2026-07-12 雷达回波 AI 进展日报#

检索时间：2026-07-12 13:01-13:10 +08
主窗口：2026-07-11 14:45 +08 至 2026-07-12 13:10 +08
48 小时缓冲：向前回看至 2026-07-09 14:45 +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；同时单列生成式方法、卫星降水反演/订正、雷达质控和非雷达降水预测等相关方法。

0. 总体判断#

本轮未发现新的高价值 direct radar echo sequence nowcasting 论文、arXiv 预印本、官方雷达 nowcasting 模型权重或公开数据集。 RadarEchoMamba、ST-Mamba-LDM、QuarkOther/RadarNowcastingAI、FlowCast 等重点条目没有可升级状态。

本轮值得记录的是 3 个新增/状态变化和 1 个机构日程信号：

1. AGU Journal of Geophysical Research: Machine Learning and Computation 正式发表 Spatially Aware Calibration of NWP and AI Precipitation Forecasts。它比较 ECMWF HRES 与 AIFS 的点式/邻域式神经网络降水校准，并有 Zenodo 代码；但任务是 NWP/AIWP 降水后处理，不是雷达回波临近预报。
2. Atmospheric Research 上线 SA-XAI 卫星降水偏差订正与区域化论文。当前只核实了题名、作者、期刊、DOI 和上线日期，摘要/正文不可访问，因此只列作 metadata-only 相关方法，不能补造数据、模型或效果。
3. holys519/solafune_precipitation_nowcasting 新增 exp021-exp025：补齐五折、做特征消融、serving/calibration 诊断、模型混合和多随机种子验证。它是卫星到 GPM-IMERG 竞赛代码，不是天气雷达；当前没有新的公开榜分超过 exp014。
4. ECMWF 将在 2026-07-15 举办 NVIDIA Earth-2 seminar，摘要明确讨论 StormScope 的 0-3 h direct-observation nowcasting。页面未显示创建/发布日期，因此只作为“新近发现的机构日程”，不计作过去 24-48 小时的新研究发布；StormScope 本体已在 2026-01 发布。

1. 新增与状态变化表#

2. 条目详情与技术判断#

2.1 Spatially Aware Calibration of NWP and AI Precipitation Forecasts#

来源/期刊或平台：Belinda Trotta 与 Esteban Abellan（Australian Bureau of Meteorology），AGU Journal of Geophysical Research: Machine Learning and Computation，DOI 10.1029/2026JH001327。Crossref 记录显示 2026-06-26 accepted、2026-07-11 published，属于正式期刊论文，不是预印本。

大致内容：研究针对降水落区误差，比较 ECMWF 物理模式 HRES 与 AI 模式 AIFS 的三类后处理：逐点全连接网络、使用小邻域的 CNN、以及把邻域展平后输入全连接网络的中间方案。核心问题是邻近格点信息能否缓解局地降水位置偏差。

数据集：公开摘要只确认输入来自 ECMWF HRES 与 AIFS 降水预报；本轮未从可访问元数据中核实观测标签、区域、年份、格点分辨率或样本量。不能把它写成使用雷达数据，也不能假定其 lead time 属于 0-2 h 临近预报。

模型构建、训练测试方式与效果：三类校准网络在同一 HRES/AIFS 比较框架中评估。摘要结论是：HRES 上邻域方法通常优于逐点方法，CNN 最好；AIFS 上三种方法表现接近，作者据此认为 AIFS 已较充分表征空间不确定性，简单校准即可。AIFS 虽分辨率更低，但原始预报及校准后输出在关键指标上总体优于 HRES。摘要未给出可引用的具体分数、数据划分或统计显著性，因此本日报不补数值。

代码/数据状态：论文参考文献明确给出 Zenodo 软件 DOI 10.5281/zenodo.20500534。DataCite 元数据确认作者、Software 类型、2026-06-02 issued 和 CC BY 4.0；本轮 Zenodo 文件接口出现 403/SSL 错误，未核实具体文件名和可运行完整性。未发现独立公开数据包。

技术判断：这是本轮最高价值的相关方法论文，但不是雷达回波或降水临近预报。它的稳健信息是“空间邻域校准对 HRES 更有帮助，对 AIFS 的增益有限”，不是“AI 模式无需后处理”或“AIFS 全面优于 HRES”。

对用户研究的启发：雷达 nowcasting 常见位移误差会让逐像素校准失效，可尝试邻域 CNN、邻域分布或 FSS-oriented calibration；但应在 0-2 h 雷达数据上重新验证，并同时看强回波阈值、可靠度、位移容忍指标，不能直接搬用中短期 AIWP 结论。

2.2 SA-XAI satellite precipitation bias correction#

来源/期刊或平台：Moein Tosan、Vahid Nourani、Vijay P. Singh 等，Elsevier Atmospheric Research，DOI 10.1016/j.atmosres.2026.109213。Elsevier core metadata 显示 Available online 11 July 2026；Crossref created 为 2026-07-11 14:55 UTC。

大致内容：题名表明研究提出 synoptic-aware explainable AI，用于复杂地形区卫星降水的 bias correction 和 regionalization。它属于卫星降水产品订正/降尺度类工作，不是时间序列 nowcasting，更不是雷达回波外推。

数据集、模型构建、训练测试方式、效果：本轮 Elsevier API 只返回 core metadata，ScienceDirect 摘要/正文未开放，OpenAlex 尚未收录，公开检索也没有可靠摘要。因此无法核实卫星产品、地面/雷达参考数据、区域、synoptic features、XAI 方法、训练测试划分或效果。所有这些字段均保持“未核实”，不根据题名推断。

代码/数据状态：未发现题名或 DOI 对应的 GitHub、Zenodo、Hugging Face 代码/数据/权重。

技术判断：只应作为 metadata-only 的相关方法线索。复杂地形卫星降水订正可能对雷达盲区、外部先验和多源融合有启发，但在全文可访问前不值得进入主模型比较表。

对用户研究的启发：后续重点核实它是否使用雷达或雨量计作监督、是否显式按天气型分层、是否评估极端降水和空间结构；只有这些信息确认后，才能判断是否适合 satellite-to-radar retrieval 或 radar-gap-filling。

2.3 holys519/solafune_precipitation_nowcasting exp021-exp025#

来源/平台：GitHub，commit e46497d90d1874600c1db0416421b3ae81ed5511，提交时间 2026-07-11 23:25 UTC（北京时间 2026-07-12 07:25）。

大致内容：仓库任务仍是“过去 30 分钟多光谱静止卫星观测 -> calibrated GPM-IMERG precipitation GeoTIFF”的栅格回归。此次新增：exp021 补齐 exp016/017 的第 5 折并统一比较；exp022 对 canonical/engineered/full features 做消融；exp023 在不重训下比较 mean/median serving 与 calibration；exp024 混合 exp009/016/017 预测；exp025 做多随机种子/多折稳定性测试。

数据集：竞赛输入来自 Himawari 8/9、GOES、Meteosat，目标为 GPM-IMERG；外部数据禁止。仓库不公开竞赛数据、模型权重或 submission 包。

模型构建、训练测试方式与效果：exp021/022/025 训练上限 50 epochs，ReduceLROnPlateau(factor=0.3, patience=4, min_lr=1e-5)，early stopping patience 10、min_delta=0.001；两 GPU 实际采用 torch.nn.DataParallel，不是 DDP。仓库报告中，exp017 在 folds 0-3 的平均 tile RMSE 为 0.6284，exp016 为 0.6320，但折间方差更大，差距很小；这属于仓库内部 cloud saved-best 指标，不能替代公开榜。公开榜最优仍是 exp014 的 RMSE 0.6968727727408199，未出现 exp021-exp025 新榜分。

代码/数据状态：实验代码、README、launcher 和诊断脚本公开；无 release/tag，未核实仓库 license；数据、训练权重、评估 TIFF 和 submission zip 不公开。

技术判断：这是实质代码更新，价值在于从单次成绩转向折间稳定性、特征消融、serving/calibration 和 seed variance；但它仍是 satellite-to-GPM engineering，不是 weather radar nowcasting，也不是新的学术论文。

对用户研究的启发：雷达 nowcasting 的小增益也应经过多折/多 seed、输出校准和 ensemble blend 验证，尤其不要用单个 public score 取代事件独立测试。对零膨胀、重尾降水，mean/median serving 和 occurrence/intensity 分解可能显著改变强降水表现。

2.4 ECMWF seminar / StormScope#

来源/机构：ECMWF Events，NVIDIA Science 的 Mike Pritchard 将于 2026-07-15 报告 Toward an Open, GPU-Performant AI Weather and Climate Stack。页面摘要明确提到 StormScope；但没有页面创建/发布日期，因此本日报将其标为“新近发现的日程信号”，不宣称它在过去 24 小时发布。

大致内容：seminar 摘要把 StormScope 描述为基于 neighborhood attention diffusion transformer 的 direct-observation nowcasting 模型，并称其在 0-3 h object-based probabilistic scores 上显著超过 NOAA Warn-on-Forecast System，包括初始化后新生的风暴。该陈述来自活动摘要，尚未在本轮独立复核评分表。

数据集：StormScope 本体早期公开资料显示训练使用 CONUS 的 GOES 多光谱卫星和 MRMS weather radar；模型卡列出 2018-2023 训练、2024 测试、2025 评估，MRMS 子集约 2.3 TB、GOES 子集约 18.5 TB，并可选择 ERA5 条件。输出包括 GOES 变量和 MRMS composite reflectivity refc。

模型构建、训练测试方式与效果：公开模型卡为 diffusion transformer + 2D neighborhood attention，提供 6 km/1 h、194M 参数和 3 km/10 min、260M 参数两个 checkpoint。研究页称可做 1-6 h 预报并与 extrapolation/NWP 比较；ECMWF seminar 更强调 0-3 h object-based probabilistic scores。二者评价范围不同，不能混成一个未经限定的“全面优于”。

代码/数据状态：Hugging Face 有 nvidia/stormscope-goes-mrms checkpoint，NVIDIA Open Model License；推理通过 Earth2Studio，训练 recipe 在 PhysicsNeMo。它是既有 2026-01 发布，不是本轮新模型。

技术判断：StormScope 是 direct/near-direct 的高价值雷达+卫星生成式 nowcasting 参考，但今天的新信息仅是 ECMWF seminar 将讨论其验证和开放栈。后续值得关注报告材料是否给出 WoFS 对比定义、对象概率指标、对流新生个例和可复现实验。

对用户研究的启发：可重点借鉴 neighborhood attention DiT、MRMS+GOES 联合建模、概率对象评分和新生对流评估；同时要核查 3/6 km 分辨率、0-3/1-6 h lead-time 范围与用户公里级雷达任务是否公平可比。

3. 低价值或明确排除项#

4. 值得继续跟进的主题#

1. AGU spatial calibration：获取 Zenodo 实际文件，核实观测标签、区域/年份、邻域大小、lead time、具体指标和代码完整性；判断能否迁移到雷达位移误差校准。
2. SA-XAI：等待摘要或全文可访问，优先确认 satellite product、ground/radar reference、synoptic classification、XAI 方法和极端降水指标。
3. holys519/solafune：等待 exp021-exp025 的完整五折、多 seed 结果和 public score；区分内部 tile RMSE 与比赛 public RMSE。
4. ECMWF seminar / StormScope：会后检查 slides/video，重点提取 WoFS 对比、object-based probabilistic metric、新生对流和 0-3 h 分层结果。
5. direct 雷达主线：继续盯 RadarEchoMamba、ST-Mamba-LDM、EchoCast-3D 的代码、权重、数据许可和可复现 benchmark。
6. 评价设计：把邻域/空间校准、多 seed、多事件、FSS/object score 和 reliability 组合起来，避免只看逐像素 CSI/RMSE 或单次榜分。

5. 检索记录与来源限制#

• arXiv：API 检索 radar nowcasting、precipitation nowcasting、radar echo forecasting、weather radar deep learning、rainfall nowcasting，未见 2026-07-10 后新提交/更新。
• Crossref：按 from-created-date:2026-07-10,until-created-date:2026-07-12 检索 nowcasting、radar echo、weather radar AI、precipitation AI、diffusion、retrieval/QC，并按 DOI 去重。确认 10.1029/2026JH001327 和 10.1016/j.atmosres.2026.109213。
• Publisher/API：Crossref 提供 AGU 摘要和发表史；Wiley 正文/PDF返回 403。Elsevier API 对 SA-XAI 只返回 core metadata，无摘要/正文。
• GitHub：repository/commit API 检查 holys519/solafune_precipitation_nowcasting、sushantakundu/gsmap-live、matko-iv/budva-radar、ST-Mamba-LDM、RadarNowcastingAI、FlowCast、nowcasting-public、aeroza；已检查实际 changed files，不按 pushed_at 直接判定价值。
• Hugging Face：models/datasets API 检索 precipitation/radar nowcasting、weather radar、radar echo；无新完整发布。StormScope 模型卡用于核实既有 checkpoint、数据期和 license。
• OpenReview/Papers with Code：公开检索未见本窗口新状态；搜索覆盖可能不完整，因此结论限定为“未发现”，不是数据库绝对空缺。
• 机构：检查 Google DeepMind、ECMWF、NOAA、Met Office、中国气象局相关公开页面；仅 ECMWF 未来 seminar 与主线直接相关，但页面无发布日期。

6. 今日结论#

今日应明确写作：没有发现新的 direct 雷达回波 AI 临近预报论文/预印本/权重/数据集。 新增价值主要来自降水空间校准、卫星降水订正元数据和卫星竞赛代码的验证流程；ECMWF seminar 是值得跟踪的 StormScope 机构信号，但不是当天新模型发布。