2026-07-08 雷达回波 AI 进展日报#

检索时间：2026-07-08 13:03-13:56 +08
主窗口：2026-07-07 14:04 +08 至 2026-07-08 13:56 +08
48 小时缓冲：向前回看至 2026-07-06 13:56 +08，用于覆盖索引延迟、平台延迟推送和上一轮可能遗漏的边界条目。
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、降尺度和 AI early-warning 等相关方法或启发。

0. 总体判断#

本轮发现 2 个值得进入主日报的 direct / near-direct 新条目：

1. ST-Mamba-LDM: An Attention-Mamba Hybrid Spatio-Temporal Latent Diffusion Model for Radar Echo-Based Precipitation Nowcasting。Crossref 在 2026-07-08 03:44 +08 创建 DOI 元数据，来源为 IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing。题名明确是 radar echo-based precipitation nowcasting，属于 direct 论文。对应 GitHub 官方实现已存在，但最后提交是 2026-06-27，不是本轮新代码发布；仓库无 release/tag，未发现公开权重和论文结果表。
2. Flash flood nowcasting based on deep learning and radar rainfall estimates。Crossref 在 2026-07-08 12:58 +08 创建 DOI 元数据，来源为 MODSIM2025 会议论文，PDF 可下载。它用 BoM RAINFIELDS 15 分钟雷达降雨、河流水位、encoder-decoder LSTM 与 HAND 淹没制图做山洪临近预报和影响预警。它不是雷达回波场生成模型，但属于“深度学习 + 雷达降雨估计 + nowcasting”的高相关应用条目。

此外，本轮有 5 类相关但不能写成 direct radar echo nowcasting 的信号：TSFNet 雨滴谱分钟级降水 nowcasting 预印本、相控阵天气雷达 physics-informed adaptive beamforming、Solafune 卫星多光谱到 GPM-IMERG 降水 nowcasting 竞赛代码、R2CH 卫星潜热检索 CNN、以及 S-band 雷达降雨 ensemble nowcasting 的淹涝评估应用。

本轮仍未发现 Google DeepMind、ECMWF、NOAA、Met Office、中国气象局等机构在窗口内发布新的 direct radar echo / precipitation nowcasting 代码、模型权重或数据集。

1. 主窗口新增与状态变化表#

2. 条目详情与技术判断#

2.1 ST-Mamba-LDM#

来源/期刊或平台：Crossref 元数据给出 DOI 10.1109/jstars.2026.3710785，期刊为 IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，publisher 为 IEEE，type 为 journal-article。DOI 可解析到 IEEE Xplore document 11596566，但 IEEE 页面当前有 WAF/客户端挑战，未能直接读取摘要。GitHub 仓库 Luyu-star/ST-Mamba-LDM 声明为官方 PyTorch implementation。

大致内容：题名和仓库 README 均表明，该工作面向 radar echo-based precipitation nowcasting，模型是 Attention-Mamba Hybrid Spatio-Temporal Latent Diffusion Model。仓库说明它在 SEVIR 数据集上评估，训练示例使用 SEVIR_13_12、seq_len 13、out_len 12，即以多帧雷达/事件序列输入预测后续序列。代码目录包含 stldm_mamba_hybrid_4dir、Mamba module、spatio-temporal latent diffusion 相关实现，以及来自 HKO/nowcasting 评估体系的 CSI/POD/FAR/HSS/MSE/MAE 等评估函数。

数据集、模型构建、训练测试方式、效果：可核验的数据集说明为 SEVIR，并要求用户自行下载 SEVIR 数据放入 data/。模型层面可核验到 latent diffusion、Mamba/Attention 混合模块、weighted MSE、x0 auxiliary loss 等实现痕迹。训练命令可运行入口存在。公开元数据没有摘要，仓库 README 没有论文结果表，因此本轮不能可靠写出其相对 DGMR、DiffCast、STLDM、ConvLSTM 或 Transformer baseline 的具体提升幅度。

代码/数据状态：GitHub 仓库公开，HEAD 为 75fda7f，提交时间 2026-06-27 14:16 +08；这不是本轮新增代码。仓库无 GitHub release/tag；未发现公开模型权重、训练日志、结果表或许可证文件。SEVIR 数据需要按 README 从原数据源下载，仓库中只带 SEVIR/CATALOG.csv。

技术判断：这是本轮最值得跟进的 direct 论文，因为它把 latent diffusion 与 Mamba/attention 时空建模结合到雷达回波降水临近预报，正好落在生成式 nowcasting 与状态空间模型交叉方向。但当前开放证据更像“论文 DOI 新上线 + 代码框架已公开”，还不是完整可复现交付；缺少权重、论文指标表和清晰 license。

对用户研究的启发：可作为近期生成式/扩散类雷达 nowcasting 的重点候选，尤其适合比较 STLDM、DiffCast、DGMR、FlowCast/flow matching、纯 ConvLSTM/Transformer 与 Mamba 类时序模块。下一步应补全文摘要、实验表、阈值 CSI/FSS/CRPS、强回波表现、训练 split 和代码许可。

2.2 Flash flood nowcasting based on deep learning and radar rainfall estimates#

来源/期刊或会议：MODSIM2025, 26th International Congress on Modelling and Simulation，publisher 为 Modelling and Simulation Society of Australia and New Zealand。Crossref created 为 2026-07-08 12:58 +08，但会议论文日期为 2026-05-01；因此它是本轮新索引/新发现，不代表会议当天新发表。

大致内容：PDF 摘要显示，作者来自澳大利亚 Bureau of Meteorology，目标是山洪短时预报与淹没制图。研究区域为澳大利亚新南威尔士 Hunter Valley，站点包括 Wollombi Brook、Greta、Wallis Creek，覆盖快速响应流域和受回水影响支流等不同水文动态。

数据集、模型构建、训练测试方式、效果：模型为 encoder-decoder LSTM，用 BoM RAINFIELDS 系统的 15 分钟雷达降雨输入和对应水位观测训练，训练数据覆盖 2022-2024 年，验证使用 2021 年 3 月重大洪水事件。模型在先前水文状态和近实时雷达 nowcasts 条件下预报水位，最长 12 小时；再结合高分辨率 LiDAR DEM 与 HAND 方法生成时空淹没图，并用 Sentinel-1 / Sentinel-2 洪水产品评估。摘要报告 90 分钟平均 RMSE/MAE 为 0.09 m / 0.06 m，12 小时为 0.45 m / 0.24 m；淹没预测整体精度超过 94%，12 小时 lead time 的 CSI 最高 84.5%。业务集成方面，摘要明确提到接入 BoM 雷达 nowcasting 系统 STEPS-ADV（至 90 分钟）和 STEPS-NWP（至 12 小时）。

代码/数据状态：未发现公开代码、模型权重、训练数据或可复现实验脚本。PDF 可下载，内容为会议论文。

技术判断：这是“雷达降雨估计 + 深度学习 + 影响型 nowcasting”的高相关应用，不是雷达回波图像序列预测，也不是端到端雷达 echo field generation。它对用户研究的价值在于展示了如何把雷达 nowcast 从降水场延伸到水位和淹没影响预警，并给出了较清楚的数据源、lead time 和业务系统接口。

对用户研究的启发：如果用户研究要从回波/降水 nowcasting 走向灾害影响预警，可参考该框架的三段式链条：雷达降雨 nowcast -> LSTM 水文响应 -> HAND/LiDAR 淹没图。对于纯雷达回波预报模型评估，它不应作为同类 baseline；但可作为“下游价值评估”的案例。

2.3 A Bin-Aware Deep Learning Framework for Precipitation Nowcasting from Disdrometer Spectra / TSFNet#

来源/平台：Crossref DOI 10.2139/ssrn.7069618，type 为 posted-content，subtype 为 preprint，resource 指向 SSRN。当前只能写作“SSRN 预印本 / Crossref posted-content”，暂无正式期刊或会议录用信息。

大致内容：论文关注从 Parsivel2 disdrometer 原始雨滴谱进行分钟级降水 nowcasting。作者认为常规把 drop-size / fall-velocity spectra 压缩为雨强或反射率会丢失有用微物理结构，因此提出 TSFNet，把 DSD 谱当作结构化地球科学时序数据。

数据集、模型构建、训练测试方式、效果：摘要显示模型包含 diameter-bin 和 terminal-velocity 信息的 spectral encoder、谱流与 bulk microphysical stream 的 gated fusion、面向强自相关雨强序列的 persistence-residual decoder，以及 DSD-derived physical variables 的辅助多任务头。实验使用中国西北祁连山北坡 3 个雨滴谱站 2020 年暖季分钟级观测，对比 7 个 tree-based、recurrent、feedforward 和 time-series forecasting baseline。摘要称 TSFNet 在 3 个站点取得最佳性能，相对各站点最强 baseline RMSE 降低 3.9%-12.3%，并在 18 个强度和持续时间分层 regime 中 16 个改善 forecast skill。

代码/数据状态：未发现公开 GitHub、Hugging Face、Zenodo、权重或数据下载链接。

技术判断：这不是雷达回波 nowcasting，也不是空间降水场预测；它是单站/多站雨滴谱微物理时序 nowcasting。其价值在于“保留微物理谱结构，而不是只用 bulk rain-rate/reflectivity”，对雷达回波临近预报可提供微物理特征建模启发，但不能作为雷达 nowcasting baseline。

对用户研究的启发：如果用户研究涉及双偏振雷达、粒子谱反演或强降水微物理特征，可以借鉴 bin-aware encoder 与辅助物理变量约束；若研究目标是 2D/3D 回波外推，则需要额外空间建模和雷达观测输入。

2.4 Physics-informed deep learning-based adaptive beamforming for phased array weather radar#

来源/平台：Scientific Reports，DOI 10.1038/s41598-026-60229-y。Crossref created 为 2026-07-06 23:06 +08；Nature 搜索结果显示 article / open access，题名和作者为 Tarek Sallam、Ahmed M. Attiya。

大致内容：Nature 搜索摘要显示，该研究提出面向 phased array weather radar 的 physics-informed deep-learning beamforming 框架，重点处理大量天线单元配置下的计算效率和 weather target detection 可靠性。

数据集、模型构建、训练测试方式、效果：本轮未能直接读取 Nature 全文页面，Crossref 元数据也没有摘要。可核验信息限于题名、作者、期刊、发布时间和搜索摘要中的任务定位；不能写出训练数据、网络结构、误差指标或检测结果。

代码/数据状态：未发现公开代码、权重或数据集链接。

技术判断：这不是 precipitation nowcasting；它属于天气雷达观测链路和相控阵自适应波束形成。与用户研究的关系在于雷达资料质量、目标检测和观测不确定性会影响后续回波 nowcasting 的输入质量。应放入雷达质控/观测链路相关方法，不放 direct nowcasting。

对用户研究的启发：若用户研究未来考虑相控阵雷达、快速体扫或多波束观测，beamforming 的物理约束深度学习可能影响资料质量控制和回波场一致性；当前不适合作为 nowcasting 模型对照。

2.5 Solafune Precipitation Nowcasting / holys519/solafune_precipitation_nowcasting#

来源/平台：GitHub 仓库创建于 2026-07-07 14:43 +08，最新提交 53460bd。README 标注 Solafune 竞赛“宇宙からの降水ナウキャスト”，任务为 satellite-to-precipitation raster regression。

大致内容：输入为最近 30 分钟内的静止气象卫星多光谱观测，目标为同地点、同时刻的 GPM_IMERG 校准降水量 GeoTIFF。卫星包括 Himawari 8/9、GOES、Meteosat；外部数据禁止。代码包含 EDA、Compact UNet baseline、exp001/exp002 训练推理流水线和提交 zip 生成。

数据集、模型构建、训练测试方式、效果：README 与 EXPERIMENT_REPORT.md 显示 exp001 使用最多 3 个观测时刻、每个 16 通道，合并为 48 通道，加观测 mask 和卫星 one-hot 后形成 54 通道输入；Compact UNet 回归 41x41 GPM-IMERG 降水栅格。报告给出 exp001 CV RMSE 0.810831、public RMSE 0.753200，并指出 zero baseline RMSE 0.962228。exp002 计划做 full data、5-fold、rain-weighted loss 和 per-satellite normalization。

代码/数据状态：代码公开，但大体量竞赛数据、模型权重和输出 zip 不在 Git 管理中；无 GitHub release/tag。

技术判断：这是较完整的 satellite-to-precipitation nowcasting/检索竞赛工程，不是天气雷达回波临近预报。对用户研究的价值主要在卫星到降水栅格回归、区域泛化、强零值目标、rain-weighted loss 和竞赛工程组织；不能与雷达 echo nowcasting 论文直接横向比较。

对用户研究的启发：若用户关注 satellite-to-radar retrieval 或多源融合，可参考它的多卫星通道对齐、地点泛化验证和雨区加权损失设计；但雷达输入输出、运动外推和高频时序能力仍需另建。

2.6 R2CH satellite latent heating retrieval#

来源/平台：Journal of Geophysical Research: Atmospheres，DOI 10.1029/2025jd045988。Crossref created 为 2026-07-07 01:48 +08。

大致内容：该研究提出 Satellite Residual Two-Stage Convolutional Neural Network Heating，即 R2CH，用于检索降水顶和云顶之间非降水云层的潜热释放。动机是传统物理卫星潜热检索主要依赖 precipitation radar observations，只能探测降水顶以下的 hydrometeors，容易低估 PTH 到 CTH 之间的潜热。

数据集、模型构建、训练测试方式、效果：摘要显示 R2CH 使用 residual learning 和 two-stage convolutional framework，输入包括 CTH、PTH、气温、卫星观测推导的降水率垂直导数；与 WRF 模拟比较，并与 CNNH 和两个官方 GPM LH 产品对比。结果称 R2CH 能捕捉 PTH 以上非降水云的潜热并再现水平/垂直结构，但作者也说明需要更多验证判断哪种方法更准确。

代码/数据状态：未发现公开代码或数据下载。

技术判断：这不是 nowcasting，也不是雷达回波预报；它是卫星降水/潜热检索的 CNN 方法。与用户研究的关系在于卫星-雷达降水结构、云顶/降水顶物理变量和深度学习检索可能影响多源降水估计，但不应升级为临近预报进展。

2.7 Two-Dimensional Pluvial Evaluation...#

来源/平台：Springer Mechanisms and Machine Science 书章 DOI 10.1007/978-3-032-11165-4_74。Crossref created 为 2026-07-07 12:39 +08。

大致内容：题名显示该章使用 S-band weather radar rainfall ensemble nowcasting 做国家电网设施二维淹涝评估。Crossref 无摘要，Springer 页面本轮未能读取。

数据集、模型构建、训练测试方式、效果：公开元数据不足，不能确认具体雷达、ensemble nowcasting 方法、淹涝模型、评价指标或结果。

代码/数据状态：未发现公开代码、数据或模型。

技术判断：它与雷达降雨 nowcasting 的下游风险评估有关，但元数据没有 AI/deep learning 证据，因此只能作为低权重应用线索；不计为 AI radar echo nowcasting 新方法。

3. 低价值或排除项#

4. 已覆盖条目状态复核#

4.1 QuarkOther/RadarNowcastingAI#

git ls-remote 复核 HEAD 仍为 20a253d47873b414d3e460203f946733f336dd25，与上一轮一致。最近提交仍停留在 2026-07-03 20:17 +08 的 README 更新。本轮没有 checkpoint、指标表、论文或技术报告变化。

4.2 kagtgi/Forecasting-Through-Meteorological-Reasoning#

git ls-remote 复核 HEAD 仍为 616a9619f335d146bab404f386d2bbfcbaf4f631。本轮没有发现 arXiv/DOI、权重、许可证或标准 benchmark 状态变化。继续作为 direct engineering / framework signal，不能写成已验证性能进展。

4.3 pySTEPS/ERAD-nowcasting-course-2026#

HEAD 仍为 97c3ebcb3442162555743f45651e1f5bf7c84a92。GitHub commit API 显示最新提交只修改 README；仓库仍只有 README.md 和 LICENSE。继续作为 ERAD26 Academy precipitation nowcasting 课程动态，不是新模型或 benchmark。

4.4 FusionTempoNet#

本轮未发现从 SSRN/Crossref posted-content 升级为正式期刊、会议、arXiv 或公开代码。继续保持“直接相关预印本，但暂无期刊信息、代码和数据”的保守标签。

5. 近期待继续跟进的主题#

1. ST-Mamba-LDM：优先补 IEEE 摘要、全文指标、强回波阈值 CSI/FSS、SEVIR split、baseline 列表、代码 license、权重或训练日志。它是本轮最重要的 direct 技术线索。
2. MODSIM/BoM flash flood nowcasting：跟踪是否有代码、技术报告或 BoM 业务系统材料公开；重点看 RAINFIELDS、STEPS-ADV、STEPS-NWP 与 LSTM/HAND 的业务衔接方式。
3. TSFNet disdrometer nowcasting：等待 SSRN PDF、代码和数据；关注 bin-aware spectral encoder 是否可迁移到双偏振雷达或微物理特征建模。
4. 相控阵天气雷达 physics-informed beamforming：若全文可读，核查训练数据、物理约束形式、阵元规模、检测指标和计算速度；该方向影响雷达观测质量，不是 nowcasting 模型。
5. satellite-to-precipitation / satellite-to-radar retrieval：跟踪 Solafune 竞赛代码后续是否出现更强模型、区域泛化验证和 rain-weighted loss；但继续与 radar echo nowcasting 分桶。
6. R2CH / GPM-Himawari 潜热检索：作为多源降水结构和云-降水物理特征的相关方法，除非出现 nowcasting 任务，不进入 direct。
7. 生成式 nowcasting：继续跟踪 diffusion、latent diffusion、flow matching、rectified flow 与 Mamba/SSM 结合方向，尤其是公开权重和可复现实验。
8. 雷达 QPE/QC：Z-R 关系、beamforming、校准漂移、杂波/遮挡处理仍需跟踪；它们不是直接 nowcasting，但会影响训练标签和误报控制。

6. 本轮高价值负结果#

• arXiv direct 短语查询没有发现 2026-07-06 至 2026-07-08 提交的新 radar echo nowcasting / weather radar nowcasting / precipitation nowcasting 论文。
• 未发现本轮新的 Hugging Face 模型或数据集；huilinsigehigh/precipitation-nowcasting-sevir 仍停在 2026-04-26，junxuwww/RadarNowcasting 仍停在 2026-06-18。
• 未发现 Papers with Code / OpenReview 上可确认的本窗口 direct 状态变化；OpenReview API 部分返回 403/空结果，Papers with Code API 返回非 JSON 页面，本轮不把这些失败当作负证据。
• 未发现 Google DeepMind、ECMWF、NOAA、Met Office、中国气象局等机构在窗口内发布 direct radar echo / precipitation nowcasting 技术交付物。
• 没有把 globalnowcast 的 GFS REFC 可视化写成观测雷达或 AI 模型。
• 没有把 Solafune Precipitation Nowcasting 的卫星到 GPM-IMERG 回归写成雷达回波预报。
• 没有把相控阵天气雷达 beamforming、Z-R 关系、R2CH 潜热检索、日尺度降尺度和中长期/基础天气模型条目混入 direct radar nowcasting。

7. 检索记录#

• arXiv：官方 Atom API，按 submittedDate:[202607060000 TO 202607082359] 查询。短语包括 precipitation nowcasting、radar nowcasting、radar echo nowcasting、weather radar nowcasting、convective nowcasting、radar extrapolation、generative radar nowcasting、satellite-to-radar、radar quality control deep learning；宽查询包括 precipitation、nowcasting、radar AND weather、rainfall、meteorology/weather AND deep learning/AI。direct 结果为 0；宽查询召回 GNSS-ZWD/weather foundation model、cloud-seeding decision support、extreme precipitation blending 等非 direct 条目。
• Crossref：按 created date 2026-07-06 至 2026-07-08，用 query.bibliographic 与 query.title 搜索 direct 和相关词。确认 ST-Mamba-LDM、MODSIM flash flood nowcasting、TSFNet、PAWR beamforming、S-band pluvial evaluation、JHM Z-R、R2CH 等条目，并排除太阳辐照度/GDP/车载雷达/通信雷达等噪声。
• OpenAlex：publication date 2026-07-06 至 2026-07-08；未发现比 Crossref 更多的 direct 新条目；确认 PAWR beamforming 为 Scientific Reports 条目。
• Semantic Scholar：Graph API 对相关查询均返回 429，本轮记录为源限制，不作为无结果证据。
• GitHub：Search API 查询 pushed:>=2026-07-07 与直接关键词。确认 Luyu-star/ST-Mamba-LDM、holys519/solafune_precipitation_nowcasting、andrewnakas/globalnowcast、sushantakundu/gsmap-live；对重点仓库做浅克隆或 commit API 文件级检查。
• Hugging Face：models/datasets API 对 precipitation nowcasting、radar nowcasting、SEVIR nowcasting、ST-Mamba-LDM、satellite precipitation nowcasting 未发现窗口内新模型/数据。
• 期刊/会议/机构页：通过 DOI、Crossref、搜索结果和可下载 PDF 核验 IEEE、MSSANZ/MODSIM、Scientific Reports、AGU、AMS、Springer、Elsevier 相关条目；DeepMind、ECMWF、NOAA、Met Office、中国气象局未发现本窗口 direct 交付物。