# 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

| 标题 | 日期 | 来源/期刊/平台 | 链接 | 类型 |
|---|---:|---|---|---|
| GSWarpNet: Decoupled Warp-and-Refine Precipitation Nowcasting | 初始提交 2026-06-13 04:24 UTC；仓库创建/更新 2026-06-15 02:02-02:06 UTC | GitHub；未发现论文/预印本/期刊信息 | [仓库](https://github.com/xzx1983/GSWarpNet)；[初始提交](https://github.com/xzx1983/GSWarpNet/commit/65995f4c9bb50154676e498d6c37561adac485ef)；[DOI 修正提交](https://github.com/xzx1983/GSWarpNet/commit/65933abd5e5dd2e167e33215d32a4416240c4bdd) | 直接相关代码仓库 |
| `gsmap-live` 自动更新 `GSMap_Combined.gif` | 2026-06-14 07:19 UTC | GitHub | [仓库](https://github.com/sushantakundu/gsmap-live)；[commit](https://github.com/sushantakundu/gsmap-live/commit/fe5adf745690a9b68353c44886353591332c6ad5) | 低价值可视化动态 |

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

| 条目 | 日期 | 来源/平台 | 链接 | 本轮处理 |
|---|---:|---|---|---|
| arXiv direct radar/precipitation nowcasting 命中 | 最新直接 radar/nowcasting 命中主要为 2026-05；satellite-to-radar 最近为 2026-06-08 | arXiv | [arXiv API](https://export.arxiv.org/api/query) | 未发现 2026-06-13 至 2026-06-15 新的直接论文/预印本。 |
| LangRetrieval: Language-Guided Self-Evolving Satellite-to-Radar Retrieval via CSI-Driven Reward | 2026-06-08 | arXiv 预印本，暂无期刊信息 | [arXiv](https://arxiv.org/abs/2606.09486) | satellite-to-radar retrieval，非直接 nowcasting；已在前序日报处理，不作为今日新增。 |
| FlowCast: Advancing Precipitation Nowcasting with Conditional Flow Matching | Published 2026-01-26，Last Modified 2026-04-30 | OpenReview / ICLR 2026 Poster | [OpenReview](https://openreview.net/forum?id=47ToW7T1iU) | 相关方法重要，但不是 24-48 小时新增。 |
| Perceptually Constrained Precipitation Nowcasting Model | Published 2025-05-01，Last Modified 2025-08-04 | OpenReview / ICML 2025 poster | [OpenReview](https://openreview.net/forum?id=DzP9N6oO0N) | rectified flow/generative 相关，但不是今日新增。 |
| 第二届人工智能气象预报模型示范计划 / AI 临近预报相关业务动态 | 2026-06-05 至 2026-06-09 公开报道 | 科技日报、中国日报、新京报、人大高瓴等 | [科技日报](https://www.stdaily.com/web/gdxw/2026-06/09/content_529551.html)；[人大高瓴](https://ai.ruc.edu.cn/newslist/newsdetail/20260608103.html) | 窗口外，不计入今日新增；但其中 0-3 小时、雷达图片产品、三维雷达观测、强降水短临预报值得后续单独跟进。 |
| ECMWF Informal Seminar: Evaluating Extreme Precipitation Forecasts | 计划 2026-06-18 | ECMWF events | [ECMWF event](https://events.ecmwf.int/event/557/) | 未来事件，且主要是 AI/NWP 极端降水评估，不是 radar echo nowcasting 新发布。 |

## 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](https://export.arxiv.org/api/query)。
- 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](https://api.openalex.org/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](https://api.crossref.org/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](https://api.semanticscholar.org/api-docs/graph)。
- 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](https://docs.github.com/en/rest/search/search)。
- 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](https://openreview.net/)。
- 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。