# 2026-06-12 雷达回波 AI 进展日报

检索时间：2026-06-12  
重点窗口：相对上次自动化运行 `2026-06-11T06:51:56Z` 之后的新发布/新更新，并向前回看约 24-48 小时。  
检索范围：arXiv、Crossref、OpenAlex、Semantic Scholar、EGUsphere/Copernicus、MDPI、Springer/SOLA、Frontiers、GitHub、Papers with Code 网页检索，以及 DeepMind、ECMWF、NOAA、Met Office、中国气象局等机构动态的关键词检索。

## 0. 总体判断

今天发现 1 篇直接属于 AI/深度学习降水临近预报的新论文，1 篇非 AI 但直接雷达 nowcasting 的高频相控阵雷达基准论文，1 篇短时强降水 AI 判识相关论文，1 个机器学习天气模型物理一致性评价工具的 arXiv/GitHub 更新。未发现新的 flow matching / diffusion 雷达回波临近预报论文，也未发现新的高价值 nowcasting 代码仓库发布。

需要特别避免混淆的地方：

- `Synergistic Fusion of GNSS-PWV and Radar...` 是直接相关的 AI 降水临近预报，输入包含雷达组合反射率和 GNSS-PWV。
- `Rapid 30-Second-Update Numerical Nowcasting...` 是直接雷达 nowcasting，但不是 AI/深度学习；它更适合作为观测频率、模型刷新和基线设计参考。
- `Development of a cascade recognition method...` 是短时强降水识别，不是雷达回波外推，也不是真正的 precipitation nowcasting。
- `PhysMetrics.Weather` 是 ML 天气模型评价框架，不是雷达或降水临近预报模型。
- EGUsphere 的 `Deep learning for non-precipitation radar echo identification...` 已在 2026-06-11 日报覆盖，今天只作为持续跟踪项，不重复计入新增。

## 1. 新增条目总表

| 标题 | 日期 | 来源/期刊/平台 | 链接 | 类型 | 技术判断 |
|---|---:|---|---|---|---|
| Synergistic Fusion of GNSS-PWV and Radar for Precipitation Nowcasting: An AI-Empowered Spatio-Temporal Attention Network | 2026-06-11 | Remote Sensing, MDPI | [DOI](https://doi.org/10.3390/rs18121929), [MDPI](https://www.mdpi.com/2072-4292/18/12/1929) | 期刊论文 | 今日最相关条目；雷达 CR + GNSS-PWV 多模态融合，直接面向 1-3 h 短时强降水临近预报。 |
| Rapid 30-Second-Update Numerical Nowcasting with Multi-Parameter Phased Array Radar Observations: Skill Comparison with an Advection Model | 2026-06-12 | SOLA / Springer Nature | [DOI](https://doi.org/10.1007/s44393-026-00032-0) | 期刊论文 | 非 AI，但直接雷达 nowcasting；30 秒 MP-PAWR 刷新对快速对流系统预测有基准意义。 |
| Development of a cascade recognition method for short-term heavy precipitation over the Yangtze River Delta | 2026-06-12 | Frontiers in Environmental Science | [DOI](https://doi.org/10.3389/fenvs.2026.1852023) | 期刊论文 | 相关短时强降水 AI 判识；不是雷达回波 nowcasting，可借鉴样本不平衡和 SHAP 解释框架。 |
| PhysMetrics.Weather: An Evaluation Framework for Physical Consistency in ML Weather Models | 2026-06-11 更新；初稿 2026-06-09 | arXiv 预印本，暂无期刊信息；GitHub | [arXiv](https://arxiv.org/abs/2606.10642), [GitHub](https://github.com/Emmakast/PhysMetrics.Weather) | 预印本/开源工具 | 不是 nowcasting，但提供守恒、谱和动力一致性指标，可作为 AI 天气模型评价思路。 |
| gsmap-live | 2026-06-12 推送 | GitHub | [GitHub](https://github.com/sushantakundu/gsmap-live) | 代码/可视化仓库 | 低价值代码动态；只有 GSMaP nowcast/observation GIF 和 HTML，未见模型或算法实现。 |

## 2. 直接雷达/降水临近预报

### 2.1 GNSS-PWV 与雷达融合降水临近预报

标题：`Synergistic Fusion of GNSS-PWV and Radar for Precipitation Nowcasting: An AI-Empowered Spatio-Temporal Attention Network`  
来源：Remote Sensing, MDPI，2026-06-11 在线发表；不是 arXiv 预印本。  
链接：[https://doi.org/10.3390/rs18121929](https://doi.org/10.3390/rs18121929)

大致内容：

- 数据集：北京-天津-河北区域；250 个 CORS 站反演 GNSS-PWV，雷达组合反射率 CR，DEM，250 个地面气象站实测降水；研究时段为 2025 年 5-8 月主汛期。GNSS-PWV 用双频无电离层 PPP 方法反演，并用 ERA5 PWV 验证，相关系数报告为 `>0.97`。
- 模型构建：提出 `STEA-Swin`，即基于 Swin Transformer 的时空增强注意力 U-Net。输入历史 10 个 6 分钟步长，约 60 分钟历史；通道包括雷达 CR、GNSS-PWV、DEM 和时间编码。结构上使用 Swin Transformer 编码/解码、CBAM 跳连注意力、回归加分类双任务输出，并引入边缘感知/结构约束损失以减轻模糊和强降水低估。
- 训练测试：按时间划分，5-7 月训练，8 月用于验证和测试；一次推理输出 `+1 h`、`+2 h`、`+3 h` 三个预报时效。对比了融合 PWV 的 STEA-Swin、仅雷达 STEA-Swin、融合/不融合 PWV 的 ConvLSTM 和 GRU_Seq2Seq。
- 效果：摘要报告 `+1 h` 暴雨等级 POD 为 `0.68`；相对单一雷达模型，暴雨 CSI 和 POD 分别提高 `18.5%` 和 `21.5%`。正文还报告 STEA-Swin 在暴雨 CSI 上优于 ConvLSTM 和 GRU_Seq2Seq。
- 代码/数据状态：未看到公开代码链接。数据可用性声明为原始贡献包含在文章中，进一步数据需联系通讯作者；因此不能视为开放数据集。
- 技术判断：这篇与用户研究方向高度相关。它不是简单雷达外推，而是把热力水汽先兆 GNSS-PWV 与雷达形态场融合，适合关注“强对流生成前水汽积累如何帮助雷达回波外推”的问题。主要风险是评估只覆盖单一年份汛期和单一区域，泛化、实时数据延迟、CORS 密度依赖还需要验证。
- 对用户研究的启发：如果已有雷达回波序列，可以考虑引入“低维但物理意义明确”的水汽或环境场作为先兆通道，而不是只堆更复杂的视觉网络。实验设计上应保留“仅雷达模型”和“雷达+环境变量模型”的消融，并按降水等级报告 CSI/POD/FAR。

### 2.2 30 秒相控阵雷达数值 nowcasting 基准

标题：`Rapid 30-Second-Update Numerical Nowcasting with Multi-Parameter Phased Array Radar Observations: Skill Comparison with an Advection Model`  
来源：SOLA，2026-06-12 在线发表。  
链接：[https://doi.org/10.1007/s44393-026-00032-0](https://doi.org/10.1007/s44393-026-00032-0)

大致内容：

- 数据集：日本东京 2021 年一次强降水对流个例；使用 Multi-Parameter Phased Array Weather Radar, MP-PAWR，观测刷新频率为 30 秒。
- 模型构建：对比区域尺度对流解析 NWP nowcasting 系统与基于 QPE 图像运动矢量的平流外推模型；二者都使用 30 秒更新的 MP-PAWR 观测。
- 训练测试方式：不是机器学习训练论文。论文基于 120 个预报样本做技能评估，预报时效集中在 2-30 分钟。
- 效果：摘要称 NWP 系统在 2-30 分钟内优于平流模型，优势来自对快速物理演变的刻画，而不仅是移动外推。
- 代码/数据状态：无公开代码说明。数据可用性声明称数值模型和外推模型预报数据在本地服务器，需申请；MP-PAWR 雷达数据可向 NICT 申请。
- 技术判断：这不是 AI 条目，但对雷达 nowcasting 很重要。它提示：当观测刷新达到 30 秒量级时，单纯图像外推的上限可能很快暴露，物理演变或生成/数据同化机制会变得更关键。
- 对用户研究的启发：如果做深度学习雷达回波预报，应该记录输入刷新频率与预报时效的匹配关系；高频雷达数据下，可把平流外推、轻量 CNN/ConvLSTM、物理约束模型分别作为基线。

## 3. 相关方法与启发

### 3.1 长三角短时强降水级联识别

标题：`Development of a cascade recognition method for short-term heavy precipitation over the Yangtze River Delta`  
来源：Frontiers in Environmental Science，2026-06-12。  
链接：[https://doi.org/10.3389/fenvs.2026.1852023](https://doi.org/10.3389/fenvs.2026.1852023)

大致内容：

- 数据集：ERA5 再分析资料 2020-2024 年和高密度地面观测；研究对象为长三角短时强降水，文中定义为小时雨量超过 20 mm。
- 模型构建：从 71 个候选因子经逐步特征工程筛到 15 个核心物理变量；系统比较 4 种样本不平衡处理策略；提出四级级联识别模型，并用 SHAP 做物理解释。
- 训练测试方式：以诊断识别为主，使用再分析和观测构建样本；不是基于雷达图像的时空外推，也不是业务实况 nowcasting。
- 效果：特征选择将训练时间从 `8.89 s` 降到 `3.61 s`，CSI 从 `0.0059` 到 `0.0076`；四级级联模型全局最优 CSI 为 `0.0398`，相对加权调整和集成投票分别提升 `52%` 和 `23%`。绝对 CSI 仍很低，说明极端短时强降水识别仍然困难。
- 代码/数据状态：未见公开代码；数据可用性声明称文章/补充材料包含原始贡献，进一步咨询通讯作者。
- 技术判断：相关性中等偏低。它对“短时强降水环境判识”和“样本极不平衡”有启发，但不能替代雷达回波临近预报模型。
- 对用户研究的启发：可借鉴其“逐级筛选/分层识别”思路处理强回波少样本问题；但评价时必须同时报告绝对 CSI/POD/FAR，不能只报相对提升。

### 3.2 ML 天气模型物理一致性评价工具

标题：`PhysMetrics.Weather: An Evaluation Framework for Physical Consistency in ML Weather Models`  
来源：arXiv 预印本，暂无期刊信息；arXiv 初稿 2026-06-09，v2 更新 2026-06-11；GitHub 仓库可用。  
链接：[arXiv](https://arxiv.org/abs/2606.10642)，[GitHub](https://github.com/Emmakast/PhysMetrics.Weather)

大致内容：

- 数据集/输入：工具面向 WeatherBench 2、ERA5 或 IFS HRES 参考数据，可直接评估 Pangu-Weather、GraphCast 等 MLWP 预测 Zarr，也支持自带预测文件。
- 模型构建：不是预测模型，而是评价框架。README 列出 9 类/项物理诊断，包括干空气质量漂移、水汽质量漂移、总能量漂移、有效分辨率、谱散度、谱残差、静力平衡、地转平衡和递减率分布等。
- 训练测试方式：无训练；默认在多个预报时效上计算指标并输出长表 CSV 和图。
- 效果：论文主张补足 RMSE 等像素误差指标无法评价物理一致性的缺口。由于不是 nowcasting 任务，不能直接解读为雷达回波预报性能提升。
- 代码/数据状态：GitHub 开源，仓库截至本轮检查约 12 stars；默认可流式读取 WeatherBench 2 公共数据。仓库最近一次代码 push 在 2026-06-09，GitHub 元数据更新到 2026-06-12。
- 技术判断：对雷达回波 nowcasting 是间接相关。短临模型也有类似问题：RMSE/MSE 会偏向平滑，需要加入谱结构、强回波尾部、质量守恒或降水对象结构评价。
- 对用户研究的启发：可将其评价思想转化为雷达场指标，例如多尺度谱能量、强回波面积/连通对象、结构相似度、降水质量守恒近似、FSS/CSI 随尺度变化，而不是只看 MSE。

## 4. 昨日已覆盖但仍值得跟踪

标题：`Deep learning for non-precipitation radar echo identification: Comparative evaluation of polarimetric, spatial, and temporal information`  
来源：EGUsphere discussion/preprint，2026-06-10 discussion started；状态为 open discussion，under review for Atmospheric Measurement Techniques (AMT)。  
链接：[EGUsphere](https://egusphere.copernicus.org/preprints/2026/egusphere-2026-590/)，[DOI](https://doi.org/10.5194/egusphere-2026-590)

今天不重复计入新增，因为 2026-06-11 日报已经写过。复核补充如下：

- 数据集：广州 S 波段双偏振雷达，0.5 度仰角，2019 年样本；用 `rho_hv` 阈值初筛并人工订正形成高质量标签。
- 模型：点式 MLP 与 Transformer-based Swin U-Net；比较单/双偏振变量和单体扫/连续两体扫输入。
- 效果：高置信测试集上，双偏振 MLP CSI `0.887`，双偏振 Swin U-Net CSI `0.950`；最佳双偏振两体扫 Swin U-Net CSI `0.953`；仅 ZH 的 Swin U-Net 仍有 CSI `0.927`。
- 代码/数据：代码需向作者申请；未见公开数据下载。
- 技术判断：不是 nowcasting，但属于雷达回波预报的上游质控。对深度学习 nowcasting 来说，非降水回波标签、双偏振变量和连续体扫信息都可能显著影响训练数据质量。

## 5. 代码与数据动态

- GitHub 检索未发现过去两天新增的高价值 `radar echo nowcasting`、`weather radar nowcasting`、`FlowCast precipitation` 算法仓库。
- `sushantakundu/gsmap-live` 在 2026-06-12 自动更新 `GSMap_Combined.gif`，仓库只含 GIF 和 `index.html`，描述为 precipitation nowcast and observation 动画。它可作为 GSMaP 可视化动态观察，但不是模型代码或数据集发布。
- `Tanhhhhtjy/Pluvian` 与 GNSS-PWV、雷达、ERA5 融合 nowcasting 方向相关，但最近 push 是 2026-05-31，不属于本轮新增。
- Papers with Code 网页检索未发现新的雷达回波/降水 nowcasting 条目；本轮未发现可确认的新 benchmark 记录。

## 6. 负结果与排除项

- arXiv：使用 submittedDate `202606100000 TO 202606122359` 检索 `radar echo`、`radar nowcasting`、`weather radar nowcasting`、`precipitation nowcasting`、`rainfall nowcasting`、`flow matching`、`diffusion`、`satellite-to-radar`、`radar quality control` 等组合。直接 nowcasting 结果为 0；flow matching / CFM 方向无本窗口新增。
- Semantic Scholar：部分检索触发 429 限流；已用 OpenAlex、Crossref、arXiv、GitHub 和出版页补查。
- DeepMind、ECMWF、NOAA、Met Office、中国气象局：过去 7-14 天关键词检索未发现新的直接雷达回波/降水临近预报 AI 发布。
- `Comparison of Two Operational Microphysics Schemes Across Various Regional-MPAS Simulations` 是 2026-06-11 arXiv 大气物理条目，研究 MPAS 微物理方案，并非 AI 或 radar nowcasting，未纳入主表。
- `Physics-Guided Dual Decoding and Spectral Supervision for Global 3D Hydrometeor Prediction` 是 2026-06-07 arXiv 预印本，超出本轮“上次运行后新增”窗口；它是 72 h 全球 3D 水凝物预测，不是雷达回波临近预报，可后续作为长尾水凝物建模背景跟踪。

## 7. 值得继续跟进的主题

1. 雷达 + GNSS-PWV/水汽场融合：今日 MDPI 论文说明水汽先兆可改善强降水 POD/CSI，但需要关注实时延迟、站网密度和跨区域泛化。
2. 雷达质控与 nowcasting 训练集质量：EGUsphere 预印本显示空间上下文、双偏振和短时序信息对非降水回波识别有明显贡献，应考虑把质控不确定性纳入训练数据筛选。
3. 高频相控阵雷达对模型设计的影响：SOLA 论文提示 30 秒刷新下，外推模型与物理演变模型差异会更快显现，适合作为高频 nowcasting 的基线设计参考。
4. 极端降水样本不平衡：Frontiers 级联识别论文的绝对 CSI 很低但相对提升明显，提醒强降水任务必须报告绝对指标、分等级指标和样本基数。
5. 评价指标扩展：PhysMetrics.Weather 的物理一致性思想可迁移到雷达 nowcasting 的谱结构、强回波尾部、对象连续性和多尺度 FSS/CSI。
6. 开源与复现性：今日几篇最相关论文的数据和代码开放度仍有限；后续应优先跟进是否出现公开代码、补充数据或作者仓库。