2026-07-15 雷达回波 AI 进展日报#

检索时间：2026-07-15 至 2026-07-16 00:13 +08
主窗口：2026-07-14 15:02 +08（上次自动化运行）至 2026-07-16 00:13 +08
48 小时缓冲：向前回看至 2026-07-13 15:02 +08，用于补获 DOI、平台索引和跨时区发布延迟。
主题范围：AI/深度学习雷达回波外推、降水临近预报、weather radar nowcasting；另将时间降尺度、NWP 降水订正、卫星/雷达降水检索、雷达质控和相关工程代码单列，不与 direct nowcasting 混写。

0. 总体判断#

本轮确认 2 篇主窗口内、直接相关的正式期刊论文。

1. TITAN-LSTM 已在 AGU Journal of Geophysical Research: Machine Learning and Computation 在线发表。它将 TITAN 单体跟踪/平移与 LSTM 强度、面积预测结合，用圣保罗雷达 2016–2019 年风暴轨迹做 5–30 min 对象级临近预报；配套 Zenodo 已提供源码压缩包和约 76 MB 风暴轨迹数据。
2. ST-TriMambaUNet 已在 MDPI Sensors 发表。它是面向 SEVIR 和 CIKM 雷达序列的确定性栅格外推网络，Mamba、通道混洗与多尺度方向卷积三分支对强回波阈值有一定提升；公开数据可用，但本轮未发现官方代码或权重。

两篇工作的任务形态不同：TITAN-LSTM 是对象/风暴单体属性预测，ST-TriMambaUNet 是完整回波栅格序列预测，不能仅按论文给出的分数横向比较，也不宜据此宣称任何一篇“全面 SOTA”。

arXiv 与 OpenReview 未发现新的 direct radar echo / precipitation nowcasting 条目。 48 h 缓冲内发现 HourGlass，但它是全球/区域天气预报的概率时间降尺度，不是雷达回波临近预报。另有 3 篇相关降水订正/检索论文新建期刊元数据，其中两篇只能核实题录，详情保持“metadata-only”。

1. 新增与状态变化表#

2. 直接雷达回波/降水临近预报#

2.1 TITAN-LSTM#

来源/期刊或平台：Andrea S. Viteri López、Carlos A. Morales Rodriguez，AGU Journal of Geophysical Research: Machine Learning and Computation，DOI 10.1029/2026JH001337，在线日期 2026-07-14。Crossref 记录在北京时间 2026-07-14 23:47 创建。配套数据与软件记录为 Zenodo DOI 10.5281/zenodo.19022209。

大致内容与模型构建：方法把雷达单体跟踪器 TITAN 与 LSTM 串联。TITAN 从三维体扫中识别、跟踪风暴对象，形成位置、面积、降雨强度等历史轨迹，并给出平移外推；LSTM 使用这些历史属性预测未来降雨面积和强度。公开预印本/数据说明显示网络为 3 层 LSTM、20% dropout 和最终线性层。该方法不是从多帧回波直接生成完整未来二维栅格，而是先将回波压缩为风暴对象，再预测对象属性。

数据集：DAEE-SPOL/SAO-SPOL 圣保罗天气雷达 2016–2019 年风暴轨迹。论文结论说明训练使用 307 个在 120 km 范围内、无分裂/合并的跟踪风暴。TITAN 的典型识别条件为反射率高于约 40 dBZ、体积大于约 10 km³；这些对象筛选条件意味着结果主要适用于结构较清晰的对流单体，未覆盖全部弱降水和复杂生消场景。

训练、测试与效果：预报时效为 5–30 min。相较 TITAN 单独外推，论文摘要报告 15 min 时 POD > 0.70、FAR < 0.20；使用更长历史序列时，降雨面积 RMSE 减少约 60%–80%；降雨率误差从 5 min 约 3 mm h⁻¹ 增至 30 min 约 4 mm h⁻¹。预印本还报告面积 RMSE 随输入历史和时效约为 5–44 km²、BIAS 约 1.5–2。公开摘要没有给出足够信息判断训练/测试是否按年份、风暴或事件严格隔离，因此这些数字应视作作者数据集上的结果，不能直接与 SEVIR 全场栅格 benchmark 比较。

代码/数据状态：Zenodo 记录包含 TITAN-LSTM_source_code.zip、TITAN-LSTM_storm_dataset_2016_2019.zip 和说明 PDF，数据包约 76.2 MB；描述还包括预处理脚本和 TITAN 配置。本轮未发现独立 GitHub 仓库，但不能因此写成“无代码”。

技术判断与启发：这是本轮可复现性最强的 direct 条目。对象级混合方案参数少、解释性强，适合极短时对流单体移动和强度趋势；主要边界是无法自然表达新生、消散、分裂、合并和完整空间纹理。对用户研究的启发是，可把现代回波生成模型与对象跟踪头联合：像素级模型负责全场演变，对象级损失约束强回波核心的面积、质心、速度和强度，且应单独报告生消/分裂场景。

2.2 ST-TriMambaUNet#

来源/期刊或平台：Heng Wang、Qiang Sun、Yu Shi，MDPI Sensors 2026, 26(14), 4461，DOI 10.3390/s26144461。正式论文 PDF 可访问，故以下细节来自正文而非题名推断。

模型构建：整体为 encoder–decoder 加特征增强结构。STFA 模块联合提取全局空间与时间注意力；MSIM 使用三分支：标准 Mamba 建模长程依赖、channel shuffle + Mamba 促进通道信息交换、多尺度方向卷积提取不同尺度和方向的局地结构，最后通过自适应门控融合。设计目标是兼顾长程运动、强降水核心和多尺度雨带。

数据集与划分：

• SEVIR：超过 10,000 个事件，原始覆盖 384 × 384 km、49 帧/4 h。论文用 25 帧滑窗、步长 12；2017-01-01 至 2018-12-31 训练，2019-01-01 至 2019-06-01 验证，2019-06-02 至 2019-12-31 测试，分别 7,490 / 1,221 / 2,262 个样本；降采样到 128 × 128，输入 5 帧、预测 20 帧，5 min 间隔，对应 5–100 min。
• CIKM AnalytiCup 2017：广东 101 × 101 km 雷达序列，14,000 个样本，每个样本 15 帧、6 min 间隔；8,000 / 2,000 / 4,000 训练/验证/测试，padding 到 128 × 128；输入 5 帧、预测 10 帧，对应 6–60 min。

训练与基线：PyTorch 2.3.1、单张 RTX 4090、batch size 4、Adam、初始学习率 1e-4、最多 100 epochs、MSE loss 和 early stopping。作者重新实现并比较 ConvLSTM、SmaAt-UNet、SAR-UNet、SSA-UNet、AA-TransUNet、Rainformer、RainHCNet、LPT-QPN、Earthformer 等 9 个基线。

效果：SEVIR 平均 CSI/POD/HSS 为 0.3535 / 0.4326 / 0.4479，对比第二名 LPT-QPN 的 0.3463 / 0.4255 / 0.4372，相对提升约 2.08% / 1.67% / 2.45%。在较高 VIP 阈值 160/181/219 上 CSI 为 0.2387 / 0.1838 / 0.0780，相对第二名提高约 4.92% / 10.19% / 7.29%。这里的 SEVIR 阈值是论文采用的 VIL/VIP 像素值，不能写成 dBZ。CIKM 平均 CSI/POD/HSS 为 0.3091 / 0.3848 / 0.4012；平均 CSI 和 HSS 最好，但平均 POD 低于 ConvLSTM。40 dBZ 时 CSI/POD/HSS 为 0.1374 / 0.1701 / 0.2140。

代码/数据状态：SEVIR 和 CIKM 数据来源公开；论文数据可用性部分给出数据入口。本轮按题名、缩写和 DOI 精确检索未发现作者官方 GitHub、训练脚本、权重或 release。“未发现”只代表本轮公开检索结果，不等于作者确定没有私有实现。

技术判断与启发：强阈值上的提升值得关注，但增益量级总体有限，而且所有对手均由作者重实现；最低阈值并非全面领先，论文也未报告概率校准、CRPS、FAR、对象位移/生消误差或跨区域外部验证。因此更准确的结论是“在两个公开数据集和作者统一实现下，高强度回波指标较强”，而不是全面 SOTA。对用户研究可借鉴 Mamba 全局分支与方向卷积局地分支的互补设计，同时补充强回波对象、可靠性和跨雷达泛化评价。

3. 相关方法、检索与机构动态（不是 direct nowcasting）#

3.1 HourGlass：概率时间降尺度#

来源/平台：Magnus Sikora Ingstad、Mariana Clare 等，arXiv:2607.11457，提交时间 2026-07-13；arXiv 预印本，暂无期刊信息。作者来自 MET Norway、ECMWF 等机构。

大致内容：给定机器学习天气模式在 t 和 t+6 h 的状态，重建中间逐小时场。AIFS-HourGlass 面向约 31 km 全球 AIFS Single/ENS，Bris-HourGlass 面向约 2.5 km 区域模式。模型使用图 Transformer encoder/processor/decoder，隐空间注入噪声，以 CRPS、时间窗口 min/max/mean、差分损失约束时间统计；区域版另加 FFT 空间一致性项。训练使用预报轨迹而非再分析中间时次，以减少资料同化造成的时间不连续。

训练测试与效果：作者用观测验证重建小时场，报告整体保留上游模式技巧并恢复较连贯的小时演变和空间变率；降水极端仍偏弱，边界小时也更难。论文不是 0–2 h 雷达 nowcasting benchmark，不能把“逐小时降尺度”写成雷达回波预报改进。

代码/数据状态与启发：实现基于开源 Anemoi，但本轮未核实专门的 HourGlass 仓库、训练配置或权重。可迁移的启发是：对稀疏时间采样的雷达/卫星序列，可用概率目标和窗口统计损失约束中间帧，同时检查累积降水、极值和时间差分，而不是只优化单帧 MSE。

3.2 CMA-MESO 夏季降水空间协同订正#

来源/期刊：Guangxin He、Wei Wu、Zhigang Zhang、Zhanshan Ma、Juanzhen Sun、Haonan Chen、Jingjia Luo，Elsevier Atmospheric Research，DOI 10.1016/j.atmosres.2026.109217，available online 2026-07-14。

可核实内容：题名确认任务是用 U-Net 对华中地区 CMA-MESO 夏季网格降水预报做空间协同订正。它是数值天气模式降水后处理，不是雷达回波时间外推。

未核实字段：当前接口只返回核心题录，未取得摘要或正文，因而数据年份、观测真值、U-Net 输入通道、预报时效、训练/测试划分、指标和增益均不能可靠填写；本轮也未发现公开代码或数据。后续若摘要/正文开放，重点检查雷达/站点融合真值、空间邻域损失和极端降水改善是否可迁移到 nowcasting 后处理。

3.3 星载雷达降水检测#

来源/期刊：Chen Lu 等，IEEE Transactions on Geoscience and Remote Sensing，DOI 10.1109/TGRS.2026.3713017，本轮在 Crossref 出现新 DOI 元数据。

可核实内容与边界：题名表明研究用深度学习推进星载雷达降水检测，属于雷达遥感检测/反演，不是从历史天气雷达序列预测未来回波。当前未取得 IEEE 摘要/全文，不能推断使用 CloudSat、GPM DPR 或其他平台，也不能填写网络、样本划分和效果；未发现公开代码或数据。保留该条的原因是其降水检测和弱信号识别思路可能影响雷达训练标签质量，但在正文可读前只作 metadata-only 线索。

3.4 TLP-R2S：再分析—雷达桥接的被动微波降水检索#

来源/期刊：Buddha Subedi、Mahyar Garshasbi、Ardeshir Ebtehaj、Lisa Milani、Nobuyuki Utsumi、George J. Huffman，IEEE Transactions on Geoscience and Remote Sensing，DOI 10.1109/TGRS.2026.3713037。本轮是正式期刊 DOI 元数据新索引；配套数据/代码并非今天首次发布。

大致内容：增量/迁移学习框架把 ERA5 再分析与雷达监督连接到被动微波降水检索。NSIDC 数据说明确认输入包括 GMI 亮温和 ERA5，TLP-R2S 输出降水相态与降水率，并涉及 CloudSat、GPM DPR/GMI 等观测。其研究问题是卫星被动微波检索，不是未来雷达回波预测。

数据、训练测试与效果：NSIDC NSIDC-0804 覆盖 2014-04-07 至 2025-05-06，全球约 ±69.4°，提供 NetCDF4，空间尺度包括约 13.2 km 和 5.1 km；访问需 Earthdata 登录。当前可访问元数据不足以复述论文完整训练阶段、独立测试分区和定量结果，日报不补造指标。

代码/数据状态与启发：用户指南指向 PMWPrecip_TLP-R2S 和 TLP-R2S-ATMS；数据 DOI 为 10.5067/L4S3PU4C9XU7。它提示可以把覆盖广但标签弱的再分析、覆盖窄但质量高的雷达观测分阶段训练；迁移到 radar nowcasting 时，应把不同监督源的误差结构和空间代表性分开评估。

3.5 ECMWF：共享机器学习天气预报基础#

来源/平台：ECMWF AIFS Blog，2026-07-14，文章 DOI 10.21957/fd7333c16b；ECMWF 与 17 个欧洲国家气象部门通过 EUMETNET E-AI MLP 协作。

大致内容：动态强调使用 Anemoi 共享数据处理、训练和推理基础设施，并并行探索有限区域模式、拉伸网格、概率区域模式 Bris、谱域 CRPS 和预训练模型复用。它是组织和工程路线动态，不是新雷达 nowcasting 模型，也没有发布新的雷达数据或 skill 分数。

启发：对用户研究更直接的价值在工程层面：把数据规范、训练配置、推理、验证和模型注册做成可复用组件，并将高分辨率概率降水的谱域/空间一致性评价纳入统一流水线。不能用该机构动态证明雷达预报效果提升。

4. 代码更新（相关工程，不是天气雷达）#

4.1 shobhit1kapoor/solafune-precipitation-nowcasting#

来源/平台与内容：GitHub 仓库在 2026-07-14 19:06–19:12 UTC 首次集中提交，共约 247 个文件。任务是用最多 3 个先前时次的 16 波段静止卫星图像，预测 41 × 41 的 GPM-IMERG 降水 tile；涉及 GOES、Himawari 和 Meteosat。模型包含光谱/运动特征对齐、降水发生概率头和条件强度头。

数据与训练测试：README 记录 40,686 个训练样本、29,090 个评测样本，缓存到 128 × 128；采用 location-held-out 五折和 sensor-weighted RMSE。训练从头开始。仓库带 manifests、测试、metrics、实验产物和若干 best.pt，但原始竞赛档案受限，大缓存未提交。

效果、代码状态与判断：仓库内部某 fold artifact 记录 sensor-weighted RMSE 1.572460，它不是公开榜单或统一外部 benchmark，不能写成竞赛最终结果。代码和部分 checkpoint 实际可见，但仓库无 license，原始数据不完整，亦无论文。工程组织和跨传感器验证较完整，适合借鉴多卫星/多雷达域泛化；任务目标仍是 GPM-IMERG，不是天气雷达回波。

4.2 holys519/solafune_precipitation_nowcasting exp028–exp032#

来源/平台与内容：GitHub 本轮继续增加 5 组实验：exp028 使用 target-time-first 与绝对时间差，exp029 加 sensor-aware 红外冷云代理，exp030 使用 dilation 2/4 bottleneck，exp031 加低权重 focal + Tversky 降水发生损失，exp032 使用卫星条件化输出头。

训练测试与效果：这些提交主要是配置和运行代码，README 的决策逻辑是只有 fold 指标改善才继续；截至本轮没有新的 fold/OOF 数字、公开榜分数或最终结果。因此只能写成“消融方案新增”，不能写成性能提高。数据仍是静止卫星到 GPM-IMERG 的 Solafune 竞赛数据，非天气雷达；未发现新权重、数据发布或 license。

启发：可迁移部分是显式时间差、传感器条件化和 occurrence/intensity 分头；真正应用到多雷达业务时，应以跨站点/雷达体制留出验证，而不是只看随机 tile fold。

5. 未发现、稳定排除与检索限制#

• arXiv 对 precipitation nowcasting、radar nowcasting、radar echo、weather radar AI 的日期排序检索未发现 2026-07-14/15 新 direct 条目；HourGlass 仅作为 48 h 缓冲相关方法。
• OpenReview 未发现 2026-07-14/15 新相关状态变化；Papers with Code 未发现可升级的新 benchmark 或模型页面。
• RadarEchoMamba、ST-Mamba-LDM、ST-HFNet、QuarkOther/RadarNowcastingAI 等既有重点项没有新代码、权重或正式状态变化，不在今日表中重复提升。
• sushantakundu/gsmap-live 的新提交仍只刷新 GSMap_Combined.gif；kris70lesgo/precipitation-nowcasting 仅有短 README、配置和空模块骨架，均不构成算法、数据或实验进展。
• Semantic Scholar 对本轮新 DOI 未返回可用记录，OpenAlex 对最新 DOI 的收录不完整；这属于索引延迟/接口覆盖限制，不能作为“论文不存在”或“无代码”的证明。
• NOAA、Met Office、中国气象局等机构页面本轮未发现可核实的 direct 雷达 AI nowcasting 新交付物。ECMWF 条目保留为相关机构工程动态。

6. 值得继续跟进的主题#

1. 对象级与全场生成联合：下载并运行 TITAN-LSTM Zenodo 包，核实数据切分和脚本完整性；将单体面积、质心、强度、生消/分裂作为全场回波模型的辅助目标。
2. ST-TriMambaUNet 可复现性：跟踪官方代码、权重和配置；若自复现，固定 SEVIR/CIKM 划分，补 FAR、FSS、对象位移、可靠性和计算量，检查高阈值增益能否复现。
3. 强降水与时间一致性损失：比较 HourGlass 的 CRPS、窗口统计、时间差分和谱域约束与普通 MSE，重点看极值衰减、累计量守恒和边界时次误差。
4. 跨监督源迁移：借鉴 TLP-R2S 的“再分析预训练—雷达增量学习”思路，但必须显式建模再分析、卫星和雷达标签的误差与分辨率差异。
5. 多站点/多传感器泛化：参考 Solafune 的 location-held-out、sensor-aware 条件化；对雷达研究采用整站或整天气过程留出，避免空间重叠造成乐观偏差。
6. 元数据待补全：继续跟踪 CMA-MESO U-Net 订正和星载雷达降水检测正文；只有取得摘要/全文后再补数据集、模型、划分和指标，不从题名外推结果。

7. 本轮结论#

本轮不是“无高价值新增”：有 2 篇 direct 正式期刊论文，其中 TITAN-LSTM 同时具备可下载源码和风暴轨迹数据，ST-TriMambaUNet 提供了较完整公开数据集实验但尚缺官方实现。其余条目均明确属于时间降尺度、NWP 降水订正、卫星/雷达检索、机构基础设施或卫星降水代码，没有被升级为雷达回波临近预报成果。