2026-06-22 雷达回波 AI 进展日报#

检索时间：2026-06-22 16:59 +08
主窗口：2026-06-21 13:01 +08 至 2026-06-22 16:59 +08。
缓冲窗口：向前回看至 2026-06-20 16:59 +08，用于覆盖 arXiv 版本更新、索引库收录延迟和代码平台推送延迟。
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、模型权重、数据、会议/期刊动态和机构发布；另设相关方法桶跟踪 flow matching、diffusion/generative solver、satellite-to-radar retrieval、雷达质控、降水数据融合与同化等相邻方向。

0. 总体判断#

本轮主窗口内未发现新的高价值直接雷达回波/降水临近预报 AI 论文、预印本、代码、数据集、会议/期刊动态或机构发布。

arXiv 直接相关条目的最新状态仍停留在前序日报已覆盖的 Pointwise is Pointless? v2（2026-06-18 更新）和 FlashBack Memory（2026-06-15 提交），均早于本轮 48 小时缓冲窗口。Hugging Face junxuwww/RadarNowcasting 仍停留在 2026-06-18 10:39:18 UTC，文件仍只有 .gitattributes、README.md、best_csi.pth，没有源码、训练脚本、评估脚本、论文或数据授权澄清。GitHub duyhlzu/Flash-Back-Memory 仍只有 README.md，xzx1983/GSWarpNet 无新 push，42xingxing/SRDiff 仍为 404。

代码平台只有 sushantakundu/gsmap-live 在本轮主窗口多次自动更新 GSMap_Combined.gif，包括 2026-06-21 12:46:40 UTC、2026-06-22 00:29:56 UTC 和 2026-06-22 06:59:23 UTC。逐条 commit 检查显示每次只修改 GIF，不是模型、训练代码、评估脚本、数据集或论文状态变化，因此不计为高价值新增。

本轮额外补录 2 条窗口外但对用户研究有参考价值的旧条目：Temporal Context Conditioning for Seasonality-Aware Precipitation Nowcasting of High-Intensity Rainfall（arXiv 2026-06-08，直接 radar-based precipitation nowcasting，代码和 checkpoint 已公开）和 LangRetrieval（arXiv 2026-06-08，satellite-to-radar retrieval + conditional flow matching + GRPO，不是 nowcasting）。二者均不属于今天新增，单列为回看/相关方法。

1. 主窗口新增条目表#

2. 主窗口低价值或排除条目#

一句技术判断：该仓库本轮只自动刷新降水动图，没有新增模型、训练脚本、评估脚本或论文材料。
与雷达回波预报的相关性：低；它与降水可视化有关，但不是雷达回波/降水临近预报模型更新。
代码或数据状态：仓库内容仍只有 GSMap_Combined.gif 和 index.html，本轮最新 commit 只修改 GIF。

3. 已覆盖条目状态复核：不重复展开#

4. 窗口外回看与相关方法补录#

5. 条目详述#

5.1 gsmap-live：自动 GIF 刷新，不计为方法进展#

来源/平台：GitHub 仓库 sushantakundu/gsmap-live。GitHub Search 对 precipitation nowcasting pushed:>=2026-06-21 的有效返回只有该仓库。

大致内容：仓库描述为 precipitation nowcast and observation animation，可视化输出为 GSMap_Combined.gif 和网页 index.html。本轮最新 5 个 commit 分别为 2026-06-20、2026-06-21 和 2026-06-22 的 Auto-update GSMap_Combined.gif。

文件变化：GitHub commit detail 显示每次只修改 GSMap_Combined.gif。没有新增 Python/R/Notebook 代码、模型文件、训练配置、评估脚本或数据处理脚本。

训练测试方式与效果：无。该仓库本轮没有机器学习训练或评估内容。

代码/数据状态：有可视化文件和页面，但没有 AI nowcasting 方法更新。

技术判断：这是低价值自动可视化刷新信号，不能写成降水临近预报 AI 方法进展。

对用户研究的启发：GitHub 的 pushed 新鲜度必须结合 commit 文件列表判断；自动更新 GIF、README 或网页不应进入主新增表。

5.2 TA-SmaAt-UNet：时间上下文条件化的雷达降水临近预报#

来源/平台：arXiv 预印本，提交时间 2026-06-08 12:28:28 UTC，暂无期刊/会议信息。GitHub 仓库 gijsvn/TA-SmaAt-UNet 最后 push 为 2026-06-10 08:23:09 UTC。该条目不是本轮新增，但属于直接 precipitation nowcasting，且代码与 checkpoint 已公开，值得回看。

大致内容：论文提出 Time-Aware Small-Attention U-Net (TA-SmaAt-UNet)，在 SmaAt-UNet 基础上加入轻量时间条件层，用日内和年内周期编码调制 encoder-decoder 中间特征。目标是让模型在只看近期雷达降水序列之外，显式利用季节和昼夜上下文，尤其改善高强度降水的短临预报。

数据集：使用 KNMI 雷达降水数据，来自荷兰 De Bilt 和 Den Helder 两部 C-band Doppler 天气雷达。原始数据约 420,000 张 288 x 288 降水图，像元约 1 km，时间间隔 5 分钟，覆盖 2016-2019。训练集为 2016-2018，测试集为 2019；训练集中 10% 作为验证集，并按年内时间分箱抽样以保持季节分布。任务过滤后保留 5,734 个训练样本和 1,557 个测试样本。

模型构建：核心仍是 SmaAt-UNet，新增 temporal MLP 生成通道级 scale/shift 参数，对中间特征图做条件调制。输入为过去 90 分钟的 18 帧 288 x 288 降水图，输出未来 5-60 分钟的 12 帧。比较模型包括 Persistence、RainNet、EarthFormer、SmaAt-UNet 和 TA-SmaAt-UNet。

训练测试方式：论文使用 MSE 作为训练目标，Adam 优化，初始学习率 0.001，验证损失 4 个 epoch 不下降则学习率乘 0.1，15 个 epoch 不下降早停；每个模型训练 5 次，选验证集最低损失权重在测试集评估。训练设备为单张 NVIDIA H100 94GB。评价指标包括 MSE、CSI、POD、FAR、MCC，阈值包括 0.5、10、20 mm/h。

效果：低阈值 0.5 mm/h 下，TA-SmaAt-UNet 的 CSI 为 0.597，略高于 SmaAt-UNet 0.594；高阈值改进更明显，10 mm/h CSI 为 0.103，高于 SmaAt-UNet 0.059，20 mm/h CSI 为 0.066，高于 SmaAt-UNet 0.039。作者认为时间上下文对稀有高强度降水更有价值，且季节对比和降水强度分布分析支持这一点。需要注意，MSE 上 RainNet 略优，说明该方法主要不是降低平均像素误差，而是改善强降水事件识别。

代码/数据状态：GitHub 仓库包含 train.py、eval.py、eval_persistence.py、compare_models.py、conductance_analysis.py、models/、util/、create_datasets.py 和论文 checkpoint checkpoints/paper/TA-SmaAt-UNet/model.ckpt，checkpoint 大小约 49 MB。仓库没有明确 License 字段；KNMI 数据处理和下载仍需按仓库说明与数据权限核验。

一句技术判断：这是直接 radar-based precipitation nowcasting，方法改动小但问题意识清楚；它提醒高阈值 CSI 可能受“时间/季节上下文缺失”限制，而不仅是网络结构容量不足。

与雷达回波预报的相关性：高。它直接使用雷达降水图序列做 0-60 分钟短临预测，虽不是 dBZ 反射率外推，但与雷达降水 nowcasting 高度相关。

对用户研究的启发：如果用户模型在夏季对流、高强度阈值或日变化场景上表现差，可以尝试加入周期时间编码、季节编码、太阳高度角或业务日型标签，并单独报告高阈值 CSI/POD/FAR，而不是只看 MSE/MAE。

5.3 LangRetrieval：语言引导的 satellite-to-radar retrieval#

来源/平台：arXiv 预印本，提交时间 2026-06-08 13:40:52 UTC，暂无期刊/会议信息。该条目不是本轮新增，也不是雷达回波临近预报；它属于 satellite-to-radar retrieval 和 conditional flow matching 相关方法。

大致内容：论文针对 satellite-to-radar (S2R) retrieval，即从静止卫星观测估计地面雷达降水/反射率。作者指出 S2R 是病态多解问题：相似云顶亮温可能对应不同近地面降水结构。LangRetrieval 用结构化气象语义来约束生成过程，并把语义从静态辅助输入变成可由 retrieval 指标优化的变量。

数据集：实验使用公共 SEVIR 和中国东南 FY-4B 数据。SEVIR 覆盖美国，2017-2019，1 km 分辨率，384 x 384，5 分钟间隔，包含 visible、IR069、IR107、VIL 和 lightning。FY-4B 东南中国数据覆盖 100-120E、20-40N，2023 年，配对 VIS/WV/IR 卫星观测和雷达反射率，4 km 分辨率，500 x 500，30 分钟间隔。论文统一将输入 resize 到 128 x 128。数据划分为 SEVIR 12,331/4,389/4,943，FY4B-SEChina 4,568/1,144/1,114。

模型构建：核心是 language-guided conditional flow matching (CFM)。第一阶段为 Semantic Warm-up，把云型、对流深度、风暴形态、overshooting top、cirrus shield 等结构化气象属性通过 cross-attention 注入 CFM backbone。第二阶段为 Self-Evolving Semantic Optimization，用 Qwen2.5-VL 标注初始化轻量 attribute policy，再用 GRPO 和多阈值 CSI reward 优化，使语义生成朝 retrieval skill 对齐；测试时由轻量 policy 一次前向产生语义，不需要在线调用 VLM。

训练测试方式：Stage I 使用 AdamW，学习率 3e-4，weight decay 1e-5，训练 80K iterations，batch size 16。Stage II 先对 VLM 标注样本做 5K steps supervised warm-up，再用 GRPO 做 3 轮、每轮 10K steps；policy 学习率 1e-4，group size 8，KL 系数 0.04，sampling temperature 0.8。比较基线包括 AA-TransUnet、Earthformer、Smaat-Unet、Diffcast、Pix2Pix、MeanFlow。

效果：SEVIR 上 LangRetrieval 平均 CSI 为 0.360，高于第二名 Diffcast 0.310；高阈值 CSI@219 为 0.185，相对 Diffcast 提升 46.8%。FY-4B 上 Avg.CSI 为 0.268、Avg.HSS 为 0.383，相对第二名分别提升约 17.0% 和 14.7%；FY-4B 的 SSIM 0.594、PSNR 22.66、MAE 2.555、LPIPS 0.206，均为表中最好。效率方面，20-step ODE 为 354.7 ms，1-step 为 27.3 ms，作者称相比 Diffcast 3302.8 ms 有明显加速。以上均为作者实验结果，尚未见独立复现。

代码/数据状态：本轮未找到公开 GitHub 仓库、Hugging Face 模型或数据发布。SEVIR 本身为公开数据；FY-4B 数据来源指向国家卫星气象中心数据服务页面，但论文对应的配对 FY-4B/雷达处理数据和训练代码未核验开放。

一句技术判断：这是 satellite-to-radar retrieval 的相关方法，不是 radar echo nowcasting；价值在于把 flow matching、VLM 气象语义和 CSI 驱动的强化学习反馈结合，用来约束卫星到雷达的多解生成问题。

与雷达回波预报的相关性：中。它估计当前/配对雷达场，不做未来 0-2 小时序列预测；但对雷达稀疏区、卫星补雷达、雷达状标签生成和强对流识别有直接启发。

对用户研究的启发：如果研究涉及 satellite-to-radar、卫星辅助雷达补全或多模态短临，可以借鉴“语义属性 + 物理评分奖励”的闭环优化，但在报告中必须把 retrieval 与 nowcasting 分开，不能把 S2R 的 CSI 提升直接解释为短临预报能力提升。

6. 相关方法与启发#

6.1 flow matching / diffusion / generative solver#

本轮主窗口没有发现新的 flow matching、rectified flow、diffusion 或 generative solver 在 radar/precipitation nowcasting 上的论文、代码或模型权重。LangRetrieval 使用 conditional flow matching，但它是 2026-06-08 的窗口外 S2R retrieval 预印本，不是今天新增，也不是直接 nowcasting。

6.2 satellite-to-radar retrieval#

本轮没有 24-48 小时内新的 satellite-to-radar retrieval 论文或代码。窗口外补录的 LangRetrieval 值得继续跟踪，尤其是其 FY-4B/雷达配对数据、语义属性生成策略、GRPO reward 和代码开放状态。

6.3 雷达质控#

本轮没有新的雷达质控 AI 论文或代码。前序日报中的 DeepLab-ARER 仍作为输入质控启发保留，不计为今日新增。

6.4 时间上下文与高阈值评价#

TA-SmaAt-UNet 的主要启发是：对强降水短临，时间/季节上下文可能比平均误差更重要。后续评估雷达 nowcasting 模型时，应把 10/20 mm/h 等高阈值 CSI、POD、FAR 与季节/日变化分组一起报告。

7. 检索记录与排除说明#

• arXiv：检索 precipitation nowcasting、radar nowcasting、radar echo nowcasting、weather radar nowcasting、rainfall nowcasting、reflectivity nowcasting、diffusion precipitation nowcasting、flow matching precipitation nowcasting、weather radar quality control、satellite-to-radar precipitation，按 submittedDate 排序。2026-06-21 13:01 +08 之后未发现新的直接 radar/precipitation nowcasting 条目；最新直接相关仍是 2026-06-18 的 Pointwise v2 和 2026-06-15 的 FlashBack Memory。
• GitHub：检索 pushed:>=2026-06-21 的 radar echo nowcasting、weather radar nowcasting、radar nowcasting deep learning、precipitation nowcasting、rainfall nowcasting、diffusion precipitation nowcasting、flow matching precipitation nowcasting、satellite-to-radar precipitation、weather radar quality control deep learning。唯一有效相关返回为 gsmap-live，但最新 commit 只修改 GIF。Flash-Back-Memory 仍只有 README；GSWarpNet 无新 push；SRDiff 仍 404。
• Hugging Face：Models/Datasets API 查询 radar nowcasting、precipitation nowcasting、weather radar nowcasting、radar echo nowcasting、FlashBack Memory、GSWarpNet、RadarNowcasting、satellite radar precipitation。Models 仅返回已覆盖的 junxuwww/RadarNowcasting 和旧的 huilinsigehigh/precipitation-nowcasting-sevir；Datasets 未发现新 radar/precipitation nowcasting 数据集。
• OpenAlex：日期过滤 2026-06-21 至 2026-06-22，radar echo nowcasting、radar reflectivity nowcasting、weather radar nowcasting、precipitation nowcasting radar、diffusion precipitation nowcasting、flow matching precipitation nowcasting、satellite radar precipitation retrieval、weather radar quality control deep learning 有效直接结果均为 0。
• Crossref：同窗口召回大量非气象噪声，包括 radio-echo sounding、satellite radar systems、材料 precipitation、医学/工程/网络等；未发现正式出版的 radar echo / precipitation nowcasting AI 新论文。
• Semantic Scholar：Graph API 本轮多次返回 HTTP 429，不能作为负结论唯一依据；因此以 arXiv/OpenAlex/Crossref/GitHub/Hugging Face 和网页搜索交叉验证为主。
• OpenReview：API/网页检索返回大量 review、DBLP 或旧投稿噪声，未发现主窗口内新的 radar/precipitation nowcasting 投稿或状态变化。
• Papers with Code：网页/搜索未发现近 24-48 小时新的 radar/precipitation nowcasting 任务、榜单、代码或状态变化；可访问接口返回不稳定，未作为主要证据。
• AMS/IEEE/AGU/RMetS/EGU/Copernicus：网页检索和 Crossref/OpenAlex 交叉检查未发现主窗口内新的直接 radar/precipitation nowcasting 正式上线条目。
• 机构动态：Google DeepMind、ECMWF、NOAA、Met Office、中国气象局/中国天气网/中央气象台未发现本窗口新的雷达回波或降水临近预报 AI 发布。宽泛全球/中长期 AI 天气、卫星遥感培训、非雷达业务新闻不计入主新增。

8. 下一轮继续跟进#

1. junxuwww/RadarNowcasting 是否补充源码、训练/评估脚本、RGB-dBZ 映射、数据切分、论文、GitHub 仓库或 CMA ECREF 数据授权说明。
2. duyhlzu/Flash-Back-Memory 是否真正发布源码；一旦发布，优先核验 FB 模块、训练配置和 Shanghai2020/CIKM2017/SEVIR 指标。
3. Pointwise is Pointless? 是否补充代码、数据可用性、正式投稿/录用状态或 guided generative assimilation 后续版本。
4. GSWarpNet 是否出现论文、DOI、release、模型权重或新的结果文件；仍需保留 SRadar 量化公式 caveat。
5. TA-SmaAt-UNet 是否有正式期刊/会议状态、License 补充、KNMI 数据获取说明或复现实验更新；它适合作为“时间上下文改善高阈值降水短临”的小型可复现实验参考。
6. LangRetrieval 是否发布代码、FY-4B/雷达配对数据或补充材料；后续只作为 S2R retrieval / flow matching 相关方法，不写成直接 nowcasting。
7. flow matching、diffusion、satellite-to-radar retrieval、雷达质控继续放在相关方法桶中；只有明确涉及雷达/降水临近预报且有新论文、代码、数据或可验证结果时再写入主新增表。