# 2026-06-27 雷达回波 AI 进展日报

检索时间：2026-06-27 13:05 +08  
主窗口：2026-06-26 13:02 +08 至 2026-06-27 13:05 +08。  
48 小时缓冲：向前回看至 2026-06-25 13:05 +08，用于覆盖索引延迟、arXiv 版本更新和代码平台延迟推送。  
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、数据、会议/期刊动态和机构发布；同时单列 flow matching、diffusion/generative solver、satellite-to-radar retrieval、雷达质控、机会观测、雷达资料同化等相关方法。

## 0. 总体判断

本轮没有发现新的 arXiv 预印本、OpenReview 论文状态变化、正式期刊新上线论文、Papers with Code 榜单变化、Hugging Face 新模型/数据集或机构发布可以直接归入 AI radar echo / precipitation nowcasting 主表。arXiv 最新直接相关条目仍是已覆盖的 `Pointwise is Pointless?` v2，提交和更新均早于当前窗口。

主窗口内的有效新增主要来自 GitHub 代码侧：

- `kagtgi/Forecasting-Through-Meteorological-Reasoning` 是 2026-06-26 新建并多次 push 的 precipitation nowcasting 框架仓库，提出 ASG-WM / FaithCast：VLM 生成 Atmospheric Scene Graph，再经物理约束和 renderer 生成未来降水场。它与用户方向直接相关，但当前 README 明确写作 framework only / no baselines yet，结果多为 TBR 或合成数据流水线，不能写成已有论文录用或验证充分的模型。
- `RuntimeWarning/CRFT` 在主窗口内有一次实质代码更新，包含 SEVIR 数据、autoencoder、rectified flow、STDiT、训练和评估脚本。它对应的是 2026 年 2 月 `Engineering Applications of Artificial Intelligence` 论文 `More realistic and accurate precipitation nowcasting with Conditional Rectified Flow Transformers`，不是今日新论文；本轮只能写作代码实现更新。
- 昨天已完整展开的 `OHSEHOON99/precipitation-nowcasting-U-Net-with-HSR-data` 在 2026-06-26 15:42 +08 之后只有 `README.md` 和 `DATA_POLICY.md` 文档措辞简化，不构成新的方法、数据或结果更新。

低价值项方面，`sushantakundu/gsmap-live` 仍然只自动更新 `GSMap_Combined.gif`；`PaulVanSchayck/ha-nl-weather` 是 Home Assistant 天气/雷达展示集成，不是 AI nowcasting 模型。Crossref 和 Semantic Scholar 在 2026-06-26/27 返回的若干 radar/precipitation/AI 关键词结果主要是非气象、非 nowcasting 或非 AI 条目。

## 1. 主窗口新增/实质更新条目表

| 标题 | 日期 | 来源/期刊/会议/平台 | 链接 | 类型 |
|---|---:|---|---|---|
| Forecasting Through Meteorological Reasoning - ASG-WM / FaithCast | repo 创建：2026-06-26 15:56 +08；最新 push：2026-06-26 22:33 +08 | GitHub；作者 README 称 target venue 为 Scientific Reports，但未见 arXiv/DOI/录用信息 | [GitHub](https://github.com/kagtgi/Forecasting-Through-Meteorological-Reasoning) | 直接 precipitation nowcasting 框架代码；新建仓库；结果未验证充分 |
| CRFT: Conditional Rectified Flow Transformers | 本轮代码更新：2026-06-26 19:08 +08；论文为 2026 年 2 月期刊文 | GitHub；关联论文为 `Engineering Applications of Artificial Intelligence`，DOI `10.1016/j.engappai.2025.113402` | [GitHub](https://github.com/RuntimeWarning/CRFT)，[DOI](https://doi.org/10.1016/j.engappai.2025.113402) | 直接 precipitation nowcasting 代码实现更新；不是新论文 |
| Precipitation Nowcasting U-Net with HSR Data | 本轮文档更新：2026-06-26 15:42 +08 | GitHub；关联 2024 年韩国期刊论文和 Zenodo 数据/权重 | [GitHub](https://github.com/OHSEHOON99/precipitation-nowcasting-U-Net-with-HSR-data)，[论文 DOI](https://doi.org/10.7848/ksgpc.2024.42.6.551)，[Zenodo](https://doi.org/10.5281/zenodo.14608083) | 已覆盖 direct 代码仓库的文档微调；不计高价值新增 |

## 2. 相关方法、窗口外状态与排除条目

| 标题 | 日期 | 来源/期刊/会议/平台 | 链接 | 类型 |
|---|---:|---|---|---|
| Probabilistic Precipitation Nowcasting with Rectified Flow Transformers / `CompVis/weather-rf` | arXiv：2026-05-29；GitHub 最新 push：2026-06-01；Hugging Face weights 最新修改：2026-06-15 | CVPR 2026 / GitHub / Hugging Face | [GitHub](https://github.com/CompVis/weather-rf)，[arXiv](https://arxiv.org/abs/2605.31204)，[Hugging Face](https://huggingface.co/CompVis/weather-rf) | 高价值 flow/rectified-flow direct nowcasting 基线；窗口外，无本轮更新 |
| A Margin based Decomposition Framework via Intensity Flow Matching for Precipitation Nowcasting | Crossref created：2026-06-17；deposited：2026-06-18 | IEEE Transactions on Geoscience and Remote Sensing / Crossref / OpenAlex / Semantic Scholar | [DOI](https://doi.org/10.1109/TGRS.2026.3704556) | 窗口外 direct precipitation nowcasting + flow matching；待获取全文/代码 |
| `sushantakundu/gsmap-live` 自动更新 GIF | 2026-06-27 08:58 +08 | GitHub | [GitHub](https://github.com/sushantakundu/gsmap-live) | 低价值可视化刷新；不是 AI nowcasting |
| `PaulVanSchayck/ha-nl-weather` | 2026-06-27 05:09 +08 push | GitHub | [GitHub](https://github.com/PaulVanSchayck/ha-nl-weather) | Home Assistant 天气/雷达展示集成；不是模型或论文 |

## 3. 条目详述

### 3.1 `kagtgi/Forecasting-Through-Meteorological-Reasoning`

来源/平台：GitHub 新建仓库 `kagtgi/Forecasting-Through-Meteorological-Reasoning`。仓库创建于 2026-06-26 07:56 UTC，最新 push 为 2026-06-26 14:33 UTC。主窗口内共有 7 个 commit，涉及 `README.md`、`COMPUTE.md`、`specs/`、`datasets/`、`src/asgwm/`、notebooks、测试和 paper 目录等。仓库没有 GitHub license 字段。

期刊/会议状态：README 写有 `Target venue: Scientific Reports`，但这是作者自述的目标期刊，不是已投稿、已接收或已发表证据。未发现 arXiv、DOI、OpenReview 或正式期刊页面。日报中只能写作 GitHub 框架仓库，不能写成 Scientific Reports 论文。

大致内容：仓库提出 ASG-WM / FaithCast，目标是让“语言推理”成为降水临近预报的显式瓶颈。流程是多帧雷达/降水历史输入，经 VLM 或规则模块生成 Atmospheric Scene Graph，包含降水对象、轨迹、强度变化、环境上下文和可读解释；然后用 transition transformer 或物理转移模块预测未来 ASG；最后通过 future-blind advection 加 ASG 条件 renderer 生成未来雷达/降水场。作者强调 renderer 只能看到预测 ASG 和不含未来信息的当前场外推，因此可以做 intervention / ablation 来检验解释是否真的支配预报。

数据集：`specs/datasource.md` 和数据脚本把 SEVIR 作为主训练/测试数据源，使用 VIL、GOES-16 IR/visible 和 GLM lightning；还提到 NEXRAD 与 MRMS 作为 OOD 或辅助切片，HRRR/ERA5 作为环境上下文，HKO-7 或 MeteoNet 作为跨区域评估候选。仓库也提供 synthetic dataset fallback，用于无下载、无 GPU 的流水线 smoke test。当前未见仓库内附带真实数据或训练权重。

模型构建：代码树包含 `asgwm/asg`、`physics.py`、`labeling`、`data`、`models`、`train`、`eval` 等模块。模型路线包括 Stage A VLM/QLoRA 感知、Stage B ASG transition transformer、Stage C rectified-flow renderer、小 U-Net 或 VAE 辅助结构、PySTEPS 自动标注和 future-blind advection。训练说明分 Tier 0/1/2：先训练 ASG transition 与 deterministic renderer，再加入 VLM perception 和物理约束，最后用 A100 运行 rectified-flow renderer、faithfulness 和 cross-dataset 评估。

训练测试方式：`src/RESULTS.md` 说明评估流水线包括 skill metrics、regime stratification、lead-time curves、faithfulness interventions、capacity audit 和 forecaster study。指标计划包含 CSI/HSS/FSS、pooled CSI、CRPS、LPIPS、regime 分层、lead time 分层等。基线注册表目前有 `pysteps` 已实现，RainNet、NowcastNet、LangPrecip、ThoR 等标为 stub/TBR。

效果：当前不能报告真实性能提升。仓库文档明确写到 ASG-WM metric values 在 Tier-2 checkpoint 存在前是 TBR，neural-baseline rows 也要等 adapter 实现；流水线可在 synthetic data 上跑通，但这不是业务或论文级验证。`paper/` 中的图表和稿件应视为本地 manuscript/illustrative assets，而不是正式发表结果。

代码/数据状态：代码框架相对完整，文件树约 143 个 blob，包含下载、预处理、训练、评估、notebook 和测试；但没有明确 license、没有权重、没有正式数据包、没有已发表论文链接，真实训练结果仍待补齐。

一句技术判断：这是一个直接面向 precipitation nowcasting 的“可解释世界模型 + 物理 renderer”框架，想法与用户研究的多源观测、物理约束和可解释短临方向相关，但目前证据更接近研究设想和框架样机，不能当作已验证基线或前沿结果。

与雷达回波预报的相关性：中到高。它不是传统 dBZ 回波外推论文，但以 SEVIR VIL / NEXRAD / MRMS 等雷达或雷达派生降水场为核心，任务定位是短时降水临近预报。

对用户研究的启发：可借鉴其“显式状态瓶颈 + intervention consistency”的验证思路，用来避免解释只是事后文本；但若要用于论文对比，必须先等真实训练结果、基线适配、数据切分和 license 补齐。

### 3.2 `RuntimeWarning/CRFT`

来源/平台：GitHub 仓库 `RuntimeWarning/CRFT`。仓库创建于 2024-11-11，主窗口内最新 commit 为 2026-06-26 11:07 UTC，commit message 为 `update code`，修改 15 个文件，包括 `configs/configs.py`、`core/datasets.py`、`core/helpers/dataset_sevir.py`、`core/helpers/evaluation.py`、`core/model/Autoencoder.py`、`core/model/rectified_flow.py`、`core/model/model_factory.py`、`main.py`、`train_vae.py` 等。仓库没有 license 字段。

论文/平台状态：README 写作 `A PyTorch implementation of the paper "More realistic and accurate precipitation nowcasting with Conditional Rectified Flow Transformers"`。Crossref 显示该论文发表于 `Engineering Applications of Artificial Intelligence`，出版日期为 2026 年 2 月，DOI 为 `10.1016/j.engappai.2025.113402`，Crossref created 为 2025-12-05、deposited 为 2026-01-13。因此这不是 2026-06-27 新论文，只是本轮发现的代码更新。

大致内容：CRFT 路线属于 rectified flow / generative solver 在降水临近预报中的应用。仓库代码显示其核心包括 autoencoder/VAE、STDiT 时空 transformer、rectified flow 模块、模型工厂和训练入口。默认 `main.py` 支持 `sevir_feature` 数据集，默认输入长度 5、输出长度 20；非 SEVIR 数据的阈值默认 `[20.0, 30.0, 35.0, 40.0]`，SEVIR 下使用 VIL 阈值 `[16, 74, 133, 160, 181, 219]` 并把 value scale 设为 255。

数据集：代码包含 SEVIR helper，并声明部分 SEVIR 数据代码改自 MIT-AI-Accelerator / neurips-2020-sevir。`train_vae.py` 默认数据集名为 `shanghai`，主训练入口默认 `sevir_feature`；代码还出现 CIKM/Shanghai 相关分支。当前 README 未给出完整下载步骤、数据切分表或权重链接。

模型构建：仓库包含 `Autoencoder.py`、`rectified_flow.py`、`stdit.py`、`blocks.py` 等。整体看是先用 autoencoder/VAE 建立 latent 表示，再用 conditional rectified flow transformer 进行未来帧生成。`main.py` 通过 `Model(args)` 进入训练或测试，`train_vae.py` 单独训练 autoencoder。

训练测试方式：`main.py` 使用 batch size 4、Adam/early stopping 风格训练封装；`train_vae.py` 使用 AdamW、MSE 重构损失加 KL 项。评估脚本 `core/helpers/evaluation.py` 统计 POD、FAR、CSI、HSS、GSS、MSE、MAE、precision、F1、bias、SSIM、accuracy、PSNR 等帧级指标。

效果：仓库 README 没有给出论文结果表、复现实验日志、checkpoint 或 benchmark 输出。当前只能确认代码结构和本轮更新，不能声称已经可复现论文全部结果，也不能报告性能优于哪些 baseline。

代码/数据状态：有源码，但没有明确 license、没有 release、没有权重、没有详细 README 复现说明。它比空仓库更有实质价值，但仍需实际跑通数据下载、训练和评估后才能作为可用 baseline。

一句技术判断：这是 direct precipitation nowcasting 的 rectified-flow transformer 实现，方法方向有价值；但本轮新增是代码更新而不是新论文，且复现完整性和授权状态仍不清楚。

与雷达回波预报的相关性：较高。SEVIR/Shanghai/CIKM 类数据和 VIL/降水 nowcasting 任务与用户的雷达回波或雷达降水短临研究直接相邻。

对用户研究的启发：可作为 diffusion/rectified-flow 类方法的实现参考，重点看 latent autoencoder、STDiT 条件生成和多阈值评估；真正采用前需补齐数据处理、权重、license 和指标复现。

### 3.3 `OHSEHOON99/precipitation-nowcasting-U-Net-with-HSR-data`

来源/平台：GitHub 仓库 `OHSEHOON99/precipitation-nowcasting-U-Net-with-HSR-data`。该仓库已在 2026-06-26 日报作为直接相关代码仓库实质更新完整展开。今天主窗口内新增的两次 commit 是 `Simplify public documentation wording` 及其 PR merge，修改文件只有 `DATA_POLICY.md` 和 `README.md`。

论文/数据状态：关联论文仍为 2024 年 `Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography` 论文 `Improving Deep Learning-Based Precipitation Nowcasting Models: Application of Weighted Average Ensemble Methods`，DOI `10.7848/ksgpc.2024.42.6.551`。Zenodo DOI `10.5281/zenodo.14608083` / record DOI `10.5281/zenodo.14608084` 仍是数据和权重来源，许可证 CC BY 4.0。

大致内容：仓库主线仍是 KMA HSR composite rainfall data 上的 U-Net、SE U-Net、Attention U-Net、Dual Attention U-Net、SAR U-Net 和 weighted ensemble 复现实验。今天没有新增模型、数据、权重、结果表或训练逻辑。

训练测试方式和效果：与昨天一致，仍需下载 Zenodo 数据/权重后运行 `evaluate_models.py` 或 `evaluate_ensemble.py` 才能获得可比结果；README 本身不提供完整论文结果表。

代码/数据状态：代码仍公开但无明确代码 license；数据/权重在 Zenodo 下有 CC BY 4.0。今天的文档更新降低了阅读成本，但不改变技术结论。

一句技术判断：这是已覆盖 direct baseline 仓库的文档微调，不应重复计为今日高价值新增。

与雷达回波预报的相关性：中到高，但本轮没有新技术状态。

对用户研究的启发：仍适合做 U-Net 系列和 weighted ensemble 基线；今天无新增实验启发。

## 4. 窗口外但值得继续跟进的方法

### 4.1 `CompVis/weather-rf` / Rectified Flow Transformers

来源/平台：CVPR 2026 / GitHub / Hugging Face。仓库 `CompVis/weather-rf` 关联论文 `Probabilistic Precipitation Nowcasting with Rectified Flow Transformers`，arXiv 提交时间为 2026-05-29，GitHub 最新 push 为 2026-06-01，Hugging Face `CompVis/weather-rf` 权重最后修改为 2026-06-15。因此它是高价值 direct precipitation nowcasting 基线，但不属于本轮 24-48 小时新增。

大致内容：README 描述 FREUD 架构：frame-wise transformer encoder 和 unified generative rectified flow decoder，用于 probabilistic nowcasting，强调 variable-length inputs、frame drop robustness、temporal consistency 和 ensemble uncertainty。Hugging Face 模型仓库包含 `freud_ckpt.pt`、`lsm_ckpt.pt`、`original_freud.pt`、`original_lsm.pt` 以及若干 SVG 文档图，模型卡 license 为 `cc-by-nc-sa-4.0`。

技术判断：这是目前 rectified-flow nowcasting 方向中更成熟的正式会议论文和官方代码/权重之一，适合作为 flow matching / rectified flow baseline；但今天没有状态变化，不能写进主窗口新增。

### 4.2 `A Margin based Decomposition Framework via Intensity Flow Matching for Precipitation Nowcasting`

来源/平台：Crossref、OpenAlex、Semantic Scholar 均能检索到 DOI `10.1109/TGRS.2026.3704556`，来源期刊为 `IEEE Transactions on Geoscience and Remote Sensing`。Crossref created 为 2026-06-17，deposited 为 2026-06-18，早于本轮 48 小时缓冲。

大致内容：题名显示它是 intensity flow matching 与 margin based decomposition 用于 precipitation nowcasting。当前可访问元数据没有摘要、数据集、模型结构、结果表或代码链接，因此不能展开具体数据和效果。

技术判断：方向与用户关心的 flow matching、强降水稀疏性、高阈值 skill 相关，后续应获取 IEEE 摘要/PDF 和代码状态；本轮不计新增。

## 5. 低价值或排除项

### 5.1 `sushantakundu/gsmap-live`

GitHub 最新 push 为 2026-06-27 00:58 UTC，commit message 为 `Auto-update GSMap_Combined.gif`，commit 文件列表只有 `GSMap_Combined.gif`。仓库树仍只有 GIF 和 `index.html`。无模型、训练、评估、数据集或论文链接。

技术判断：这是可视化自动刷新，不是 AI radar/precipitation nowcasting 方法进展。继续排除。

### 5.2 `PaulVanSchayck/ha-nl-weather`

该仓库在宽松 GitHub 检索中出现，是因为描述包含 weather forecast、observations、precipitation radar、rain nowcast graph 和 warnings。它是 Home Assistant integration，不是深度学习模型、雷达回波预报算法、论文或数据集。

技术判断：不进入日报主表，只作为检索排除项记录。

### 5.3 Crossref / Semantic Scholar 噪声

Crossref 2026-06-26/27 日期过滤下，`radar echo nowcasting deep learning`、`precipitation nowcasting deep learning`、`weather radar nowcasting AI`、`flow matching precipitation nowcasting`、`diffusion precipitation nowcasting` 等查询返回大量噪声，主要是建筑、医学、工程流体、教育、SAR/汽车雷达或非气象条目。`radar precipitation nowcasting` 查询中出现的 `STANDARDIZED PRECIPITATION INDEX FORECASTING IN NORTH-CENTRAL MEXICO USING TRANSFORMER MODELS` 是 SPI 中长期/气候干旱类预测，不是雷达短临。

Semantic Scholar Graph API 多数查询继续 429；成功的 `weather radar nowcasting` 日期过滤返回 `Science Advances` 候鸟群体行为论文和 `Meteorology and Atmospheric Physics` 对流风暴多传感器个例研究，均不是 AI radar/precipitation nowcasting 新条目。

## 6. 检索记录

- arXiv：用 Atom API 按 submittedDate 检索 `precipitation nowcasting`、`radar echo nowcasting`、`weather radar nowcasting`、`nowcasting AND precipitation`、`nowcasting AND radar`、`nowcasting AND rainfall`、`nowcasting AND convective`、`flow matching precipitation nowcasting`、`diffusion precipitation nowcasting`、`satellite-to-radar`、`radar quality control deep learning` 等。主窗口内无新 direct 条目；最新 direct 仍是 `Pointwise is Pointless?` v2，提交 2026-06-16、更新 2026-06-18。
- OpenAlex：日期过滤 2026-06-26 至 2026-06-27，`radar echo nowcasting deep learning`、`precipitation nowcasting deep learning`、`weather radar nowcasting AI`、`flow matching precipitation nowcasting`、`diffusion precipitation nowcasting`、`satellite radar retrieval precipitation`、`radar quality control deep learning precipitation`、`nowcasting precipitation radar` 等结果为 0。
- Crossref：日期过滤 2026-06-26 至 2026-06-27，直接关键词多为噪声；未发现主窗口 direct AI radar/precipitation nowcasting 期刊条目。
- Semantic Scholar：多数查询 429；少数成功结果无 direct 条目。继续作为辅助源，不能单源依赖。
- GitHub：`"precipitation nowcasting" pushed:>=2026-06-26` 命中 `sushantakundu/gsmap-live`、`kagtgi/Forecasting-Through-Meteorological-Reasoning`、`RuntimeWarning/CRFT`、`OHSEHOON99/precipitation-nowcasting-U-Net-with-HSR-data`；宽松 `nowcasting pushed:>=2026-06-26 precipitation` 另命中 `PaulVanSchayck/ha-nl-weather`。逐仓库检查后，仅 `kagtgi` 和 `CRFT` 算本轮可写的 direct code signal；`OHSEHOON99` 只有文档微调；`gsmap-live` 和 Home Assistant 集成排除。
- Hugging Face：models/datasets 检索 `radar nowcasting`、`precipitation nowcasting`、`weather radar nowcasting`、`radar echo nowcasting`、`satellite radar retrieval`、`rainfall nowcasting`、`flow matching precipitation nowcasting`，未发现本窗口新模型或数据集；`junxuwww/RadarNowcasting` 仍停在 2026-06-18，`CompVis/weather-rf` 权重最后修改为 2026-06-15。
- OpenReview / Papers with Code：网页检索未发现本窗口新的 radar/precipitation nowcasting 论文、榜单或代码状态。`FlowCast`、`SDIR`、`Rectified Flow Transformers` 等均为窗口外既有条目。
- AMS / IEEE / AGU / RMetS / EGU / Copernicus：未发现主窗口新的 direct AI radar/precipitation nowcasting 正式上线条目。IEEE TGRS `A Margin based...` 是 2026-06-17/18 DOI 元数据，已经在窗口外跟进中。
- 机构动态：Google DeepMind、ECMWF、NOAA、Met Office、中国气象局/中国天气网检索未发现本窗口新的 AI radar/precipitation nowcasting 交付物。昨天已记录的 ECMWF EarthCARE 云雷达资料同化仍是相关机构动态，但不是 AI nowcasting。

## 7. 下一轮值得继续跟进

1. `kagtgi/Forecasting-Through-Meteorological-Reasoning` 是否补充 license、真实 SEVIR/NEXRAD/MRMS 训练结果、baselines、checkpoints、数据切分和论文外部链接。
2. `RuntimeWarning/CRFT` 是否补充 README、requirements、license、预训练权重、数据下载脚本、复现实验日志和论文结果表。
3. `CompVis/weather-rf` 是否有 GitHub/Hugging Face 新 release、权重更新、数据说明或后续 issue/benchmark 结果；它是 rectified-flow nowcasting 的重要窗口外基线。
4. TGRS `A Margin based Decomposition Framework via Intensity Flow Matching for Precipitation Nowcasting` 是否可获取摘要/PDF、代码、数据集和高阈值 skill 结果。
5. `junxuwww/RadarNowcasting` 是否补源码、训练/评估脚本、论文、数据授权说明或 CMA ECREF 映射细节。
6. `duyhlzu/Flash-Back-Memory` 是否真正发布源码、配置、权重或复现实验。
7. `Pointwise is Pointless?` 是否补充代码、数据可用性、正式会议/期刊状态或 guided generative assimilation 后续版本。
8. `OHSEHOON99` 是否补充代码 license、release、完整结果表或更明确的数据切分说明。
9. `gsmap-live` 继续只在文件变化超出 GIF/web wrapper、出现模型/数据处理脚本或客观评估时再写入主表。
10. flow matching、diffusion/generative solver、satellite-to-radar retrieval、雷达质控和机会观测继续单列；只有明确涉及 radar/precipitation nowcasting 且有新论文、代码、数据或可验证结果时再进入主新增表。