2026-06-20 雷达回波 AI 进展日报#

检索时间：2026-06-20 13:14 +08
主窗口：2026-06-19 13:03 +08 至 2026-06-20 13:14 +08。
缓冲窗口：向前回看至 2026-06-18 13:14 +08，用于覆盖 arXiv 版本更新、索引库收录延迟和代码平台推送延迟。
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、模型权重、数据、会议/期刊动态和机构发布；另设相关方法桶跟踪 flow matching、diffusion/generative solver、satellite-to-radar retrieval、雷达质控等相邻方向。

0. 总体判断#

本轮主窗口内未发现新的高价值直接雷达回波/降水临近预报 AI 论文、预印本、代码、数据集、会议/期刊动态或机构发布。48 小时缓冲窗口内仍能看到昨天已覆盖的两个状态：Hugging Face junxuwww/RadarNowcasting checkpoint/model-card 发布，以及 arXiv Pointwise is Pointless? v2 修订；今天复核后未发现它们新增源码、训练脚本、评估脚本、数据包、论文正式状态或代码链接。

本轮额外发现 1 个前序窗口漏检的直接相关 arXiv 预印本：When the Past Matters: FlashBack Memory for Precipitation Nowcasting，提交时间为 2026-06-15 07:45:54 UTC。它不属于今天 24-48 小时新增，因此不计入主窗口新增，但作为窗口外补录记录。另补记两条《气象》英文页/在线优先中与用户研究相关的旧条目：OF-RainNet 降水临近预报融合模型，以及雷达拼图异常回波语义分割识别。二者均早于本轮窗口，分别作为直接方法回看和雷达质控相关方法处理。

1. 主窗口新增条目表#

2. 48 小时缓冲内状态复核：不计为今日新增#

3. 窗口外补录与相关方法#

4. 条目详述#

4.1 When the Past Matters: FlashBack Memory for Precipitation Nowcasting#

来源/平台：arXiv 预印本，分类为 cs.CV，提交时间 2026-06-15 07:45:54 UTC。页面没有给出正式期刊或会议录用信息，因此只能写作 arXiv 预印本，不能写成已录用论文。

大致内容：论文提出 FlashBack Memory (FB) 模块，目标是缓解循环类 precipitation nowcasting 模型在长序列、强降水和远距离时间依赖上的漏报、虚警和时序一致性问题。FB 不是完整替换主干网络，而是作为可插拔记忆增强模块，动态检索历史隐状态，通过动态路由和自适应融合门把历史状态与当前状态融合。

数据集：论文使用 Shanghai2020、CIKM2017 和 SEVIR。Shanghai2020 来自上海中心气象台，样本为长三角多年降水事件，每个样本 20 帧，前 10 帧为 6 分钟间隔输入，后 10 帧为 12 分钟间隔预测，清洗后保留 20,133 个样本，其中 15,000 训练、5,133 测试。CIKM2017 使用深圳气象局脱敏雷达竞赛数据，选取 0.5 km 高度层，5 帧输入、10 帧预测。SEVIR 取 15,000 个 rainfall samples，12,000 训练、3,000 测试，每个样本 25 帧，前 10 帧输入、后 15 帧预测。论文说明由于算力限制，所有数据集被双线性下采样到 64 x 64。

模型构建：FB 维护动态 memory buffer，对历史隐状态和当前隐状态做相似度计算，再通过动态路由聚合相关历史状态，并使用 adaptive fusion gate 融合到当前预测流程。论文把 FB 接入 PredRNN、PredRNN++、MIM、MotionRNN 和 PredRNN-V2，并与其他 recurrent-based / recurrent-free 模型比较。

训练测试方式：Shanghai2020 为 10 -> 10，训练 200 epochs；CIKM2017 为 5 -> 10，训练 100 epochs；SEVIR 为 10 -> 15，训练 100 epochs。表中给出 patch/batch size 为 4/16，学习率为 0.0003，Kmax 在 Shanghai2020 和 CIKM2017 上为 10，在 SEVIR 上为 15。评价指标为 MSE、MAE、SSIM 和 CSI。

效果：论文声称在多个主干模型和三个数据集上，接入 FB 后 MSE/MAE/SSIM/CSI 均有改善，尤其在较高降水阈值和长序列预测上改善更明显，并能减少虚警和漏报。由于目前只有论文结果，未见独立复现，应把这些效果理解为作者实验结论。

代码/数据状态：论文写明源码将发布到 https://github.com/duyhlzu/Flash-Back-Memory。GitHub API 复核显示该仓库描述为官方仓库，但当前只有 README.md，README 写明代码即将发布；仓库没有源码、训练脚本、配置、权重或复现实验日志。数据集本身来自既有公开/竞赛数据和 SEVIR，但论文对应处理脚本未公开。

一句技术判断：这是直接 precipitation nowcasting 预印本，价值在于把“可检索历史状态”作为通用模块嫁接到 RNN nowcasting 主干上；但它是 2026-06-15 的窗口外补录，且代码尚未公开，不能作为今日新增或可复现基准。

与雷达回波预报的相关性：高。CIKM2017、Shanghai2020、SEVIR 都是雷达/雷达状降水图像序列任务，方法直接面向短时降水场预测。

对用户研究的启发：如果当前模型存在长时效衰减、强降水漏报或历史信息利用不足，可以考虑“记忆检索 + 门控融合”的模块化改造，而不是只扩大输入帧数。后续需要重点跟踪其代码发布，尤其是 memory buffer 的计算开销、训练稳定性和对高阈值 CSI 的真实增益。

4.2 OF-RainNet：融合光流外推和深度学习的降水临近预报#

来源/平台：《气象》英文页/在线优先，在线时间 2026-06-03，DOI 10.7519/j.issn.1000-0526.2026.010801。这是窗口外旧条目，不是本轮 24-48 小时新增。

大致内容：文章提出 OF-RainNet，将传统降水平流/光流外推信息与深度学习编码-解码网络融合，用于北京地区 1 km、逐 6 分钟的 1 小时和 2 小时降水临近预报。模型不是纯雷达回波 dBZ 外推，而是面向 QPE/QPF 降水预报产品融合。

数据集：摘要显示试验区域为北京，空间分辨率 1 km，时间分辨率 6 分钟，比较期包括 2024 年 7-8 月和 2025 年 7-8 月的长时间序列。输入包括 SWAN 的 1 h QPE 和 0-2 h QPF。

模型构建：模型采用注意力机制和编码-解码结构，在编码阶段显式输入 SWAN 外推产品，实现传统外推和深度学习融合；引入 SuperTokenAttention 模块提取面向临近预报的语义单元并计算多头注意力；同时设计分段权重损失函数，以提升强降水预报能力。

训练测试方式：摘要层面可确认它做了北京试验区长时间序列对比实验，比较对象包括 SWAN-QPF 和 PredRNNV2，并按 5、10、20、50 mm/h 阈值评估 1 h、2 h 时效 TS。网页摘要未给出完整训练集切分、训练轮数、超参数和源码。

效果：摘要称 OF-RainNet 在 5、10、20、50 mm/h 阈值下的 1 h 和 2 h TS 均高于 SWAN-QPF 和 PredRNNV2，其中在 >=10 mm/h 阈值段相对提升超过 10%；个例分析显示对强降水持续阶段的预报优于局地触发阶段，1 h 优于 2 h。

代码/数据状态：未发现公开代码、权重或可下载数据。该研究更接近业务产品融合方法，复现前需要确认 SWAN 产品、北京区域数据权限、QPE/QPF 预处理和阈值定义。

一句技术判断：这是直接降水临近预报方法，工程启发较强，尤其适合比较“纯深度学习外推”与“业务外推产品 + 深度学习融合”的差异；但它不是今日新增，也没有公开代码。

与雷达回波预报的相关性：中高。它不直接输出雷达反射率序列，但与雷达/QPE/QPF 短临业务链条紧密相关，特别适合作为融合式业务 nowcasting 的参考。

对用户研究的启发：如果用户研究要面向业务落地，可以把 SWAN/光流/传统外推产品作为显式输入或先验，而不是只让神经网络从历史雷达图像中自行学习全部运动与生消信息。强降水局地触发仍是薄弱环节，报告中应分开评估持续阶段和触发阶段。

4.3 DeepLab-ARER：雷达拼图径向/环状异常回波识别#

来源/平台：《气象》英文页/在线优先，在线时间 2026-05-29，DOI 10.7519/j.issn.1000-0526.2026.052501。这是雷达质控相关旧条目，不是本轮新增，也不是直接 nowcasting。

大致内容：文章关注天气雷达长期运行中由设备故障或外部干扰导致的异常回波，尤其是雷达拼图中的径向和环状异常回波。它把问题建模为语义分割任务，目的是自动识别异常区域，为雷达拼图质量控制和业务应用提供前处理能力。

数据集：研究基于历史数据人工标注径向和环状异常回波，并通过数据增强构建了 20,000 张雷达拼图异常回波图像数据集。网页摘要未说明数据是否公开下载。

模型构建：模型以 DeepLabv3+ 为基础，引入轻量化 ResNet50 backbone，加入 SimAM 注意力机制，并在 decoder 路径加入中间层融合更多细节和上下文信息，形成 DeepLab-ARER。

训练测试方式：摘要层面只给出实验评价结果，没有完整公开训练切分、训练轮数、输入尺寸、增强策略细节或源码。

效果：摘要称 DeepLab-ARER 对两类异常回波识别表现优于原始 DeepLabv3+，平均像素精度 MPA 为 96.75%，平均交并比 MIoU 为 93.95%。

代码/数据状态：未发现公开代码或数据集。由于它涉及业务雷达拼图质控，后续若要复现，需要先明确异常类型定义、标注规范、正负样本比例和数据权限。

一句技术判断：该工作不是 nowcasting，但对 radar nowcasting 的输入质量控制有直接启发；异常回波如果不先识别和剔除，深度模型可能把设备/拼图伪影学成降水结构。

与雷达回波预报的相关性：相关但非直接。它服务于雷达资料质控，不预测未来回波或降水。

对用户研究的启发：在构建雷达回波 AI 数据集时，应把径向、环状、缺测、拼接边界和地物杂波等异常类型单独标注或过滤，并在模型报告中说明质控策略；否则 nowcasting 模型性能可能受输入伪影支配。

5. 相关方法与启发#

5.1 flow matching / diffusion / generative solver#

本轮主窗口没有发现新的 flow matching、rectified flow、diffusion 或 generative solver 在 radar/precipitation nowcasting 上的论文、代码或模型权重。OpenReview/Papers with Code 和 arXiv 召回的 FlowCast、RainDiff、PixelFlowCast、Probabilistic Precipitation Nowcasting with Rectified Flow Transformers 等均为前序日报或更早窗口可追踪的旧条目，不计为今日新增。

5.2 satellite-to-radar retrieval#

未发现新的 satellite-to-radar retrieval 论文或代码。检索中出现的卫星、云、气溶胶、FY-4A/GIIRS 或全球 AI 天气模型条目，均不等同于雷达回波临近预报；本轮没有把它们放入主新增表。

5.3 雷达质控#

本轮没有 24-48 小时内新的雷达质控 AI 论文或代码。窗口外补记的 DeepLab-ARER 说明，雷达拼图异常回波识别本身已经可以用语义分割框架处理；对用户研究而言，质控模块应在 nowcasting 模型之前作为数据管线的一部分，而不是在评价阶段临时解释异常样本。

5.4 业务外推产品与深度学习融合#

OF-RainNet 的主要启发是把已有 SWAN/QPE/QPF 等业务外推产品作为输入先验。相比纯 ConvLSTM/PredRNN 类模型，这类融合路线更接近业务系统，也更利于解释模型为什么在强降水持续阶段有效、在局地触发阶段仍弱。

6. 检索记录与排除说明#

• arXiv：按 precipitation nowcasting、radar echo nowcasting、weather radar nowcasting、radar reflectivity nowcasting、diffusion precipitation nowcasting、flow matching precipitation nowcasting、satellite radar precipitation、weather radar quality control 等检索并按提交时间排序。主窗口没有新条目；48 小时缓冲内仅有已覆盖的 Pointwise is Pointless? v2。窗口外发现未在本地报告中出现过的 FlashBack Memory。
• OpenAlex：对 2026-06-18 至 2026-06-20 日期过滤检索 radar/nowcasting/diffusion/flow/satellite-to-radar/quality-control 关键词。直接 radar/precipitation nowcasting 有效结果为 0；少量返回结果为云、气溶胶、ACP 或 Research Square 非 nowcasting 噪声。
• Crossref：同窗口返回大量非气象、非 nowcasting、非天气雷达噪声，包括移动系统、医学、工程雷达、物理扩散等；未发现新的正式 radar nowcasting 论文。
• Semantic Scholar：本轮多次触发 HTTP 429 或 TLS EOF，未能形成可靠新增证据；因此不作为本轮负结论的唯一依据。
• GitHub：精确检索 radar echo nowcasting、weather radar nowcasting、precipitation nowcasting radar、rainfall nowcasting radar、radar nowcasting deep learning、satellite-to-radar precipitation、diffusion precipitation nowcasting、flow matching precipitation nowcasting、RadarNowcasting、GSWarpNet，并用 pushed:>=2026-06-19 过滤，前十组有效查询均为 0；后续查询触发 GitHub rate limit。
• Hugging Face：Models API 仅返回已覆盖的 junxuwww/RadarNowcasting，lastModified 仍为 2026-06-18 10:39:18 UTC；Datasets API 未发现近 48 小时新 radar/precipitation nowcasting 数据集。
• OpenReview/Papers with Code：网页检索未发现近 24-48 小时新的 radar/precipitation nowcasting 投稿、榜单、代码或版本状态。召回的 FlowCast、TUPANN、RainDiff、exPreCast 等为旧条目或旧状态。
• AMS/IEEE/AGU/RMetS/EGU/Copernicus：检索未发现主窗口内新的直接 radar/precipitation nowcasting 正式上线条目。召回的 AGU/RMetS/EGU 结果多为 2026 年 3-5 月旧文、会议摘要或已覆盖方向。
• 机构动态：Google DeepMind、ECMWF、NOAA、Met Office、中国气象局/中国天气网/中央气象台未发现本窗口新的雷达回波或降水临近预报 AI 发布。NOAA EAGLE、ECMWF AI Weather Quest、DeepMind GraphCast/GenCast、Met Office 航空气象 AI 等属于全球/中长期或宽泛 AI 天气模型动态，不计为雷达短临新增。

7. 下一轮继续跟进#

1. junxuwww/RadarNowcasting 是否补充源码、训练/评估脚本、RGB-dBZ 映射、数据切分、论文或 GitHub 仓库；同时继续核验 CMA ECREF 数据授权。
2. Pointwise is Pointless? 是否补充代码、数据可用性声明、正式投稿/录用状态或 guided generative assimilation 后续版本。
3. duyhlzu/Flash-Back-Memory 是否真正发布代码；发布后优先核验 FB 模块能否接入 PredRNN/PredRNN-V2，并复算高阈值 CSI。
4. OF-RainNet 是否有全文、补充材料、代码或业务评估细节可获取；重点关注 SWAN 产品输入、SuperTokenAttention、分段权重损失和强降水触发阶段失效样本。
5. DeepLab-ARER 是否公开异常回波标注数据或识别脚本；若没有，可将其作为自建雷达质控标签体系的参考。
6. flow matching、diffusion、satellite-to-radar retrieval、雷达质控继续放在相关方法桶中；只有明确涉及雷达/降水临近预报且有新论文、代码、数据或可验证结果时再写入主新增表。