2026-07-18 雷达回波 AI 进展日报#

生成时间：2026-07-18 13:33 +08（Asia/Shanghai）

检索窗口：主窗口按工作区上一份实际日报完成时间，从 2026-07-17 13:22 +08 至 2026-07-18 13:33 +08；同时回看 2026-07-16 13:22 +08 之后的 48 小时缓冲，以补偿索引延迟。去重依据为上一份日报、tracked_items.md 和自动化记忆；同一手稿的预印本—期刊版本链按标题、作者和 DOI 关系合并。

0. 总体判断#

过去主窗口内发现 2 条 direct 雷达 AI/深度学习 nowcasting 更新：

1. SA-DGANet 在 Springer The Journal of Supercomputing 正式上线。它对应 2026-04-09 的 Research Square 预印本，因此本轮新增是“正式期刊发表状态”，不是手稿首次公开。
2. 19th PLINIUS Conference on Mediterranean Risks 新公开 A Radar-Based AI Framework for Nowcasting Severe Hailstorms 摘要，使用 Colorado–Wyoming 复合雷达反射率做 1–3 h 强对流/冰雹预报；但只有摘要、15 个事件，未披露网络结构、训练划分和具体分数。

此外保留 4 条相关方法/数据链更新：Greece 雷达+闪电资料同化 nowcasting、天气雷达 QPE 时间采样要求、IMERG V07B 的地基雷达评估，以及卫星到 GPM-IMERG 竞赛代码的实质更新。它们均不应被写成新的雷达回波深度学习序列外推模型。

1. 新增与状态变化表#

2. 每条“大致内容”与技术判断#

2.1 SA-DGANet#

来源/版本关系：Jiani Chen 和 Xing Wang 的论文于 2026-07-17 在 Springer The Journal of Supercomputing 正式上线，DOI 10.1007/s11227-026-08731-y。作者在 2026-04-09 已发布 Research Square 预印本 10.21203/rs.3.rs-7945830/v1；预印本题名缩写为 SA-DGNet，正式期刊元数据写作 SA-DGANet。本日报把两者视为同一手稿的版本链，而不是两篇不同论文。

数据集：使用荷兰皇家气象研究所 KNMI 约 420,000 张雷达降水图，5 min 间隔，覆盖 2016–2019 年，由 De Bilt 和 Den Helder 两部 C 波段多普勒雷达生成，空间分辨率为 1 km。预处理沿用 SmaAt-UNet：NL-50 要求目标帧至少 50% 像素有降水，NL-20 的门槛为 20%。2016–2018 年用于训练，其中随机抽取 10% 作验证；2019 年作测试。所有模型只在 NL-50 训练，并同时在 NL-50、NL-20 测试。

任务与模型：输入过去 1 h 的 12 张降水图，沿通道堆叠后一次输出未来 30 min 的 6 张图。网络是 2D encoder–decoder，包含三部分：局部窗口自注意力 LWSA、标准卷积/空洞卷积双路径残差块 BPRB、控制 encoder–decoder 特征流的门控跳连 GSA。这是一种确定性多帧回归，不是扩散、GAN 或显式集合生成。

训练测试与效果：作者比较 OpticalFlow、ConvLSTM、PredRNN、UNet、Transformer、SmaAt-UNet 和 TrajGRU。预印本表格在 0.5 mm/h 阈值下给出：

• NL-50：SA-DGNet 的 MSE 0.0082、CSI 0.7427、FAR 0.1883、HSS 0.3810；UNet 分别为 0.0091、0.6965、0.2244、0.3551。CSI 的相对提升约 6.6%。
• NL-20：SA-DGNet 的 MSE 0.0079、CSI 0.6695、FAR 0.2426；UNet 为 0.0087、0.6039、0.3015。
• FSS 在 1/3/5/9 km 邻域均高于表中基线；但模型只预报 30 min，不能据此推断 1–3 h 能力。
• 消融显示 GSA 单独贡献最稳定；BPRB 单独加入反而使指标变差，完整三模块组合才达到最佳结果。

概率指标 caveat：论文把确定性像素输出经 sigmoid 映射成“概率”，再用逐像素绝对误差计算所谓 CRPS。这不等同于对真实预测分布/集合样本计算的标准 CRPS；可靠度曲线也建立在该后处理映射上。因此可认可其确定性空间预测和阈值技巧提升，但不能把它表述为已充分校准的概率 nowcasting 系统。

代码/数据状态：期刊页明确给出数据访问路径 HansBambel/SmaAt-UNet；预印本声明 Code availability: Not applicable。本轮未找到 SA-DGANet 官方代码、训练配置、权重或 release。数据可访问不等于作者实现可复现。

技术判断、相关性与启发：这是明确的 direct 雷达降水序列预测，但增益主要是在同一 KNMI 数据管线和作者重跑基线下得到，预报时效较短，验证集又是从 2016–2018 样本随机抽取，仍需检查事件级/时间连续性泄漏。对用户研究更有价值的启发是：门控跳连对控制虚假回波和边界模糊可能比单独扩大感受野更稳定；后续复现应增加事件隔离、持久性/pySTEPS、强降水样本、真实概率基线和跨区域测试。

2.2 A Radar-Based AI Framework for Nowcasting Severe Hailstorms#

来源/会议状态：这是 Plinius Conference Abstracts Vol. 19 的会议摘要，更新日期 2026-07-17；计划在 2026-10-08 于 Murcia 举行的 19th PLINIUS Conference on Mediterranean Risks 作口头报告。它不是期刊论文，也没有全文录用证据。

数据与任务：作者来自 Colorado State University。摘要说明使用 Colorado–Wyoming 区域的复合雷达反射率训练 AI 框架，输出高分辨率 1–3 h 强对流/冰雹相关预报；评估集为 15 个严重冰雹事件，重点阈值为 40 dBZ，以此代表冰雹相关高反射率核心。

模型/训练测试：摘要没有披露网络结构、输入帧数、空间/时间分辨率、训练年份、训练事件数、验证划分、损失函数或是否为确定性/概率模型。只知道比较对象包含传统外推和 HRRR，验证指标包括 POD、FAR、CSI、FSS 和 SSIM。

效果：作者只定性称短时效技巧较高、到 180 min 仍有“meaningful forecasts”，并称结构、强度和位置保持较好；摘要没有给任何具体数值、置信区间或逐时效曲线。因此不能写成超过 HRRR/外推的已量化突破，也不能据 15 个事件判断跨季节泛化。

代码/数据状态：未发现代码、模型权重、事件清单、数据下载或论文全文；会议展示材料当前仅对参会者开放。

技术判断、相关性与启发：这是本轮最直接的 severe-convection radar AI 会议信号，但证据等级低于正式论文。它提示评估强冰雹 nowcasting 时不应只看整体 CSI：需要同时约束 40 dBZ 核心的定位、面积、结构和 FSS，并保留 HRRR/外推双基线。下一步关键不是追踪摘要措辞，而是获取模型架构、事件清单、具体分数与训练—测试隔离。

2.3 Greece 雷达/闪电资料同化 nowcasting#

来源/会议状态：同属 PLINIUS19 会议摘要，计划于 2026-10-08 作海报展示。正式题名中写作 lighting data assimilation，但摘要内容明确描述的是 lightning-derived profiles；本日报保留官方题名，不擅自改名。

数据与模型：针对 Greece 2024–2026 年若干高影响降水/山洪事件，把极化天气雷达反射率和径向风用 4DVAR 循环同化进 1 km WRF，并把闪电位置推导的湿度、垂直速度和水平风辐合/辐散剖面用 3DVAR 同化；预报时效为 3 h。作者还比较 ICON 与 GFS 初始/边界场，以测试同化结果对初始化来源的敏感性。

训练测试与效果：这不是机器学习训练。摘要仅定性称同化改善对流触发、风暴结构和峰值降水位置，没有事件数、降水/反射率指标、无同化对照表或统计显著性。

代码/数据状态：未发现 WRF/VAR 配置、个例输入、观测处理脚本或可复现实验包。

技术判断、相关性与启发：它不是 AI，但与 0–3 h 雷达 nowcasting 的“生消和复杂地形”难点高度相关。对用户研究的启发是把 AI 外推与资料同化/NWP 做并行或混合基线，并检验 AI 对雷达空白区、对流初生和强迫敏感性的真实增益；不能把定性摘要视为同化方案已业务化。

2.4 Required Timesteps for Weather Radar Quantitative Precipitation Estimation#

来源/期刊：AMS Journal of Hydrometeorology advance online 论文，DOI 10.1175/JHM-D-25-0151.1。作者来自 University of Oklahoma Advanced Radar Research Center/School of Meteorology，并包括 NOAA/NSSL 合作者。

数据与方法：用高时间分辨率 phased-array radar 分析两个典型对流事件，从 30 s 到 5 min 的不同时间域用地统计方法量化等效反射率不确定性；再用 micro-rain radar 和 2-D video disdrometer 验证时间分辨率对降水估计的影响。

效果：摘要给出明确采样建议：等效反射率需要低于 30 s 的时间分辨率；QPE ≤5 mm/h 需要低于 1 min；QPE >5 mm/h 需要低于 30 s。作者认为常规业务雷达通常难以满足前一要求。

代码/数据状态：未核实专用代码、事件列表或整理后数据包；AMS 页面本轮触发人机验证，细节依据出版者 Crossref 元数据摘要。

技术判断、相关性与启发：这不是预测模型，而是雷达输入质量与标签误差的证据。5 min 业务拼图并非无误差“真值”；高强度降水的亚分钟变化可能被时间平均，影响模型对生消和极值的学习。建议在数据 QC 中记录扫描周期/有效采样率，并按降水强度对标签不确定性加权；不要把这一结论直接解释为把训练帧间隔缩短必然提升 nowcast skill。

2.5 IMERG V07B/V06B 的地基雷达评估与 MCS 跟踪#

来源/期刊：AGU Journal of Geophysical Research: Atmospheres，DOI 10.1029/2026JD046673，online 2026-07-17，正式期刊论文。

数据与方法：作者用五个气候区的地基雷达评估 IMERG V07B 与 V06B：CONUS、central Amazon、central Argentina mountains、equatorial Indian Ocean 和 northern Australia；比较尺度为 1–3 h、0.1°–0.25°。随后把 IMERG V07B 与卫星红外亮温结合，更新全球 MCS 跟踪数据集。

效果：相对地基雷达，陆地区域两个版本普遍低估 10–25 mm/h 和 >25 mm/h 降水，V07B 的低偏差更大；海洋区域 V07B 对强降水检索有所改善。V06B/V07B 的全球 MCS 降水贡献空间分布相近，但 V07B 跟踪的 MCS 平均雨强和重雨体积比更低。作者提醒：用 IMERG 评估公里级模型时，模型看似“重雨偏高”可能部分来自 IMERG 自身低偏差，但不代表公里级模型无偏。

代码/数据状态：IMERG 是 NASA 公共数据；本轮没有确认论文专用匹配样本、雷达处理脚本或新版 MCS 产品的独立下载 DOI。

技术判断、相关性与启发：这不是 AI，也不是 nowcasting，但对把 IMERG 当作卫星/AI 降水目标或评估真值很重要。卫星到 GPM-IMERG 竞赛分数只反映“逼近 IMERG”，不等于逼近地面强降水真值；用户研究若用 IMERG 监督卫星到雷达/降水模型，应按海陆和强度分层验证，并尽量加入地基雷达/雨量计交叉评估。

2.6 holys519/solafune_precipitation_nowcasting exp039/exp040#

来源/任务：GitHub 公开竞赛工程。输入是 Himawari/GOES/Meteosat 最近 30 min 内最多 3 个时刻、每时刻 16 波段的静止卫星图像，目标是同一地点/时刻的 41×41 GPM-IMERG GeoTIFF，指标为逐文件 RMSE。任务名称含 nowcasting，但本质是卫星到当前降水场的估计，没有未来时刻目标，也没有天气雷达输入/输出。

本轮代码更新：

• exp039 把 exp016/017/018 与 exp035_no_dilation 四源预测按卫星类型做 OOF 权重融合，再依次执行 ±60 min 五点时间平滑、空间模糊、分卫星阈值和重叠目标 patch。
• 公开榜 RMSE 由此前 exp036 的 0.6661746682 进一步降至 exp039 patched 的 0.6619116740；无 patch 的同一融合为 0.6789588628，说明约 0.017 的收益来自目标重叠 patch，而非纯模型泛化。
• exp040 新增“tile mean intensity × normalized shape”的确定性 U-Net 分解：全局头负责块平均雨强，空间头只学习均值为 1 的形状；配置已提交，但截至检索结束没有 OOF 或公开榜结果。

训练测试/数据状态：仓库说明训练/评估压缩包约 18 GB/13 GB，原始数据、权重、预测 TIFF 和 submission zip 不在 Git；未发现仓库 license。公开榜分来自仓库维护者记录，不是独立论文评估。

技术判断、相关性与启发：这是实质工程更新，但不是 radar nowcasting。可迁移启发是把“总量/平均强度”和“空间形状”解耦，并用 OOF 检验后处理能否转移；负面启发是 patch 带来的主要收益依赖训练—评估目标重叠，不能作为通用卫星降水检索或临近预报能力。日报保留它，是因为它提供了目标泄漏、强度—形状分解和海陆/卫星分层评估的可操作案例。

3. 去重、边界条目与低价值排除#

3.1 版本去重#

• SA-DGANet 正式期刊 DOI 与 Research Square SA-DGNet 标题、作者和摘要一致，按版本链合并；只把“2026-07-17 正式发表”记作状态变化。
• PLINIUS19 两条是会议摘要卷，会议尚未在 2026-10 举行。不能写成已完成会议报告，更不能写成期刊录用。

3.2 低价值或范围外#

• PLINIUS19 SAPHIR DATA SERVICE: Environmental Forecastability and Hydro-Meteorological Nowcasting 是通用云原生环境数据平台与 forecastability 研究设想，包含气象站、水文、IoT 和多类模型，但没有雷达输入、具体降水预报任务或结果；不进入主表。
• 新 GitHub 仓库 idrigo/precipitation-nowcasting-deck 是 OpenWeather 教学用交互幻灯片，无模型、数据、训练或评估交付物。
• sushantakundu/gsmap-live 最新可核实 commit 633e1ed 仍只修改 GSMap_Combined.gif，继续低价值排除。
• Trend analysis and prediction ... Yangtze river basin 是气候指数驱动的长期温度/降水趋势预测，不是雷达、分钟到小时 nowcasting。

4. 平台、期刊与机构覆盖#

• arXiv：对 precipitation nowcasting、radar nowcasting、radar echo、weather-radar ML、satellite/radar precipitation、diffusion/flow matching + precipitation 做 submittedDate 排序检索；未发现 2026-07-16 之后提交或更新的相关条目。
• Crossref / OpenAlex / Semantic Scholar：Crossref 的 created-date 与 publication-date 双窗口补出本轮期刊与 PLINIUS19 摘要；OpenAlex 未补出额外 direct 条目；Semantic Scholar 三组检索均返回 429，未把限流解释成“无新增”。
• OpenReview / Papers with Code：现有 SDIR、FlowCast、RainDiff 等页面未见 7 月 16–18 日状态变化；Papers with Code 未检出可核实的新任务页或代码状态。
• GitHub / Hugging Face：GitHub 新 direct 仓库为 0；重点 direct 仓库 ST-Mamba-LDM、RadarNowcastingAI、budva-radar、ERAD course、FlowCast 在窗口内无 commit。Hugging Face 模型/数据/Space API 六组查询均发生 SSL EOF，网页索引未显示 48 h 内完整 radar-nowcasting 新条目；该结论可能不完整。
• AMS / IEEE / AGU / RMetS / EGU/Copernicus：AMS JHM、AGU JGR、Copernicus PLINIUS19 条目已列；IEEE、RMetS 未见主窗口 direct 新稿。
• 机构：Google DeepMind、ECMWF、NOAA、Met Office、中国气象局页面未发现主窗口内新的 direct 雷达回波/降水临近模型、代码、权重或数据交付物。旧的全球/中期 AI weather、EarthCARE 同化和 2025/2026 既有材料未重复计入。

5. 值得继续跟进的主题#

1. SA-DGANet 可复现性审计：重点找官方代码、事件级划分、NL-50/NL-20 样本构造、真实概率基线；优先验证 GSA 是否在独立区域仍能同时降低 FAR 和保持 CSI。
2. PLINIUS19 强冰雹摘要的证据补全：追踪 15 个事件清单、模型结构、输入输出、逐 lead-time 40 dBZ CSI/FSS、HRRR/外推具体比较及会议展示材料。
3. 亚分钟采样对 AI 标签的影响：用 JHM 采样研究检查 5 min 拼图对强降水生消的混叠；考虑扫描周期元数据、强度分层权重和时间不确定性增强。
4. IMERG 不是无偏真值：卫星到降水/卫星到雷达工作应分海陆、雨强和区域报告误差；不能把对 IMERG 的 RMSE 直接解释为对极端降水的物理准确性。
5. 混合 nowcasting 基线：把 Greece 4DVAR 摘要当作“AI 外推之外”的对照路线，比较复杂地形中的对流初生、峰值位置和 1–3 h 结构保持，而非只比较全场像素误差。

6. 本轮结论#

本轮不是“无高价值新增”。SA-DGANet 是明确的正式期刊状态变化，且提供了可读的 KNMI 实验细节；PLINIUS19 强冰雹摘要是新的 direct 雷达 AI 会议信号。两者都值得跟进，但证据强度不同：前者缺代码和严格概率验证，后者仅有 15 事件摘要且无数值表。相关的雷达 QPE 时间采样、IMERG 偏差、资料同化和卫星竞赛代码，则应作为观测链/监督真值/混合基线启发单列，不能混成 radar echo nowcasting 性能突破。

检索结束时间：2026-07-18 13:33 +08。