2026-07-11 雷达回波 AI 进展日报#

检索时间：2026-07-11 13:55-14:45 +08
主窗口：2026-07-10 13:15 +08 至 2026-07-11 14:45 +08
48 小时缓冲：向前回看至 2026-07-09 13:15 +08，用于覆盖 DOI/平台索引延迟和上一轮边界遗漏。
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 satellite nowcasting、diffusion/generative solver、雷达质控、雷达反演、观测网与非雷达降水 nowcasting 等相关方法或启发。

0. 总体判断#

本轮没有发现新的高价值 direct radar echo sequence nowcasting 论文、arXiv 预印本、官方模型权重或公开雷达 nowcasting 数据集。RadarEchoMamba、ST-Mamba-LDM、QuarkOther/RadarNowcastingAI 等重点 direct 条目没有出现可升级状态。

本轮值得记录的变化主要是 6 类：

1. AMS Artificial Intelligence for the Earth Systems 新建 DOI/VOR：How to use score-based diffusion in earth system science: A satellite nowcasting example。它是 0-3 h GOES 红外云图 diffusion nowcasting，不是雷达，也不是降水回波，但有公开代码、数据和模型包，属于 generative nowcasting 方法启发。
2. matko-iv/budva-radar 新增 DGMR checkpoint 对比页面。它是天气雷达 nowcasting 工程更新，使用 Uljenje 雷达 2023-2026 资料微调 DeepMind DGMR；结果显示 DGMR 部分指标超过 persistence，但 pySTEPS/ANVIL 仍更稳。没有公开模型权重。
3. AMS AIES 新建 DOI/VOR：Hail detection and sizing for storm objects...。它是 Swiss C-band 雷达 + 众包冰雹报告的随机森林冰雹检测/尺寸估计，不是 nowcasting，但属于天气雷达 AI 诊断。
4. holys519/solafune_precipitation_nowcasting 继续实质更新：新增 exp016 hurdle log-normal head 和 exp017 波长对齐/物理通道实验。仍是卫星到 GPM-IMERG 降水回归竞赛，不是天气雷达。
5. ilianrvd/nowcasting-public 新增 ICON-EU 0.1 度网格缓存和雷达+ICON blending 更新。它是开放天气雷达 nowcasting 工程，但核心是 pySTEPS S-PROG/光流，不是 AI/deep learning。
6. 若干新近 DOI 仅作相关或排除：IET polarimetric radar + SVM power-system weather intelligence、JTECH SOLID lidar nowcasting observation network、IET radar blind-range/velocity-dealiasing metadata。它们不能写成雷达回波 AI 临近预报进展。

1. 新增与状态变化表#

2. 条目详情与技术判断#

2.1 Score-based diffusion satellite nowcasting#

来源/期刊或平台：AMS Artificial Intelligence for the Earth Systems，DOI 10.1175/AIES-D-25-0046.1，Crossref created 为 2026-07-10 16:22 UTC。相关预印本为 arXiv 2505.10432，代码包在 Zenodo 10.5281/zenodo.21075796，数据和模型包在 Dryad 10.5061/dryad.xpnvx0kwc。

大致内容：论文以 geostationary satellite infrared imagery 的 0-3 h cloud nowcasting 为示例，讲解 score-based diffusion models 在地球系统科学中的使用方式。Crossref 摘要明确比较三类模型：标准 score-based diffusion model (Diff)、residual correction diffusion model (CorrDiff) 和 latent diffusion model (LDM)。摘要称 diffusion 不只外推已有云系，还能生成和衰减云，包括 convective initiation；CorrDiff 是三者中最佳，优于其他 diffusion 模型、常规 U-Net 和 persistence，并能直接生成 ensemble 且校准较好。

数据集：Dryad 元数据说明数据来自 GOES-16 ABI Channel 13 长波红外亮温，随机生成 256 x 256 patch。Dryad 文件包括 train_set_Chase2025.tar 约 28.1 GB、validation_set_Chase2025.tar 约 2.48 GB、test_set_Chase2025.tar 约 2.47 GB、all_models_Chase2025.tar 约 5.76 GB，以及 README 和 simple code note。数据是云图亮温，不是雷达反射率，也不是降水标签。

模型构建、训练测试方式、效果：公开摘要给出的实验框架是 Diff / CorrDiff / LDM 与 U-Net / persistence 比较，核心评价是云图 nowcasting 的细节保持、生成/衰减能力、ensemble calibration 和个例可视化。Dryad/Zenodo 提供可复现材料，但本轮未下载 38 GB 数据包和 5.8 GB 模型包，因此没有独立复核数值表。

代码/数据状态：有公开软件和数据。Zenodo 记录为 Software、MIT license，文件 cira-diff-main.zip 约 23 MB；Dryad 记录为 public，含训练/验证/测试 Zarr tar 包和模型包。

技术判断：这是本轮最有价值的 generative nowcasting 方法条目，但它不是 radar echo nowcasting，也不能写成 precipitation nowcasting。它的价值在于：用同一任务清楚比较 Diff、CorrDiff、LDM，并把代码、数据、模型包放出，适合拆解 diffusion nowcasting 的工程细节。

对用户研究的启发：可重点看 CorrDiff 的 residual correction 思路和 ensemble calibration 评估。如果迁移到雷达回波，需要换成雷达 dBZ / 降水标签，并重新处理强回波阈值、运动位相误差、dBZ 非负/阈值损失和 radar-specific QC；不能直接把 GOES IR 云图效果等同于雷达降水技能。

2.2 matko-iv/budva-radar DGMR checkpoint page#

来源/平台：GitHub 仓库 matko-iv/budva-radar，commit 813b41a984f218964c6e44d3cb1a21d54fbc0ef7，提交信息 New models page，提交时间 2026-07-10 17:25 UTC。仓库 README 描述系统为 Budva, Montenegro 的 radar and satellite monitoring，包括 SKALA RAIN、SKALA NOWCAST 和 SKALA CLOUD。

大致内容：本次提交新增 docs/dgmr-models.html、docs/models_data.js 和一组 DGMR 预测 PNG，对三个 fine-tuned DGMR checkpoint 与实际观测进行可视化对比，同时更新 docs/compare.json、docs/skala_verification.json、prepare_dgmr_data.py 等文件。页面说明预测为预先计算，3 个模型各用 8 个样本 ensemble 平均，网页只加载小 PNG，不加载 PyTorch/GPU。

数据集：页面写明使用 Uljenje 雷达 2023-05 至 2026-06 归档，共 285,193 个 5 分钟 .MAX. composite 产品；每帧从约 558 m 原始网格重采样到以 Budva 为中心的 256 x 256、1 km 分辨率 tile；dBZ 转 mm/h 使用 Marshall-Palmer Z = 200 R^1.6 并裁剪到 [0,128]。训练序列为 22 帧，即 4 帧输入 + 18 帧输出。页面写有 10,612 条雨样本序列，约 30 GB float16。评估口径需保守：同一页面同时写“最后 112 条最新序列留作评估”和“+60 min 指标在冻结 96 条最新序列上算”，后续如要复现需确认这两个口径的关系。

模型构建、训练测试方式、效果：使用 DGMR (Ravuri et al., Nature 2021) 生成式 nowcasting 架构，页面称 generator 约 98M 参数，输入 4 张过去图像和 latent noise，输出 18 张未来图像。作者采用 grid-cell-only fine-tuning，在 Colab A100 上训练，batch 16，推理用 8 样本 Monte Carlo 平均。页面还记录了 softplus 输出修正、dgmr 1.4.3 GridCellLoss bug 修正和频率 bias 权重校准。

效果：models_data.js 和技术说明给出 +60 min 指标：persistence 的 FSS ratio 为 1.00、Brier 0.167、bias 1.01；DGMR @15100 FSS ratio 1.22、Brier 0.167、bias 0.88；DGMR @12100 FSS 1.06、Brier 0.140、bias 0.90；DGMR @11350 FSS 1.02、Brier 0.125、bias 1.27。对照的 pySTEPS extrapolation 为 FSS 1.22、Brier 0.125、bias 1.01，pySTEPS ANVIL 为 FSS 1.25、Brier 0.104、bias 0.97。

代码/数据状态：代码、部分雷达 H5/PNG、预处理脚本和网页输出公开；未发现 .pt/.pth/.ckpt/.onnx DGMR checkpoint 权重。页面公开的是小 PNG 预测帧和统计数据，不是可直接加载的模型权重。

技术判断：这是 direct radar nowcasting engineering update，且信息量比普通 toy repo 高。它的关键结论不是“DGMR 已经优于传统方法”，而是“单雷达 1 万条序列上，DGMR 可超过 persistence 的部分指标，但 pySTEPS/ANVIL 仍更稳，生产系统继续用 pySTEPS”。这对用户研究很有参考价值，因为它给出了小样本迁移 DGMR 的负面和边界证据。

对用户研究的启发：该项目提示三点：第一，小区域单雷达数据量对 generative model 很可能不足，强行 fine-tune 可能只学到外观而未稳健赢过 advection；第二，FSS 与 Brier/事件检测可能给出不同最优 checkpoint，评价应多指标；第三，dBZ/mmh 转换、loss 权重、输出非负约束和训练样本筛选会显著影响雷达生成模型。

2.3 Swiss C-band radar random forest hail detection#

来源/期刊或平台：AMS Artificial Intelligence for the Earth Systems，DOI 10.1175/AIES-D-26-0001.1，Crossref created 为 2026-07-10 16:29 UTC。

大致内容：论文提出一个 machine-learning framework，用 Swiss C-band polarimetric radar data 和 crowdsourced hail report database，对 storm objects 进行地面冰雹存在性检测和尺寸估计。它不是时间外推，也不是降水/回波 nowcasting，而是雷达目标诊断和灾害识别。

数据集：摘要确认使用 Swiss C-band 偏振雷达资料和大规模众包冰雹报告数据库。当前 Crossref 摘要没有给出样本数、年份、storm-object 分割规则或公开数据下载路径。

模型构建、训练测试方式、效果：方法包含两个 random forest 模型：一个二分类模型检测 hail presence，一个回归模型估计 hail size。模型开发使用 repeated recursive predictor elimination，目标是在性能、鲁棒性、稳定性和气象可解释性之间平衡。摘要给出 final detection model 的 Peirce Skill Score 为 0.91，高于 operational POH baseline 的 0.81；final size regression model 的 RMSE 为 7.5 mm，优于 operational MESHS 的 13.9 mm。但摘要也明确指出对大冰雹 >=32 mm 有明显低估，可能与样本强烈偏向小冰雹有关。

代码/数据状态：本轮 GitHub 搜索题名和 DOI 未发现官方仓库；Zenodo 对题名无命中。joshua-wx/pyhail 是旧的冰雹检索 Python 包，最近推送为 2026-05-18，不是本论文的新代码发布。

技术判断：这是相关雷达 AI 条目，但不是 radar echo nowcasting。它的价值在于 storm-object 级雷达特征、物理可解释 predictor selection 和业务基线对比。不要把 PSS/RMSE 写成降水临近预报效果。

对用户研究的启发：若用户研究涉及强对流对象识别、冰雹/强回波灾害标签或 nowcasting 后处理，可以借鉴 storm-object 特征工程和可解释 RF 作为诊断头；若只做格点回波外推，它不是可直接比较的 baseline。

2.4 holys519/solafune_precipitation_nowcasting exp016/exp017#

来源/平台：GitHub 仓库 holys519/solafune_precipitation_nowcasting。本轮相关提交包括 bdcec6e43f1e (exp016,17) 和 7c9959346e3f (exp015 sbatch)，提交时间为 2026-07-10 11:35-11:44 UTC。

大致内容：仓库继续推进 Solafune “卫星数据广域降水 nowcasting”竞赛。任务是用静止气象卫星多光谱观测估计同地同刻 GPM-IMERG 降水 GeoTIFF。今天新增 discussion/discussion_all.md、doc/discussion_insights.md、g_experiments/exp016/*、g_experiments/exp017/* 等。

数据集：仍使用竞赛配布的 Himawari、GOES、Meteosat 多光谱输入和 GPM-IMERG 标签；README 明确外部数据禁止，训练/验证/特征工程需在配布数据内完成。数据、模型权重和 submission zip 不公开。

模型构建、训练测试方式、效果：exp016 是 hurdle log-normal head，保留 exp009 的 successor-row 105 channel 输入和 CompactUNet 主体，只替换 head/loss。occurrence head 用无权重 BCE；intensity head 只在 wet pixels 上学习 log-normal 参数；serving 用 P(rain) * exp(mu + sigma^2/2) 的条件均值。exp017 是 wavelength alignment + physics channels，在原始 16 channel 之外加入卫星间物理通道对齐视图和工程化通道，例如 split-window ratio、IR8.5-window、WV-window、temporal diff 和 day/night flag。doc/public_scores.md 显示当前最优仍是 exp014，public RMSE 0.6968727727408199；exp015 为 0.7096658388930687；exp016/exp017 当前 README 只给本地 smoke/verification，尚无 public score。

代码/数据状态：代码公开，数据和权重不公开；未见 release/tag/license。

技术判断：这是实质竞赛工程进展，但不是天气雷达、不是 radar echo extrapolation，也不是正式论文。它对用户研究的价值在于损失/输出分布和数据结构审计：zero-inflated precipitation、log-normal wet intensity、satellite-specific channel semantics、tile overlap 和 leaderboard leakage 都可能主导结果。

对用户研究的启发：雷达 nowcasting 数据也可能存在强烈零膨胀和重尾降水分布。格点 MSE/MAE 模型容易低估强回波或强降水，hurdle/occurrence-intensity 分解、条件均值 serving、事件级泄漏审计值得借鉴。

2.5 ilianrvd/nowcasting-public#

来源/平台：GitHub 仓库 ilianrvd/nowcasting-public，commit f89330f3f1cbc21a07dfb27e50ed9522cd993937，提交信息 ICON 0.1 deg grid working with cache，提交时间 2026-07-10 05:04 UTC。

大致内容：仓库是保加利亚对流 nowcasting public system。README 写明数据源包括 Romania ODIM HDF5 composite、多个 Bulgarian IABG CAPPI PNG 雷达、Blitzortung 闪电和 DWD ICON-EU 预报。架构是 radar composite -> S-PROG nowcast 0-60 min -> ICON-EU blending 0-6 h -> PNG maps + GitHub Pages。

数据集：公开页面 docs/maps/meta.json 本轮生成时间为 2026-07-10 04:45 UTC，源包括 romania_composite 和 iabg_STS，domain 为 41.0-44.5N、21.0-29.5E、1 km resolution，nowcast 60 min，blend 6 h。

模型构建、训练测试方式、效果：核心算法不是 AI/deep learning，而是 pySTEPS S-PROG：Lucas-Kanade optical flow、cascade decomposition、semi-Lagrangian extrapolation；pySTEPS 不可用时有 OpenCV Farneback fallback。src/blend/blending.py 将雷达 nowcast 与 ICON-EU precipitation 逐时权重融合，0-30 min 100% radar，30-60 min radar 仍占 90%-100%，之后逐渐转向 ICON。

代码/数据状态：代码和地图输出公开；未见训练权重，因为它不是训练型 DL 模型。

技术判断：这是 weather radar nowcasting 工程更新，但不属于 AI/DL 进展。它适合作为开放雷达+NWP blending 工作流参考，不应写成深度学习模型进展。

对用户研究的启发：对业务短临系统而言，传统 optical-flow + NWP blending 仍是强基线。任何雷达 AI 模型都应与 S-PROG / ANVIL / LINDA / STEPS 这类方法比较，并区分 0-60 min 外推与 1-6 h blending。

2.6 IET polarimetric radar + SVM weather intelligence#

来源/会议或平台：IET Conference Proceedings，DOI 10.1049/icp.2026.1797，题名为 Integrating IoT-AI weather intelligence into power systems: an SVM-based approach with polarimetric radar data。Crossref created 为 2026-07-10 13:01 UTC，published print 为 2026-07-01。

大致内容：当前只有题名和元数据可用，IET DOI 页面/PDF 本轮返回 403。题名显示它把 IoT-AI weather intelligence 接入 power systems，并用 SVM 和 polarimetric radar data。

数据集、模型构建、训练测试方式、效果：未获取摘要或正文，不能确认雷达变量、区域、样本规模、SVM 特征、验证方式或电力系统预测目标。不能把它写成雷达回波预报或降水临近预报。

代码/数据状态：未发现公开代码、数据或权重。

技术判断：metadata-only 相关条目。它说明 IET 会议卷中有 polarimetric radar + AI/SVM 的应用，但与用户主线距离较远，后续只有在全文可访问且包含可复用雷达特征或降水短临目标时才值得提升。

对用户研究的启发：暂时只作为“偏振雷达特征用于下游风险/业务预测”的线索，不作为模型或 benchmark。

2.7 SOLID lidar mesonet#

来源/期刊或平台：AMS Journal of Atmospheric and Oceanic Technology，DOI 10.1175/JTECH-D-25-0102.1，题名为 The Southern Ontario Lidar (SOLID) Mesonet: Wind and Water Vapour Profiling for Aviation and Regional Nowcasting，Crossref created 为 2026-07-10 16:28 UTC。

大致内容：论文介绍 Environment and Climate Change Canada 在 Toronto 周边建立的 SOLID Mesonet：8 台 Doppler lidars 和 1 台 water vapour DIAL，提供 aerosol backscatter、cloud/PBL height、vertical wind 和 water vapour profiles，支持航空和 operational weather forecasters。

数据集、模型构建、训练测试方式、效果：它是观测网/业务资料论文，不是机器学习论文。摘要提到 3 个 case studies，包括冷锋造成的 10 分钟内约 180 度急剧风向变化、Toronto 国际机场 Delta flight 4819 事故调查等；目标是帮助 storm-track adjustment、automated nowcasting 系统的 near-real-time analysis 和 NWP verification。

代码/数据状态：未发现代码或开放数据包。

技术判断：它不是 AI、不是天气雷达、也不是回波外推，但说明高频垂直风/水汽廓线对区域 nowcasting 和航空强天气有业务价值。对用户雷达 AI 主线只能作为多源先验/验证观测背景。

对用户研究的启发：如果研究走向多源融合，垂直风和水汽廓线可作为对流触发/运动场先验；但该文不能作为雷达 nowcasting 模型进展。

3. 低价值或明确排除项#

4. 值得继续跟进的主题#

1. How to use score-based diffusion...：下载 Zenodo/Dryad 小代码包优先于大数据包，检查 CorrDiff 实现、训练配置、ensemble calibration 和是否能迁移到 dBZ/SEVIR。
2. matko-iv/budva-radar：跟踪是否公开 DGMR checkpoint 权重、训练日志、完整评估脚本和更多事件指标；特别关注它如何修正 DGMR loss 和 bias。
3. Hail detection and sizing...：等待 AMS 正文可访问，确认 predictor list、storm-object segmentation、训练/测试划分、是否有 supplementary data；不要把它混入 nowcasting。
4. holys519/solafune：等待 exp016/017 public score 或最终 writeup；重点看 hurdle log-normal head 对 heavy-rain underprediction 是否有效。
5. IET weather radar metadata：继续检查 10.1049/icp.2026.1535、1525、1527、1536、1797 是否开放 PDF/摘要；开放后再判断是否有 AI/nowcasting 价值。
6. direct 雷达回波短临主线：继续盯 RadarEchoMamba、ST-Mamba-LDM、EchoCast-3D 的代码、权重、数据许可和可复现 benchmark。
7. 传统基线：今天 budva-radar 和 nowcasting-public 都提醒，雷达 AI 模型必须和 pySTEPS/S-PROG/ANVIL/LINDA/STEPS 等强平流基线比较，尤其在 0-60 min lead time。

5. 检索记录与来源限制#

• arXiv：使用 API 查询 radar echo nowcasting/extrapolation、weather radar nowcasting、precipitation nowcasting、radar reflectivity retrieval、flow matching weather/precipitation/radar、diffusion precipitation nowcasting。未发现 2026-07-10/11 direct 新预印本。
• Crossref：使用 from-created-date:2026-07-10,until-created-date:2026-07-11 和 48 h 2026-07-09 缓冲，查询 nowcasting weather、nowcasting precipitation、weather radar、radar reflectivity、artificial intelligence weather radar 等。命中新近 relevant 条目包括 AMS diffusion satellite nowcasting、AMS hail random forest、JTECH SOLID、IET polarimetric radar SVM 等。
• OpenAlex：本轮相关 query 仅命中 ARIA: Adaptive Radar Intelligence Architecture 等非气象/非天气雷达条目；未见可升级 direct 条目。
• Semantic Scholar：所有相关查询返回 HTTP 429。
• OpenReview：搜索 API 可用，命中主要是 2025 或更早条目；未见 2026-07-10/11 新状态。
• GitHub：repository search 和 commit API 检查 matko-iv/budva-radar、ilianrvd/nowcasting-public、holys519/solafune_precipitation_nowcasting、sushantakundu/gsmap-live、erichare/aeroza、ST-Mamba-LDM、QuarkOther/RadarNowcastingAI、globalnowcast 等。已区分算法/代码实质更新和单纯图像/依赖刷新。
• Hugging Face：模型/数据集搜索未发现 2026-07-10/11 新的完整 radar/precipitation nowcasting 模型或数据集。
• Papers with Code：API 返回非目标 HTML，网页搜索未发现新页面。
• 期刊/机构：AMS DOI/Crossref 摘要可用；AMS 正文 XML URL 本轮 HTTP 405；IET 页面/PDF 403；机构公开检索未见 direct 交付物。