2026-07-10 雷达回波 AI 进展日报#

检索时间：2026-07-10 13:02-13:15 +08
主窗口：2026-07-09 13:40 +08 至 2026-07-10 13:15 +08
48 小时缓冲：向前回看至 2026-07-08 13:40 +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/超分辨率、降尺度和非雷达降水 nowcasting 等相关方法或启发。

0. 总体判断#

本轮没有发现新的高价值 direct radar echo sequence nowcasting 论文、arXiv 预印本、官方代码、模型权重或数据集。RadarEchoMamba、ST-Mamba-LDM、QuarkOther/RadarNowcastingAI 等重点项没有出现可升级状态。

本轮值得记录的是 6 类新近索引或实质代码更新：

1. Enabling Physics-Based Deep-Learning Thunderstorm Nowcasting for Critical Decision Making in Innovative Air Mobility：CEAS-AIDAA 2025 会议论文，Crossref created 为 2026-07-10 00:00 +08。它是雷暴短临在航空飞行规划平台中的应用，属于 near-direct thunderstorm nowcasting，但公开摘要没有说明是否使用天气雷达，也没有公开模型指标。
2. Rainfall Field Reconstruction From Commercial Microwave Links via a Conditional Diffusion Model：Water Resources Research 2026-07-09 在线发表。它是条件扩散做 CML 降水场重建，不是雷达回波预报，也不是 nowcasting，但属于有启发的 generative/diffusion 降水场重建方法。
3. Deep learning-based radar reflectivity retrieval using satellite observations：IET Conference Proceedings，2026-07-01 发表、2026-07-09 Crossref 新近索引。它是 satellite-to-radar reflectivity retrieval，正文受限，暂只能保留元数据。
4. Heat-SwinIR: super-resolution reconstruction method for noisy low-resolution weather radar data based on heat conduction attention：IET Conference Proceedings，2026-07-01 发表、2026-07-09 Crossref 新近索引。它是 weather radar data 超分辨率/降噪，属于雷达资料质控/预处理相关，不是 nowcasting。
5. Met Office / AMS AIES FastNet：2026-07-08 Met Office 新闻和 AMS AIES 论文，关注 AI 中期天气预报的物理一致性 loss。它不是雷达短临，但“减少平滑、保持小尺度结构”的思路与回波外推损失函数设计相关。
6. GitHub andrewnakas/globalnowcast 和 holys519/solafune_precipitation_nowcasting 有实质代码更新。前者新增 GFS REFC 到 IMERG/MRMS 的 residual U-Net 订正框架，但没有训练权重；后者继续推进卫星到 GPM-IMERG 竞赛实验和 public score，不是天气雷达。

1. 新增与状态变化表#

2. 条目详情与技术判断#

2.1 Physics-based deep-learning thunderstorm nowcasting for IAM#

来源/会议或平台：Materials Research Proceedings 卷 69，CEAS - AIDAA Conference 2025，页码 25-30，DOI 10.21741/9781644904251-5。Crossref 元数据创建时间为 2026-07-09 16:00 UTC。

大致内容：公开摘要说明，论文关注 adverse weather 对 aircraft delays 的影响，尤其是雷暴及其伴随天气对航空最危险。作者将 physics-based deep-learning thunderstorm nowcasting 接入 innovative air mobility (IAM) flight planning platform，目标是给运营者更准确、更高分辨率的雷暴信息，从而支持更安全和更高效的飞行规划。

数据集：摘要只写 remote sensing data，没有说明具体传感器。当前不能确认是否使用天气雷达、卫星、闪电资料或多源融合，也不能确认时空分辨率和训练/测试区域。

模型构建、训练测试方式、效果：公开摘要没有提供网络结构、物理约束形式、损失函数、训练集、验证集、lead time、CSI/POD/FAR 或业务评估指标。只能确认它是 physics-based deep-learning thunderstorm nowcasting 的应用集成论文。

代码/数据状态：未发现 GitHub/Hugging Face 代码、模型权重、数据或平台 demo。

技术判断：这是本轮最接近 nowcasting 主线的新近索引论文，但证据不足以写成 direct radar echo nowcasting。它更像“雷暴短临产品接入航空决策平台”的应用案例。后续若能获取全文，最需要确认输入资料、是否 radar-based、lead time、物理约束实现和 IAM 业务收益指标。

对用户研究的启发：如果用户研究关注强对流短临从“格点场预测”到“影响型决策”的转化，这类论文可提供业务评价框架；若只做雷达回波序列生成，它目前只能作为应用背景，不能作为模型 benchmark。

2.2 CML-RainCDM 条件扩散降水场重建#

来源/期刊或平台：Water Resources Research，DOI 10.1029/2025WR042876，published online 2026-07-09，Crossref created 2026-07-09 12:22 UTC。

大致内容：论文目标是从 commercial microwave links (CMLs) 的路径平均衰减观测中重建高分辨率 rainfall fields。CML 是机会式地面遥感网络，成本低、覆盖密度在城市中可能较高，但观测是路径积分，反演到二维降水场是 ill-posed inverse problem。论文提出 CML-RainCDM，一个 physics-informed conditional diffusion framework。

数据集：Crossref 摘要没有给出具体国家/城市、CML 条数或雷达/雨量计真值来源。题名和摘要可确认数据源主体是 CML attenuation，目标是 gridded rainfall field。

模型构建、训练测试方式、效果：摘要说明模型包含 link encoding、implicit spatial structure prior injection 和 forward rain attenuation constraint，用空间先验和物理一致性约束改善降水强度估计和细尺度结构保留。对比对象包括 interpolation、statistical 和 deep learning baselines。摘要还说明 heavy rainfall event reconstruction 有鲁棒性提升，但 extreme intensities 仍难捕捉。

代码/数据状态：本轮未发现官方 GitHub、Hugging Face 模型、数据或权重。GitHub repository search 对 CML-RainCDM 和完整题名未找到仓库。

技术判断：这不是 radar echo nowcasting，也不是时间外推；它是 CML 到二维降水场的生成式重建。它的价值在于把条件扩散、物理正演约束和稀疏/路径观测融合到降水场估计中。对雷达研究的直接可用性有限，但对“雷达盲区、城市降水场重建、多源机会观测融合”有启发。

对用户研究的启发：可关注 forward observation constraint 的写法。雷达 nowcasting 中也可以把可观测约束、反射率-降水关系、雨量计/CML 观测作为条件项，用于生成式模型的物理一致性约束或后处理校正。

2.3 IET satellite-to-radar reflectivity retrieval#

来源/会议或平台：IET Conference Proceedings，卷 2025、期 52，页码 4756-4762，DOI 10.1049/icp.2026.1535。Crossref created 为 2026-07-09 13:42 UTC，published print 为 2026-07-01。作者机构包括成都信息工程大学电子工程学院、CMA Key Laboratory of Atmospheric Sounding、China Meteorological Administration Tornado Key Laboratory。

大致内容：题名为 Deep learning-based radar reflectivity retrieval using satellite observations。从题名可确认任务是用 satellite observations 检索 radar reflectivity。它属于 satellite-to-radar retrieval / 雷达盲区补全方向，不是未来时刻 nowcasting。

数据集、模型构建、训练测试方式、效果：IET 页面和 PDF 本轮返回 403，Crossref 无摘要，因此不能确认使用 FY-4A、Himawari、GOES、SWAN、CREF/RCRF 还是其他资料，也不能确认网络结构、训练/测试划分或指标。

代码/数据状态：未发现公开代码、数据或权重。

技术判断：这是 relevant but not direct。它和 2026-07-09 日报中的 EGUsphere CBAM-U-Net FY-4A 到 SWAN RCRF 检索处于同一技术桶，但当前信息量更少。不能把它写成雷达回波预报，也不能补造模型效果。

对用户研究的启发：继续跟踪全文。如果确认是中国业务卫星到雷达反射率检索，它可能对复杂地形、雷达盲区和多源融合预处理有价值。

2.4 IET Heat-SwinIR weather radar 超分辨率/降噪#

来源/会议或平台：IET Conference Proceedings，卷 2025、期 52，页码 4706-4711，DOI 10.1049/icp.2026.1525。Crossref created 为 2026-07-09 13:42 UTC，published print 为 2026-07-01。作者机构包括成都信息工程大学和 CMA Key Laboratory of Atmosphere Sounding。

大致内容：题名为 Heat-SwinIR: super-resolution reconstruction method for noisy low-resolution weather radar data based on heat conduction attention。从题名可判断它是针对 noisy low-resolution weather radar data 的超分辨率重建，方法可能基于 SwinIR 并加入 heat conduction attention。

数据集、模型构建、训练测试方式、效果：正文未获取，不能确认低分辨率雷达数据来源、退化方式、噪声类型、训练目标、尺度因子、PSNR/SSIM 或气象阈值指标。

代码/数据状态：未发现公开代码、数据或权重。

技术判断：它不是 nowcasting，但属于 radar data quality / super-resolution / preprocessing。对深度学习回波外推的潜在价值在输入质量提升、雷达盲区补全或高分辨率下游预测。当前只能作为元数据线索跟踪。

对用户研究的启发：如果后续全文显示它能稳定恢复强回波边界或降低雷达噪声，可能作为 nowcasting 前处理模块；但不能替代时间预测模型。

2.5 Met Office / AMS AIES FastNet#

来源/期刊或平台：AMS Artificial Intelligence for the Earth Systems，DOI 10.1175/AIES-D-25-0090.1；Met Office 于 2026-07-08 发布新闻稿介绍相关研究。

大致内容：论文题名为 FastNet: Improving the Physical Consistency of Machine Learning Weather Prediction Models through Loss Function Design。Crossref 摘要显示，FastNet 是 GNN-based global prediction model，研究重点是通过 loss function design 改善 deterministic ML weather prediction 的 physical realism。三类修改包括 modified spherical harmonic loss、horizontal gradient terms 和 alternative wind representation。

数据集：公开新闻和摘要没有在本轮提取到完整训练数据细节。Met Office 新闻称 FastNet 表现可与 Met Office Global Model 在部分指标上相当，并对 Hurricane Ian (2022) 和 Storm Ciaran (2023) 做了极端天气结构分析。

模型构建、训练测试方式、效果：Met Office 新闻说明 spherical harmonic loss 用于保留不同 atmospheric scales 的 energy distribution，减少 AI 预报常见的 blurring。新闻称 FastNet 在 RMSE 等常用验证指标上接近 Met Office Global Model，并改善风暴核心结构、pressure-wind relationships、peak winds 和 intense gradients。

代码/数据状态：本轮未发现公开代码、权重或可复现数据包。

技术判断：这是全球/中期 AI 天气预报，不是雷达回波临近预报，不应与 radar echo nowcasting 混在一起。但它的 loss 设计正好对应雷达外推中的老问题：MSE 导致强回波和边界平滑。可把它作为“频谱/梯度/物理一致性损失”的相关参考，而不是作为短临模型。

对用户研究的启发：雷达回波模型可以借鉴 spectral amplitude / gradient preservation 的损失设计，尤其在 Mamba、Transformer 或 diffusion/flow matching 框架中，避免只优化像素 MSE 导致高 dBZ 回波被抹平。

2.6 andrewnakas/globalnowcast optional ML REFC correction#

来源/平台：GitHub 仓库 andrewnakas/globalnowcast。本轮相关提交 0894d1836b19，提交时间 2026-07-09 17:47 UTC，message 为 Add optional ML post-processing to correct GFS REFC toward observed precip。

大致内容：仓库原本是用 NOAA GFS composite reflectivity (REFC) 诊断场生成全球可视化 nowcast/forecast 地图。最新提交新增 ml/ 目录和 pipeline/correct.py，设计一个 residual U-Net，将 GFS REFC 订正到 observed precipitation。

数据集：训练脚本支持两类观测标签：GPM IMERG global precipitation，经 Marshall-Palmer Z-R 转成 dBZ 并重网格到 GFS 0.25 度；MRMS CONUS composite reflectivity，匿名 S3 获取，重网格到 GFS 网格。ml/data/build_dataset.py 生成 (gfs_dbz, obs_dbz) .npz shards。

模型构建、训练测试方式、效果：ml/model.py 是一个小型 fully convolutional residual U-Net，约 0.5M 参数，输入 GFS dBZ，输出 residual，推理时加回输入并裁剪到 -30 到 80 dBZ。ml/train.py 用 128 x 128 patch、masked L1 loss 训练，并导出 ONNX。pipeline/correct.py 仅当 ml/model/refc_correction.onnx 存在且 onnxruntime 可用时才启用，否则 passthrough。

代码/数据状态：代码公开；训练数据需要 Earthdata token 或 MRMS 下载；训练权重被 gitignore，仓库当前没有 refc_correction.onnx，所以 live pipeline 仍不是 ML-corrected。

技术判断：这是实质工程更新，但不是 observed radar nowcasting。它订正的是 GFS diagnostic reflectivity / precipitation proxy，不是雷达观测序列预测。对用户研究的启发在于 residual correction、ONNX CPU 部署、GFS-IMERG/MRMS 配对数据构建，而不是短临雷达基准。

对用户研究的启发：若需要把 NWP/AIWP 背景场与观测降水融合，可参考这种轻量 residual post-processing；但雷达回波 nowcasting 仍需要明确观测雷达输入、lead time 和客观评分。

2.7 holys519/solafune_precipitation_nowcasting 代码更新#

来源/平台：GitHub 仓库 holys519/solafune_precipitation_nowcasting。最新提交 2cdc0311f378，提交时间 2026-07-10 04:54 UTC，message 为 exp015。

大致内容：仓库任务仍是 Solafune 竞赛“静止气象卫星多光谱观测到 GPM-IMERG 降水 GeoTIFF”的回归。今天新增/修改了 doc/research_survey_v2.md、doc/tile_overlap_discovery.md、g_experiments/exp013/*、g_experiments/exp015/* 等。doc/public_scores.md 更新显示 exp014 public RMSE 0.6968727727408199，优于 exp009 的 0.7153438899106017。

数据集：仍使用竞赛配布的 Himawari 8/9、GOES、Meteosat 多光谱输入和 GPM-IMERG 标签；外部数据禁止。新增文档指出训练/评估样本存在连续 episode、同时间窗邻近 tile 和局部重叠等数据结构。

模型构建、训练测试方式、效果：exp013 引入 parallax registration 和 wider temporal context，使用 exp009 的 two-head compact U-Net 作为锚点；exp015 做 isotonic OOF calibration，复用 exp009 checkpoint，对 amount-head 输出学习非线性单调校准曲线。exp014 是 tile-overlap GPM copy patch，利用配布数据中 eval 与 train tile 的空间重叠做后处理，public RMSE 改善约 0.01847。

代码/数据状态：代码和文档公开；数据、权重、submission zip 不公开；没有 release/tag/license。

技术判断：这是很实质的竞赛工程进展，但不是天气雷达、不是 radar echo extrapolation，也不应写成论文进展。它对用户研究的主要启发是：真实竞赛/业务数据中，数据泄漏、tile 重叠、时序 episode 结构和评估指标分解可能比更换 backbone 更关键。

对用户研究的启发：对雷达 nowcasting benchmark 也应检查空间/时间泄漏、相邻 tile 重叠、同一事件跨 fold 泄漏、无雨/中雨/强雨误差预算，否则模型改进可能被数据结构而非真实泛化驱动。

3. 低价值或明确排除项#

4. 值得继续跟进的主题#

1. Enabling Physics-Based Deep-Learning Thunderstorm Nowcasting...：获取全文，确认是否 radar-based、输入资料、lead time、物理约束和航空 IAM 平台评价指标。
2. IET Deep learning-based radar reflectivity retrieval... 与 Heat-SwinIR：等待 IET 页面/PDF 可访问，确认数据源、模型、指标、代码状态和是否可用于雷达盲区/质控前处理。
3. CML-RainCDM：关注是否释放代码/数据；重点看 forward attenuation constraint 和 conditional diffusion 如何结合机会式传感器。
4. FastNet loss 设计：作为频谱/梯度/结构保真损失参考，避免 radar echo nowcasting 中强回波被 MSE 平滑。
5. globalnowcast：只有在公开 ONNX 权重、评估指标或观测订正结果后才提升；当前只是框架代码。
6. RadarEchoMamba 与 ST-Mamba-LDM：继续盯官方代码、权重、数据划分和可复现 benchmark。
7. 雷达/降水 benchmark 数据泄漏检查：holys519 的 tile-overlap 发现提醒，短临数据集要做事件级、空间级和时间级泄漏审计。

5. 检索记录与来源限制#

• arXiv：使用 API 查询 radar echo nowcasting/extrapolation、weather radar nowcasting、precipitation nowcasting、radar reflectivity retrieval、flow matching weather/precipitation/radar、diffusion precipitation nowcasting。未发现 2026-07-09/10 direct 新预印本。
• Crossref：使用 from-created-date:2026-07-09,until-created-date:2026-07-10 与 nowcasting、radar、precipitation、rainfall nowcasting、reflectivity、weather artificial intelligence 等查询。命中新近相关条目包括 CEAS-AIDAA thunderstorm nowcasting、IET satellite-to-radar retrieval、IET Heat-SwinIR、AGU CML-RainCDM、AMS FastNet 等。
• OpenAlex：本轮相关查询多次 429，不能作为缺失证明。
• Semantic Scholar：多数相关查询仍 429，仅能部分返回旧 weather radar nowcasting 条目。
• OpenReview：搜索 API 可用但单条 note API 多次 403；未见 24-48 h 内新的 radar/precipitation nowcasting 状态变化。
• GitHub：repository search 显示近 24 h 相关命中主要是 holys519/solafune_precipitation_nowcasting、sushantakundu/gsmap-live、andrewnakas/globalnowcast；已逐项检查 changed files。
• Hugging Face：未发现 2026-07-09/10 新的 radar/precipitation nowcasting 模型或数据集。
• Papers with Code：API 返回非 JSON 页面，网页搜索未发现 RadarEchoMamba、ST-Mamba-LDM 等新页面。
• 期刊/机构：Met Office 2026-07-08 发布 FastNet 新闻；Google DeepMind、ECMWF、NOAA、中国气象局本轮未见 direct radar echo / precipitation nowcasting 代码、模型权重或数据发布。中国气象局公开页面仍主要是“风雷”等业务能力回顾，不是本窗口新技术交付物。