2026-07-09 雷达回波 AI 进展日报#

检索时间：2026-07-09 13:04-13:40 +08
主窗口：2026-07-08 13:56 +08 至 2026-07-09 13:04 +08
48 小时缓冲：向前回看至 2026-07-07 13:56 +08，用于覆盖索引延迟、平台延迟推送和上一轮可能遗漏的边界条目。
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 diffusion/generative solver、satellite-to-radar retrieval、雷达质控、降尺度和非雷达降水 nowcasting 等相关方法或启发。

0. 总体判断#

本轮发现 1 个明确的 direct radar echo nowcasting 新论文条目：

1. RadarEchoMamba: A Fast, High-Fidelity Pyramidal Bidirectional Mamba Model for Radar Echo Extrapolation。Remote Sensing 在线发表日期为 2026-07-08，Crossref created 为 2026-07-08 23:40 +08。它是雷达回波外推/降水临近预报 direct 论文，数据集包括 South China 多雷达复合反射率和 Shanghai-2020，模型以 Mamba 为核心，强调低延迟和图像保真度。

本轮还有若干新近索引或新近更新但不能写成 direct radar echo nowcasting 的条目：

• CBAM-U-Net-Based Retrieval of Radar Composite Reflectivity from FY-4A Satellite Observations... 是 EGUsphere posted-content，任务是 FY-4A 卫星到 SWAN 雷达组合反射率检索，不是 nowcasting。
• A spatiotemporal framework for GNSS-based rainfall nowcasting with FluxFormer... 是 GNSS 到降水 0-3 h nowcasting，不是雷达回波输入。
• SRA-UNet、InGARSS X 波段天气雷达 nowcasting、InGARSS 卫星延迟 nowcasting 是 2026-07-08 新近 DOI/IEEE 元数据索引，但正文细节本轮未能核实，不能夸大。
• holys519/solafune_precipitation_nowcasting 今天有实质 GitHub 更新，新增实验代码、数据分析和 public score 记录，但任务仍是静止卫星多光谱到 GPM-IMERG 降水栅格回归，不是天气雷达。

本轮未发现 Google DeepMind、ECMWF、NOAA、Met Office、中国气象局等机构在主窗口内发布新的 direct radar echo / precipitation nowcasting 代码、模型权重或数据集。ECMWF/NOAA 有未来 AI-weather 活动线索，但不属于本轮 direct 技术发布。

1. 新增与状态变化表#

2. 条目详情与技术判断#

2.1 RadarEchoMamba#

来源/期刊或平台：Remote Sensing 18(14), 2287，DOI 10.3390/rs18142287，MDPI open access。论文记录显示 received 2026-05-24、revised 2026-06-24、accepted 2026-07-07、published 2026-07-08。

大致内容：论文把 radar echo extrapolation 定义为 precipitation nowcasting 的基础任务。作者认为 RNN/CNN/Transformer 类模型分别存在误差累积、时序信息损失或二次复杂度等问题，提出 RadarEchoMamba。模型是端到端确定性框架，不使用 GAN/扩散模型的对抗训练或迭代采样；核心组件包括 Multi-Scale Tubelet Embedding、Bidirectional Spatiotemporal Mamba backbone、Progressive Decoder 和输入序列驱动的 structural prior。

数据集：论文使用 South China 数据集和 Shanghai-2020 数据集。South China 数据来自 2021-2023 年华南多部 S-band weather radars 的 composite reflectivity，原始格点 300 m、6 min，样本覆盖 1024 x 1024，训练时下采样到 512 x 512；测试集从每年 3-9 月随机采样以降低季节泄漏风险。Shanghai-2020 初始包括 43,000 个 precipitation events，每个事件 20 帧，经清洗后划分为 7715 train、1803 validation、1390 test，并统一 resize 到 512 x 512。

模型构建和训练测试方式：MSTE 使用三路 3D convolution tubelet 分支，kernel/stride 分别为 [1,16,16]、[2,32,32]、[4,64,64]，对应局地细节、区域动力和大尺度上下文。Light 版本 embedding dimension 为 256、8 个 block；Base/M/L 通过更大 embedding 或更多 block 提升容量。实验在 Ubuntu、PyTorch 2.7.1、单 NVIDIA RTX 4090 上训练，AdamW，初始学习率 1e-4，weight decay 1e-2，cosine annealing + 10% warmup，batch size 1，50 epochs，loss 为 MSE。指标包括 10/20/30 dBZ 阈值下 CSI/POD/FAR，以及 SSIM、LPIPS；论文还定义辅助 FCSI 用于平衡阈值命中和图像保真度。

效果：论文明确说明其优势主要在 visual-fidelity metrics，而不是所有 CSI/POD 指标全面领先。Shanghai-2020 上 RadarEchoMamba-Light 的 CSI 为 0.5316/0.4774/0.3320，SSIM 0.8619，LPIPS 0.1905；MS-RadarFormer 的 CSI 更高，但 FAR 和视觉保真度更差。South China 上 Light 版本参数量 32.327 M，仅为 MS-RadarFormer 155.617 M 的 20.8%，测得 latency 0.0715 s 低于 MS-RadarFormer 0.0950 s；Base 版本 SSIM/LPIPS 更强但参数量 241.157 M、latency 0.1925 s。论文对这一点的表述较克制：RadarEchoMamba 在结构和视觉细节上更好，阈值检出指标则与强 Transformer baseline 各有取舍。

代码/数据状态：本轮未发现官方 GitHub、Hugging Face 模型、权重或 release。论文 Data Availability Statement 写明原始贡献包含在文章中，进一步咨询联系通讯作者；没有公开训练数据下载链接或代码仓库。GitHub repository search 未找到 RadarEchoMamba 仓库。

技术判断：这是今天最值得跟进的 direct radar echo nowcasting 论文。它的亮点不是“生成式”而是用 Mamba/SSM 的线性复杂度处理高分辨率长序列，并显式强调低延迟和回波结构保真。需要注意，它没有证明在所有传统气象阈值指标上压倒 MS-RadarFormer；报告时应写成“更好的 SSIM/LPIPS 与效率折中”，而不是笼统写成 SOTA。

对用户研究的启发：适合纳入 Mamba/SSM 类 nowcasting 路线，和 ST-Mamba-LDM、MambaRain、VMRNN、MS-RadarFormer、Rainformer、Earthformer 对比。对实际研究最有价值的切入点是高分辨率 512 x 512、两小时外推、低 latency、强回波纹理保真和 FCSI 这类 accuracy-fidelity tradeoff 指标。

2.2 SRA-UNet#

来源/期刊或平台：Crossref 元数据给出 DOI 10.1016/j.procs.2026.06.153，来源为 Procedia Computer Science，作者 Gourav Jyoti Kalita、Debasish Dutta、Abihotry Bhardwaz、Hidam Kumarjit Singh。Elsevier API coredata 显示 open access 为 true，license 为 CC BY-NC-ND 4.0；ScienceDirect 页面和 PDF 本轮受 challenge/API 限制，未能提取摘要和全文。

大致内容：从题名只能可靠判断它是“小型 Residual Attention UNet 用于 precipitation nowcasting”。目前不能确认输入是否为 weather radar、卫星、雨量站、IMERG，不能确认是否是 radar echo extrapolation。

数据集、模型构建、训练测试方式、效果：未核实。Crossref 无摘要；ScienceDirect 页面下载到的是 challenge 页面；Elsevier TDM API 仅返回 coredata，不返回正文。

代码/数据状态：未发现公开代码、数据、权重或仓库。

技术判断：这是新近索引的 precipitation nowcasting 论文元数据，但证据不足以放入 direct radar echo nowcasting。建议暂列为“需补全文”的候选，待能读取摘要或 PDF 后再判断其输入数据和技术价值。

对用户研究的启发：如果后续正文确认使用雷达栅格或雷达降水场，可作为轻量 UNet/attention baseline；若只是一般降水时间序列或非雷达图像，则放相关方法。

2.3 InGARSS X-band weather radar thunderstorm nowcasting#

来源/会议或平台：Crossref 元数据给出 DOI 10.1109/ingarss67683.2025.11583856，来源为 2025 IEEE India Geoscience and Remote Sensing Symposium (InGARSS)，proceedings date 为 2025-12-10，Crossref created 为 2026-07-08 19:40 UTC。题名为 A Case Study on Deep Learning Approach for Multicellular Thunderstorm Classification and Nowcasting Using X-Band Weather Radar Data in East Coast Station of India。

大致内容：从题名看，它直接涉及 X-band weather radar data、multicellular thunderstorm classification and nowcasting、deep learning。它很可能是雷暴单体分类和短临应用，而不一定是标准 2D radar echo sequence extrapolation。

数据集、模型构建、训练测试方式、效果：本轮未能读取 IEEE 正文或摘要，Crossref 也没有摘要。只能确认标题、会议、DOI、作者和新近索引时间，不能写模型结构、数据量、指标或效果。

代码/数据状态：未发现公开代码、数据或权重。

技术判断：这是值得跟进的 direct/near-direct 会议条目，但当前只是 IEEE/Crossref 新近索引，不应写成“今日发表的新算法”。若后续能获得摘要或 PDF，需要重点确认：X-band 雷达站点、分类标签、nowcasting lead time、网络结构、是否有独立测试事件、指标是 CSI/POD/FAR 还是分类准确率。

对用户研究的启发：如果正文使用小区域 X-band 雷达进行雷暴生命周期/多单体分类，它更接近强对流对象级 nowcasting，对格点回波外推研究可提供对象识别和分类模块启发。

2.4 InGARSS satellite data latency nowcasting#

来源/会议或平台：Crossref 元数据给出 DOI 10.1109/ingarss67683.2025.11583866，来源同为 2025 IEEE India Geoscience and Remote Sensing Symposium (InGARSS)，proceedings date 为 2025-12-10，Crossref created 为 2026-07-08 19:40 UTC。题名为 Bridging Satellite Data Latency with Spatio-Temporal Learning for Real-Time Nowcasting Applications。

大致内容：从题名看，它关注 satellite data latency 与 spatio-temporal learning 的 real-time nowcasting 应用。它不是天气雷达条目，但与卫星延迟补偿、实时输入缺测和时空学习有关。

数据集、模型构建、训练测试方式、效果：正文未核实，不能判断是否为降水、云图、雷暴或其他遥感 nowcasting。

代码/数据状态：未发现公开代码、数据或权重。

技术判断：相关但非 direct。对雷达回波研究的潜在价值在输入延迟补偿和实时部署，而不是模型 benchmark。暂不提升为主线条目。

2.5 CBAM-U-Net FY-4A 到雷达组合反射率检索#

来源/平台：EGUsphere posted-content，DOI 10.5194/egusphere-2026-2395。这是 preprint / posted-content，不是已录用期刊论文。Crossref created 为 2026-07-07 19:09 +08，posted date 为 2026-07-07，仍在 48 小时缓冲范围内。

大致内容：研究目标是用 FY-4A geostationary satellite multi-channel observations 检索 Radar Composite Reflectivity (RCRF)，用于复杂地形下雷达覆盖盲区补偿。模型为在 U-Net backbone 中嵌入 Convolutional Block Attention Module 的 CBAM-U-Net，通过 channel attention 和 spatial attention 筛选红外谱段并定位强对流核心。

数据集：区域为四川及邻近地区，范围约 97E-109E、26N-34.5N，研究期为 2023 年 5-11 月。输入为 FY-4A AGRI 多通道 L1 观测和亮温差特征，标签为 CMA SWAN 系统的 Radar Composite Reflectivity。SWAN RCRF 来自中国 200 多部 S/C 波段多普勒天气雷达，经质控和多雷达 3D mosaic，原始时间分辨率 6 min、空间分辨率 0.01 度。样本经有效像素比例筛选，保留 Pvalid > 20%，最终 14,023 个有效 satellite-radar 样本。

模型构建、训练测试方式、效果：输入为 7-channel tensor，包括 5 个红外通道和 2 个亮温差。论文比较 U-Net、Attention U-Net、MCDA-U-Net、SegFormer、SRViT 等 CNN/Transformer baseline。摘要和结论给出整体 RMSE 6.8290 dBZ、MAE 4.8579 dBZ、R2 0.6277、SSIM 0.7894、PSNR 25.2701 dB；在 45-70 dBZ strong echo regime 中 POD 0.5296、CSI 0.4384、FAR 0.4357。另用 FY-4B 2024 年 7 月数据做 zero-shot cross-sensor test，冻结 FY-4A 训练统计和模型权重，不对 FY-4B 微调。

代码/数据状态：论文 Data availability 写明数据可向通讯作者合理请求，未公开下载；未发现代码或权重。

技术判断：这不是 radar echo nowcasting，而是 satellite-to-radar composite reflectivity retrieval。它对复杂地形雷达盲区和多源融合有价值，尤其适合用户关注“卫星到雷达检索、雷达资料补全、强对流监测”的方向。不能把它写成预测未来回波。

对用户研究的启发：可作为缺测/盲区补全模块的参考，尤其是 FY-4A/FY-4B 到 SWAN RCRF、强回波阈值评估、Pvalid 质控和跨卫星 zero-shot 测试。若要接入 nowcasting，需要再叠加时序预测模块。

2.6 GNSS ST-FluxFormer#

来源/期刊或平台：GPS Solutions，DOI 10.1007/s10291-026-02121-w，published online 2026-07-08。Semantic Scholar 已收录，publicationDate 为 2026-07-08。

大致内容：论文使用 GNSS tropospheric products 做 0-3 h rainfall nowcasting。模型名为 ST-FluxFormer，由 FluxFormer temporal module 和 attention-based GNN spatial module 组成，目标是显式刻画 GNSS 站间水汽/降水传播和时序演变。

数据集：研究区域为香港，使用 10 个 Hong Kong SatRef GNSS reference stations 及同站气象传感器。GNSS-derived products 包括 ZTD、ZWD、PWV 和 atmospheric gradients；降水标签来自 GPM IMERG Level-3 Final product，时间分辨率 30 min、空间分辨率 10 km，并映射到 GNSS 站点。训练/验证/测试按年份划分：2021-2022 训练、2023 验证、2024 测试；使用过去 24 h，即 48 个半小时步长，预测未来 6 个半小时步长，lead time 到 3 h。

模型构建、训练测试方式、效果：ST-FluxFormer 同时预测 rainfall、GNSS tropospheric products 和 in-situ meteorological variables。训练最长 20 epochs，Adam，学习率 1e-4，单 NVIDIA RTX 3090；同设置比较 ST-GRU、ST-LSTM、ST-iTransformer、ST-TimeXer 等 baseline。摘要和正文显示，相比 ST-iTransformer，heavy rainfall CSI 提升 36.6%，HSS 提升 32.2%；个例包括 2024 年 4 月 21 日和 7 月 25 日香港极端降水过程。

代码/数据状态：论文 Data availability 给出 IMERG Level-3 Final、香港 SatRef、香港自动气象站降水数据访问来源；未发现代码或模型权重。

技术判断：这是降水临近预报 direct 论文，但不是雷达回波或雷达降水 nowcasting。它更像“GNSS 水汽观测网络 + GNN/Transformer 的站点降水预报”。对用户研究的价值在于多源水汽前兆、站网图结构、heavy-rain imbalance loss 和强降水 CSI 改进。

对用户研究的启发：可作为雷达 nowcasting 的外部先验或融合变量参考，特别是 0-3 h 水汽和降水演变。但它的输入输出是站点/IMERG 降水，不适合作为雷达回波格点外推 baseline。

2.7 holys519/solafune_precipitation_nowcasting 代码更新#

来源/平台：GitHub。仓库 holys519/solafune_precipitation_nowcasting 今天最新提交为 5c158699，提交时间 2026-07-09 12:28 +08，message 为 exp016-fable。本轮实际文件变更包括新增 doc/data_characteristics_review.md、doc/experiment_tracking_design.md、g_experiments/exp012/*、l_eda/exp001/* 等。

大致内容：仓库任务是 Solafune 竞赛“宇宙からの降水ナウキャスト”，输入为最近 30 分钟静止卫星多光谱观测，目标为同地点同时刻 GPM-IMERG 降水 GeoTIFF。README 显示数据包括 Himawari 8/9、GOES、Meteosat，外部数据禁止。今天更新后，doc/public_scores.md 记录了 public leaderboard，当前最佳为 exp009 public RMSE 0.7153438899106017；exp012 设计为 successor-row frames 与 satellite-adapter two-head 的组合。

模型构建、训练测试方式、效果：exp012 README 说明其把当前行和同地点 30 分钟后的 successor 行卫星观测堆叠为最多 6 个时隙，形成 16ch x 6 + mask 6ch + satellite one-hot 3ch = 105ch 输入；模型使用 satellite_adapter_two_head_unet，各卫星有专用 input stem，loss 为 BCE + weighted amount MSE + prediction MSE 的 two-head rain。选择指标为 tile_rmse，训练设置为 5-fold GroupKFold、full data、20 epochs、AMP、TTA flip。

代码/数据状态：代码和实验文档公开；数据、模型权重、提交 zip 在 .gitignore 范围内，不随仓库发布；无 release/tag/license。它是竞赛工程仓库，不是论文。

技术判断：今天的更新是实质工程进展，但它仍然是 satellite-to-precipitation raster regression，不是 weather radar nowcasting。可放入相关代码更新，不能写成雷达回波 AI 进展。

对用户研究的启发：如果做多源降水 nowcasting 或卫星到降水/雷达 proxy，可参考其 public score tracking、GroupKFold 区域泛化、卫星专用 stem、two-head rain loss 和 successor-row temporal context 设计。

3. 低价值或明确排除项#

4. 值得继续跟进的主题#

1. RadarEchoMamba：查是否后续公开代码、South China 数据处理脚本、Shanghai-2020 预处理、训练配置、模型权重和 license；重点比较 Mamba/SSM 与 diffusion/flow matching 的效率和保真度。
2. ST-Mamba-LDM：继续等 IEEE 摘要/全文可访问、指标表、release/tag/weights/license。它和 RadarEchoMamba 构成 Mamba + generative/deterministic 两条路线。
3. CBAM-U-Net satellite-to-radar retrieval：跟踪是否从 EGUsphere 转正式期刊、是否公开 FY-4A/SWAN 样本、代码或四川复杂地形盲区补全案例。
4. InGARSS X-band weather radar paper：等 IEEE 摘要/PDF，确认它是对象级雷暴 nowcasting 还是格点回波外推。
5. SRA-UNet：补 ScienceDirect 摘要/PDF，确认输入数据类型和是否与 weather radar 有关。
6. GNSS ST-FluxFormer：作为雷达 nowcasting 的外部水汽先验候选，而不是 direct baseline。
7. holys519/solafune_precipitation_nowcasting：继续观察是否形成高质量卫星到降水/雷达 proxy 的公开工程；除非引入雷达目标或论文，否则保持相关代码桶。

5. 检索记录与来源限制#

• arXiv：检索 radar echo nowcasting、radar echo extrapolation、precipitation nowcasting、weather radar nowcasting、satellite radar precipitation retrieval/nowcasting、flow matching weather/precipitation/radar。未发现 2026-07-07 以后新的 direct arXiv 条目；precipitation nowcasting 最新仍是 2026-06-16 Pointwise is Pointless? v2。
• Crossref：使用 query.title 与 from-created-date:2026-07-07,until-created-date:2026-07-09，命中 RadarEchoMamba、SRA-UNet、InGARSS 两篇、CBAM-U-Net、GNSS ST-FluxFormer 等。Crossref broad bibliographic query 噪声很大，已用题名和正文/PDF复核。
• OpenAlex：能核实 CBAM-U-Net，其他新 DOI 暂未收录或返回 404。
• Semantic Scholar：多数查询仍 429；成功核实 GNSS ST-FluxFormer。
• GitHub：repository search 显示本窗口内只有 holys519/solafune_precipitation_nowcasting 与 gsmap-live 命中；RadarEchoMamba、SRA-UNet 未找到公开仓库。GitHub code search 部分 401/SSL 错误，未作为 negative proof。
• Hugging Face：未发现 2026-07-07 以后新的 radar/precipitation nowcasting 模型或数据集；junxuwww/RadarNowcasting 和空数据集均无新状态。
• 期刊/会议/机构：MDPI PDF 可通过静态资源下载并提取；EGUsphere、Springer PDF 可提取；ScienceDirect 和部分 IEEE 页面受 challenge/API 限制，相关条目保留“元数据已核实、正文未核实”标签。Google DeepMind、ECMWF、NOAA、Met Office、中国气象局未见本窗口内 direct 技术交付物。