# 2026-06-17 雷达回波 AI 进展日报

检索时间：2026-06-17 13:22 +08  
重点窗口：相对上次自动化运行 `2026-06-16T05:02:38Z`，重点检查 2026-06-16 13:02 +08 至 2026-06-17 13:22 +08；同时向前保留约 48 小时缓冲至 2026-06-15 13:02 +08，以覆盖数据库索引、网页收录和代码推送延迟。  
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 2026-06-16 13:02 +08 至 2026-06-17 13:22 +08 主窗口内新的高价值直接雷达回波/降水临近预报 AI 论文、arXiv 预印本、正式期刊上线、会议录用、代码 release、数据集或机构发布。

需要区分三类情况：

1. `xzx1983/GSWarpNet` 仍是近 48 小时缓冲窗口内最直接相关的代码信号，但仓库 `pushed_at` 仍停在 2026-06-15T02:06:15Z，已在 2026-06-15 日报展开；今天不重复计入新增。
2. `PHADIN` 数据集仍是值得跟进的窗口外雷达降水影像数据资源，但发布时间为 2026-06-11，昨天已经补录；今天没有发现新的版本、论文或 benchmark。
3. 本轮网页检索补充识别到若干近月高价值条目，包括 Springer 会议章节、IEEE TGRS 的 SRDiff、AGU/Wiley 的 GRENet、RISE-net、Global-Frequency Synergy、中文《气象》的 GAN 强降水临近预报文章。这些对用户研究有参考价值，但均不是今天 24-48 小时内新增，因此单列为“窗口外值得回看”，不写入主新增表。

## 1. 新增条目表

| 标题 | 日期 | 来源/期刊/平台 | 链接 | 类型 |
|---|---:|---|---|---|
| 未发现高价值直接雷达回波/降水临近预报 AI 新增条目 | 2026-06-16 13:02 至 2026-06-17 13:22 +08 | arXiv、OpenAlex、Crossref、Semantic Scholar、OpenReview、Papers with Code、GitHub、Hugging Face、AMS/IEEE/AGU/RMetS/EGU、机构动态综合检索 | 见第 6 节检索记录 | 负结果 |

一句技术判断：今天的主结论是“窗口内无新增”，不是“方向无进展”。近两天的有效信号仍然主要来自前两日报已覆盖的 `GSWarpNet` 和 `PHADIN`，以及若干窗口外近月论文；这些不能被误写成 2026-06-17 新论文或新代码。

## 2. 窗口内已复核但不计为新增

| 条目 | 日期 | 来源/平台 | 链接 | 本轮处理 |
|---|---:|---|---|---|
| GSWarpNet: Decoupled Warp-and-Refine Precipitation Nowcasting | 仓库创建 2026-06-15T02:02:06Z；最新 push 2026-06-15T02:06:15Z | GitHub；未发现论文/预印本/期刊信息 | [仓库](https://github.com/xzx1983/GSWarpNet) | 直接相关，但已在 2026-06-15 日报完整展开；本轮 GitHub API 未发现 2026-06-16 之后的新 push、release、论文链接、权重或结果文件。 |
| PHADIN: Rainfall radar imagery dataset from PhaDin radar station, Vietnam | 2026-06-11 | Mendeley Data v1；不是期刊论文 | [Mendeley Data](https://data.mendeley.com/datasets/nmb673vmgv/1)；[DOI](https://doi.org/10.17632/nmb673vmgv.1) | 直接相关数据集，但在主窗口外，且已在 2026-06-16 日报补录；本轮未发现新版本或配套代码。 |

### 2.1 GSWarpNet 状态

来源/平台：GitHub 仓库 `xzx1983/GSWarpNet`。GitHub API 本轮返回 `created_at=2026-06-15T02:02:06Z`、`pushed_at=2026-06-15T02:06:15Z`、stars 为 0、license 元数据为空，仓库描述为 "Decoupled Warp-and-Refine Radar Echo Nowcasting with GMS/SRI metrics"。

大致内容：该仓库此前已确认包含可安装 Python 包、训练、微调、评估、可视化、SRadar 数据预处理脚本，以及显式 motion/warp/refine 的雷达回波外推结构。它是直接 radar echo / precipitation nowcasting 代码信号。

训练测试方式与效果：沿用 2026-06-15 日报记录，输入 4 帧、输出 12 帧，使用 SRadar/Maly Javornik 数据，报告 CSI@20、CSI@35、CSI@45、MAE、SSIM、GMS、SRI 等指标。本轮没有新增结果文件或 checkpoint，因此不重新评价效果。

代码/数据状态：代码公开但无 release、无权重、无新提交；数据依赖外部 Mendeley Data。今天不能把它写成新论文、正式 benchmark 或新的实验结果。

技术判断：保持“直接相关代码仓库，值得继续跟进”的状态；只有出现论文、arXiv、LICENSE、权重、结果文件或新 commit 时才需要重新展开。

### 2.2 PHADIN 状态

来源/平台：Mendeley Data v1，DOI `10.17632/nmb673vmgv.1`，发布时间 2026-06-11。

大致内容：数据页描述 PHADIN 来自越南 Pha Din Meteorological Station 的降水雷达影像数据，可用于训练 RainNet、GAN nowcasting 等深度卷积模型，任务指向 radar-based precipitation nowcasting。

训练测试方式与效果：PHADIN 是数据集，不是模型；公开页面未给出标准训练/验证/测试划分、baseline 脚本或 CSI/FSS/MAE 等客观评分。本轮没有下载和体检数据文件，因此具体时间频率、空间范围、单位、缺测比例和样本连续性仍待核验。

代码/数据状态：页面公开，但本轮未发现新版本、官方 benchmark 或模型代码。

技术判断：它对雷达降水临近预报直接相关，适合作为跨区域泛化或东南亚季风/山地降水场景数据候选；但不是今天新增，也不是算法论文。

## 3. 相关方法与启发：窗口外值得回看

以下条目不是 2026-06-16 至 2026-06-17 新增，不能写入主新增表；但它们对 radar echo nowcasting、降水临近预报、生成式方法、多源融合或数据/质控链路有参考价值，建议作为后续专题跟进。

### 3.1 Radar Echo Nowcasting Based on a Physics-Constrained GAN Fusing GNSS-RO and GNSS-PWV

| 标题 | 日期 | 来源/期刊/会议/平台 | 链接 | 类型 |
|---|---:|---|---|---|
| Radar Echo Nowcasting Based on a Physics-Constrained Generative Adversarial Network Fusing GNSS-RO and GNSS-PWV | 2026-06-03 online | Springer Nature Singapore, Lecture Notes in Electrical Engineering；EENES 2025 proceedings conference paper | [Springer](https://link.springer.com/chapter/10.1007/978-981-95-9674-4_30)；[DOI](https://doi.org/10.1007/978-981-95-9674-4_30) | 窗口外会议章节，直接 radar echo nowcasting |

来源/期刊或会议：Springer 会议论文/章节，Crossref 元数据给出 `published-online=2026-06-03`，不属于本轮 24-48 小时窗口。

数据集：页面摘要称使用 2025 年中国北方强对流个例，融合 GNSS-RO、GNSS-PWV 与雷达回波；公开摘要未给出完整样本规模、训练/测试时间划分或数据下载入口。

模型构建：提出带物理约束的 GAN，采用双分支结构分别建模 motion field 与 growth-decay field，并引入动力学约束和 GNSS 派生的可降水水汽 PWV。

训练测试方式：公开摘要只说明在强对流个例上评估 0-2 h 雷达回波临近预报；未见代码、权重和完整训练细节。

效果：摘要报告在 42-120 min lead time 的强回波阈值 `>=30 dBZ` 上 CSI 提升 28.5%，漏报接近减少 50%，虚警率保持稳定。这个结论来自摘要，尚未独立复核。

代码/数据状态：本轮未发现代码或公开数据入口。

技术判断：这是直接雷达回波外推方向，值得跟踪全文，尤其是“运动场 + 生消场”解耦和物理损失的设计；但公开证据目前偏摘要级，不能直接作为可复现 baseline。

对用户研究的启发：与 `GSWarpNet` 的 warp/refine 思路有相通处，都在试图把位移和强度演变拆开；用户若研究强回波保持，可比较物理约束 GAN、光流/warp、生成式残差修正三类方案的强阈值 CSI、漏报和虚警。

### 3.2 SRDiff: Cross-Modal Diffusion for Satellite-to-Radar Translation

| 标题 | 日期 | 来源/期刊/平台 | 链接 | 类型 |
|---|---:|---|---|---|
| SRDiff: A Cross-Modal Diffusion Model for Satellite-to-Radar Translation in Precipitation Nowcasting | Crossref: 2026；Semantic Scholar/NUS 页面列为 IEEE TGRS 2026, volume 64 | IEEE Transactions on Geoscience and Remote Sensing | [Semantic Scholar](https://www.semanticscholar.org/paper/SRDiff%3A-A-Cross-Modal-Diffusion-Model-for-in-Qin-Cao/011bd50589d200ac49fdb9a8ea1d5fd8b335f9e7)；[DOI](https://doi.org/10.1109/TGRS.2026.3686188) | 窗口外相关方法；satellite-to-radar retrieval，不是直接时间外推 nowcasting |

来源/期刊或会议：IEEE TGRS 期刊论文，DOI `10.1109/TGRS.2026.3686188`。Crossref 日期只有年份，Semantic Scholar 和 NUS 页面列为 2026 年文章；不是今天窗口内新增。

数据集：页面摘要提到 SEVIR 与 Sat2Rdr 数据集，用于 satellite-to-radar translation。该任务不是从历史雷达图预测未来雷达图，而是把卫星观测翻译为雷达等价表征。

模型构建：提出 cross-modal、sequence-aware diffusion 模型。核心模块包括 Cross-Modal Conditional Adapter，用于对齐卫星多通道与雷达反射率；以及 Diffusion Transformer backbone，用于建模序列依赖并生成稳定的雷达等价输出。

训练测试方式：公开页面说明在 SEVIR 和 Sat2Rdr 上与 deterministic 和 diffusion-based 方法比较，并把 SRDiff 结果接入现成雷达 nowcasting 模型作为下游应用验证。

效果：Semantic Scholar/NUS 摘要称 SRDiff 在 satellite-to-radar translation 关键指标上优于现有确定性和扩散方法，并能改善下游 nowcasting。具体数值需要全文核验。

代码/数据状态：论文页面声称代码在 `https://github.com/42xingxing/SRDiff`，但本轮 GitHub API 对该仓库返回 404，说明当前未能核验公开代码可访问性。后续应继续检查是否延迟开放、改名或设为私有。

技术判断：SRDiff 不是直接 radar echo nowcasting，但对“雷达稀疏区补全”“卫星到雷达表征桥接”“复用雷达 nowcasting 模型”有明显启发。需要避免把它误写成纯雷达时间外推方法。

对用户研究的启发：如果用户研究涉及多源输入或无雷达区域降水估计，可借鉴“先 satellite-to-radar，再接 nowcasting”的模块化方案；但需警惕翻译误差被下游外推模型放大。

### 3.3 GRENet: GNSS-Enhanced Radar Extrapolation Network

| 标题 | 日期 | 来源/期刊/平台 | 链接 | 类型 |
|---|---:|---|---|---|
| GRENet: GNSS-Enhanced Radar Extrapolation Network for Precipitation Nowcasting | 2026-05-15 online | Geophysical Research Letters, AGU | [DOI](https://doi.org/10.1029/2025GL120787) | 窗口外直接 precipitation nowcasting |

来源/期刊或会议：AGU Geophysical Research Letters，Crossref 元数据给出 `published-online=2026-05-15`。

数据集：Jina Reader 提取的正文显示，实验区域为德国 47-54.7°N、3.6-15.7°E，包含 17 部天气雷达和密集 GNSS 网络；使用 2011-2012 与 2015 年 GNSS ZTD 产品和雷达降水构建 28,521 个样本，雷达 lead time 降水作为 ground truth，并用 2016 年一次强降水事件评估。

模型构建：GRENet 将 GNSS ZTD/PWV 信息引入雷达外推网络，核心思想是把水汽状态作为强降水生消演变的额外约束，避免只依赖雷达过去运动。

训练测试方式：正文片段显示 90% 数据用于训练，剩余用于验证；同时用只含雷达输入的 GAN baseline 和传统 optical flow 对比。指标包括 CSI 和 FSS。

效果：本轮未完整提取具体数值，但文章设计明确关注 GNSS 信息对强降水 nowcasting 的贡献。需要阅读全文后再引用具体提升幅度。

代码/数据状态：未发现公开代码入口；DWD 雷达和 GNSS 数据的获取条件需要进一步核验。

技术判断：这是直接 precipitation nowcasting，且与 GNSS-PWV/GNSS-ZTD 多源融合方向高度相关。对于用户的强降水短临研究，值得重点回看，但它不是今天新增。

对用户研究的启发：水汽先兆信息可能改善雷达仅外推模型对生消过程的表达；如果用户已有雷达、ERA5、GNSS 或水汽通量变量，可考虑把“运动外推 + 水汽条件”作为结构化对照。

### 3.4 RISE-net: Beijing-Tianjin-Hebei Fine-Scale Precipitation Nowcasting

| 标题 | 日期 | 来源/期刊/平台 | 链接 | 类型 |
|---|---:|---|---|---|
| RISE-net: A deep-learning model for improving fine-scale summer precipitation nowcasting in the Beijing-Tianjin-Hebei region | 2026-04-22 online | Quarterly Journal of the Royal Meteorological Society, RMetS/Wiley | [DOI](https://doi.org/10.1002/qj.70202) | 窗口外直接 precipitation nowcasting / postprocessing |

来源/期刊或会议：RMetS/Wiley 的 Quarterly Journal of the Royal Meteorological Society，Crossref 元数据给出 `published-online=2026-04-22`。

数据集：使用北京-天津-河北区域 RISE 系统的高时空分辨率降水数据，500 m 分辨率、10 min 更新频率，目标是改进夏季 1-3 h 降水临近预报。数据可用性声明称受中国气象局和北京气象中心数据政策限制，研究数据不在线公开。

模型构建：基于 U2-net 架构，加入 Coordinate Attention 以增强定位/识别，设计 Hierarchical Upsampling Fusion Module 以恢复细粒度空间细节，并在最终输出阶段使用动态融合策略，把深度学习外推结果与 RISE 预报融合。

训练测试方式：用 TS、BS、ETS、HSS 评估，与传统 cross-correlation extrapolation、U-net 和 U2-net 深度学习后处理模型比较。

效果：公开摘要称 RISE-net 优于传统互相关外推、U-net 和 U2-net；对强降水阈值，最大提升约 TS 48.86%、ETS 52.02%、HSS 46.02%，BS 更接近 1。HUFM 对误差降低贡献显著，CA 贡献较小，二者结合进一步改善降雨捕捉。

代码/数据状态：数据不公开；模型使用 PyTorch 开发，但本轮未发现开源代码。

技术判断：这是直接临近降水预报/后处理，业务属性强，尤其适合参考其“高分辨率区域业务产品 + 深度学习后处理 + 动态融合”的框架。限制是数据不公开，复现难度高。

对用户研究的启发：如果用户研究以区域业务产品为输入，可考虑不只做端到端外推，而是把已有业务外推/融合产品作为 baseline 或先验，再用深度网络做动态融合与细节恢复。

### 3.5 Global-Frequency Synergy for Radar Echo Extrapolation

| 标题 | 日期 | 来源/期刊/平台 | 链接 | 类型 |
|---|---:|---|---|---|
| Global-Frequency Synergy: A Novel Paradigm for Radar Echo Extrapolation via Attention and Fourier Convolution | 2026-05-23 online；UCAR 页面显示 May 28 2026 | Journal of Geophysical Research: Atmospheres, AGU | [DOI](https://doi.org/10.1029/2025JD045579)；[Scite 摘要页](https://scite.ai/reports/global-frequency-synergy-a-novel-paradigm-vJQ6Wv5N) | 窗口外直接 radar echo extrapolation |

来源/期刊或会议：AGU Journal of Geophysical Research: Atmospheres。Crossref 元数据给出 `published-online=2026-05-23`；AGU 页面本轮受 403/bot verification 限制，细节主要来自 Crossref、Scite 和 UCAR 页面。

数据集：本轮未能完整核验数据集名称和训练/测试划分。UCAR 页面把它列为 JGR: Atmospheres 2026 文章，主题标签涉及 convolution、LSTM、Jiangsu Province、GRU 等。

模型构建：Scite 摘要页显示该文提出 Global-Frequency Spatiotemporal LSTM (GFST-LSTM)，把 global attention mechanism 与 Fourier convolution modules 集成进 Spatiotemporal LSTM，以缓解 echo ambiguity、intensity decay 和 global context utilization 不足。

训练测试方式：本轮未能核验完整实验设置和对比模型，需要后续通过全文或机构库获取。

效果：公开摘要级信息只说明目标是提升雷达回波短时外推，未可靠提取具体指标数值。

代码/数据状态：本轮未发现代码入口或公开数据说明。

技术判断：这是直接 radar echo extrapolation，方法上关注全局上下文和频域卷积，对强回波结构保持、长时效模糊衰减问题有参考价值；但由于全文访问受限，不能在日报中夸大具体效果。

对用户研究的启发：可把 Fourier/频域模块作为减少平滑和保持多尺度结构的候选模块，与 GMS/SRI、频谱损失或边缘损失一起设计消融。

### 3.6 利用生成对抗网络提升江淮地区强降水临近预报性能

| 标题 | 日期 | 来源/期刊/平台 | 链接 | 类型 |
|---|---:|---|---|---|
| 利用生成对抗网络提升江淮地区强降水临近预报性能 | 《气象》2026 年第 52 卷第 5 期，552-565；投稿 2025-02-18，修订 2026-03-22 | 《气象》 | [期刊页](https://qxqk.nmc.cn/qx/ch/reader/view_abstract.aspx?file_no=20260504&flag=1) | 窗口外直接强降水临近预报 |

来源/期刊或会议：《气象》2026 年第 52 卷第 5 期；中文期刊文章，非今天新增。

数据集：摘要显示研究对象为 2024 年江苏汛期短时强降水，阈值为降水强度 `>=20 mm h-1`，区域为江淮地区/江苏，目标为未来 3 h 降水量预报。公开摘要未给出数据下载入口。

模型构建：提出 PhySGAN 和 PhyMGAN 两种深度学习短时强降水临近预报方法，分别为 PhyDNet 结合 SGAN、PhyDNet 结合 MGAN。其目标是通过 GAN 改善 PhyDNet/通用 GAN 对强降水频率、形态和强度局部细节的表达。

训练测试方式：摘要提到通过预报技巧评分、“复杂场景”性能评估和典型应用实例分析两种方法表现；对比基础试验 PhyDNet、通用 GAN 试验 PhyGAN 和传统外推方法。

效果：摘要称 PhySGAN 和 PhyMGAN 在不同检验时段的 3 h 内短时强降水 TS 较 PhyDNet 和 PhyGAN 明显提升；PhySGAN 更好体现雨带形态和位置变化，PhyMGAN 对 `>50 mm h-1` 极端降水强度有一定指示作用。

代码/数据状态：未发现开源代码或公开数据；属于业务/区域数据驱动的中文期刊研究。

技术判断：直接相关，尤其适合关注“强降水频率低估修正”“复杂场景”和“典型个例解释”；但由于数据和代码不公开，复现价值有限，更适合作为方法设计和业务验证口径参考。

对用户研究的启发：如果研究目标是强降水而不是平均雨强，评价应加入强阈值 TS、漏报/空报、复杂场景和个例分析；同时区分“形态位置更好”和“强度极值更好”这两类能力。

## 4. 相关方法分桶结论

### 4.1 flow matching / rectified flow / generative solver

本轮未发现 2026-06-16 至 2026-06-17 新发布的 flow matching 或 rectified flow precipitation nowcasting 论文、代码或机构动态。arXiv 最新相关命中仍主要是 2026-06-07 的 generative ODE solver、2026-05 的 PixelFlowCast、Rectified Flow Transformer，以及 OpenReview 的 FlowCast。它们不是今天新增。

技术判断：这条线仍值得跟进，但日报中必须标明日期和平台；不能把 5 月或 6 月上旬论文写成当天新进展。

### 4.2 diffusion / generative nowcasting

本轮没有新的 diffusion precipitation nowcasting 条目。SRDiff 是窗口外的 satellite-to-radar diffusion translation，不是直接时间外推 nowcasting；PostCast、RainDiff、VMU-Diff、STLDM、CasCast 等也不是本窗口新增。

技术判断：扩散/生成式方法对清晰度、不确定性和卫星到雷达翻译有价值，但需要重点核查采样成本、强阈值虚警、时序一致性和代码可用性。

### 4.3 satellite-to-radar retrieval

本轮未发现新的 satellite-to-radar retrieval 条目。SRDiff 值得回看，LangRetrieval 仍是 2026-06-08 arXiv 预印本，Station2Radar 属于 ICLR 2026 相关方向，但均非今天新增。

技术判断：该方向适合作为“雷达稀疏区补全/多源输入”的研究线，不应和直接 radar echo nowcasting 混为一谈。

### 4.4 雷达质控

本轮未发现新的深度学习雷达质控论文或代码。Semantic Scholar 成功返回的雷达 beam blockage correction 相关条目主要是 2025/2023 年，不属于今天新增。

技术判断：雷达质控仍应保留为相关方法桶，因为 clutter、beam blockage、非降水回波和拼图质量会直接影响 nowcasting 模型泛化。

### 4.5 机构动态

Google DeepMind、ECMWF、NOAA、Met Office、中国气象局等网页检索未发现本窗口内直接指向 radar echo nowcasting / weather radar nowcasting AI 的新发布。检索中出现的 WeatherNext 2、NOAA AI global weather models、Met Office AI4NWP、CMA “风雷/风清/风顺/风宇”等属于广义 AI 天气预报或业务总结，若无新论文、代码、数据或雷达回波临近预报证据，不计入主表。

## 5. 排除与去重说明

- `GSWarpNet`：直接相关，但 2026-06-15 已覆盖；本轮无新 push/release/论文/权重，不重复计为新增。
- `PHADIN`：直接相关数据集，但 2026-06-11 发布且 2026-06-16 已补录；今天无新版本。
- `SRDiff`：高价值 satellite-to-radar 论文，但日期非本窗口新增；代码链接当前未能通过 GitHub API 核验。
- `GRENet`、`RISE-net`、`Global-Frequency Synergy`、中文《气象》GAN 文章：均为近月/窗口外直接或高度相关论文，适合回看，不是今天新增。
- `DHDM: An interpretable masked deep-learning model for hail potential forecasting`：QJRMS 2026-06-07，属于冰雹潜势预报，相关但不是 radar echo nowcasting 主线，本轮未展开。
- `Pseudo-Radar Reflectivity by Applying U-Net Models to Global Passive Microwave Brightness Temperatures`：JGR: Atmospheres 2026-05-06，属于伪雷达反射率/卫星微波到雷达表征，相关但非直接 nowcasting；本轮仅记录为后续可查。
- Crossref 2026-06-16/17 噪声条目：包括教育、经济 nowcasting、物联网 flow、毫米波雷达目标检测、地球物理 transient electromagnetic 等，均不满足天气雷达/降水临近预报要求。

## 6. 检索记录与来源

- arXiv API：检索 `radar nowcasting`、`radar echo nowcasting`、`weather radar nowcasting`、`precipitation nowcasting radar deep learning`、`flow matching precipitation nowcasting`、`diffusion precipitation nowcasting radar`、`satellite radar precipitation nowcasting`、`weather radar quality control deep learning`，按 submittedDate 降序查看。未发现 2026-06-15 之后相关新提交或更新；最近命中主要为 2026-06-08 及以前。入口：[arXiv API](https://export.arxiv.org/api/query)。
- OpenAlex API：使用 `from_publication_date:2026-06-15,to_publication_date:2026-06-17` 过滤 `radar echo nowcasting deep learning`、`weather radar nowcasting artificial intelligence`、`precipitation nowcasting deep learning radar`、`flow matching precipitation nowcasting radar`、`diffusion precipitation nowcasting radar`、`satellite to radar retrieval precipitation nowcasting`、`weather radar quality control deep learning`。有效直接结果为 0；唯一返回的 `water monitoring` 条目为词义噪声。入口：[OpenAlex Works](https://api.openalex.org/works)。
- Crossref API：同窗口检索上述关键词、`GSWarpNet`、`PHADIN`、`SRDiff`。返回大量非气象噪声；未发现 GSWarpNet、PHADIN 或 SRDiff 的 2026-06-16/17 新 DOI 记录。入口：[Crossref Works](https://api.crossref.org/works)。
- Semantic Scholar API：部分查询返回 HTTP 429；成功查询中，直接 precipitation nowcasting 命中主要为 2025 或更早论文，雷达质控命中主要为 beam blockage correction 旧条目，无本窗口新增。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 radar`、`precipitation nowcasting deep learning`、`satellite-to-radar precipitation`、`flow matching precipitation nowcasting`、`diffusion precipitation nowcasting`，过滤 `created:>=2026-06-15` 或 `pushed:>=2026-06-16`。直接有效结果仍只有 [xzx1983/GSWarpNet](https://github.com/xzx1983/GSWarpNet)，且无 2026-06-16 之后更新；后续部分查询触发 rate limit。入口：[GitHub Search API](https://docs.github.com/en/rest/search/search)。
- Hugging Face Models API：检索 `precipitation nowcasting radar`、`radar nowcasting`、`weather radar nowcasting`、`satellite radar precipitation`、`flow matching precipitation nowcasting`，无模型返回。入口：[Hugging Face Models API](https://huggingface.co/docs/hub/api)。
- OpenReview、Papers with Code、AMS、IEEE、AGU、RMetS/Wiley、EGU/Copernicus 网页检索：未发现 2026-06-16 至 2026-06-17 的直接新论文或代码动态；检索中浮现的 FlowCast、RainDiff、PostCast、RISE-net、GRENet、Global-Frequency Synergy 等均为窗口外条目。
- 机构网页：Google DeepMind、ECMWF、NOAA、Met Office、中国气象局、中国天气网、中央气象台相关页面检索未发现本窗口内新的 radar echo / precipitation nowcasting AI 发布。网页出现的中长期 AI 天气模型、业务总结、常规雷达图或天气预报页面均未计入主表。

## 7. 下一轮继续跟进

1. 继续跟踪 `GSWarpNet` 是否补充论文、arXiv、LICENSE、模型权重、结果文件、issue 讨论或新的 commit；没有状态变化时不再重复展开。
2. 继续核验 PHADIN 数据文件清单、时间频率、空间范围、单位、缺测比例、样本连续性、许可证和是否有 benchmark 脚本。
3. 对窗口外高价值条目可做一次专题回看：SRDiff、GRENet、RISE-net、Global-Frequency Synergy、Springer physics-constrained GAN、中文《气象》PhySGAN/PhyMGAN。
4. 对 SRDiff 的 GitHub 链接 `42xingxing/SRDiff` 继续检查；当前 API 返回 404，不能写成“代码已可用”。
5. 后续日报继续严格区分 direct nowcasting、satellite-to-radar、generative/flow matching、radar QC、业务/机构动态，避免把中长期 AI 天气模型或泛化天气 AI 新闻误判为雷达回波临近预报进展。