# 2026-07-02 雷达回波 AI 进展日报

检索时间：2026-07-02 13:02 +08  
主窗口：2026-07-01 13:16 +08 至 2026-07-02 13:02 +08  
48 小时缓冲：向前回看至 2026-06-30 13:16 +08，用于覆盖索引延迟、代码平台延迟推送和上一轮条目的状态复核。  
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 2026-07-01 13:16 +08 之后新的高价值 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 模型/数据集，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。

主窗口内唯一反复命中的 GitHub 更新是 `sushantakundu/gsmap-live` 的 `GSMap_Combined.gif` 自动刷新。2026-07-02 00:35 UTC 的 commit 只改动 1 个 GIF 文件，因此继续按低价值可视化自动刷新排除，不写成 AI nowcasting 方法进展。

本轮额外发现 1 篇 direct radar nowcasting 正式论文：Springer `Discover Computing` 的 `A novel spatiotemporal GAN for radar nowcasting with multi-branch intensity separation and 3D temporal attention`，Published: 29 June 2026。它是高相关正式论文，但发布日期早于本轮主窗口，也早于当前 48 小时缓冲下限；因此写作“窗口外漏检补录/近几日正式论文”，不计入今日主窗口新增。

## 1. 主窗口新增条目表

| 标题 | 日期 | 来源/期刊/会议/平台 | 链接 | 类型 |
|---|---:|---|---|---|
| 无高价值 direct 新增 | 2026-07-01 13:16 +08 至 2026-07-02 13:02 +08 | arXiv、GitHub、Hugging Face、Crossref、OpenReview、Papers with Code、AMS/IEEE/AGU/RMetS/EGU/Copernicus、机构页综合检索 | - | 明确负结果 |

## 2. 主窗口内命中但不进入主表

| 标题 | 日期 | 来源/平台 | 链接 | 类型 |
|---|---:|---|---|---|
| `sushantakundu/gsmap-live` 自动刷新 | 最新 commit: 2026-07-02 08:35 +08 | GitHub | [repo](https://github.com/sushantakundu/gsmap-live), [commit](https://github.com/sushantakundu/gsmap-live/commit/c9e140bdcf72ab79f5355f1d2638b99b2a659200) | GIF 可视化自动刷新；低价值排除 |

### 2.1 `sushantakundu/gsmap-live`

来源/平台：GitHub。最新 commit 信息为 `Auto-update GSMap_Combined.gif`，GitHub commit 页显示只改动 `GSMap_Combined.gif` 1 个文件。  
大致内容：仓库生成或刷新 GSMap precipitation nowcast/observation 动图。没有训练脚本、模型结构、数据处理流水线、评估脚本、论文链接、权重或结果表。  
技术判断：不是 AI radar/precipitation nowcasting 方法更新，也不是数据集发布；只可视为自动可视化刷新。  
与雷达回波预报的相关性：低。主题是降水可视化，不涉及雷达回波外推或深度学习临近预报。  
代码/数据状态：有 GitHub 仓库，但本轮变化仅 GIF，不构成可复现实验资源。

## 3. 窗口外漏检补录：高相关正式论文

| 标题 | 日期 | 来源/期刊/会议/平台 | 链接 | 类型 |
|---|---:|---|---|---|
| `A novel spatiotemporal GAN for radar nowcasting with multi-branch intensity separation and 3D temporal attention` / S2R-GAN++ | Published: 2026-06-29；Accepted: 2026-06-16 | `Discover Computing` 29, Article 401 (2026)，Springer Nature；正式期刊论文，开放获取 | [Springer](https://link.springer.com/article/10.1007/s10791-026-10285-9), [DOI](https://doi.org/10.1007/s10791-026-10285-9) | direct radar rainfall nowcasting；窗口外补录，不计入今日新增 |

### 3.1 S2R-GAN++

来源/期刊或会议：Springer Nature `Discover Computing`，Volume 29, article 401 (2026)。页面显示 Published: 29 June 2026，Version of record: 29 June 2026，DOI 为 `10.1007/s10791-026-10285-9`。这是正式期刊论文，不是 arXiv 预印本。

大致内容：文章提出 S2R-GAN++，面向 weather-radar short-term rainfall nowcasting。它从上一代 S2R-GAN 的递归单步外推转为 sequence-to-sequence 多步生成，目标是减少误差逐步累积、保持高强降水核心和时间连续性。

数据集：使用两个雷达数据集：PhaDin（Vietnam）和 DWD（Germany）。论文方法部分描述输入雷达反射率范围约为 -35 至 85 dBZ，并按 20、40、50、65、85 dBZ 阈值划分 light、moderate、heavy、extreme 四类强度分支。PhaDin 与 DWD 的实际原始数据、文件清单和许可仍需后续单独核验；论文网页本身未看到可直接下载的数据包。

模型构建：生成器为 ST-MFF Generator，包含强度分离、多尺度 3D feature extraction、adaptive gating fusion、3D autoencoder/ConvLSTM 动力建模和 3D temporal attention；判别器为 ST-S2RD Discriminator，同时看局地 PatchGAN 空间细节和序列级时间连续性。核心启发是“按强度分支建模 + 3D 时间注意力 + 直接多步生成”。

训练测试方式：网页摘要与方法说明显示，在 PhaDin 和 DWD 上与 S2R-GAN 等基线比较，并进行多步序列预测。输出采用一次前向生成完整 future nowcasting sequence，而不是把上一帧预测递归喂回模型。

效果：论文摘要称，相对 S2R-GAN，平均 MSE 在 PhaDin 上降低约 20.3%，在 DWD 上降低约 43.6%，并提升 SSIM，说明空间结构保持更好。该结果来自作者论文，当前未复现实验，不能直接外推到中国业务雷达或用户数据。

代码/数据状态：本轮未发现 S2R-GAN++ 对应的公开 GitHub/Hugging Face 仓库；GitHub 搜索 `S2R-GAN++`、论文题名和 `PhaDin DWD code` 未命中有效代码。论文为开放获取，但页面许可为 CC BY-NC-ND 4.0，代码和数据另需核验。

技术判断：这是本轮最值得补录的 direct radar nowcasting 正式论文，价值在于针对高强度回波和长 lead-time 结构衰减给出明确结构设计。限制是缺少公开代码/权重，PhaDin/DWD 的可获得性和授权不清，且 GAN 指标主要还是 MSE/SSIM 等像素和结构指标，需补 CSI/FSS/POD/FAR 分强度阈值验证。

与用户研究的启发：如果用户研究重点是强回波核、长时效模糊和递归误差累积，可以把“强度分支 + gated fusion + 序列级判别器/时间注意力”作为结构参考；如果目标是业务可复现基线，应先等待或索取代码、数据切分、训练超参和阈值评分结果。

## 4. 近年高价值回看：本轮推荐

本节不计入今日新增。用途是补充近期值得跟进的 direct radar/precipitation nowcasting 或强相关方法；所有条目均按原始发布时间和平台理解，不写成 2026-07-02 新增。

| 标题 | 年份/状态 | 来源/平台 | 链接 | 类型 |
|---|---:|---|---|---|
| `IMPA-Net: Meteorology-Aware Multi-Scale Attention and Dynamic Loss for Extreme Convective Radar Nowcasting` | arXiv 2026-04；暂无期刊信息 | arXiv + GitHub | [arXiv](https://arxiv.org/abs/2604.24224), [GitHub](https://github.com/Nanming666/IMPA-Net) | direct convective radar nowcasting |
| `M3R: Localized Rainfall Nowcasting with Meteorology-Informed MultiModal Attention` | arXiv 2026-04；作者备注 accepted at ICME 2026 | arXiv + GitHub | [arXiv](https://arxiv.org/abs/2604.15377), [GitHub](https://github.com/Sanjeev97/M3Rain) | direct rainfall nowcasting；NEXRAD + PWS |

### 4.1 IMPA-Net

来源/期刊或会议：arXiv 预印本，Submitted on 27 Apr 2026，暂无期刊信息。GitHub `Nanming666/IMPA-Net` 存在，README 写有“Code will be released upon publication”，同时仓库中已有中文环境、数据准备、训练、测试和可视化说明；GitHub 页面显示最新 release 为 2026-04-18。

数据集：论文摘要称使用 eastern China multi-source radar dataset。具体数据公开性、许可、空间范围、时间覆盖和切分需要读 PDF 或联系作者核验；GitHub README 只给出 `data/Train/Radar`、`data/TestA/Radar` 和 CSV 文件列表结构。

模型构建：IMPA-Net 是 deterministic 0-2 h nowcasting 框架，包含 Spatial Mixer、multi-scale predictive attention 和 Meteorologically-Aware Dynamic Loss。设计目标是缓解像素损失导致的强回波平滑，并在 mesoscale-beta 到 mesoscale-gamma 尺度上保留结构能量。

训练测试方式：论文摘要称与 7 个基线对比，并与 pySTEPS 比较严重事件探测和误报控制；GitHub README 给出单卡、多卡训练脚本、测试命令和 `[B,T,C,H,W]` 输入格式。

效果：arXiv 摘要报告，45 dBZ 阈值下 HSS 从 SimVP baseline 的 0.049 提升到 0.143，并称频谱分析显示多尺度能量保持更好。作者也明确限制在单一区域和单一对流 regime，泛化需验证。

代码/数据状态：GitHub 有仓库和 release，但 README 仍写“Code will be released upon publication”，页面能看到的结构较有限；无明确公开数据包、权重或许可证信息。不能当作完整可复现基线。

技术判断与启发：对用户研究最直接的启发是把高阈值 HSS/CSI、频谱能量保持和动态损失纳入强对流评估，而不是只看低阈值总体 MSE/CSI。

### 4.2 M3R / M3Rain

来源/期刊或会议：arXiv 预印本，Submitted on 15 Apr 2026；作者备注 accepted at IEEE ICME 2026。这里按“arXiv + 作者备注 ICME 2026”处理，仍需以后续 IEEE/会议正式页面为准。

数据集：GitHub README 写明使用 Lake Charles, Louisiana 的 KLCH radar station，NEXRAD Level-2 数据来自 AWS S3 `noaa-nexrad-level2`，PWS 数据来自 Weather Underground，时间段 2022-2024，空间覆盖 KLCH 周边 100 km，时间分辨率 15 min。论文摘要提到三个以 NEXRAD 雷达站为中心的 100 km x 100 km 区域。

模型构建：M3R/M3Rain 将 NEXRAD radar imagery 与 PWS 气象站时间序列结合。视觉分支处理雷达图像 token，时间序列分支处理温度、湿度、气压、风等 PWS 特征，再通过 multimodal attention 让站点序列作为 query 选择性关注雷达空间特征，最后预测 rainfall rates。

训练测试方式：仓库含 `Scripts/Radar` 和 `Scripts/PWS` 数据处理流水线、HDF5 dataset loader、M3 模型、DLinear/PatchTST/iTransformer 等基线，以及 `run_m3.py`、`test_m3.py`、`run_transformer.py`、`test_transformer.py`。README 写明 4-step input 和 4-step prediction，并用 RMSE、MAE、R2、PCC、CSI 评估。

效果：arXiv 摘要称 M3R 在 NEXRAD + PWS 多模态 nowcasting 上优于既有方法；本轮未复现实验，也未看到完整数值表，因此不复述未核验数值。

代码/数据状态：GitHub `Sanjeev97/M3Rain` 有代码与处理脚本，最新 push 为 2026-03-31；无明确 license，无 release，无权重。数据依赖公开 NEXRAD 与 Weather Underground 抓取，PWS 数据授权和可重复抓取稳定性需单独核验。

技术判断与启发：这不是纯 radar echo extrapolation，而是 radar + 地面站多模态降雨预测。对用户研究的启发是把点位/站点观测作为 query 或条件信号融入雷达特征，特别适合研究局地化降水强度校正；但若目标是区域面状雷达回波外推，需要谨慎处理点面尺度不一致。

## 5. 检索记录

- arXiv：API 检索 `precipitation nowcasting`、`radar nowcasting`、`radar echo nowcasting`、`weather radar nowcasting`、`convective nowcasting`、`short-term precipitation forecasting`、`flow matching precipitation nowcasting`、`diffusion precipitation nowcasting`、`satellite-to-radar`、`SEVIR nowcasting`、`NEXRAD nowcasting`、`DGMR nowcasting`。最新 direct 仍是此前覆盖的 `Pointwise is Pointless?` v2、`FlashBack Memory`、`TA-SmaAt-UNet`、`SDIR`、`IMPA-Net` 等，未发现 2026-07-01 13:16 +08 之后新提交。
- GitHub：检索 `pushed:>=2026-07-01` 的 `precipitation nowcasting`、`radar nowcasting`、`weather radar nowcasting`、`radar echo nowcasting`、`convective nowcasting`、`SEVIR nowcasting`、`DGMR nowcasting`、`flow matching precipitation nowcasting`。主窗口只命中 `gsmap-live` GIF 自动刷新。
- Hugging Face：检索 models/datasets 中的 `precipitation nowcasting`、`radar nowcasting`、`weather radar nowcasting`、`radar echo nowcasting`、`rainfall nowcasting`、`SEVIR nowcasting`、`DGMR nowcasting`。无主窗口新模型/数据；上一轮空占位 `sonderlau/PrecipitationNowcasting` 未见新内容。
- Crossref：按 2026-06-30 至 2026-07-02 日期过滤 `precipitation nowcasting`、`radar echo nowcasting`、`weather radar nowcasting`、`radar nowcasting deep learning`、`convective nowcasting deep learning`、`radar quality control deep learning`、`satellite radar retrieval precipitation`、`flow matching precipitation nowcasting`、`diffusion precipitation nowcasting`。结果主要是非气象、非雷达、非 nowcasting 或中长期/下游天气条目，没有可进入主表的 direct 命中。
- OpenAlex：本轮 API 返回 503，未作为“无结果”证据。
- Semantic Scholar：Graph API 返回 429，未作为“无结果”证据。
- OpenReview / Papers with Code / AMS / IEEE / AGU / RMetS / EGU / Copernicus：未发现主窗口新的 direct AI radar/precipitation nowcasting 交付物。网页检索命中的 AMS、AGU、IEEE 条目多早于本轮窗口，或属于卫星/中长期/下游天气模型，不混入主表。
- 机构动态：Google DeepMind、ECMWF、NOAA、Met Office、中国气象局/中国天气网未发现主窗口内新的 direct AI radar/precipitation nowcasting 发布。ECMWF/NOAA/Met Office 检索命中的机器学习天气、航空、全球/区域预报和观测资料页不等同于雷达回波临近预报。

## 6. 下一轮值得继续跟进

1. S2R-GAN++ 是否补充代码、权重、PhaDin/DWD 数据下载方式、训练切分、强度阈值 CSI/FSS/POD/FAR 和许可说明。
2. `kagtgi/Forecasting-Through-Meteorological-Reasoning` 是否补充 license、release、真实 Tier-2 checkpoint、SEVIR skill JSON、baseline adapters、完整论文状态或 arXiv/DOI。
3. `sonderlau/PrecipitationNowcasting` 是否从 Hugging Face 空占位变成真实数据集。
4. `IMPA-Net` 是否真正公开完整代码、数据切分、权重和许可证；尤其关注 45 dBZ 以上强回波指标是否能复现。
5. `M3Rain/M3R` 是否出现正式 ICME 2026 页面、license、release、权重或更清晰的数据授权说明。
6. `Pointwise is Pointless?`、`FlashBack Memory`、`TA-SmaAt-UNet`、`PixelFlowCast`、`A Margin based Decomposition Framework via Intensity Flow Matching for Precipitation Nowcasting` 是否补充代码、数据可用性、正式期刊/会议状态或新版本。
7. 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。