降水预报是天气预报中的重要一环,它影响农业、畜牧业和公共交通等领域,与人们的日常生活息息相关。因为雷达图像可以直接反演成降雨值,所以精准地预测雷达图像能够使得降水预报更加准确,以此辅助气象人员提前预知雷暴大雨和台风天等极端天气,进而预防灾害和减少损失。目前气象人员通常利用光流法和交叉相关法进行雷达图像外推预测,但其预报效果较差,很难满足实际应用的需要。随着深度学习技术的发展,卷积循环神经网络和其衍生模型渐渐被用于雷达回波图像预测任务,预测效果得到明显提升。但是这些方法仍存在无法生成高回波区域、长时间预测精度不足和预测时效过短的问题。本文针对上述问题,构建了一个融合动态运动信息的时空门控循环卷积神经网络。具体来说,设计动态信息提取模块,加强模型对长时间信息依赖的建模能力,提高模型在长序列预测上的精度;构建时空门控循环卷积神经网络单元,分离雷达图像的时间和空间信息,进一步提高模型对时空信息的建模能力,并减少冗杂信息带来的错误干扰;采用基于时间窗口的解码策略,缓解误差传递现象并避免参数爆炸问题。本文通过在广东省雷达数据集上的大量实验,验证了提出的模型比最先进的基线方法更加有效,同时设置消融实验证明了各模块的有效性。通过研究发现降水预报过程涉及到大量的气象要素信息,而单通道的雷达回波图像所提供的信息有限,因此为了提高降水预报的预测精度和预测时效,本文融合卫星、地形和雷达三种多源异构数据,在提升预测效果的同时把预测时效提高至三小时。由于信息表征不同,简单地对多源数据进行融合反而会带来噪声,影响模型的预测性能。本文提出了基于注意力和门控机制的融合机制,让模型能自适应地在多源数据中关注有益信息,同时抑制噪声。本文通过在广东省雷达图像数据、风云4A卫星数据和广东省地形数据这三种多源异构数据集上进行的大量实验,验证了融合多源异构数据能够提升预测时效和精度。