2026-06-21 雷达回波 AI 进展日报#

检索时间：2026-06-21 13:09 +08
主窗口：2026-06-20 13:14 +08 至 2026-06-21 13:09 +08。
缓冲窗口：向前回看至 2026-06-19 13:09 +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、降水数据融合与同化等相邻方向。

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 小时缓冲窗口内没有新的直接 nowcasting arXiv 条目。arXiv 关键词排序后，最新直接相关仍是已经覆盖过的 Pointwise is Pointless? v2（更新 2026-06-18 10:12:52 UTC）和 FlashBack Memory（提交 2026-06-15 07:45:54 UTC）。它们均早于本轮缓冲窗口，不计入今日新增。

代码平台方面，GitHub 精确检索只发现 sushantakundu/gsmap-live 在 2026-06-20/21 自动更新 GSMap_Combined.gif，不是 AI 模型、训练代码或雷达短临方法更新。Hugging Face junxuwww/RadarNowcasting 仍停留在 2026-06-18 10:39:18 UTC，文件仍只有 .gitattributes、README.md、best_csi.pth，没有源码、训练脚本、评估脚本、论文或数据许可澄清。

相邻方向中，OpenAlex/Crossref 日期过滤召回 2026-06-19 的 Copernicus/ESSD Discussions 与 EGUsphere 讨论稿，包括青藏高原日尺度降水产品机器学习融合、Third Pole 日尺度降水数据集，以及 Himawari-9 红外辐射同化云和降水预报试验。这些与降水数据融合、降尺度、资料同化和不确定性表达有关，但不是雷达回波临近预报，也不能写成 radar echo nowcasting 新进展。

1. 主窗口新增条目表#

2. 48 小时内相邻或低相关条目：不计为直接新增#

3. 已覆盖条目状态复核：不重复展开#

4. 条目详述#

4.1 3DMergePrec：青藏高原雨季多源日尺度降水产品机器学习融合#

来源/平台：ESSD Discussions / Copernicus 讨论稿，DOI 10.5194/essd-2026-278，Crossref/OpenAlex 日期为 2026-06-19。该条目是讨论稿/预印本性质的地球系统数据论文，不能写成已正式期刊录用终稿。

大致内容：论文提出 3DMergePrec (3DM)，目标是改进青藏高原雨季长期日尺度降水估计，尤其是观测稀缺、地形复杂的西部青藏高原。它不是短临预报，也不处理雷达回波序列，而是多源降水产品融合数据集。

数据集：3DM 覆盖青藏高原雨季 1961-2021，空间分辨率 0.25 度，融合 12 个主流降水产品。摘要明确用长期 CMA 台站观测验证，并用西部和中西部自动站做独立验证。

模型构建：框架结合 Graph Attention Networks 和 3D Convolutional Neural Networks，用深度学习融合多源降水产品。GAT 对空间关系和站点/格点间结构有意义，3D CNN 用于捕捉空间-时间邻域特征。

训练测试方式：本轮只能从 Crossref 摘要层面确认其使用 CMA 长期台站与自动站独立验证；未核验到完整训练/验证切分、超参数或公开代码。正式使用前应继续打开全文和数据可用性声明。

效果：摘要称相对卫星产品（如 TRMM、GPM）MSE 降低 30-40%，在西部稀疏观测区 RMSE 降低 25-40%，并减轻青藏高原东南部高误差带。局限是对极端降水频率仍有低估，对小雨日数有高估，降水检测能力提升有限，作者认为可能与缺少动力约束有关。

代码/数据状态：本轮未核验到代码仓库。它是数据集/产品论文，但还需要继续检查全文中的数据下载入口、许可和版本号，不能默认数据已经开放可直接用于训练。

一句技术判断：这是与用户研究“降水产品融合/降尺度/长期数据集构建”相关的机器学习数据产品，不是 radar echo nowcasting；价值在于提醒短临数据融合也需要显式处理地形、稀疏观测和动力约束不足问题。

对雷达回波预报的相关性：低到中。它不预测未来雷达回波，也不是 0-2 小时短临，但其多源融合和稀疏观测校正思路可借鉴到雷达稀疏区或多源 QPE/QPF 融合。

对用户研究的启发：如果要做从卫星/站点/NWP 到雷达或降水场的融合，不能只追求平均误差下降，还应单独评估极端降水频率、小雨虚警、空间误差带和动力一致性。

4.2 CRISP：Third Pole 日尺度降水数据集与不确定性#

来源/平台：ESSD Discussions / Copernicus 讨论稿，DOI 10.5194/essd-2026-377，Crossref 日期为 2026-06-19。

大致内容：论文提出 CRISP (Conformal Regression and Integrated Stacking for Precipitation)，构建 Third Pole 1998-2024 年连续日尺度降水记录，并同时提供不确定性估计和降水相态信息。它是数据集工作，不是 radar nowcasting。

数据集：覆盖 1998-2024，日尺度，0.1 度分辨率，区域为 Third Pole。摘要称其融合物理大气条件和地形特征，重点处理复杂地形、观测稀疏和降水变率高导致的产品偏差。

模型构建：从摘要看，核心是 conformal regression + integrated stacking 的机器学习框架。它将物理大气条件与地形特征纳入估计，并给出 90% 不确定性区间。

训练测试方式：摘要层面未给出完整训练切分和超参数。本轮只确认其声称能识别再分析资料中的 false drizzle signal，并在不漏掉多数真实降水的前提下给出自适应不确定性区间。

效果：摘要称 CRISP 能提供可靠的 90% 不确定性区间，且区间会随降水强度自适应调整。由于本轮未读全文，尚不能确认其在极端降水、不同地形带和不同季节的完整指标。

代码/数据状态：本轮未核验到数据下载链接、许可或代码仓库。后续若要采用，需要查看 Copernicus 页面、Data availability 和版本化数据 DOI。

一句技术判断：这是降水数据集/不确定性估计工作，不是短临预报；可作为降水场标签质量、不确定性表达和复杂地形误差诊断的参考。

对雷达回波预报的相关性：低到中。它不涉及雷达回波序列或未来 0-2 小时预测，但其 false drizzle 识别和 conformal uncertainty 对降水标签质量控制有启发。

对用户研究的启发：雷达 nowcasting 评价不应只给 deterministic CSI/MAE，也可以考虑置信区间、相态/降水类型和复杂地形下的标签不确定性；尤其在弱降水与虚警问题上，标签质量本身可能限制模型上限。

4.3 Himawari-9 AHI 全空红外辐射同化#

来源/平台：EGUsphere / Copernicus 讨论稿，DOI 10.5194/egusphere-2026-2982，Crossref 日期为 2026-06-19。

大致内容：该研究讨论在 JEDI-MPAS 3.0.3 中同化 Himawari-9 AHI 全空红外辐射，对海洋大陆区域云和降水预报的影响。它属于 NWP 资料同化与卫星遥感应用，不是 AI radar nowcasting。

数据集/观测：使用 Himawari-9 AHI 水汽通道 8-10 和云敏感窗口通道 13 的全空红外辐射观测。区域为海洋大陆，重点针对热带对流的小尺度、快速演变和强非线性。

模型构建：摘要显示使用 hybrid 3D/4DEnVar 资料同化框架，并在 JEDI-MPAS 3.0.3 中评估水汽与云敏感通道同化影响。没有证据表明它使用深度学习模型。

训练测试方式：这是资料同化/预报试验，不是机器学习训练测试。摘要层面未给出完整试验时段和全部评分，本轮只确认它关注云和降水预报。

效果：本轮未读全文，不能给出定量结论。保守说法是它提供了卫星红外资料在云和降水预报中的同化路径，但不是 radar nowcasting benchmark。

代码/数据状态：未核验到代码或数据开放状态。JEDI-MPAS 是可追踪框架，但该论文的配置、观测处理和试验数据是否开放需要全文确认。

一句技术判断：它不是 AI 或雷达短临进展，但可作为 satellite-to-radar retrieval / multimodal nowcasting 的物理同化参照：卫星云水汽通道对对流发展有信息量，但要避免把“卫星同化改善降水预报”直接等同于“雷达回波 AI nowcasting”。

对雷达回波预报的相关性：低到中。相关点在卫星高时空分辨率观测和对流发展先兆，不在雷达回波序列外推。

对用户研究的启发：如果在雷达短临模型里加入卫星通道，最好分清“数据驱动融合”和“物理同化”两条路线，并对局地触发、云顶发展、降水落区和虚警分别验证。

4.4 gsmap-live 自动 GIF 更新#

来源/平台：GitHub 仓库 sushantakundu/gsmap-live。本轮 GitHub Search 对 precipitation nowcasting pushed:>=2026-06-20 只返回该仓库。

大致内容：仓库描述为降水 nowcast 与 observation 动画可视化。本轮最新 commit 为 Auto-update GSMap_Combined.gif，提交时间包括 2026-06-20 00:31/07:06 UTC 和 2026-06-21 00:31 UTC。

文件变化：GitHub commit detail 显示每次只修改 GSMap_Combined.gif，没有新增 Python/R/Notebook 代码、模型文件、训练配置、评估脚本或数据处理脚本。

训练测试方式与效果：无。它不是模型训练或论文实验，只是动态图像自动刷新。

代码/数据状态：仓库有可视化文件和页面，但本轮没有 AI nowcasting 代码或可复现实验更新。

一句技术判断：这是低价值可视化刷新信号，不能写成降水临近预报 AI 方法进展。

对雷达回波预报的相关性：低。它与降水显示有关，但不是雷达回波预报、模型代码或数据集发布。

对用户研究的启发：GitHub 的 pushed 新鲜度需要结合 commit 文件列表判断；自动更新 GIF、README 或网页不应进入主新增表。

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。arXiv 最新相关仍是前序日报已讨论过的 SpanLift、PixelFlowCast、Probabilistic Precipitation Nowcasting with Rectified Flow Transformers、SDIR 等，不计为今日新增。

5.2 satellite-to-radar retrieval#

本轮没有发现新的 satellite-to-radar retrieval 论文或代码。OpenAlex/Crossref 召回的 Himawari-9 AHI 同化是 NWP/资料同化论文，不是 AI satellite-to-radar retrieval，也不是雷达回波短临。

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。DeepLab-ARER 仍是前序窗口外回看条目，作为输入质控启发保留，不重复计入今日新增。

5.4 降水数据融合与不确定性#

3DM 和 CRISP 都说明，复杂地形、稀疏观测、false drizzle、极端降水频率和不确定性区间是降水场数据产品的核心问题。它们不是 nowcasting，但对构建训练标签、校验多源降水产品和解释模型误差有参考价值。若后续用户研究包含 satellite-to-radar、radar-to-rainfall 或降尺度环节，应把这些问题作为数据端风险，而不是只在模型端调结构。

6. 检索记录与排除说明#

• arXiv：用 precipitation nowcasting、rainfall nowcasting、radar nowcasting、radar echo nowcasting、weather radar nowcasting、reflectivity nowcasting、satellite radar precipitation、diffusion precipitation nowcasting、flow precipitation nowcasting、weather radar quality control 等分词 AND 查询，按 submittedDate 排序。2026-06-19 05:09 UTC 以来未发现新的直接 radar/precipitation nowcasting 条目。
• GitHub：用 pushed:>=2026-06-20 检索 radar echo nowcasting、weather radar nowcasting、precipitation nowcasting、rainfall nowcasting、satellite-to-radar precipitation、diffusion precipitation nowcasting、flow matching precipitation nowcasting。唯一有效返回是 gsmap-live，commit 只改 GIF；Flash-Back-Memory 仍只有 README；GSWarpNet 无新 push；SRDiff 仍 404。
• Hugging Face：Models/Datasets API 查询 radar nowcasting、precipitation nowcasting、weather radar nowcasting、radar echo nowcasting、FlashBack Memory、GSWarpNet。Models 仅返回已覆盖的 junxuwww/RadarNowcasting；datasets 中未发现新 radar/precipitation nowcasting 数据集。
• OpenAlex：日期过滤 2026-06-19 至 2026-06-21。radar echo nowcasting、radar reflectivity nowcasting、diffusion precipitation nowcasting 有效直接结果为 0；precipitation nowcasting radar 和 weather radar nowcasting 召回 3DMergePrec，实为日尺度降水产品融合；satellite radar precipitation retrieval 召回 CRISP、Himawari-9 AHI 同化等相邻条目。
• Crossref：同窗口返回大量非气象雷达噪声，包括 mmWave sensing、交通雷达、材料扩散、医学/工程 deep learning 等；未发现正式出版的 radar echo / precipitation nowcasting AI 新论文。3DMergePrec、CRISP、Himawari-9 AHI 同化被单列为相关但非 direct nowcasting。
• Semantic Scholar：本轮 Graph API 多次返回 HTTP 429 或 TLS EOF，不能作为负结论唯一依据；因此主要依赖 arXiv/OpenAlex/Crossref/GitHub/Hugging Face 和网页搜索交叉验证。
• 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、代码或状态变化；召回的 FlowCast、RainDiff、PostCast、TUPANN、exPreCast 等为旧条目或旧状态。
• AMS/IEEE/AGU/RMetS/EGU/Copernicus：未发现主窗口内新的直接 radar/precipitation nowcasting 正式上线条目。Copernicus 的 6 月 19 日召回主要是数据集/资料同化讨论稿，不是雷达 AI 短临。
• 机构动态：Google DeepMind、ECMWF、NOAA、Met Office、中国气象局/中国天气网/中央气象台检索未发现本窗口新的雷达回波或降水临近预报 AI 发布。召回的宽泛 AI 天气、卫星遥感培训或全球/中长期预报内容不计入主新增。

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、GitHub 仓库或 CMA ECREF 数据授权说明。
2. duyhlzu/Flash-Back-Memory 是否真正发布源码；一旦发布，优先核验 FB 模块、训练配置和 Shanghai2020/CIKM2017/SEVIR 指标。
3. Pointwise is Pointless? 是否补充代码、数据可用性、正式投稿/录用状态或 guided generative assimilation 后续版本。
4. GSWarpNet 是否出现论文、DOI、release、模型权重或新的结果文件；仍需保留 SRadar 量化公式 caveat。
5. 3DM/CRISP 是否提供可下载数据、许可、版本化 DOI 和处理代码；若用户研究包含降尺度/数据融合，可作为相邻数据端参考。
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。