Прогнозирование погодных условий является одной из важнейших задач метеорологии. Точный и своевременный прогноз опасных явлений погоды необходим для работы городских служб, региональной авиации, сельского хозяйства и оповещения населения. Большинство используемых в настоящее время алгоритмов наукастинга позволяют осуществить прогноз на краткосрочный период времени (до 2 часов), однако используют при этом данные наземных радиолокационных наблюдений, зона покрытия которыми неоднородна. В условиях отсутствия развитой сети наземных метеорологических радиолокаторов на Дальнем Востоке в Дальневосточном центре НИЦ «Планета» ведется разработка метода краткосрочного прогнозирования облачности и осадков с использованием данных геостационарных спутников, имеющих дискретность наблюдений 10-15 минут. В качестве альтернативных источников данных о состоянии атмосферы на различных уровнях используются результаты численного моделирования прогностическими моделями (WRF, GFS). Также рассматривается использование данных спутниковых микроволновых радиометров. В качестве основы алгоритма прогнозирования используются нейронные сети сверточного (Convolutional Neural Network, CNN) и сверточно-рекуррентного типа на основе ячеек LSTM (Long-Short Term Memory). Алгоритм использует данные видимых и инфракрасных каналов спутника Himawari-8, параметры облачности, восстановленные с использованием программного комплекса CLAVR-x, а также данные прогностической модели и цифровой модели рельефа местности. Обучение нейросетевых моделей предполагается осуществлять по методу генеративно-состязательных нейронных сетей. Прогноз перемещения и трансформации облачных образований осуществляется путем реконструкции экстраполированных значений параметров облачности, таких как оптическая толщина, эффективный радиус частиц и др. Экстраполяция выполняется рекуррентными нейронными сетями. Текущая реализация алгоритма позволяет осуществлять прогнозирование наличия осадков на срок до 30 минут. Также реализован метод прогнозирования изменения оптической толщины, являющийся составной частью программного комплекса по прогнозированию эволюции облачных образований. В дальнейшем планируется разработка методов для прогнозирования других физических параметров облачности и доработка алгоритма наукастинга с целью повысить точность прогнозов и их продолжительность.