# 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

| 标题 | 日期 | 来源/期刊/会议/平台 | 链接 | 类型 |
|---|---:|---|---|---|
| `HexMFG: Causal Voronoi Isotropic Convolution with Adaptive Frequency Gating for Efficient Precipitation Nowcasting` | 创建：2026-06-29 13:29 +08；最后 push：2026-06-29 15:57 +08 | GitHub；暂无论文、DOI、期刊或会议信息；无明确 license | [GitHub](https://github.com/JustlikeCatnip/HexMFG) | direct precipitation/radar nowcasting 代码仓库；早期、未验证 |

## 2. 相关但不进入主进展表的窗口内条目

| 标题 | 日期 | 来源/平台 | 链接 | 类型 |
|---|---:|---|---|---|
| `trainingnair/Precipitation_Nowcasting_from_Space_Challenge-2026` | 创建/最后 push：2026-06-30 03:57 +08 | GitHub | [GitHub](https://github.com/trainingnair/Precipitation_Nowcasting_from_Space_Challenge-2026) | 竞赛记录空壳仓库；README + LICENSE；不算代码发布 |
| `sushantakundu/gsmap-live` 自动刷新 | 最近 commit：2026-06-30 08:31 +08 | GitHub | [GitHub](https://github.com/sushantakundu/gsmap-live) | GIF 可视化自动刷新；低价值排除 |

## 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。

| 标题 | 年份/状态 | 来源/平台 | 链接 | 类型 |
|---|---:|---|---|---|
| `FlowCast: Advancing Precipitation Nowcasting with Conditional Flow Matching` | arXiv 2025；ICLR 2026 | OpenReview / arXiv / GitHub | [OpenReview](https://openreview.net/forum?id=5VSAHzzAEp), [arXiv](https://arxiv.org/abs/2511.09731), [GitHub](https://github.com/b-rbmp/FlowCast) | direct precipitation nowcasting；conditional flow matching |
| `Probabilistic Precipitation Nowcasting with Rectified Flow Transformers` / FREUD | arXiv 2026-05；CVPR 2026 | CVPR / arXiv / GitHub / Hugging Face | [arXiv](https://arxiv.org/abs/2605.31204), [GitHub](https://github.com/CompVis/weather-rf), [HF](https://huggingface.co/CompVis/weather-rf) | direct precipitation nowcasting；rectified flow transformer |
| `Learning to Refine: Spectral-Decoupled Iterative Refinement Framework for Precipitation Nowcasting` / SDIR | arXiv 2026-06；ICML 2026 | arXiv / GitHub | [arXiv](https://arxiv.org/abs/2606.02661), [GitHub](https://github.com/RuntimeWarning/SDIR) | direct precipitation nowcasting；谱解耦迭代细化 |
| `Temporal Context Conditioning for Seasonality-Aware Precipitation Nowcasting of High-Intensity Rainfall` / TA-SmaAt-UNet | arXiv 2026-06；暂无期刊信息 | arXiv / GitHub | [arXiv](https://arxiv.org/abs/2606.09959), [GitHub](https://github.com/gijsvn/TA-SmaAt-UNet) | direct radar precipitation nowcasting；季节/日变化时间条件 |

### 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。