# 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

| 标题 | 日期 | 来源/期刊/会议/平台 | 链接 | 类型 |
|---|---:|---|---|---|
| `Forecasting-Through-Meteorological-Reasoning` / ASG-WM / FaithCast | 最新 commit: 2026-07-02 16:46 +08 | GitHub | [repo](https://github.com/kagtgi/Forecasting-Through-Meteorological-Reasoning), [commit](https://github.com/kagtgi/Forecasting-Through-Meteorological-Reasoning/commit/616a9619f335) | direct precipitation nowcasting 框架/论文草稿/代码更新；未验证结果 |
| `budva-radar` / SKALA NOWCAST DGMR adapter | 最新 commit: 2026-07-02 19:52 +08 | GitHub | [repo](https://github.com/matko-iv/budva-radar), [commit](https://github.com/matko-iv/budva-radar/commit/80c51f53d748) | direct weather-radar nowcasting 工程系统更新；本地适配 |
| `precipitation-nowcasting-features-v3` 空占位数据集 x2 | 创建/更新：2026-07-02 20:23-20:26 +08 | Hugging Face Datasets | [keen-panda7966](https://huggingface.co/datasets/keen-panda7966/precipitation-nowcasting-features-v3), [dark-panda3712](https://huggingface.co/datasets/dark-panda3712/precipitation-nowcasting-features-v3) | 数据集占位；低价值排除 |
| `sushantakundu/gsmap-live` 自动刷新 | 最新 commit: 2026-07-03 09:26 +08 | GitHub | [repo](https://github.com/sushantakundu/gsmap-live), [commit](https://github.com/sushantakundu/gsmap-live/commit/621922fadd3f) | GIF 可视化自动刷新；低价值排除 |

## 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

| 标题 | 日期 | 来源/期刊/会议/平台 | 链接 | 类型 |
|---|---:|---|---|---|
| `Development of a Wintertime Proxy Radar Based on Geo-Kompsat-2A Time-Series Artificial Intelligence for Compensating Weather Radar Observational Gaps` | Published: 2026-06-30；Crossref created/deposited: 2026-07-03 | `Korean Journal of Remote Sensing`，Korean Society of Remote Sensing | [DOI](https://doi.org/10.7780/kjrs.2026.42.3.6), [Crossref](https://api.crossref.org/works/10.7780%2Fkjrs.2026.42.3.6) | satellite-to-radar / proxy radar；非 direct nowcasting |

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

| 标题 | 日期 | 来源/期刊/会议/平台 | 链接 | 类型 |
|---|---:|---|---|---|
| `MvReNowcast: Disentangling radar product features for improved nowcasting of raincloud evolution` | Crossref created: 2026-06-27；indexed: 2026-07-02；published-print: 2026-09 | `Journal of Hydrology` 677, Article 135938，Elsevier | [DOI](https://doi.org/10.1016/j.jhydrol.2026.135938), [ScienceDirect](https://www.sciencedirect.com/science/article/pii/S0022169426010358), [Crossref](https://api.crossref.org/works/10.1016%2Fj.jhydrol.2026.135938) | direct raincloud/radar-product nowcasting；窗口外/索引延迟补录 |

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。

| 标题 | 年份/状态 | 来源/平台 | 链接 | 类型 |
|---|---:|---|---|---|
| `Weather radar nowcasting of rainfall using optical flow with Recurrent All-Pairs Field Transforms (RAFT)` | E-pub 2026-04-13；Atmospheric Research 338, 109007 | `Atmospheric Research` / Aalborg University portal / ScienceDirect | [Aalborg portal](https://vbn.aau.dk/en/publications/weather-radar-nowcasting-of-rainfall-using-optical-flow-with-recu/), [DOI](https://doi.org/10.1016/j.atmosres.2026.109007) | direct weather-radar rainfall nowcasting；deep optical-flow estimator |
| `TyrainNow: A Deep Learning-Based Model for Typhoon Rainfall Nowcast With Radar Products` | 2025-08；Water Resources Research 61(8) | AGU / `Water Resources Research` + Zenodo software | [AGU](https://agupubs.onlinelibrary.wiley.com/doi/full/10.1029/2025WR039897), [Zenodo code](https://zenodo.org/records/15860295) | direct typhoon rainfall/radar nowcasting |

### 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。