近年来,随着科技的发展,气象装备逐步完善,气象部门获得数据的能力越来越强。传统方法难以满足高时空分辨率特性,且观测设备性能受限,导致测量的降雨结果不够稳定。在实际应用中,通过观测设备获取到的数据资料也不能直接表示出区域气候变化特点,遭受诸多因素影响。多普勒天气雷达反射率因子与降水强度具有较强的相关性,利用雷达反演降雨具有估测范围广、高时空分辨率、获取大面积降水资料的优点,目前已成为气象部门重要业务之一。另一方面,降雨有着较强的时空特征且过程变化迅速,如何让雷达随着降雨强度做出快速、自适应的反馈,是雷达反演降雨问题的关键。因此,本文主要结合深度学习技术对雷达回波反演降雨问题展开研究,设计适用于气象领域的深度学习算法,利用雷达回波的高时空分辨率特性提高降雨预报精准度。目的在于揭示雷达回波演变规律及运动状态,并根据雷达回波来反演当前时刻的降雨情况。本文的主要研究内容如下:(1)雷达回波有着区别于视频任务的数据类型,数据高度不平衡,且目前没有关于雷达回波反演降雨问题的基准。本文根据湖南省相关气象部门短时降雨业务需求,以湖南省相关气象部门收集的2018年2月至10月的雷达回波数据和降雨数据为实验样本,建立基准雷达降雨数据集。首先对雷达数据和降雨数据进行了分析和预处理,排除异常值,对雷达数据前六层中每一层进行最小最大值归一化,使数据缩放到一个合理范围;其次根据雷达和降雨文件的组织形式构建一套基准雷达降雨数据集,通过自定义的分级缓存方法,将原始数据转化为有利于内存及显存能够快速加载与直接处理的特定矩阵格式,优化数据加载速度。(2)由于雷达与降雨之间的Z-R关系在不同区域有不同的拟合参数,且降雨随季节变化时空不连续,不能很好地反映雷达数据和降雨数据的时空特性。本文提出一种基于时空网络的雷达回波降雨反演算法ST-QPE(Spatiotemporal QPE),并结合卷积神经网络和循环神经网络设计了两种不同时空网络模型,分别为卷积时序结构的QPE-Net8网络和多尺度特征融合时序的QPE-Net22网络。通过统计学和天气学检验方法对雷达反演降雨效果的误差及精度特征进行评估。实验结果表明,基于ST-QPE算法的两种时空网络能有效学习到雷达数据特征,反演出的降雨图与实况降雨图分布较为一致,且QPE-Net22网络模型稳定性较好,在各项指标对比评价上,多尺度特征融合时序的QPE-Net22网络结果比QPE-Net8网络和经典的GRU网络更接近真实降雨值。