Abstract
在本文中，作者提出了一种新的数据驱动的深度学习模型——DeepRain。这个模型可以通过三维四通道的数据对雷达数据进行预测，采用的是ConvLSTM。
Introduction
在施行健提出的ConvLSTM中采用的是三维和一通道的数据，但是在本文中，我们采用的是三维四通道的数据。三维即width，height和depth，四通道则为depth from four altitudes。
本文的贡献在于：
1.最先采用了三维和四通道的数据用于降水预测。
2.堆叠了ConvLSTM cell以提高表现。
3.这种方法被证实较线性回归和FC-LSTM更有效。
Data
雷达降水数据来自于深圳气象部门，观测的区域是深圳地区。数据是数值整数值，单位为dbz，大小为101x101，代表101x101平方km。这101x101个值又有四组（根据不同海拔，自3.5km起，1km为间隔），每个海拔取15个时间点，时间间隔6min，最后得到612060（=101x101x4x15）个数值。Ground Truth为雷达图中心50x50的大小，时间是对应起始的1-2h。
Method
在研究中，作者采用了雷达数据训练集和其标签进行预测，模型如下：
输入为15个连续时刻的4通道101x101大小的雷达图，输出为以起始时刻后1-2h的预测图。该模型只适用于多对一。
Conclusion
本文中，作者最先应用ConvLSTM采用三维和四通道数据去预测1-2h后的降水量，其效果优于线性回归和FC-LSTM。未来作者会考虑尝试ConvGRU和ElNino模型。