# 2026-06-11 雷达回波 AI 进展日报

检索范围：过去 24-48 小时内与深度学习、AI、雷达回波预报、降水临近预报、radar echo nowcasting、precipitation nowcasting、weather radar nowcasting 相关的新论文、预印本、代码、数据和相邻方法动态。

判断口径：直接雷达/降水临近预报优先；与气象 AI、flow matching、扩散/生成式模型、卫星到雷达反演、雷达质控有关但不是时间外推的工作，单列为“相关方法与启发”，不简单剔除。

## 0. 本次复查更新（2026-06-11 15:00 +08）

本次按本机时间 `2026-06-11 14:58 +08` 回推 48 小时复查。严格窗口大约为 `2026-06-09 15:00 +08` 之后。结论是：**未发现新的高价值直接雷达回波/降水临近预报论文或算法代码**。已有日报中的 `2026-06-07` 至 `2026-06-08` 条目是今日早些时候按较宽窗口纳入的基线条目，仍保留供跟进，但不应理解为本次下午复查新增。

严格 48 小时窗口内仍值得保留的条目主要有两类：

| 标题 | 日期 | 来源/期刊 | 链接 | 类型 | 本次判断 |
|---|---:|---|---|---|---|
| High resolution radar echo images | 2026-06-09 | Zenodo 数据集；关联 CateCast 论文，未核到正式期刊来源 | [Zenodo](https://zenodo.org/records/20604785) | 数据集 | 直接相关数据资源；发布时间在 48 小时边界附近，适合继续核查格式与可复现实验价值。 |
| Deep learning for non-precipitation radar echo identification: Comparative evaluation of polarimetric, spatial, and temporal information | 2026-06-10 | EGUsphere discussion/preprint；暂无正式期刊卷期 | [EGUsphere](https://egusphere.copernicus.org/preprints/2026/egusphere-2026-590/), [DOI](https://doi.org/10.5194/egusphere-2026-590) | 预印本 | 雷达质控相关，不是 nowcasting；对训练数据清洗和误报控制有参考价值。 |

本次复查的负结果：

- arXiv：使用 `submittedDate:[202606090000 TO 202606112359]` 对 precipitation nowcasting、radar echo、weather radar、flow matching、satellite-to-radar、non-precipitation radar echo 等组合检索，未发现新的有效条目。
- Crossref：`2026-06-09` 至 `2026-06-11` 创建记录中未发现新的有效雷达/降水临近预报论文；召回的 `Nowcasting Mexican Manufacturing Activity...` 是经济 nowcasting，不能纳入。
- OpenAlex：同窗口有效返回只有 Zenodo `High resolution radar echo images` 数据集。
- Semantic Scholar：API 仍返回 429 限流，未完成本轮复核。
- GitHub：关键词召回 `sushantakundu/gsmap-live`、`dbortz/PebbleSky`，均偏应用/可视化或设备端天气项目，不是雷达回波 nowcasting 算法代码；后续检索触发 GitHub API rate limit。
- Papers with Code：网页检索超时，未核到新增条目。
- DeepMind、ECMWF、NOAA、Met Office、中国气象局、AMS、IEEE、AGU、RMetS、EGU/Copernicus 相关页面和网页检索：除 EGUsphere 雷达质控预印本外，未发现新的直接 nowcasting 机构或期刊动态。

## 1. 新增条目总表

| 标题 | 日期 | 来源/期刊 | 链接 | 类型 | 相关性判断 |
|---|---:|---|---|---|---|
| Temporal Context Conditioning for Seasonality-Aware Precipitation Nowcasting of High-Intensity Rainfall | 2026-06-08 | arXiv 预印本；暂无期刊信息 | [arXiv](https://arxiv.org/abs/2606.09959), [GitHub](https://github.com/gijsvn/TA-SmaAt-UNet) | 论文+代码 | 直接相关，雷达降水临近预报模型。 |
| Efficient 3D convolutional framework for rainfall nowcasting: performance-efficiency trade-offs and adaptation to data scarcity | 2026-06-07 online；2026-06-08 元数据/补充材料 | GIScience & Remote Sensing | [DOI](https://doi.org/10.1080/15481603.2026.2683939), [Figshare](https://tandf.figshare.com/articles/journal_contribution/Efficient_3D_convolutional_framework_for_rainfall_nowcasting_performance_efficiency_trade-offs_and_adaptation_to_data_scarcity/32601858) | 期刊论文+补充材料 | 直接相关，偏高效 3D CNN 业务部署。 |
| High resolution radar echo images | 2026-06-09 | Zenodo 数据集；关联 CateCast 论文，未核到正式期刊来源 | [Zenodo](https://zenodo.org/records/20604785) | 数据集 | 直接相关，可用于雷达回波 nowcasting 测试。 |
| meteonet-nowcasting | 2026-06-08 初始提交 | GitHub；课程项目，无期刊 | [GitHub](https://github.com/elevenp1gff/meteonet-nowcasting) | 代码 | 中等相关，基线模型复现实验。 |
| radolan-nowcasting | 2026-06-08 更新 | GitHub；WIP，无期刊 | [GitHub](https://github.com/jntnlx/radolan-nowcasting) | 代码 | 中等相关，RADOLAN 数据 nowcasting 工程原型。 |
| Learning to Solve Generative ODEs Beyond the Linear Span | 2026-06-07 | arXiv 预印本；暂无期刊信息 | [arXiv](https://arxiv.org/abs/2606.08672) | 预印本 | 气象生成式方法相关；不是雷达回波预报主论文，但对 flow matching / diffusion 加速有参考价值。 |
| LangRetrieval: Language-Guided Self-Evolving Satellite-to-Radar Retrieval via CSI-Driven Reward | 2026-06-08 | arXiv 预印本；作者备注 submitted to IEEE Transactions on Image Processing，未等同录用 | [arXiv](https://arxiv.org/abs/2606.09486) | 预印本 | 气象 AI 相邻方向；卫星到雷达降水反演，不是临近预报时间外推。 |
| Deep learning for non-precipitation radar echo identification: Comparative evaluation of polarimetric, spatial, and temporal information | 2026-06-10 | EGUsphere discussion/preprint；暂无期刊卷期 | [EGUsphere](https://egusphere.copernicus.org/preprints/2026/egusphere-2026-590/), [DOI](https://doi.org/10.5194/egusphere-2026-590) | 预印本 | 雷达质控相关；不是 nowcasting，但影响训练数据质量。 |

## 2. 直接雷达/降水临近预报条目

### 2.1 Temporal Context Conditioning for Seasonality-Aware Precipitation Nowcasting of High-Intensity Rainfall

- 来源/期刊：arXiv 预印本，暂无期刊或会议来源；arXiv 分类为 cs.LG/cs.AI。
- 日期：2026-06-08。
- 代码/数据：有代码仓库 `gijsvn/TA-SmaAt-UNet`；使用 KNMI 雷达降水数据，仓库含训练、评估、persistence baseline、模型比较和 layer conductance 分析脚本。
- 数据集：KNMI 雷达降水序列。仓库默认任务是 18 帧输入到 12 帧输出，即 90 分钟历史预报未来 5-60 分钟，时间间隔 5 分钟。
- 模型构建：在 SmaAt-UNet 基础上加入时间条件模块，使用日周期和年周期的 cyclical encoding，把时间信息注入 U-Net 编码器-解码器中间特征。
- 训练测试：论文摘要说明在 KNMI 雷达降水数据上比较普通 SmaAt-UNet 与时间条件版本，并用 layer conductance 检查时间条件层是否实际被模型使用。
- 效果：作者报告时间条件对稀有高强度降水事件最有帮助，也改善季节变化和降水强度分布表达；但日报未核到完整数值表，不能夸大为全面优于所有场景。
- 技术判断：这篇文章的贡献不在大模型，而在“低成本物理/日历上下文”能否补足纯雷达序列缺少的大尺度背景。适合跟你关注的雷达回波预报、强降水尾部指标、季节泛化问题相连。
- 启发：可以考虑把时间、季节、天气型、环流背景等轻量条件作为 nowcasting 或降尺度模型的外部条件，而不是只堆更复杂的时空网络。

### 2.2 Efficient 3D convolutional framework for rainfall nowcasting: performance-efficiency trade-offs and adaptation to data scarcity

- 来源/期刊：GIScience & Remote Sensing，DOI `10.1080/15481603.2026.2683939`；Taylor & Francis Figshare 同步发布补充材料。
- 日期：线上发表 2026-06-07；Crossref 创建和 Figshare 补充材料发布为 2026-06-08。
- 代码/数据：未发现公开代码；Figshare 有补充 DOCX。数据是 radar-based rainfall nowcasting 场景，摘要未给出可直接下载的数据集链接。
- 数据集/任务：短时 0-6 小时雷达降水预报；系统比较输入-输出配置，其中 4 帧输入、12 帧输出、5 分钟步长的 seq2seq 设计表现最可靠。
- 模型构建：提出残差 3D encoder-decoder 框架，把标准 3D 卷积替换为多种高效 3D 卷积设计，包括 channel separation、grouped operation、kernel factorisation、spatial shifting、feature reuse；重点评估 Ghost 和 Shift 卷积在 rainfall nowcasting 中的使用。
- 训练测试：比较 2D CNN 与 3D CNN backbone，评估六类高效 3D 卷积的精度-效率折中，并做数据稀缺条件测试。
- 效果：3D U-Net 明显优于 2D 版本；Ghost-U-Net3D 参数从 22.23M 降到 5.77M，推理延迟从 97.5 ms 降到 68.2 ms，并降低 MAE/RMSE；Shift-U-Net3D 只有 1.84M 参数、68.6 ms 延迟，但有一定精度折中；10% 训练数据下高效变体仍保持较强表现。
- 技术判断：这是实用价值较高的业务化论文，重点不是提出全新 nowcasting 范式，而是把 3D CNN 做到更轻、更稳，适合算力受限或数据较少区域。
- 启发：如果你的任务需要实际部署或批量实验，Ghost/Shift/分组/分解卷积可能比更大的 Transformer 更值得优先测试；同时要同时报告 skill 和延迟/显存/参数量。

### 2.3 High resolution radar echo images

- 来源/期刊：Zenodo 数据集，DOI `10.5281/zenodo.20604785`；记录说明它是论文 `CateCast: a new AI-driven deep learning method for improving nowcasting skill of raincloud evolution` 的测试数据集，但本轮未核到该论文的正式期刊来源。
- 日期：2026-06-09。
- 代码/数据：有数据文件 `srad.zip`，约 905 MB；开放许可 CC-BY-4.0。
- 数据集：深圳市气象局 2010-2020 年广东降雨事件雷达回波，空间分辨率 0.01° x 0.01°。
- 模型构建：该条目本身是数据集，不包含模型；说明中关联 CateCast AI 深度学习方法。
- 训练测试：该 Zenodo 记录写明是 testing dataset，因此更适合作为独立测试或复现实验数据，而不是训练集。
- 效果：无模型效果数值。
- 技术判断：这是本轮最值得下载核查的数据资源之一。它可能补充国内高分辨率雷达回波测试资料，但需要确认文件格式、时间分辨率、变量含义、是否有 train/test 切分。
- 启发：如果你后续要整理雷达回波 AI 应用进展，这类公开测试集比单纯模型论文更有长期价值，适合纳入“数据资源表”。

### 2.4 meteonet-nowcasting

- 来源/期刊：GitHub 仓库，课程项目，无期刊来源。
- 日期：2026-06-08 初始提交；2026-06-10 仍有页面更新。
- 代码/数据：有 Python/PyTorch 代码，MIT License；数据需另行下载 MeteoNet。
- 数据集：MeteoNet，Meteo-France 西北法国雷达降水，README 写明 2016-2018、5 分钟时间分辨率、约 1 km 空间分辨率，原始 565 x 784，实验裁剪到 64 x 64。
- 模型构建：实现 ConvLSTM、PredRNN、SimVP 三个视频预测/临近预报基线。
- 训练测试：设计三轮渐进优化实验；README 报告 RTX 4060 Laptop GPU 8GB 上总训练约 11.6 小时。
- 效果：README 中 Round 2 最佳结果为 SimVP，MSE 3.12e-5、SSIM 0.857、CSI 0.933；ConvLSTM MSE 7.84e-5、SSIM 0.649、CSI 0.933；PredRNN 表现较差且 CSI 为 0.000。这里应视为课程项目内部结果，不能当作正式 benchmark。
- 技术判断：适合作为教学/基线代码参考，研究可信度低于正式论文，但对快速复现 ConvLSTM/PredRNN/SimVP 流程有用。
- 启发：SimVP 这类简单 video prediction 框架在小裁剪数据上可能很强，但强降水、移动尺度和真实业务大图泛化仍需重新验证。

### 2.5 radolan-nowcasting

- 来源/期刊：GitHub 仓库，WIP，无期刊来源。
- 日期：2026-06-08 更新。
- 代码/数据：有 Python 代码；README 明确仍在从本地原型迁移，当前 baseline core 已编译和验证。
- 数据集：RADOLAN-YW 降水数据。
- 模型构建：当前公开信息不足以确认完整模型结构；README 展示 baseline forecast sample 和 radial PSD 图，说明作者关注空间频谱/结构质量。
- 训练测试：仓库处于迁移阶段，暂未看到稳定实验协议。
- 效果：无可稳健引用的正式结果。
- 技术判断：目前更像一个进行中的工程原型。因为 RADOLAN 是常用雷达降水产品，值得后续观察，但不宜在综述中作为已验证方法引用。
- 启发：频谱诊断对 nowcasting 很重要，尤其是深度模型常见的平滑化问题；后续可关注它是否给出频谱、强降水和空间结构指标。

## 3. 气象 AI / 生成式方法相关条目

### 3.1 Learning to Solve Generative ODEs Beyond the Linear Span

- 来源/期刊：arXiv 预印本，暂无期刊或会议来源；arXiv 分类为 cs.CV/cs.LG。
- 日期：2026-06-07。
- 代码/数据：本轮未发现官方代码；摘要提到实验覆盖 pixel-space diffusion、latent flow matching 和 precipitation nowcasting。
- 数据集：摘要未展开 precipitation nowcasting 所用数据；需要读全文确认是否用公开 radar/precipitation benchmark。
- 模型构建：提出 SpanLift，一个轻量神经 ODE solver，在固定 base solver 的基础上增加 spatial residual operator。核心观点是传统学习型 solver 只调标量系数或时间步，更新受限于已有 velocity evaluations 的线性张成空间，无法表达 out-of-span 残差。
- 训练测试：用 endpoint teacher matching 训练 solver correction，保持原生成模型 backbone 不变，不增加模型 NFE。
- 效果：摘要给出 CIFAR-10 和 ImageNet few-step sampling 的 FID 改善；对 precipitation nowcasting 只说达到 state-of-the-art few-step sampling，未在摘要中给出气象指标。
- 技术判断：它不是雷达回波 nowcasting 主论文，但与你做 flow matching、扩散模型、气候模式降尺度的数值采样效率直接相关。尤其值得看它如何把空间残差算子接到已有 ODE/flow solver 上。
- 启发：如果降尺度或临近预报模型采用 flow matching/diffusion，后处理不一定只能靠更多采样步数；可以研究“固定主模型 + 学习式 solver correction”的低成本推理加速。

### 3.2 LangRetrieval: Language-Guided Self-Evolving Satellite-to-Radar Retrieval via CSI-Driven Reward

- 来源/期刊：arXiv 预印本；作者备注 submitted to IEEE Transactions on Image Processing，但这不是录用信息。
- 日期：2026-06-08。
- 代码/数据：本轮未发现官方代码。
- 数据集：任务是从地球同步卫星观测估计地面雷达降水，用于 radar-sparse regions；摘要未给出具体数据集名称。
- 模型构建：语言引导的 conditional flow matching 框架。先用结构化气象属性做 semantic warm-up，通过 cross-attention 注入 CFM backbone；再用 self-evolving semantic optimization，让轻量属性策略从视觉语言模型标注初始化，并用多阈值 CSI reward 的 GRPO 进行优化。
- 训练测试：核心是把语义属性生成与降水反演准确率闭环对齐，评价目标包含多阈值 CSI。
- 效果：摘要未给出具体数值，但声称语义策略可以直接朝检索准确率优化。
- 技术判断：它不是临近预报时间外推，而是卫星到雷达降水反演。与雷达回波预报的关系在于：雷达稀疏区、缺测区或资料融合场景中，它可能提供雷达-like 输入。
- 启发：对你的降尺度/flow matching 工作有两点可借鉴：一是用气象语义/天气型作为条件，不只用像素场；二是用 CSI 这类业务指标做 reward 或训练目标对齐。

### 3.3 Deep learning for non-precipitation radar echo identification

- 来源/期刊：EGUsphere discussion/preprint，DOI `10.5194/egusphere-2026-590`；Crossref 类型为 posted-content，暂无正式期刊卷期。
- 日期：2026-06-10。
- 代码/数据：未发现代码或数据下载链接。
- 数据集：广州 S 波段双偏振雷达数据，用于非降水回波识别。
- 模型构建：比较 pointwise MLP 与 Swin U-Net，控制变量考察模型结构、双偏振变量、短时序演变的贡献。
- 训练测试：消融单偏振/双偏振输入、单体扫/连续两体扫输入；重点看空间上下文学习、偏振微物理约束和短时演变信息的独立与协同贡献。
- 效果：高置信测试子集上，双偏振 MLP 的 CSI 为 0.887，双偏振 Swin U-Net 为 0.950；Swin U-Net + 双偏振 + 两体扫达到 CSI 0.953；仅用反射率因子 ZH 的 Swin U-Net 仍有 CSI 0.927。
- 技术判断：不是 nowcasting，但属于雷达资料质量控制。对深度学习 nowcasting 来说，NPE 清除会影响训练标签、强回波误报和模型泛化。
- 启发：雷达回波预报不应只看预测网络，也要看输入质控；空间上下文模型能在缺少偏振变量时部分补偿，适合历史单偏振资料清洗。

## 4. 本轮无高价值新增或需继续核查的来源

- OpenReview：近 48 小时未见新的高相关 radar echo / precipitation nowcasting 投稿。
- AMS、IEEE、AGU、RMetS、EGU/Copernicus 主站关键词检索：除 EGUsphere 非降水回波识别外，未见新的直接 nowcasting 条目。
- DeepMind、ECMWF、NOAA、Met Office、中国气象局：未见近 48 小时直接面向雷达回波/降水临近预报 AI 的新机构发布。
- Papers with Code：本轮未核到新增条目；网页/API 可访问性不稳定，后续继续查。
- Semantic Scholar：本轮 API 429 限流，已用 arXiv、Crossref、OpenAlex、GitHub、Zenodo、Figshare、EGUsphere 补查。

## 5. 后续跟进主题

1. TA-SmaAt-UNet 的高强度降水提升是否体现在 CSI/POD/FAR/FSS 等业务指标，而不仅是分布更合理。
2. Ghost-U-Net3D、Shift-U-Net3D 是否能作为低算力雷达临近预报 baseline，特别关注显存、延迟、参数量和多阈值 skill。
3. 深圳高分辨率雷达回波数据集的格式、时间分辨率、样本数、事件筛选和能否构建公平测试集。
4. CateCast 论文正式来源和代码是否公开。
5. Flow matching / diffusion 的 solver learning 是否能迁移到降尺度和 precipitation nowcasting 的少步推理。
6. Satellite-to-radar retrieval 是否能作为雷达稀疏区 nowcasting 的输入补全模块。
7. 非降水回波识别/NPE 质控是否能减少 nowcasting 训练中的伪强回波和误报。

## 6. 输出格式调整记录

后续日报建议固定输出一个独立 Markdown 文件，文件名使用 `YYYY-MM-DD_雷达回波AI进展日报.md`。每篇条目至少包含：来源/期刊、日期、链接、类型、数据集、模型构建、训练测试、效果、技术判断、与当前研究的启发、代码/数据状态。气象 AI、flow matching、扩散模型、卫星到雷达反演等相邻方向应保留，但要明确标注“不是直接雷达回波临近预报”。