2026-06-30 雷达回波 AI 进展日报#

检索时间：2026-06-30 13:04 +08
主窗口：2026-06-29 13:02 +08 至 2026-06-30 13:04 +08
48 小时缓冲：向前回看至 2026-06-28 13:04 +08，用于覆盖索引延迟、代码平台延迟推送和昨日条目的状态复核。
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、卫星降水 nowcasting 等相关方法。

0. 总体判断#

本轮没有发现新的高价值 direct AI radar echo / precipitation nowcasting 论文、arXiv 预印本、OpenReview 状态变化、正式期刊上线论文、Papers with Code 榜单变化、Hugging Face 新模型/数据集，或 DeepMind、ECMWF、NOAA、Met Office、中国气象局等机构在主窗口发布的直接交付物。

主窗口内可写入的 direct 信号是 1 个新建 GitHub 代码仓库：

• JustlikeCatnip/HexMFG：2026-06-29 13:29 +08 新建，15:57 +08 最后 push。仓库声称实现面向雷达降水 nowcasting 的轻量 GAN 框架 HexMFG，包含 PyTorch/Lightning 训练、测试、模型结构和 HDF5 数据读取代码。它与雷达降水临近预报直接相关，但当前无论文、无 DOI、无明确 license、无公开数据下载、无权重、无可核验指标表，且 pyproject.toml 仍残留 smaat-unet 元数据；因此只能写作“直接相关但早期/未验证代码信号”，不能写成正式方法发布或性能突破。

另外两个窗口内 GitHub 命中不应进入主进展表：

• trainingnair/Precipitation_Nowcasting_from_Space_Challenge-2026 只有 99 字节 README 和 MIT 许可证，是空壳竞赛记录仓库；对应主题偏卫星多源降水 nowcasting，不是雷达回波预报代码发布。
• sushantakundu/gsmap-live 仍只是自动刷新 GSMap_Combined.gif，不是 AI nowcasting 方法、数据或模型更新。

1. 主窗口新增/实质更新条目表#

2. 相关但不进入主进展表的窗口内条目#

3. 新增 direct 条目详述#

3.1 JustlikeCatnip/HexMFG#

来源/平台：GitHub 仓库 JustlikeCatnip/HexMFG。仓库创建于 2026-06-29 05:29 UTC，最后 push 为 2026-06-29 07:57 UTC。最新 commits 主要是上传 README、代码、TensorBoard lightning 日志后又删除 lightning 目录；最终保留 models/、utils/、train_precip.py、test_precip.py、requirements.txt、pyproject.toml 等。

期刊/会议状态：未发现 arXiv、OpenReview、DOI、期刊页或会议页。不能写成已投稿、已录用或已发表。仓库 API 返回 license 为 None；虽然有安装说明，但没有正式 release。

大致内容：README 称 HexMFG 是轻量 GAN 框架 HexM 的 generator backbone，用于雷达降水 nowcasting。整体由 HexMF-GNet 生成器和 HexMF-DNet 判别器组成，目标是用历史雷达回波序列生成未来预报帧。README 中的关键设计包括 Probabilistic Causal Isotropic Convolution、Honeycomb Feature Fusion、多频率 translator、adaptive frequency gating、PASTA attention 和结构判别器。

数据集：README 声称使用 2020-2025 年 gauge-calibrated KNMI radar precipitation HDF5 数据集，5 分钟时间分辨率，64 x 64 空间网格，共 23,329 个时空样本，并已划分训练/测试。代码默认数据路径为 data/precipitation/train_test_2020-2025_input-length_5_img-ahead_20_rain-threshold_20_norm.h5。仓库没有提供数据下载链接、数据授权说明或 HDF5 样例文件。

模型构建：train_precip.py 支持 HexMF-UNet、HexMF-GNet 和 HexMFG 三种模型入口；默认运行 HexMFG。models/regression_HexMFG.py 中使用 PyTorch Lightning 手动优化 GAN，生成器来自 HexMF-UNet/GNet 路线，判别器为 HexMF_DNet。损失包含 adversarial loss、temporal weighted MSE、frequency loss、structure loss，并记录 g_freq_loss、g_struct_loss、val_mae_short、val_mae_long 等日志项。

训练/测试方式：训练脚本默认 n_channels=5、n_output_images=20、n_masks=25，batch size 32，学习率 1e-4，300 epoch，验证比例 0.1。测试脚本读取测试 HDF5 和 checkpoint，使用 Monte Carlo dropout 风格的多次预测均值，计算 MSE、F1、CSI、HSS、MCC 和 uncertainty；阈值包括 0.5、10、20，且有反归一化系数 32.44。当前仓库没有给出完整训练命令所需的数据文件、权重文件或已完成指标结果。

效果：本轮没有发现论文结果表、可下载 checkpoint、正式 benchmark 或 lead-time 技能曲线。代码中确实有阈值指标计算逻辑，但不能由此推断模型效果。最新可见 commit 是仓库初始上传/清理，未提供可复现实验记录。

代码/数据状态：有训练、测试、模型和数据读取代码；无明确 license；无公开数据；无公开权重；无 release；含多个 __pycache__ 文件；pyproject.toml 仍写着 smaat-unet 和 “Code for the paper SmaAt-UNet”，说明工程整理不完整。

一句技术判断：这是一个直接相关的雷达降水 nowcasting GAN/频域约束代码信号，但当前证据只能支持“早期研究代码/个人仓库”，不能支持 SOTA、论文方法、可复现 baseline 或业务可用结论。

与雷达回波预报的相关性：较高。它直接使用雷达降水 HDF5 序列预测未来帧，任务形式与雷达回波/降水临近预报一致；但当前数据、权重和结果缺失，实际价值需要后续复核。

对用户研究的启发：可重点借鉴其频域约束、结构损失、阈值指标输出和 5 帧输入/20 帧输出任务设置；如果要纳入对比，建议先清理依赖、补齐 license 和数据路径，再用同一数据切分跑 persistence、SmaAt-UNet、TA-SmaAt-UNet 或 pySTEPS 基线，避免把 README 架构叙述当作真实性能证据。

4. 相关/排除条目详述#

4.1 trainingnair/Precipitation_Nowcasting_from_Space_Challenge-2026#

来源/平台：GitHub 新建仓库，创建和最后 push 均为 2026-06-29 19:57 UTC，即 2026-06-30 03:57 +08。仓库只有 README.md 和 LICENSE，README 仅写 “Precipitation Nowcasting From Space Challenge”，大小 99 字节。

技术判断：这是空壳竞赛记录仓库，不是模型代码、数据集、论文或结果发布。Precipitation Nowcasting from Space 主题本身偏卫星多源降水临近预报，和用户关注的雷达回波 nowcasting 有上游/相邻关系，但不等于雷达回波预报。

对用户研究的启发：可观察该类卫星降水竞赛未来是否释放高质量 baseline、评价指标和获奖方案；当前仓库不值得作为技术进展展开。

4.2 sushantakundu/gsmap-live#

来源/平台：GitHub。2026-06-30 00:31 UTC 最新 commit 仍为 Auto-update GSMap_Combined.gif，最近文件变更只包含 GSMap_Combined.gif。

技术判断：这是 GSMap 可视化自动刷新，不是 AI radar/precipitation nowcasting 方法、模型、数据处理脚本或评估结果。继续排除，除非后续新增真实模型代码、数据处理、评估或论文链接。

5. 近年高价值回看：本轮推荐#

本段不计入今日新增。它用于回应“最近日报缺少近年高价值文章主动推荐”的偏好；以下条目均需按原始发布时间和平台理解，不能写成 2026-06-30 新增。

5.1 FlowCast#

来源/期刊或会议：OpenReview 显示为 ICLR 2026 poster；arXiv 版本为 2511.09731，arXiv 页面暂无期刊信息。GitHub README 标为官方代码，license 为 Apache-2.0。

数据集：README 明确使用 SEVIR VIL 数据，并给出 AWS S3 下载和 preprocessing 命令；ARSO 数据集在 README 中标注当前不公开。

模型构建：两阶段路线，先训练 KL-regularized autoencoder 压缩高维雷达/降水场，再在 latent space 中训练 Conditional Flow Matching 模型，实现从噪声到数据的概率生成。

训练测试方式：README 给出 autoencoder 训练、latent dataset 生成、FlowCast CFM 训练、测试和 checkpoint 推理流程。资源要求较高，README 估计 SEVIR autoencoder 训练约 4 x H100 24 小时，FlowCast CFM 训练约 150 小时，测试约 2 x H100 36 小时。

效果：作者主张相对 diffusion 路线保留概率生成优势并降低采样负担。日报本轮未重新核对论文中的完整数值表，因此不复述具体分数；可把它作为 flow matching 方向的强候选 baseline，而不是已复现结论。

代码/数据状态：官方代码公开，SEVIR 可下载；ARSO 不公开；checkpoint 可按 README 从 Hugging Face 链接获取。

技术判断与启发：FlowCast 对用户研究最直接的启发是把 flow matching 放到雷达/降水 nowcasting 的可复现框架里，同时把数据压缩、概率生成和采样效率分开评估。若用户后续做生成式临近预报，值得优先比较 CSI/FSS/CRPS、采样步数和推理时延。

5.2 FREUD / CompVis/weather-rf#

来源/期刊或会议：CVPR 2026 论文，arXiv 2605.31204；GitHub CompVis/weather-rf 和 Hugging Face CompVis/weather-rf 提供代码与权重。Hugging Face 最后修改为 2026-06-15，不是今日新增。

数据集：README 写明使用 SEVIR，提供 SEVIR AWS 下载说明和 data/test_data.txt train-test split；评估为与 CasCast 对齐，先从 HDF5 提取 .npy。

模型构建：FREUD 是 frame-wise encoder + united generative rectified-flow decoder。frame-wise encoder 支持不同长度的输入和新增帧增量更新，united decoder 联合重构所有帧以保持时间一致性；其上再训练 latent-space rectified-flow forecasting model。

训练测试方式：README 给出权重下载、notebook 推理和脚本评估入口；同时提示论文结果用 torch==2.5.1 训练，原始 checkpoint 对新 PyTorch 版本敏感，仓库提供 clean implementation 和 original implementation 两条路线。

效果：作者称 FREUD 在分布式和感知质量上达到强结果，并强调 uncertainty-aware compression。由于本轮没有重新跑评估，日报只把它列为“有代码和权重的强候选生成式 baseline”，不写成已在用户数据上验证。

代码/数据状态：代码、评估脚本、示例 notebook、HF 权重存在；GitHub license API 返回 NOASSERTION，需要进一步检查许可证条款；数据仍依赖用户自行下载 SEVIR。

技术判断与启发：对用户研究的主要价值是可直接考察“雷达帧缺测/变长输入 + 生成式不确定性”的工程设计，特别适合对比 deterministic U-Net/ConvLSTM 与生成式模型在高强度降水结构上的差异。

5.3 SDIR#

来源/期刊或会议：arXiv 2606.02661，作者备注为 ICML 2026；GitHub RuntimeWarning/SDIR 标为官方 PyTorch 实现。README 有 MIT badge，但 GitHub API 未识别 license，后续使用前仍需检查是否有正式 LICENSE 文件。

数据集：README 命令以 --datasets shanghai 为例，默认 img_size=256、patch_size=8、output_length=20；本轮未核验数据下载和授权细节。

模型构建：SDIR 将 nowcasting 写成频率解耦的确定性迭代细化过程，先提取低频 synoptic skeleton，再逐步恢复高频降水纹理。组件包括 SFG-Former、FR-Refiner、spectral training curriculum、PCPSD loss 和 frequency-unlocking inference。

训练测试方式：README 给出单 GPU 和 Hugging Face Accelerate 多 GPU 训练/推理命令，并注明作者用 4 x NVIDIA RTX 4090D、AdamW、初始学习率 3e-4 训练。

效果：作者主张 SDIR 在 regression 平滑和 diffusion 幻觉之间寻找折中，通过频谱约束减少高频假象并保持强降水核心。本轮未复核论文完整指标表，不写具体分数。

代码/数据状态：有代码和训练命令；未看到权重文件下载；license 需复核。

技术判断与启发：SDIR 值得作为“非随机扩散、但保留高频结构”的候选路线。对用户研究尤其有用的是频谱损失和 coarse-to-fine inference，可用于约束雷达回波外推中的纹理衰减与虚假对流核问题。

5.4 TA-SmaAt-UNet#

来源/期刊或会议：arXiv 2606.09959，暂无期刊信息；GitHub gijsvn/TA-SmaAt-UNet 公开训练、评估和 checkpoint。

数据集：README 写明使用 KNMI radar precipitation maps，实验期为 2016-2019，2016-2018 训练、2019 测试。默认任务是 18 帧输入预测 12 帧未来，5 分钟间隔，即 90 分钟历史预测未来 5-60 分钟。

模型构建：TA-SmaAt-UNet 是 SmaAt-UNet 的时间条件扩展，在编码器-解码器中注入 time-of-day 和 time-of-year 的循环编码，用于改善高强度降水的季节性/日变化表达。

训练测试方式：仓库包含 create_datasets.py、train.py、eval.py、eval_persistence.py、compare_models.py 和 layer-conductance 分析脚本；验证集从 train 组抽取，测试组只用于测试；评估指标包括 MSE、CSI、POD、FAR、MCC，并可生成 lead-time CSI、季节 CSI 和强度分布图。

效果：作者主张轻量时间上下文能改善高强度降水 nowcasting；本轮未重跑或复核完整数值，只将其作为可操作的 U-Net 系 baseline/消融参考。

代码/数据状态：有代码和论文 checkpoint；无明确 license；数据需用户自行准备 KNMI radar precipitation maps。

技术判断与启发：TA-SmaAt-UNet 对用户研究很实用，因为它把“日变化/季节性”作为低成本外部条件，而不是重型多模态输入。若用户关注区域性雷达回波，可用类似时间条件做最小改动消融，先看高阈值 CSI 和 lead-time 技能曲线是否稳定改善。

6. 检索记录#

• arXiv：使用 Atom API 按 submittedDate 检索 precipitation nowcasting、radar echo nowcasting、weather radar nowcasting、radar nowcasting、rainfall nowcasting、convective nowcasting deep learning、flow matching precipitation nowcasting、diffusion precipitation nowcasting、satellite-to-radar、SEVIR nowcasting、NEXRAD nowcasting、HKO-7 nowcasting、DGMR nowcasting、PySTEPS nowcasting 等。主窗口内无新 direct 条目；最新 direct 仍为已覆盖的 Pointwise is Pointless? v2、FlashBack Memory、TA-SmaAt-UNet、SDIR 等旧窗口条目。
• GitHub：检索 pushed:>=2026-06-29 的 direct 和扩展关键词，包括 precipitation nowcasting、radar nowcasting、weather radar nowcasting、radar echo nowcasting、rainfall nowcasting、convective nowcasting、short-term precipitation forecasting、SEVIR、NEXRAD、MRMS、DGMR、pySTEPS、flow matching、diffusion、satellite-to-radar、radar extrapolation、spatiotemporal prediction radar、radar-to-rain、weather radar deep learning nowcasting 等。有效新 direct 仅 JustlikeCatnip/HexMFG；trainingnair 为空壳，gsmap-live 为 GIF。
• Hugging Face：检索 models/datasets 中 radar nowcasting、precipitation nowcasting、weather radar nowcasting、radar echo nowcasting、rainfall nowcasting、flow matching precipitation nowcasting、satellite radar retrieval、SEVIR nowcasting、DGMR nowcasting。未发现窗口内新模型或数据集；junxuwww/RadarNowcasting 仍停在 2026-06-18，CompVis/weather-rf 停在 2026-06-15。
• OpenAlex：按 2026-06-28 至 2026-06-30 日期过滤，direct 查询结果为 0；radar quality control deep learning 命中的 flood/building damage 和 EGUsphere comment 均非雷达临近预报。
• Crossref：小批量日期过滤返回大量非气象、非 nowcasting、非 AI 或中长期/气候噪声；未作为 direct 正向证据。
• Semantic Scholar：Graph API 本轮出现 SSL EOF 和 429；未作为正向证据。
• OpenReview / Papers with Code / AMS / IEEE / AGU / RMetS / EGU / Copernicus：未发现主窗口内新的 direct AI radar/precipitation nowcasting 交付物。IEEE/CVPR/OpenReview 中的相关强条目均早于本轮窗口，已放在回看或跟进列表。
• 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主窗口内新的 direct AI radar/precipitation nowcasting 发布。

7. 下一轮值得继续跟进#

1. JustlikeCatnip/HexMFG 是否补充论文、license、数据下载/授权、权重、结果表、lead-time CSI/FSS 曲线或正式 release。
2. trainingnair/Precipitation_Nowcasting_from_Space_Challenge-2026 是否从空壳变成真实 baseline/solution 仓库；同时跟踪 Solafune 卫星降水 nowcasting 竞赛是否公开高质量获奖方案。
3. rainraingoaway 是否补充 license、数据切分、评估指标、模型结果或更大代码变化；当前只按小型维护信号处理。
4. matko-iv/budva-radar 是否补充 license、release、完整 FSS/CSI 验证和 DGMR adapter 可运行证据；仍不要写成已验证 DGMR 结果。
5. kagtgi/Forecasting-Through-Meteorological-Reasoning 是否从 framework-only 补齐真实训练结果、baselines、checkpoints、license 或论文外部链接。
6. RuntimeWarning/CRFT、RuntimeWarning/SDIR 是否补齐 README、requirements、license、权重、数据下载脚本和可复现实验表。
7. CompVis/weather-rf / FREUD 是否有新的 GitHub/Hugging Face release、权重、数据说明或 benchmark 结果更新。
8. IEEE TGRS A Margin based Decomposition Framework via Intensity Flow Matching for Precipitation Nowcasting 是否能获取摘要/PDF、代码、数据集和高阈值 skill 结果。
9. Pointwise is Pointless?、FlashBack Memory、TA-SmaAt-UNet 是否补充代码、数据可用性、正式会议/期刊状态或新版本。
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才进入主新增表。