在各种天气事件中,降雨对人类的生活起着至关重要的作用。及时准确地对恶劣天气进行预估,可以减少自然灾害的发生。同时,提前预报降雨信息,可以减少降雨对人们生活的影响。然而,降雨预测是一个十分困难的任务,传统的基于光流法和Z-I关系的降雨量预估方案很容易受到探测条件的影响,而且对于不同的区域,需要设计不同的预估方案,通用性不高。因此,设计一个准确度高且通用性强的降雨预测方案具有十分重要的意义。本文在研究了现有的降雨预测方法之后,提出了一种基于卷积长短时记忆网络(卷积LSTM)和随机森林的短时降雨量预测方法,通过历史不同区域多个时刻多个高度的多普勒雷达图预测未来1-2个小时的降雨量。本文使用卷积LSTM模型进行雷达图外推可以提高预测的准确度,使用随机森林算法进行集成学习可以提高模型的泛化能力,通用性更强。主要的研究工作如下:首先,本文的任务是预测未来1-2个小时的降雨量,但多普勒雷达探测到的是历史时间序列的雷达图,无法直接用于预测未来时间段的降雨量,因此本文使用基于编码-解码的卷积LSTM网络预测未来1-2个小时的雷达图,卷积LSTM在传统LSTM网络的基础上将每一个全连接操作改为卷积操作,保留了雷达图像的时空特性,大大地提高了外推结果的准确性;其次,经过卷积LSTM外推得到的雷达图具有40万维的特征,包含很多冗余特征,且特征维度太高,造成内存爆炸,无法进行计算。因此,本文提出了一种分层级特征提取方法,首先使用主成分分析方法(PCA)对每张雷达图分别降维,其次将各个时刻各个高度降维后的雷达图进行拼接得到最终结果,这样设计不仅能够解决PCA对高维雷达图进行特征提取时内存爆炸的问题,而且可以保留雷达图总的时序信息及高度信息;最后,在降雨量预测阶段,为了提高模型的泛化能力,本文利用随机森林的特性,将经过雷达图外推和PCA降维后的特征作为输入特征,每次随机选取部分特征构造决策树,并通过多棵决策树进行集成学习,并使用学习后的模型预测未来1-2个小时的降雨量。本文将提出的模型与Z-I关系,支持向量回归,xgboost等算法进行对比,实验表明:(1)使用卷积LSTM模型进行雷达图外推能够给降雨量预测任务带来比较大的性能提升;(2)在命中率,漏报率,临界成功指数,均方根误差等指标上,本文提出的模型都获得了最好的效果,特别是在强降雨阶段,效果提升更加明显,部分指标提升比例在20%以上。