2026-07-01 雷达回波 AI 进展日报#

检索时间：2026-07-01 13:16 +08
主窗口：2026-06-30 13:04 +08 至 2026-07-01 13:16 +08
48 小时缓冲：向前回看至 2026-06-29 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，或 Google 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。

主窗口内唯一值得写入 direct 表的信号来自 GitHub：

• kagtgi/Forecasting-Through-Meteorological-Reasoning：6 月 30 日 17:01-17:14 +08 连续推送，内容从 6 月 27 日看到的 framework-only 状态，推进到更完整的评估管线、论文草稿、计算量文档和 A100 运行优化。它直接面向 precipitation nowcasting，包含 SEVIR 训练/测试、NEXRAD/MRMS OOD、ASG 世界模型、VLM、物理渲染器、faithfulness 评估和脚本链。但仓库 README 仍明确写着 framework/no baselines yet，src/RESULTS.md 也说明 ASG-WM metric values 和多数 neural-baseline rows 仍是 TBR，未见公开 checkpoint、正式论文、DOI、arXiv 或期刊/会议接收信息。因此只能写成“直接相关代码/稿件工程实质更新，结果仍未验证”，不能写成新论文或性能突破。

另外两类窗口内命中不进入主进展表：

• Hugging Face sonderlau/PrecipitationNowcasting 于 2026-06-30 14:45 +08 创建/更新，但仓库只有 .gitattributes，无 README、数据文件、卡片、license、任务定义或样例，当前只是空数据集占位。
• sushantakundu/gsmap-live 继续自动刷新 GSMap_Combined.gif，不是 AI nowcasting 方法、模型、数据处理或评估更新。

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 kagtgi/Forecasting-Through-Meteorological-Reasoning / ASG-WM / FaithCast#

来源/平台：GitHub 个人仓库。仓库标题为 Forecasting Through Meteorological Reasoning -- ASG-WM / FaithCast，描述为通过 Atmospheric Scene Graph world model 进行 faithful precipitation nowcasting，并标注 SEVIR train/test、NEXRAD + MRMS OOD。主分支为 master。2026-06-30 09:01 UTC 的 commit f5886f3 更新评估流水线和论文表格；09:14 UTC 的 commit ffaa02f 更新 A100 运行优化和计算量文档。

期刊/会议状态：仓库 README 写着 target venue 为 Scientific Reports，但这只是目标期刊/作者备注，不是投稿、接收或发表证据。本轮未发现该项目对应的 arXiv、OpenReview、DOI、期刊页或会议页。不能写作已投稿、已录用或已发表论文。

大致内容：该项目提出 ASG-WM/FaithCast 思路：视觉语言模型读取多帧雷达/卫星序列，生成显式、可读的 Atmospheric Scene Graph，包括 storm objects、位置、运动、增长/衰减、regime 和不确定性；Stage B 预测 ASG 的未来状态；Stage C 使用物理约束/rectified-flow renderer，从预测 ASG 和 future-blind advection 渲染未来降水/雷达场。核心卖点不是单纯提高 CSI，而是通过信息瓶颈让解释状态成为预测的因果通道，并用 intervention/zero-ASG 等测试验证 faithfulness。

数据集：仓库文档称 canonical representation 为 [T, 384, 384]、1 km、5 min 的 SEVIR VIL byte；主设置包括 13 -> 12 即 1 小时预报，也有 13 -> 36 的 3 小时长 lead 设置。SEVIR 用于 train/test，时间切分为 train < 2019-01-01、val 2019-01-01..2019-05-31、test >= 2019-06-01。NEXRAD Level II 和 MRMS MergedReflectivityQCComposite 只作为 OOD test，通过 dBZ 到 VIL byte 的近似桥接进入同一表示。仓库不包含实际大数据文件，主要提供下载/预处理/自动标注工具。

模型构建：Stage A 是 VLM/QLoRA 路线，可退化为 DummyVLM；Stage B 是 transition transformer；Stage C 是 conditional U-Net / latent rectified-flow renderer，并可接 frozen SD-VAE 或 fallback。ASG schema、grammar、rendering、physics、future-blind advection、interventions、capacity audit、faithfulness metrics 都被拆成模块。该设计与传统 ConvLSTM/U-Net/Transformer nowcasting 的差别在于显式世界状态，而不是单纯换一个时空编码器。

训练/测试方式：仓库给出 00_download_data.py、01_autolabel.py、10_train_tier0.py、20_train_tier1_curriculum.py、30_train_tier2.py、40_eval_skill.py、41_eval_faithfulness.py、42_make_figures.py 等脚本，以及 root-level train.ipynb、eval.ipynb。训练分 Tier 0/1/2：Tier 0 训练 transition 和 deterministic renderer；Tier 1 用 5 阶段 VLM QLoRA curriculum；Tier 2 做 A->B->bottleneck->C end-to-end、rectified-flow renderer、intervention consistency 和 ensemble。评估指标包括 CSI/HSS、FSS、pooled CSI、CRPS、LPIPS，并在新 commit 中加入 SEDI 高阈值指标。

本轮新增变化：f5886f3 将评估阈值统一到 SEVIR VIL byte [16, 74, 133, 160, 181, 219]，让 skill table、regime/lead-time 图和 C-ii ablation 使用一致阈值；41_eval_faithfulness.py 在 Tier-2 checkpoint 存在时改为加载真实 Stage B/C 并在真实 SEVIR events 上运行，否则才回退到 synthetic/stub；加入 SEDI、compute footprint、ASG-WM 参数量 34.7M、paper 表格列和 captions。ffaa02f 增加 TF32、cuDNN autotune、DataLoader workers、tier2.intervene_every=2 等 A100 运行优化，并把 VRAM 安全阀写入 COMPUTE.md。

效果：当前不能确认真实模型效果。README 顶层仍写“framework/no baselines yet”；src/RESULTS.md 明确区分 real now 与 TBR until trained，说明 ASG-WM metric values 要等 Tier-2 checkpoint，四个 neural baseline rows 也待实现。commit message 提到 106 tests pass，但测试主要证明代码路径/合成数据/表格生成，不等于真实 SEVIR 技能分数或业务可用性。

代码/数据状态：有较完整代码、脚本、notebook、LaTeX paper 目录和 figure/table 管线；无明确 GitHub license；无 release；未见公开模型权重或真实结果 JSON；数据依赖 SEVIR/NEXRAD/MRMS 下载与处理。若后续要复现，需要先检查 license、依赖、数据下载量、gold labels、真实 checkpoint 生成路径和 baseline adapters。

一句技术判断：这是一个直接相关且概念上有启发的 precipitation nowcasting 研究工程更新，价值在“显式可干预世界状态 + faithfulness 评估 + 严格 TBR 结果占位”；当前证据不足以支持性能结论。

与雷达回波预报的相关性：较高。它以 SEVIR VIL 和雷达/降水场 nowcasting 为主任务，并考虑 NEXRAD/MRMS OOD；但输出变量更偏 VIL/radar-like precipitation field，不等同于业务 dBZ 组合反射率外推。NEXRAD/MRMS 到 VIL 的变量桥接也需要单独评估。

对用户研究的启发：如果用户研究需要更强可解释性，可以借鉴 ASG 作为中间状态、zero-state ablation、结构化 intervention、regime-stratified evaluation 和 SEDI/高阈值指标；如果目标是先提高强降水 CSI/FSS，则不应直接把该仓库当作强 baseline，应等其提供真实 checkpoint、完整结果表和 baseline adapter。

4. 相关/排除条目详述#

4.1 sonderlau/PrecipitationNowcasting#

来源/平台：Hugging Face dataset。API 显示创建与最后修改时间均为 2026-06-30 06:45:32 UTC，即 2026-06-30 14:45 +08。

大致内容：当前没有 README、dataset card、样例、数据文件、格式说明、license 或论文链接；siblings 只有 .gitattributes。因此无法判断它是雷达、卫星、站点还是普通降水时序数据，更不能写成新数据集发布。

技术判断：按名称与 precipitation nowcasting 相关，但当前只是空占位，不构成论文、数据、模型或代码进展。

对用户研究的启发：后续只需监控是否上传实际文件、卡片、数据来源、时空分辨率、变量、任务定义和授权；在此之前不值得下载或引用。

4.2 sushantakundu/gsmap-live#

来源/平台：GitHub。最新 commits 仍是 Auto-update GSMap_Combined.gif，最近变更只涉及 GIF。

大致内容：这是 GSMap precipitation nowcast/observation 动图自动刷新，不包含训练脚本、模型结构、数据处理流水线、客观评分或论文链接。

技术判断：低价值自动刷新，不是 AI radar/precipitation nowcasting 方法进展。继续排除，除非后续出现真实模型、数据处理、评估或论文状态变化。

4.3 已覆盖条目状态复核#

• JustlikeCatnip/HexMFG：仍停在 2026-06-29 15:57 +08；无论文、license、数据、权重或结果表新增。
• trainingnair/Precipitation_Nowcasting_from_Space_Challenge-2026：仍是 README + LICENSE 空壳，未出现 baseline/solution。
• ilove-datascience/rainraingoaway：仍停在 2026-06-28 21:36 +08；本轮无新 push。
• matko-iv/budva-radar：仍停在 2026-06-27 20:55 +08；本轮无新 license、release、验证或 DGMR 可运行证据。
• RuntimeWarning/CRFT：仍停在 2026-06-26 19:08 +08；无本轮更新。
• RuntimeWarning/SDIR：仍停在 2026-06-04；无本轮更新。
• CompVis/weather-rf / FREUD：GitHub 仍为 2026-06-01 push，Hugging Face 仍为 2026-06-15 lastModified；CVPR Open Access PDF 可读，但这属于已覆盖的 CVPR 2026/rectified-flow nowcasting 状态，不是 2026-07-01 新增。

5. 近年高价值回看：本轮推荐#

本段不计入今日新增。它用于补充近年值得主动跟进的 direct radar/precipitation nowcasting 或强相关方法；以下条目均需按原始发布时间和平台理解，不能写成 2026-07-01 新增。

5.1 exPreCast#

来源/期刊或会议：arXiv 预印本 2602.05204，arXiv 页面注明 ICLR 2026；GitHub tony890048/exPreCast 写作官方实现。不是今日新增；GitHub 最新 push 为 2026-02-09。

数据集：论文/README 使用 SEVIR、MeteoNet 和新构建的 KMA balanced radar dataset。KMA 数据集刻意覆盖 ordinary 到 extreme precipitation events，用来缓解只偏普通降水或只偏极端事件的 benchmark 偏置。README 给出数据下载/处理指向另一个仓库，但本轮未下载核验数据授权和完整文件结构。

模型构建：exPreCast 是确定性高效率模型，重点面向 extreme precipitation nowcasting 的局地结构。核心组件包括 Local Spatiotemporal Attention、Texture-Preserving Cubic Dual Upsampling Decoder 和 Temporal Extractor，目标是在不引入 diffusion/generative ensemble 高推理成本的情况下保留细粒度雷达纹理。

训练测试方式：GitHub 提供 train.py、eval.py、dataset.py、metrics.py、model.py、loss.py 等脚本，README 示例为 python train.py --dataset KMA --gpu_id 0,1,2,3。仓库还给出 KMA、SEVIR、MeteoNet 的 Google Drive checkpoint 链接；无 release。

效果：作者称在 SEVIR、MeteoNet、balanced KMA 上达到强 deterministic performance，尤其关注 normal 与 extreme rainfall regimes 的一致性。本轮未重跑指标，不能把论文结果直接外推到用户数据。

代码/数据状态：代码和 checkpoint 链接存在；GitHub API 未识别明确 license；数据需按说明另行下载/处理。

技术判断与启发：这是比一般 U-Net 更值得回看的确定性路线，尤其适合作为“极端降水局地结构保真 + 快速推理”的 baseline。对用户研究的启发是构造 balanced event split，并单独评估 normal/extreme regimes，而不是只看总体 CSI。

5.2 STC-GS#

来源/期刊或会议：arXiv 预印本 2502.14895，arXiv 页面注明 ICLR 2025 Oral；GitHub Ziyeeee/STC-GS 为代码仓库，MIT license；项目页和 Hugging Face 3D-NEXRAD 数据集公开。

数据集：使用 3D-NEXRAD 数据，围绕 weather radar 3D volumetric sequences。GitHub README 给出 split tar 提取、预处理、Gaussian representation 生成和训练/测试命令；HF 数据集提供下载入口。它不是传统 2D VIL/降水图 nowcasting，而是更直接面向 3D 雷达体扫的动态表示和预测。

模型构建：先用 SpatioTemporal Coherent Gaussian Splatting 将每个时刻的 3D 雷达场表示为随时间关联的一组 Gaussians，再用 GauMamba 学习 Gaussian token 的时序演化。重点在 3D 表示效率和动态一致性，而不是常规 raster CNN/Transformer。

训练测试方式：README 给出 mp_represent.py 将原始数据转为 Gaussian representation，train.py 训练模型，test.py 结合原始 HDF5、Gaussian 目录和 checkpoint 做评估。需要 CUDA kernel 编译，工程成本高于普通 2D nowcasting。

效果：作者称 STC-GS 在 3D 表示上可获得超过 16x 的空间分辨率优势，GauMamba 在高动态雷达信号预测上优于现有方法。本轮未复现实验。

代码/数据状态：代码、MIT license、数据入口和 mini dataset 说明存在；GitHub 最新 push 为 2025-03-25，不是本轮新增。

技术判断与启发：如果用户研究后续想从 2D 组合反射率扩展到体扫/垂直结构，STC-GS 是高价值参考。直接启发是把“雷达体扫表示”与“时序预测”解耦，避免把 3D 信息压成单层图后再预测。

5.3 PixelFlowCast#

来源/期刊或会议：arXiv 预印本 2605.10046，提交于 2026-05-11，暂无期刊信息。

数据集：arXiv 摘要明确在公开 SEVIR 数据集上实验。未发现官方代码、数据扩展或权重。

模型构建：两阶段概率预测框架。第一阶段由 deterministic model 生成 coarse forecast，把握全局演变趋势；第二阶段用 KANCondNet 提取时空演变条件，再用 latent-free、few-step Pixel Mean Flows predictor 直接在像素空间做 x-prediction，避免 latent compression 损失高频物理细节。

训练测试方式：论文声称对 long sequence forecasting、预测精度和推理效率进行评估；本轮只核验 arXiv 摘要和页面，未读取完整附录或复现实验。

效果：作者声称在 SEVIR 上优于主流方法，兼顾高保真和高效率，尤其适合长序列预测。本轮未复核完整表格，不能直接采用其数值结论。

代码/数据状态：未发现官方 GitHub/Hugging Face 代码、权重或数据发布。

技术判断与启发：它和 FlowCast/FREUD 的关键差异是放弃 latent compression，直接处理像素空间生成。对用户研究的启发是：如果用户发现 latent 方法在强回波边界和小尺度对流核上损失过大，可考虑 pixel-space flow/mean-flow 类路线，但要先评估显存、推理时延和高阈值 CSI。

5.4 SynCast#

来源/期刊或会议：arXiv 预印本 2510.21847，提交于 2025-10-22；GitHub Dtdtxuky/SynCast 写作官方 PyTorch 实现。本轮未以可读 IEEE 元数据完全核验正式发表状态，因此此处按 arXiv + GitHub 处理。

数据集：arXiv 摘要没有在页面摘要中列出数据集；GitHub 包含 datasets/、OpenSTL/、configs 和训练脚本。本轮未下载 PDF/配置核验具体数据集和切分。

模型构建：SynCast 针对 nowcasting 指标冲突，尤其 CSI 与 FAR 的权衡，把 preference optimization 引入 precipitation nowcasting。训练分 Base Model Pre-training、DPO fine-tuning for FAR、SPO fine-tuning for CSI 三阶段，目标是先抑制 false alarm，再在保留 FAR alignment 的约束下提升 CSI。

训练测试方式：GitHub 提供 train.py、train.sh、configs、val.py、inference.py、latent preprocessing 等文件。README 指出通过传入不同 config 运行三阶段训练。

效果：作者声称能在 CSI/FAR 等冲突指标之间取得协同改进。由于本轮未复核完整论文结果，不复述具体数值。

代码/数据状态：代码存在；无明确 license；无 release；未见权重。

技术判断与启发：SynCast 的价值不只在模型结构，而在训练目标设计。对用户研究很实用的启发是把高阈值 CSI、FAR、POD、HSS 的冲突显式写进后训练目标或重排序策略，而不是只调一个固定 loss。

6. 检索记录#

• arXiv：使用 API 和搜索页面检索 precipitation nowcasting、radar echo nowcasting、weather radar nowcasting、radar nowcasting、convective nowcasting、short-term precipitation forecasting、flow matching precipitation nowcasting、diffusion precipitation nowcasting、satellite-to-radar、SEVIR nowcasting、NEXRAD nowcasting、HKO-7 nowcasting、DGMR nowcasting、PySTEPS nowcasting 等。最新 direct 条目仍为已覆盖的 Pointwise is Pointless? v2、FlashBack Memory、TA-SmaAt-UNet、SDIR 等，无 2026-06-30 13:04 +08 之后新提交。
• GitHub：检索 pushed:>=2026-06-30 的 direct 和扩展关键词，包括 precipitation nowcasting、radar nowcasting、weather radar nowcasting、radar echo nowcasting、rainfall nowcasting、convective nowcasting、SEVIR、DGMR、flow matching、diffusion 等。有效 direct 更新为 kagtgi/Forecasting-Through-Meteorological-Reasoning；gsmap-live 为 GIF 自动刷新。
• Hugging Face：检索 models/datasets 中 radar nowcasting、precipitation nowcasting、weather radar nowcasting、radar echo nowcasting、rainfall nowcasting、flow matching precipitation nowcasting、SEVIR nowcasting、DGMR nowcasting。模型端无窗口内新模型；数据端发现空占位 sonderlau/PrecipitationNowcasting。
• Crossref：按 2026-06-29 至 2026-07-01 日期过滤 precipitation nowcasting、radar echo nowcasting、weather radar nowcasting、convective nowcasting deep learning、radar quality control deep learning、satellite radar retrieval precipitation、flow matching precipitation nowcasting。结果主要是化学沉淀、地质雷达、通信、医学和泛 AI 噪声，未作为 direct 正向证据。
• OpenAlex：本轮日期过滤 API 返回 503，未作为“无结果”证据。
• Semantic Scholar：Graph API 本轮全部 429，未作为“无结果”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。检索到的 ICLR/CVPR/IEEE/AMS/AGU/RMetS 条目主要早于当前窗口，已放在状态复核或近年回看。
• 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。NOAA/ECMWF 返回的全球 AI 模型、Destination Earth、HPC、WPC 业务预报或普通天气网页不属于雷达回波/降水临近预报 AI 交付物。

7. 下一轮值得继续跟进#

1. kagtgi/Forecasting-Through-Meteorological-Reasoning 是否补充明确 license、release、真实 Tier-2 checkpoint、SEVIR skill JSON、baseline adapters、完整论文状态或 arXiv/DOI。
2. sonderlau/PrecipitationNowcasting 是否上传真实数据、README、变量说明、任务定义、时空分辨率、license 和样例。
3. JustlikeCatnip/HexMFG 是否补论文、license、数据下载/授权、权重、结果表、lead-time CSI/FSS 曲线或正式 release。
4. trainingnair/Precipitation_Nowcasting_from_Space_Challenge-2026 是否从空壳变成真实 baseline/solution 仓库。
5. rainraingoaway、matko-iv/budva-radar、kagtgi、RuntimeWarning/CRFT、CompVis/weather-rf、Dtdtxuky/SynCast 是否出现 license、权重、数据、指标或更大代码变化。
6. Pointwise is Pointless?、FlashBack Memory、TA-SmaAt-UNet、PixelFlowCast 是否补充代码、数据可用性、正式会议/期刊状态或新版本。
7. IEEE TGRS A Margin based Decomposition Framework via Intensity Flow Matching for Precipitation Nowcasting 是否能获取可核验摘要/PDF、代码、数据集和高阈值 skill 结果。
8. flow matching、diffusion/generative solver、satellite-to-radar retrieval、雷达质控、机会观测和 3D 雷达体扫预测继续单列；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。