2026-06-27 雷达回波 AI 进展日报#

检索时间：2026-06-27 13:05 +08
主窗口：2026-06-26 13:02 +08 至 2026-06-27 13:05 +08。
48 小时缓冲：向前回看至 2026-06-25 13:05 +08，用于覆盖索引延迟、arXiv 版本更新和代码平台延迟推送。
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 flow matching、diffusion/generative solver、satellite-to-radar retrieval、雷达质控、机会观测、雷达资料同化等相关方法。

0. 总体判断#

本轮没有发现新的 arXiv 预印本、OpenReview 论文状态变化、正式期刊新上线论文、Papers with Code 榜单变化、Hugging Face 新模型/数据集或机构发布可以直接归入 AI radar echo / precipitation nowcasting 主表。arXiv 最新直接相关条目仍是已覆盖的 Pointwise is Pointless? v2，提交和更新均早于当前窗口。

主窗口内的有效新增主要来自 GitHub 代码侧：

• kagtgi/Forecasting-Through-Meteorological-Reasoning 是 2026-06-26 新建并多次 push 的 precipitation nowcasting 框架仓库，提出 ASG-WM / FaithCast：VLM 生成 Atmospheric Scene Graph，再经物理约束和 renderer 生成未来降水场。它与用户方向直接相关，但当前 README 明确写作 framework only / no baselines yet，结果多为 TBR 或合成数据流水线，不能写成已有论文录用或验证充分的模型。
• RuntimeWarning/CRFT 在主窗口内有一次实质代码更新，包含 SEVIR 数据、autoencoder、rectified flow、STDiT、训练和评估脚本。它对应的是 2026 年 2 月 Engineering Applications of Artificial Intelligence 论文 More realistic and accurate precipitation nowcasting with Conditional Rectified Flow Transformers，不是今日新论文；本轮只能写作代码实现更新。
• 昨天已完整展开的 OHSEHOON99/precipitation-nowcasting-U-Net-with-HSR-data 在 2026-06-26 15:42 +08 之后只有 README.md 和 DATA_POLICY.md 文档措辞简化，不构成新的方法、数据或结果更新。

低价值项方面，sushantakundu/gsmap-live 仍然只自动更新 GSMap_Combined.gif；PaulVanSchayck/ha-nl-weather 是 Home Assistant 天气/雷达展示集成，不是 AI nowcasting 模型。Crossref 和 Semantic Scholar 在 2026-06-26/27 返回的若干 radar/precipitation/AI 关键词结果主要是非气象、非 nowcasting 或非 AI 条目。

1. 主窗口新增/实质更新条目表#

2. 相关方法、窗口外状态与排除条目#

3. 条目详述#

3.1 kagtgi/Forecasting-Through-Meteorological-Reasoning#

来源/平台：GitHub 新建仓库 kagtgi/Forecasting-Through-Meteorological-Reasoning。仓库创建于 2026-06-26 07:56 UTC，最新 push 为 2026-06-26 14:33 UTC。主窗口内共有 7 个 commit，涉及 README.md、COMPUTE.md、specs/、datasets/、src/asgwm/、notebooks、测试和 paper 目录等。仓库没有 GitHub license 字段。

期刊/会议状态：README 写有 Target venue: Scientific Reports，但这是作者自述的目标期刊，不是已投稿、已接收或已发表证据。未发现 arXiv、DOI、OpenReview 或正式期刊页面。日报中只能写作 GitHub 框架仓库，不能写成 Scientific Reports 论文。

大致内容：仓库提出 ASG-WM / FaithCast，目标是让“语言推理”成为降水临近预报的显式瓶颈。流程是多帧雷达/降水历史输入，经 VLM 或规则模块生成 Atmospheric Scene Graph，包含降水对象、轨迹、强度变化、环境上下文和可读解释；然后用 transition transformer 或物理转移模块预测未来 ASG；最后通过 future-blind advection 加 ASG 条件 renderer 生成未来雷达/降水场。作者强调 renderer 只能看到预测 ASG 和不含未来信息的当前场外推，因此可以做 intervention / ablation 来检验解释是否真的支配预报。

数据集：specs/datasource.md 和数据脚本把 SEVIR 作为主训练/测试数据源，使用 VIL、GOES-16 IR/visible 和 GLM lightning；还提到 NEXRAD 与 MRMS 作为 OOD 或辅助切片，HRRR/ERA5 作为环境上下文，HKO-7 或 MeteoNet 作为跨区域评估候选。仓库也提供 synthetic dataset fallback，用于无下载、无 GPU 的流水线 smoke test。当前未见仓库内附带真实数据或训练权重。

模型构建：代码树包含 asgwm/asg、physics.py、labeling、data、models、train、eval 等模块。模型路线包括 Stage A VLM/QLoRA 感知、Stage B ASG transition transformer、Stage C rectified-flow renderer、小 U-Net 或 VAE 辅助结构、PySTEPS 自动标注和 future-blind advection。训练说明分 Tier 0/1/2：先训练 ASG transition 与 deterministic renderer，再加入 VLM perception 和物理约束，最后用 A100 运行 rectified-flow renderer、faithfulness 和 cross-dataset 评估。

训练测试方式：src/RESULTS.md 说明评估流水线包括 skill metrics、regime stratification、lead-time curves、faithfulness interventions、capacity audit 和 forecaster study。指标计划包含 CSI/HSS/FSS、pooled CSI、CRPS、LPIPS、regime 分层、lead time 分层等。基线注册表目前有 pysteps 已实现，RainNet、NowcastNet、LangPrecip、ThoR 等标为 stub/TBR。

效果：当前不能报告真实性能提升。仓库文档明确写到 ASG-WM metric values 在 Tier-2 checkpoint 存在前是 TBR，neural-baseline rows 也要等 adapter 实现；流水线可在 synthetic data 上跑通，但这不是业务或论文级验证。paper/ 中的图表和稿件应视为本地 manuscript/illustrative assets，而不是正式发表结果。

代码/数据状态：代码框架相对完整，文件树约 143 个 blob，包含下载、预处理、训练、评估、notebook 和测试；但没有明确 license、没有权重、没有正式数据包、没有已发表论文链接，真实训练结果仍待补齐。

一句技术判断：这是一个直接面向 precipitation nowcasting 的“可解释世界模型 + 物理 renderer”框架，想法与用户研究的多源观测、物理约束和可解释短临方向相关，但目前证据更接近研究设想和框架样机，不能当作已验证基线或前沿结果。

与雷达回波预报的相关性：中到高。它不是传统 dBZ 回波外推论文，但以 SEVIR VIL / NEXRAD / MRMS 等雷达或雷达派生降水场为核心，任务定位是短时降水临近预报。

对用户研究的启发：可借鉴其“显式状态瓶颈 + intervention consistency”的验证思路，用来避免解释只是事后文本；但若要用于论文对比，必须先等真实训练结果、基线适配、数据切分和 license 补齐。

3.2 RuntimeWarning/CRFT#

来源/平台：GitHub 仓库 RuntimeWarning/CRFT。仓库创建于 2024-11-11，主窗口内最新 commit 为 2026-06-26 11:07 UTC，commit message 为 update code，修改 15 个文件，包括 configs/configs.py、core/datasets.py、core/helpers/dataset_sevir.py、core/helpers/evaluation.py、core/model/Autoencoder.py、core/model/rectified_flow.py、core/model/model_factory.py、main.py、train_vae.py 等。仓库没有 license 字段。

论文/平台状态：README 写作 A PyTorch implementation of the paper "More realistic and accurate precipitation nowcasting with Conditional Rectified Flow Transformers"。Crossref 显示该论文发表于 Engineering Applications of Artificial Intelligence，出版日期为 2026 年 2 月，DOI 为 10.1016/j.engappai.2025.113402，Crossref created 为 2025-12-05、deposited 为 2026-01-13。因此这不是 2026-06-27 新论文，只是本轮发现的代码更新。

大致内容：CRFT 路线属于 rectified flow / generative solver 在降水临近预报中的应用。仓库代码显示其核心包括 autoencoder/VAE、STDiT 时空 transformer、rectified flow 模块、模型工厂和训练入口。默认 main.py 支持 sevir_feature 数据集，默认输入长度 5、输出长度 20；非 SEVIR 数据的阈值默认 [20.0, 30.0, 35.0, 40.0]，SEVIR 下使用 VIL 阈值 [16, 74, 133, 160, 181, 219] 并把 value scale 设为 255。

数据集：代码包含 SEVIR helper，并声明部分 SEVIR 数据代码改自 MIT-AI-Accelerator / neurips-2020-sevir。train_vae.py 默认数据集名为 shanghai，主训练入口默认 sevir_feature；代码还出现 CIKM/Shanghai 相关分支。当前 README 未给出完整下载步骤、数据切分表或权重链接。

模型构建：仓库包含 Autoencoder.py、rectified_flow.py、stdit.py、blocks.py 等。整体看是先用 autoencoder/VAE 建立 latent 表示，再用 conditional rectified flow transformer 进行未来帧生成。main.py 通过 Model(args) 进入训练或测试，train_vae.py 单独训练 autoencoder。

训练测试方式：main.py 使用 batch size 4、Adam/early stopping 风格训练封装；train_vae.py 使用 AdamW、MSE 重构损失加 KL 项。评估脚本 core/helpers/evaluation.py 统计 POD、FAR、CSI、HSS、GSS、MSE、MAE、precision、F1、bias、SSIM、accuracy、PSNR 等帧级指标。

效果：仓库 README 没有给出论文结果表、复现实验日志、checkpoint 或 benchmark 输出。当前只能确认代码结构和本轮更新，不能声称已经可复现论文全部结果，也不能报告性能优于哪些 baseline。

代码/数据状态：有源码，但没有明确 license、没有 release、没有权重、没有详细 README 复现说明。它比空仓库更有实质价值，但仍需实际跑通数据下载、训练和评估后才能作为可用 baseline。

一句技术判断：这是 direct precipitation nowcasting 的 rectified-flow transformer 实现，方法方向有价值；但本轮新增是代码更新而不是新论文，且复现完整性和授权状态仍不清楚。

与雷达回波预报的相关性：较高。SEVIR/Shanghai/CIKM 类数据和 VIL/降水 nowcasting 任务与用户的雷达回波或雷达降水短临研究直接相邻。

对用户研究的启发：可作为 diffusion/rectified-flow 类方法的实现参考，重点看 latent autoencoder、STDiT 条件生成和多阈值评估；真正采用前需补齐数据处理、权重、license 和指标复现。

3.3 OHSEHOON99/precipitation-nowcasting-U-Net-with-HSR-data#

来源/平台：GitHub 仓库 OHSEHOON99/precipitation-nowcasting-U-Net-with-HSR-data。该仓库已在 2026-06-26 日报作为直接相关代码仓库实质更新完整展开。今天主窗口内新增的两次 commit 是 Simplify public documentation wording 及其 PR merge，修改文件只有 DATA_POLICY.md 和 README.md。

论文/数据状态：关联论文仍为 2024 年 Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography 论文 Improving Deep Learning-Based Precipitation Nowcasting Models: Application of Weighted Average Ensemble Methods，DOI 10.7848/ksgpc.2024.42.6.551。Zenodo DOI 10.5281/zenodo.14608083 / record DOI 10.5281/zenodo.14608084 仍是数据和权重来源，许可证 CC BY 4.0。

大致内容：仓库主线仍是 KMA HSR composite rainfall data 上的 U-Net、SE U-Net、Attention U-Net、Dual Attention U-Net、SAR U-Net 和 weighted ensemble 复现实验。今天没有新增模型、数据、权重、结果表或训练逻辑。

训练测试方式和效果：与昨天一致，仍需下载 Zenodo 数据/权重后运行 evaluate_models.py 或 evaluate_ensemble.py 才能获得可比结果；README 本身不提供完整论文结果表。

代码/数据状态：代码仍公开但无明确代码 license；数据/权重在 Zenodo 下有 CC BY 4.0。今天的文档更新降低了阅读成本，但不改变技术结论。

一句技术判断：这是已覆盖 direct baseline 仓库的文档微调，不应重复计为今日高价值新增。

与雷达回波预报的相关性：中到高，但本轮没有新技术状态。

对用户研究的启发：仍适合做 U-Net 系列和 weighted ensemble 基线；今天无新增实验启发。

4. 窗口外但值得继续跟进的方法#

4.1 CompVis/weather-rf / Rectified Flow Transformers#

来源/平台：CVPR 2026 / GitHub / Hugging Face。仓库 CompVis/weather-rf 关联论文 Probabilistic Precipitation Nowcasting with Rectified Flow Transformers，arXiv 提交时间为 2026-05-29，GitHub 最新 push 为 2026-06-01，Hugging Face CompVis/weather-rf 权重最后修改为 2026-06-15。因此它是高价值 direct precipitation nowcasting 基线，但不属于本轮 24-48 小时新增。

大致内容：README 描述 FREUD 架构：frame-wise transformer encoder 和 unified generative rectified flow decoder，用于 probabilistic nowcasting，强调 variable-length inputs、frame drop robustness、temporal consistency 和 ensemble uncertainty。Hugging Face 模型仓库包含 freud_ckpt.pt、lsm_ckpt.pt、original_freud.pt、original_lsm.pt 以及若干 SVG 文档图，模型卡 license 为 cc-by-nc-sa-4.0。

技术判断：这是目前 rectified-flow nowcasting 方向中更成熟的正式会议论文和官方代码/权重之一，适合作为 flow matching / rectified flow baseline；但今天没有状态变化，不能写进主窗口新增。

4.2 A Margin based Decomposition Framework via Intensity Flow Matching for Precipitation Nowcasting#

来源/平台：Crossref、OpenAlex、Semantic Scholar 均能检索到 DOI 10.1109/TGRS.2026.3704556，来源期刊为 IEEE Transactions on Geoscience and Remote Sensing。Crossref created 为 2026-06-17，deposited 为 2026-06-18，早于本轮 48 小时缓冲。

大致内容：题名显示它是 intensity flow matching 与 margin based decomposition 用于 precipitation nowcasting。当前可访问元数据没有摘要、数据集、模型结构、结果表或代码链接，因此不能展开具体数据和效果。

技术判断：方向与用户关心的 flow matching、强降水稀疏性、高阈值 skill 相关，后续应获取 IEEE 摘要/PDF 和代码状态；本轮不计新增。

5. 低价值或排除项#

5.1 sushantakundu/gsmap-live#

GitHub 最新 push 为 2026-06-27 00:58 UTC，commit message 为 Auto-update GSMap_Combined.gif，commit 文件列表只有 GSMap_Combined.gif。仓库树仍只有 GIF 和 index.html。无模型、训练、评估、数据集或论文链接。

技术判断：这是可视化自动刷新，不是 AI radar/precipitation nowcasting 方法进展。继续排除。

5.2 PaulVanSchayck/ha-nl-weather#

该仓库在宽松 GitHub 检索中出现，是因为描述包含 weather forecast、observations、precipitation radar、rain nowcast graph 和 warnings。它是 Home Assistant integration，不是深度学习模型、雷达回波预报算法、论文或数据集。

技术判断：不进入日报主表，只作为检索排除项记录。

5.3 Crossref / Semantic Scholar 噪声#

Crossref 2026-06-26/27 日期过滤下，radar echo nowcasting deep learning、precipitation nowcasting deep learning、weather radar nowcasting AI、flow matching precipitation nowcasting、diffusion precipitation nowcasting 等查询返回大量噪声，主要是建筑、医学、工程流体、教育、SAR/汽车雷达或非气象条目。radar precipitation nowcasting 查询中出现的 STANDARDIZED PRECIPITATION INDEX FORECASTING IN NORTH-CENTRAL MEXICO USING TRANSFORMER MODELS 是 SPI 中长期/气候干旱类预测，不是雷达短临。

Semantic Scholar Graph API 多数查询继续 429；成功的 weather radar nowcasting 日期过滤返回 Science Advances 候鸟群体行为论文和 Meteorology and Atmospheric Physics 对流风暴多传感器个例研究，均不是 AI radar/precipitation nowcasting 新条目。

6. 检索记录#

• arXiv：用 Atom API 按 submittedDate 检索 precipitation nowcasting、radar echo nowcasting、weather radar nowcasting、nowcasting AND precipitation、nowcasting AND radar、nowcasting AND rainfall、nowcasting AND convective、flow matching precipitation nowcasting、diffusion precipitation nowcasting、satellite-to-radar、radar quality control deep learning 等。主窗口内无新 direct 条目；最新 direct 仍是 Pointwise is Pointless? v2，提交 2026-06-16、更新 2026-06-18。
• OpenAlex：日期过滤 2026-06-26 至 2026-06-27，radar echo nowcasting deep learning、precipitation nowcasting deep learning、weather radar nowcasting AI、flow matching precipitation nowcasting、diffusion precipitation nowcasting、satellite radar retrieval precipitation、radar quality control deep learning precipitation、nowcasting precipitation radar 等结果为 0。
• Crossref：日期过滤 2026-06-26 至 2026-06-27，直接关键词多为噪声；未发现主窗口 direct AI radar/precipitation nowcasting 期刊条目。
• Semantic Scholar：多数查询 429；少数成功结果无 direct 条目。继续作为辅助源，不能单源依赖。
• GitHub："precipitation nowcasting" pushed:>=2026-06-26 命中 sushantakundu/gsmap-live、kagtgi/Forecasting-Through-Meteorological-Reasoning、RuntimeWarning/CRFT、OHSEHOON99/precipitation-nowcasting-U-Net-with-HSR-data；宽松 nowcasting pushed:>=2026-06-26 precipitation 另命中 PaulVanSchayck/ha-nl-weather。逐仓库检查后，仅 kagtgi 和 CRFT 算本轮可写的 direct code signal；OHSEHOON99 只有文档微调；gsmap-live 和 Home Assistant 集成排除。
• Hugging Face：models/datasets 检索 radar nowcasting、precipitation nowcasting、weather radar nowcasting、radar echo nowcasting、satellite radar retrieval、rainfall nowcasting、flow matching precipitation nowcasting，未发现本窗口新模型或数据集；junxuwww/RadarNowcasting 仍停在 2026-06-18，CompVis/weather-rf 权重最后修改为 2026-06-15。
• OpenReview / Papers with Code：网页检索未发现本窗口新的 radar/precipitation nowcasting 论文、榜单或代码状态。FlowCast、SDIR、Rectified Flow Transformers 等均为窗口外既有条目。
• AMS / IEEE / AGU / RMetS / EGU / Copernicus：未发现主窗口新的 direct AI radar/precipitation nowcasting 正式上线条目。IEEE TGRS A Margin based... 是 2026-06-17/18 DOI 元数据，已经在窗口外跟进中。
• 机构动态：Google DeepMind、ECMWF、NOAA、Met Office、中国气象局/中国天气网检索未发现本窗口新的 AI radar/precipitation nowcasting 交付物。昨天已记录的 ECMWF EarthCARE 云雷达资料同化仍是相关机构动态，但不是 AI nowcasting。

7. 下一轮值得继续跟进#

1. kagtgi/Forecasting-Through-Meteorological-Reasoning 是否补充 license、真实 SEVIR/NEXRAD/MRMS 训练结果、baselines、checkpoints、数据切分和论文外部链接。
2. RuntimeWarning/CRFT 是否补充 README、requirements、license、预训练权重、数据下载脚本、复现实验日志和论文结果表。
3. CompVis/weather-rf 是否有 GitHub/Hugging Face 新 release、权重更新、数据说明或后续 issue/benchmark 结果；它是 rectified-flow nowcasting 的重要窗口外基线。
4. TGRS A Margin based Decomposition Framework via Intensity Flow Matching for Precipitation Nowcasting 是否可获取摘要/PDF、代码、数据集和高阈值 skill 结果。
5. junxuwww/RadarNowcasting 是否补源码、训练/评估脚本、论文、数据授权说明或 CMA ECREF 映射细节。
6. duyhlzu/Flash-Back-Memory 是否真正发布源码、配置、权重或复现实验。
7. Pointwise is Pointless? 是否补充代码、数据可用性、正式会议/期刊状态或 guided generative assimilation 后续版本。
8. OHSEHOON99 是否补充代码 license、release、完整结果表或更明确的数据切分说明。
9. gsmap-live 继续只在文件变化超出 GIF/web wrapper、出现模型/数据处理脚本或客观评估时再写入主表。
10. flow matching、diffusion/generative solver、satellite-to-radar retrieval、雷达质控和机会观测继续单列；只有明确涉及 radar/precipitation nowcasting 且有新论文、代码、数据或可验证结果时再进入主新增表。