2026-07-03 雷达回波 AI 进展日报#

检索时间：2026-07-03 13:02 +08
主窗口：2026-07-02 13:02 +08 至 2026-07-03 13:02 +08
48 小时缓冲：向前回看至 2026-07-01 13:02 +08，用于覆盖索引延迟、代码平台延迟推送和上一轮条目的状态复核。
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、卫星降水 nowcasting 等相关方法。

0. 总体判断#

本轮没有发现 2026-07-02 13:02 +08 之后新的高价值正式论文、arXiv 预印本、OpenReview 状态变化、Papers with Code 榜单变化、完整 Hugging Face 模型/数据集，或 Google DeepMind、ECMWF、NOAA、Met Office、中国气象局等机构发布的 direct AI radar echo / precipitation nowcasting 交付物。

主窗口内可写入的有效变化主要来自 GitHub 工程侧：

• kagtgi/Forecasting-Through-Meteorological-Reasoning 在 2026-07-02 16:46 +08 有新 commit，补充 ASG-WM/FaithCast 的方法哲学、论文草稿、评估/消融脚本和若干配置。它是 direct precipitation nowcasting 框架更新，但作者仍明确写着 quantitative paper results 为 TBR、神经基线多为 stub，因此不能写成已验证性能进展。
• matko-iv/budva-radar 在 2026-07-02 19:52 +08 更新，补充 DGMR nowcast 页面、代码清理、大量 DGMR 训练帧缓存和本地 SKALA NOWCAST 输出。它是 direct weather-radar nowcasting 工程系统更新，但不是新论文；DGMR 仍是外部预训练模型在 Budva/Adriatic 场景的 OOD 适配，不能写成通用 DGMR 新结果。

本轮还发现两个 Hugging Face 数据集空占位：keen-panda7966/precipitation-nowcasting-features-v3 与 dark-panda3712/precipitation-nowcasting-features-v3。二者均只有 .gitattributes，无 README、数据文件、license、任务定义或指标，因此不计入有效数据发布。

Crossref 主窗口内索引到一篇相关但非 direct nowcasting 的论文：Development of a Wintertime Proxy Radar Based on Geo-Kompsat-2A Time-Series Artificial Intelligence for Compensating Weather Radar Observational Gaps，正式发布日期为 2026-06-30，主题属于 satellite-to-radar / proxy radar 观测补全，不是雷达回波临近预报模型。

另外，上一轮未展开的 MvReNowcast: Disentangling radar product features for improved nowcasting of raincloud evolution 已确认 DOI 和期刊信息。它是 direct nowcasting 正式论文，但 Crossref created 为 2026-06-27，早于主窗口；本轮作为窗口外/索引延迟补录，不计入今日主新增。

1. 主窗口新增与状态变化表#

2. 主窗口详细条目#

2.1 kagtgi/Forecasting-Through-Meteorological-Reasoning#

来源/平台：GitHub。最新 commit 616a9619f335，时间为 2026-07-02T08:46:07Z。commit message 为 Complete ASG-WM method philosophy; align specs, code trace, and paper prose.。

大致内容：仓库提出 ASG-WM / FaithCast：用 VLM 从短时雷达历史中构造显式 Atmospheric Scene Graph，再通过 physics-constrained transition 推进状态，最后由 renderer 从预测 ASG 和 future-blind advection 生成未来雷达场。新 commit 增加 specs/philosophy.md，修改 paper/paper.tex、README.md、specs/eval.md，并新增 src/asgwm/eval/ablation.py，使“faithfulness-by-bottleneck”的论证、论文结构和代码评估路径更一致。

数据集：README 写明主训练/测试数据为 SEVIR VIL，时间切分为 train < 2019-01-01、val 2019-01-01..2019-05-31、test >= 2019-06-01，标准空间为 384 x 384、1 km、5 min；NEXRAD Level II 和 MRMS MergedReflectivityQCComposite 仅作为 OOD test，且需通过 dBZ-to-VIL approximation 桥接。该桥接本身有物理变量差异，不能当作严格同分布评估。

模型构建：Stage A 使用 VLM/QLoRA 产生 per-frame object sets，Stage A2 负责 tracking，Stage B 推进 ASG 状态，Stage C 使用 ASG 与未来不可见的 advection 生成 future field。当前 README 强调 framework、code and specs are complete，但 quantitative paper results 仍是 [TBR]。

训练测试方式：仓库提供 train.ipynb、eval.ipynb、Colab A100 两段运行计划、synthetic CPU smoke test、SEVIR 阈值评估、faithfulness/intervention/capacity 评估框架。src/RESULTS.md 明确说 neural baselines 中 RainNet、NowCastNet、LangPrecip、ThoR 多数仍为 stub/TBR，pysteps 行可用，ASG-WM metric values 在 Tier-2 checkpoint 训练前仍为 TBR。

效果：本轮没有发现真实 checkpoint、完整 baseline adapter、正式论文 DOI 或可核验指标。当前价值是方法框架和复现实验骨架继续完善，不是性能突破。

代码/数据状态：代码仓库公开，但 GitHub API 显示无明确 license；真实数据需要按脚本下载，权重和真实结果尚未发布。

技术判断：这是 direct precipitation nowcasting 方向的工程/论文框架更新，值得跟踪其“结构化可解释状态是否真正驱动像素预测”的实验设计。但在 TBR 结果未补齐前，应保持为 early framework signal，不能作为可比较 SOTA。

对用户研究的启发：如果用户希望把物理一致性、可解释对象状态、强对流 initiation/growth 诊断纳入雷达短临模型，可关注其 ASG 作为 bottleneck 的设计；但当前更适合作为研究构思参考，而不是直接复现基线。

2.2 matko-iv/budva-radar#

来源/平台：GitHub。最新 commit 80c51f53d748，时间为 2026-07-02T11:52:46Z，commit message 为 Code cleaning time!。

大致内容：这是 Budva, Montenegro 的雷达与卫星监测/nowcast 工程系统。README 写明它回答三个问题：当前是否下雨、未来两小时是否下雨、天空是否多云。雷达路径读取 MeteoGate ORD ODIM HDF5 polar volumes，解码 dBZ、RHOHV、Doppler、ZDR，采样位置周边 rings，追踪 storm cells，并运行概率到达 nowcast。系统还包含 pySTEPS/LINDA、DGMR adapter、HighSight cloud nowcast、EUMETSAT L2 云产品等模块。

本轮变化：commit 修改 README、cloud modules、compare_nowcast.py、config.py 等文件，新增 compare_nowcast - Copy.py，并加入 data/dgmr_train/frames_cache/ 下 1000 个 .npy 文件，总计约 131 MB。docs/compare.json 和 docs/nowcast_status.json 显示 2026-07-02T11:49:59Z 生成了 DGMR nowcast 输出，Budva tile 为 256 x 256 / 1 km，16 个 5 min lead frames，总 horizon 约 80 min。

数据集：当前工程使用 ORD ODIM HDF5 雷达体扫、DHMZ Uljenje PNG、OPERA Odyssey composite、HighSight visible tiles、EUMETSAT MTG L2 等。新增的 DGMR frames cache 看起来是工程缓存，而不是标准化公开 benchmark 数据集。

模型构建：DGMR adapter 封装 DeepMind DGMR / pysteps-dgmr-nowcasts plugin；README 同时写有 pySTEPS ANVIL/LINDA nowcast 和 verify_nowcast.py 的 FSS/CSI/POD/FAR 验证路径。radar/dgmr_adapter.py 明确说明 DGMR 预训练于 UK radar，对 Adriatic/Budva 属 out-of-distribution，需要本地 archive 验证。

训练测试方式：verify_nowcast.py 用 archived ORD cases hindcast，评分 FSS、CSI、POD、FAR；但当前 docs/verify_data.js 生成于 2026-06-25，仅包含 LINDA-D 与 extrapolation 两类模型、7 个 cases、6 个 lead，没有 DGMR 的量化验证行。本轮 compare.json 只有单次/实时 DGMR 输出，不等于客观 skill 评估。

效果：可确认 DGMR adapter 在当前工程页面中有输出，但没有看到 DGMR 相对 LINDA 或 extrapolation 的本地评分提升。现有 verify_data.js 中 LINDA 在前 5-10 min 优于 plain extrapolation，但这是 6 月 25 日小样本验证，不是本轮新 DGMR 结果。

代码/数据状态：仓库公开，可见 requirements.txt、compare_nowcast.py、verify_nowcast.py、DGMR adapter 和文档输出；GitHub API 未显示明确 license。README 提醒 DHMZ、OPERA、EUMETSAT、HighSight 均有各自使用条款，需获得许可后再重新分发。

技术判断：这是本轮最实质的 radar-nowcasting 工程更新，价值在于把真实 ODIM H5、pySTEPS、DGMR、网页发布和本地验证脚本串成可运行系统。但它不是论文，不是公开 benchmark，也没有充分 DGMR 本地 skill 验证；应作为工程实现参考。

对用户研究的启发：它适合借鉴“实况雷达读取-质量控制-外推/深度模型-网页发布-小样本回放验证”的端到端工程组织方式；如果迁移到中国区域雷达，应先补严格数据授权、地理投影、同化/质控、按阈值 CSI/FSS 评价和 OOD 风险说明。

2.3 Hugging Face precipitation-nowcasting-features-v3 空占位#

来源/平台：Hugging Face Datasets。keen-panda7966/precipitation-nowcasting-features-v3 创建/更新于 2026-07-02T12:26:24Z；dark-panda3712/precipitation-nowcasting-features-v3 创建/更新于 2026-07-02T12:23:01Z。

大致内容：二者名称指向 precipitation nowcasting features，但 API 检查显示只有 .gitattributes，无 README、无 parquet/csv/npy/zarr/hdf5 数据文件、无 dataset card、无 license、无任务定义、无样例和指标。

技术判断：这是主窗口内新对象，但不是有效数据集发布。后续只有出现真实数据文件、字段说明、来源许可、空间时间范围、训练/测试切分和 benchmark 指标时才值得进入主表。

与雷达回波预报的相关性：题名相关，但实物为空，当前相关性不能成立。

代码/数据状态：无可用数据。

2.4 sushantakundu/gsmap-live#

来源/平台：GitHub。最新 commit 621922fadd3f，时间为 2026-07-03T01:26:06Z，commit message 为 Auto-update GSMap_Combined.gif。

大致内容：commit 只修改 GSMap_Combined.gif，没有模型、训练脚本、数据处理、评估脚本、论文、权重或结果变化。

技术判断：继续作为低价值可视化自动刷新排除。它不是 AI radar/precipitation nowcasting 方法更新，也不是数据集发布。

与雷达回波预报的相关性：低。主题是 GSMap 降水可视化，不涉及雷达回波外推或深度学习临近预报方法。

代码/数据状态：有仓库，但本轮变化仅 GIF。

3. 相关方法与窗口外补录#

3.1 GK2A time-series AI proxy radar#

来源/期刊或会议：Korean Journal of Remote Sensing，DOI 10.7780/kjrs.2026.42.3.6。Crossref 显示正式发布日期为 2026-06-30，created 为 2026-07-03T02:40:37Z。当前 DOI 页面未能直接读取摘要，以下技术描述中关于模型细节的部分主要依据标题和 KMA/会议同主题公开摘要，需以后续论文页/PDF核验为准。

大致内容：题名显示该文使用 Geo-Kompsat-2A time-series AI 构建 wintertime proxy radar，用于补偿天气雷达观测空缺。KMA 同主题公开摘要曾说明 proxy radar 由 GK2A/AMI 卫星观测估计，方向是用 AI 生成类似雷达的资料以填补海上或雷达覆盖不足区。

数据集：应涉及 GK2A/AMI 时序卫星图像和韩国/东亚雷达资料配对；具体通道、时间段、空间范围、冬季样本定义和训练/验证切分尚未从本轮可读页面确认。

模型构建：同主题会议摘要提到 Pix2Pix/conditional GAN 类 image-to-image translation，但当前正式论文题名强调 time-series AI，是否改为时序网络或加入多帧约束需要等待 PDF/摘要确认。

训练测试方式与效果：本轮未能取得正文，不能确认训练测试方式、指标、对 radar gap 的改进幅度或不确定性处理。

代码/数据状态：未发现公开代码、权重或数据包。

技术判断：这是相关方法，不是 radar echo nowcasting。价值在于卫星到雷达代理观测、观测缺口补全和海上/山地雷达盲区建模，对用户研究中的 satellite-to-radar retrieval 和雷达资料补全有启发。

与雷达回波预报的相关性：中等。它不直接预测未来回波，但可能改善短临模型的输入覆盖、补空洞和跨传感器迁移。

3.2 MvReNowcast 窗口外补录#

来源/期刊或会议：Journal of Hydrology，DOI 10.1016/j.jhydrol.2026.135938。Crossref 显示 publisher 为 Elsevier BV，volume 677，page/article number 135938，created 时间为 2026-06-27T15:06:05Z，indexed 时间为 2026-07-02T10:50:05Z。ScienceDirect 页面本轮触发 CAPTCHA，未能读取完整摘要/PDF。

大致内容：从题名和搜索摘要可确认，MvReNowcast 试图通过 disentangling radar product features 来改进 raincloud evolution nowcasting。搜索摘要称新模型相较纯 data-driven baseline 有更好的预测表现，但本轮未取得完整摘要和结果表，不能复述具体数值。

数据集：从题名看应使用多种 radar product features；具体是否包含反射率、降水率、回波顶高、VIL、速度或多源雷达产品，需要正文确认。

模型构建：核心应是多变量/多产品特征解耦后用于云雨演变预测。是否使用 CNN/RNN/Transformer/attention 或物理约束，本轮不能确认。

训练测试方式与效果：本轮只能确认期刊/DOI/题名/作者和搜索摘要层面的 baseline 优势；未取得训练时间段、测试区域、lead time、CSI/FSS/POD/FAR/MAE/SSIM 等细节。

代码/数据状态：未发现对应公开 GitHub/Hugging Face 仓库、权重或数据包。

技术判断：这是高相关 direct nowcasting 正式论文，建议后续优先获取 PDF/摘要。当前不能把它写成今日新增，也不能展开未核验的性能结论。

与用户研究的启发：如果正文证实其多雷达产品特征解耦有效，可能对“反射率 + VIL/echo-top/速度/质控产品”的多通道输入设计有参考价值。

4. 近年高价值回看：本轮推荐#

本节不计入今日新增。用途是补充近期值得跟进的 direct radar/precipitation nowcasting 或强相关方法；所有条目均按原始发布时间和平台理解，不写成 2026-07-03 新增。

4.1 RAFT weather radar optical-flow nowcasting#

来源/期刊或会议：Atmospheric Research，article 109007，DOI 10.1016/j.atmosres.2026.109007，Aalborg University portal 显示 E-pub ahead of print 为 2026-04-13，open access CC BY 4.0。

数据集：研究使用 C-band weather radar data 和 51 个 rainfall events，包含 linear 与 non-linear rainfall motion patterns。

模型构建：将图像光流领域的 Recurrent All-Pairs Field Transforms (RAFT) 用作 weather radar nowcasting 的 motion-field estimation，而不是端到端预测未来回波像素。RAFT 原本在 synthetic image flow 上训练，文章测试其能否迁移到天气雷达运动场估计。

训练测试方式：将 RAFT-derived motion fields 与 global vector、COTREC、VET、Lucas-Kanade、DARTS 等传统运动估计方法比较，评价雷达降水外推准确性。

效果：Aalborg 页面摘要称 RAFT、VET 和 Lucas-Kanade 优于 global vector、COTREC 和 DARTS；RAFT 的 predictability 与 state-of-the-art methods 相当。该结论强调 RAFT 可作为 motion-field estimator 的候选，而不是说它已经替代所有深度雷达短临模型。

代码/数据状态：本轮未发现该研究专用代码仓库；RAFT 原始实现公开，但雷达实验数据、脚本和具体切分需进一步核验。

技术判断与启发：它适合作为“强基线”回看：对用户研究而言，深度模型不一定总要端到端生成未来图像，先把运动场估计做强、再与 pySTEPS/外推/生成模型比较，能形成更可解释的 baseline。

4.2 TyrainNow#

来源/期刊或会议：Water Resources Research，2025，61(8)，DOI 10.1029/2025WR039897。AGU 页面和 Zenodo 记录显示有 Yhyyy-hhu/TyrainNow: TyRainNow (v1.0.0) 软件归档，Zenodo DOI 10.5281/zenodo.15860295，license 为 MIT。

数据集：论文面向 tropical cyclone-induced rainfall nowcast，使用南中国/Greater Bay Area 一带的 typhoon radar composite reflectivity products；相关数据 Zenodo 条目在论文参考文献中出现为 typhoon radar images，但数据授权和完整复现流程仍需按论文与 Zenodo细读。

模型构建：TyrainNow 用深度学习模型预测台风雨带短时演变，核心包括结构/地理一致性、时间连续性和 radar image structural similarity 的 multi-task loss，并使用 quantile mapping 修正神经网络输出的系统性衰减偏差。

训练测试方式：与 DGMR、PredRNN-v2 和 optical flow 等基线比较，重点关注 1-2 h lead time 内台风雨带的模糊、耗散和位置误差。

效果：公开摘要显示 40 dBZ 阈值下，TyrainNow 在 1-2 h lead time 平均 CSI 为 0.099，高于 DGMR 0.070、PredRNN-v2 0.023 和 optical flow 0.078；该结果仍应按其数据区域和台风样本条件理解，不能直接外推到普通对流或全国业务拼图。

代码/数据状态：Zenodo 有软件归档，MIT license；是否包含全部训练数据、权重和可复现配置需进一步检查。

技术判断与启发：对华南、台风雨带和强降水雷达短临研究很有参考价值，尤其是“结构相似性损失 + 地理一致性/时间连续性 + 后处理偏差校正”的组合。对用户研究而言，它比泛泛的中长期 AI 天气模型更贴近 0-2 h 强降水业务问题。

5. 检索记录#

• arXiv：官方 API 本轮多次 timeout/429，最终小查询返回 503；网页/搜索层面未发现 site:arxiv.org/abs/2607 与 precipitation nowcasting、radar nowcasting、SEVIR nowcasting、generative precipitation nowcasting 相关的新 direct 条目。因此本轮不能把 arXiv API 失败写成确定无结果，只能写作“API 受限，辅助检索未见新 direct arXiv 条目”。
• GitHub：使用 GitHub Search API 检索 pushed:>=2026-07-02 的 precipitation nowcasting、radar nowcasting、radar echo nowcasting、weather radar nowcasting、convective nowcasting、SEVIR nowcasting、DGMR nowcasting、flow matching precipitation nowcasting。有效命中为 kagtgi 和 budva-radar；gsmap-live 仅 GIF。
• Hugging Face：检索 models/datasets 中 precipitation nowcasting、radar nowcasting、weather radar nowcasting、radar echo nowcasting、rainfall nowcasting、SEVIR nowcasting、DGMR nowcasting。主窗口内只有两个空占位数据集；junxuwww/RadarNowcasting 无新状态，sonderlau/PrecipitationNowcasting 仍只有 .gitattributes。
• Crossref：按 2026-07-01 至 2026-07-03 created/publication 过滤。直接 nowcasting 方向主要为噪声或窗口外补录；相关方法命中 GK2A proxy radar DOI；MvReNowcast 通过题名检索确认 DOI、期刊和索引状态。
• OpenAlex：日期过滤 from_publication_date:2026-07-01,to_publication_date:2026-07-03 下，对 precipitation/radar nowcasting、satellite-radar retrieval、radar quality control、flow matching/diffusion precipitation nowcasting 等关键词返回 direct 结果为 0。
• Semantic Scholar：Graph API 本轮持续 429，未作为“无结果”证据。
• OpenReview / Papers with Code / AMS / IEEE / AGU / RMetS / EGU / Copernicus：未发现主窗口新的 direct AI radar/precipitation nowcasting 交付物。OpenReview 命中的 FlowCast、RainDiff、exPreCast、STC-GS 等均为已覆盖或窗口外条目。
• 机构动态：Google DeepMind、ECMWF、NOAA、Met Office、中国气象局/中国天气网未发现主窗口内新的 direct AI radar/precipitation nowcasting 发布。NOAA AI workshop、WMO AI early warning 活动等更偏 AI/NWP 或预警框架，且不是本窗口新发布的雷达短临交付物。

6. 下一轮值得继续跟进#

1. kagtgi/Forecasting-Through-Meteorological-Reasoning 是否补 license、release、真实 Tier-2 checkpoint、baseline adapters、SEVIR/NEXRAD/MRMS 实测指标、arXiv/DOI 或正式投稿状态。
2. matko-iv/budva-radar 是否补本地 DGMR vs LINDA/extrapolation 的 verify_data.js 量化结果、license、数据许可和可复现实验说明；特别检查 DGMR 是否仍仅有实时输出而没有 objective skill。
3. MvReNowcast 是否能读取摘要/PDF、是否公开代码/数据、是否报告多雷达产品特征、lead time、CSI/FSS/POD/FAR 和 baseline 对比。
4. GK2A proxy radar 正式论文是否公开 PDF/摘要；重点核验模型是否仍为 Pix2Pix/cGAN，或已扩展到 time-series AI，并确认训练数据、冬季样本、验证指标和产品可用性。
5. Hugging Face 两个 precipitation-nowcasting-features-v3 空占位是否上传真实数据；sonderlau/PrecipitationNowcasting 是否从 .gitattributes 空仓变为可用数据集。
6. Pointwise is Pointless?、FlashBack Memory、TA-SmaAt-UNet、IMPA-Net、M3Rain/M3R、S2R-GAN++ 是否补充代码、权重、正式页面、许可或可复现指标。
7. 继续将 flow matching、diffusion/generative solver、satellite-to-radar retrieval、雷达质控、3D 雷达体扫预测单列；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才进入主新增表。