2026-06-15 雷达回波 AI 进展日报#

检索时间：2026-06-15 13:02 +08
重点窗口：相对上次自动化运行 2026-06-14T05:00:57Z，重点检查 2026-06-14 13:00 +08 至 2026-06-15 13:02 +08；同时向前兼容约 48 小时至 2026-06-13 13:00 +08，以覆盖数据库索引和代码推送延迟。
检索主题：深度学习或 AI 在雷达回波预报、降水临近预报、radar echo nowcasting、precipitation nowcasting、weather radar nowcasting 中的新论文、预印本、代码、会议/期刊动态和机构发布；另设 related-method bucket 跟踪 flow matching、diffusion/generative solver、satellite-to-radar retrieval、雷达质控等相邻方向。

0. 总体判断#

本轮未发现新的高价值论文、arXiv 预印本、正式期刊上线、会议录用或机构发布，直接对应 2026-06-14 至 2026-06-15 窗口内的雷达回波/降水临近预报 AI 研究。

但 GitHub 检索发现一个直接相关的新代码仓库：xzx1983/GSWarpNet。该仓库包含可安装 Python 包、训练、微调、评估、可视化和 SRadar 数据预处理脚本，任务描述明确是 radar echo / precipitation nowcasting。由于目前未检索到对应论文、arXiv、DOI 或正式会议页面，应把它写成“新代码/实验仓库”，不能写成已发表论文或已录用会议工作。

另一个新增动态是 sushantakundu/gsmap-live 在上次运行之后再次自动更新 GSMaP 动图。它不是 AI 模型代码，也不是雷达回波外推算法，只作为低价值业务可视化动态记录。

1. 新增条目表#

一句判断：

• GSWarpNet 是今天最值得跟进的直接 radar echo nowcasting 代码信号，价值在于“显式运动估计 + 可微平流 + 残差修正”的可复现框架，但当前缺少论文、模型权重、独立复现实验和清晰许可文件，不能直接按成熟基准处理。
• gsmap-live 只是自动更新 GSMaP nowcast/observation 动图，不是 AI nowcasting 方法，也没有训练或评估链路。

2. 新增动态详述#

2.1 GSWarpNet: Decoupled Warp-and-Refine Precipitation Nowcasting#

来源/平台：GitHub 仓库 xzx1983/GSWarpNet。仓库描述为 "Decoupled Warp-and-Refine Radar Echo Nowcasting with GMS/SRI metrics"。仓库元数据显示公开仓库、Python 代码、大小约 27 KB、无 release、无 GitHub 识别出的 license。仓库 README 称为 GSWarpNet 的 official implementation，但目前通过 arXiv、OpenAlex、Crossref 和网页检索没有发现同名论文、预印本或正式期刊/会议页面。

数据集：README 使用公开 SRadar / Maly Javornik Radar 数据集，数据页为 Mendeley Data DOI 10.17632/whwgrycztz.1。该数据集由 Slovak Hydrometeorological Institute (SHMU) 的 Malý Javorník 雷达观测构成，数据页说明覆盖 2016-01-01 至 2019-06-30，5 分钟间隔，并抽取约 63,007 个观测帧用于 LUPIN 相关训练。GSWarpNet 的 prepare_data.py 将 HDF5 帧裁剪为 336 x 336，转成 float16 memmap，并构建 train.json、val.json、test.json；README 写明时间划分边界为 2018-09-02，输入 4 帧、输出 12 帧，即约过去 20 分钟预测未来 60 分钟。

需要核验的数据细节：Mendeley 数据页给出的 dBZ 反量化公式是 (data - 1) / 2 - 31.5，而仓库 scripts/prepare_data.py 使用 raw * 0.5 - 31.5。两者相差 0.5 dB，可能影响阈值类指标，后续若复现实验应首先确认作者是否有意这样处理。

模型构建：GSWarpNet 采用 decoupled warp-and-refine 结构。FlowEstimator 是带 CBAM 注意力的 4-level UNet，用历史雷达序列预测每个 lead time 的光流场；WarpModule 通过 grid_sample 做无参数可微平流；随后对 warp 结果做 detach，再由 3-level depthwise separable convolution UNet 风格的 RefinementNet 做残差修正。这个设计的核心假设是先显式建模回波位移，再让残差网络补偿强度变化和形变，避免所有任务都压到一个黑盒视频预测网络中。

损失与指标：CompositeLossV5 包含 MSE、GMS、SSIM、Edge loss、直接 warp supervision 和 flow divergence regularisation。仓库还实现了两个结构指标：GMS (Gradient Map Similarity) 和 SRI (Structural Reflectivity Index)，用于评价强回波边界或结构轮廓保持。常规评估还包括 CSI@20、CSI@35、CSI@45、MAE、SSIM。

训练/测试方式：README 给出两阶段训练流程。基础模型默认训练约 80 epoch，lr=1e-4、batch size 8；随后做 DBZ fine-tuning 约 20 epoch，使用强度加权以提高强回波区域权重。评估脚本同时比较 Persistence、Farneback Optical Flow、SmaAt-UNet、GSWarpNet base 和 GSWarpNet+DBZ。仓库提供 scripts/train.py、scripts/finetune_dbz.py、scripts/evaluate.py、scripts/visualize.py、scripts/prepare_data.py，但未提供已训练权重、结果 JSON 或 notebook。

效果：README 报告 SRadar test set、12 个 lead time 平均结果：GSWarpNet+DBZ 的 CSI@20 为 0.5835、CSI@35 为 0.1557、MAE 为 2.943、SSIM 为 0.632，优于 README 中列出的 Persistence、OpticalFlow、SmaAt-UNet 和 GSWarpNet base；但 CSI@45 为 0.0388，略低于 SmaAt-UNet 的 0.0390。这个细节说明强阈值极端回波上未必全面领先，不能只看 CSI@20 或 MAE 下结论。

代码/数据状态：代码公开，结构完整，含训练和评估脚本；数据依赖外部 Mendeley Data，数据许可证为 CC BY-NC-ND 4.0；仓库 README 写 MIT License，但当前 GitHub metadata 未识别 license，仓库树中也未见 LICENSE 文件。无 release、无 checkpoint、无 issue 讨论、无正式论文引用信息。

技术判断：这是直接雷达回波临近预报方向的高相关代码仓库，值得下载复核。它的技术路线比单纯 ConvLSTM/UNet 更强调物理可解释的平流位移和结构保持指标，对解决回波平滑、边界衰减、强回波漏报有启发。但当前证据主要来自 README 和代码，缺少独立评审或复现实验；如果后续用于用户研究，建议先做小规模复现和指标校验，再决定是否作为 baseline 或可借鉴模块。

与用户研究的启发：

1. 可借鉴“运动场估计/warp”和“强度残差修正”解耦框架，尤其适合与光流、半拉格朗日外推或物理约束 nowcasting 做对照。
2. GMS/SRI 这类边界结构指标可补充 CSI、POD、FAR、FSS，帮助识别模型是否只提升平均误差但牺牲强对流结构。
3. DBZ fine-tuning 的强度加权思路可用于强回波样本不平衡，但需要防止高阈值虚警增加。
4. SRadar 复现前应核验 dBZ 反量化公式、时间划分、样本连续性和许可证边界。

2.2 gsmap-live 自动更新 GSMap_Combined.gif#

来源/平台：GitHub 仓库 sushantakundu/gsmap-live。

日期：最新确认 commit 为 2026-06-14T07:19:42Z，提交信息为 Auto-update GSMap_Combined.gif，在上次自动化运行之后。

数据集/输入：仓库描述为 "Animation of Precipitation Nowcast and Observation"。从可见内容看，仓库主要包含 index.html 和自动更新的 GSMap_Combined.gif，网页每 10 分钟刷新。它展示的是 GSMaP 降水 nowcast/observation 动图，而不是 weather radar echo 数据。

模型构建：未见深度学习模型、雷达回波模型、训练脚本或推理脚本。

训练/测试方式：未见训练、验证、测试划分，也没有 CSI、POD、FAR、FSS、RMSE 等客观评分。

效果：只能确认可视化资源自动更新，不能据此判断 nowcasting 精度。

代码/数据状态：仓库公开，语言显示为 HTML；无 README；无模型代码；无数据处理说明。

技术判断：这不是雷达回波 AI 临近预报新方法，也不是可复现实验代码。它只适合作为“自动更新降水动态图网页”的低价值工程动态记录。

与雷达回波预报相关性：低。GSMaP 属于卫星/融合降水产品方向，与短临业务场景邻近，但不是 weather radar echo nowcasting。

对用户研究的启发：如需给模型输出、雷达拼图或卫星降水产品做在线展示，可参考这种轻量的自动更新 GIF + HTML 页面方式；科研算法和客观检验仍需单独建立。

3. 已复核但不计入新增的条目#

4. 相关方法与启发#

4.1 flow matching / rectified flow / generative solver#

本轮没有发现 2026-06-14 至 2026-06-15 新发布的 flow matching 或 rectified flow precipitation nowcasting 条目。旧条目中，OpenReview 的 FlowCast 是 ICLR 2026 Poster，明确把 Conditional Flow Matching 用于 radar-based precipitation nowcasting；OpenReview 的 Perceptually Constrained Precipitation Nowcasting Model 则用 rectified flow 做分布层面的感知约束。这些不是今日新增，但仍值得作为“生成式但加速/约束采样”的技术线索继续跟踪。

4.2 diffusion/generative solver#

本轮未发现新的 diffusion precipitation nowcasting 论文或代码。arXiv 检索重新浮现的 PixelFlowCast、SynCast、STLDM、DuoCast、PostCast、CasCast 等均不是本窗口新增。对用户研究的启发仍是：扩散/生成式方法通常改善清晰度和不确定性表达，但需要严查强回波阈值、物理一致性、采样成本和虚警问题。

4.3 satellite-to-radar retrieval#

本轮没有新的 satellite-to-radar retrieval 条目。LangRetrieval 仍是近期代表，但它是卫星到雷达检索/表征方向，不是时间外推 nowcasting。适合关注其 CSI-driven reward 和自演化训练思想，作为雷达稀疏区补全或多源输入模块，而不是直接替代雷达外推模型。

4.4 雷达质控和非降水回波识别#

本轮未发现新的雷达质控论文或代码。该方向仍需要持续跟踪，因为非降水回波、地物杂波、异常传播和质量控制会直接影响深度学习 nowcasting 的泛化能力。若后续用户研究使用业务雷达拼图，质控链路可能比模型结构改动更先决定效果上限。

4.5 国内 AI 短临业务动态#

2026-06-05 至 2026-06-09 公开报道的“第二届人工智能气象预报模型示范计划”不属于本轮 24-48 小时新增，但值得持续跟进。报道中提到临近 0-3 小时专项、雷达图片产品、卫星数据、国产再分析和实况数据，以及人大高瓴“观天短临降水智能预报系统”融合三维雷达观测、AI 模型与大气物理机理。当前公开信息偏业务/宣传口径，缺少可复现实验细节、代码、数据划分和客观评分，不能替代论文级证据。

5. 检索记录与来源#

• arXiv API：检索 radar echo nowcasting、weather radar nowcasting、precipitation nowcasting + radar/deep/learning/AI、flow matching + precipitation nowcasting、diffusion + precipitation nowcasting、satellite-to-radar、weather radar quality control deep learning。未发现 2026-06-13 至 2026-06-15 新条目。入口：arXiv API。
• OpenAlex API：检索 radar echo nowcasting deep learning、weather radar nowcasting artificial intelligence、precipitation nowcasting deep learning radar、radar quality control deep learning weather、satellite to radar retrieval precipitation nowcasting、flow matching precipitation nowcasting、diffusion precipitation nowcasting，并用 from_publication_date:2026-06-13 到 to_publication_date:2026-06-15 过滤。无有效直接条目；返回的 disaster bibliometric、soil moisture、wind nowcasting、Journal of Climate tail regression 等均不满足雷达回波临近预报要求。入口：OpenAlex Works。
• Crossref API：同窗口检索 precipitation nowcasting、radar echo nowcasting、weather radar nowcasting、GSWarpNet Decoupled Warp Refine Radar Echo Nowcasting 等。未发现 GSWarpNet 对应论文；返回的部分 2026 文章如 wind nowcasting、Journal of Climate 统计类论文和光通信雷达条目不属于本任务。入口：Crossref Works。
• Semantic Scholar API：部分查询触发 HTTP 429；成功返回的 weather radar nowcasting AI 结果主要为 2026-04 及更早或 2025 年以前条目，没有本窗口新增。入口：Semantic Scholar Graph API。
• GitHub API：检索 radar echo nowcasting、weather radar nowcasting、precipitation nowcasting、satellite-to-radar，按 created:>=2026-06-13 或 pushed:>=2026-06-13 过滤。发现 xzx1983/GSWarpNet 和 sushantakundu/gsmap-live。入口：GitHub Search API。
• OpenReview：网页检索 precipitation nowcasting radar、radar echo nowcasting、flow matching precipitation nowcasting。FlowCast、PostCast、RainDiff、Perceptually Constrained Precipitation Nowcasting 等均非本窗口新增。入口：OpenReview。
• Papers with Code、AMS、IEEE、AGU、RMetS、EGU/Copernicus 以及 Google DeepMind、ECMWF、NOAA、Met Office、中国气象局相关网页检索：未发现 2026-06-14 至 2026-06-15 的直接 radar echo / precipitation nowcasting AI 新论文或机构发布。网页检索出现的 ECMWF 6 月 18 日研讨会、中国 AI 气象示范计划和旧论文均未计入今日新增。

6. 下一轮继续跟进#

1. 跟踪 xzx1983/GSWarpNet 是否补充论文、arXiv、LICENSE、模型权重、结果文件或 issue 讨论。
2. 若需要实质评估，优先复现 GSWarpNet 的 SRadar 数据预处理和评价脚本，特别核验 dBZ 反量化公式差异、时间切分和 CSI@45 表现。
3. 继续关注 GSWarpNet 的 GMS/SRI 指标是否在其他雷达数据集上有稳健性；不要只看 README 单数据集结果。
4. 对 gsmap-live 只记录低价值可视化状态，除非仓库新增模型、数据处理脚本或客观评分。
5. 继续把 flow matching、rectified flow、diffusion、satellite-to-radar retrieval、雷达质控放在相关方法桶中；只有明确涉及雷达/降水临近预报且有论文、代码或可验证结果时再详细展开。
6. 国内 AI 短临示范计划和“观天短临降水智能预报系统”适合做专题跟踪，但下一轮日报仍应坚持窗口内新增原则，避免把宣传性报道写成论文进展。