集：2015-2017年海拔（500hPa）测绘数据和数值预报结果。
train data:2015-2016
test data:2016-2017
基于雷达回波图像的短期降雨预测来源：基于雷达回波图像的短期降雨预测
模型：卷积自编码器的编码模块首先提取每帧输入图像特征，送入LSTM预报网络；LSTM预报网络的编码模块，对输入信息提取时序特征，在此基础上，由LSTM预测模块产生关于未来时段回波图像时序特征预测。
比较：在MINIST数据集上对自编码器的层数和LSTM层数预测效果进行对比
数据集：石家庄地区 2010 -2017 年之间降雨天气的雷达回波图像 。
回波图像每6分钟采集一帧， 1个小时内得到 10 帧雷达回波图像，构成一个时间序列。
常用方法 常用的基于观测和预报场的统计评分：偏差值，均方根误差，POD指数，CSI指数，FAR指数，TS评分，ETS评分
xgboost特性： 允许用户在交叉验证时自定义误差衡量方法，例如回归中使用RMSE还是RMSLE，分类中使用AUC，分类错误率或是F1-score。允许用户先迭代1000次，查看此时模型的预测效果，然后继续迭代1000次，最后模型等价于一次性迭代2000次。xgboost的模型和传统的GBDT相比加入了对于模型复杂度的控制以及后期的剪枝处理，使得学习出来的模型更加不容易过拟合。