# 2026-07-28 大气科学 AI 研究日报
> 生成时间：2026-07-28 13:50（北京时间，UTC+8）
> 严格主窗口：2026-07-27 13:11—2026-07-28 13:11；补充缓冲窗口：2026-07-26 13:11—2026-07-27 13:11。
> 去重基线：以工作区截至 2026-07-27 13:08 的日报、`tracked_items.md` 与自动化记录为准。
> 状态口径：论文实际发表日、预印本提交日、Crossref 建档时间、代码提交时间和网页抓取时间分开记录；作者报告指标不等于独立复现；一般 AI 天气预报、空气质量时间序列和卫星同期反演不自动归入雷达临近预报。
## 一、总体判断与信号地图
本轮严格主窗口保留 **5 个可核验事件**，48 h 缓冲窗口另列 **2 个事件**。最值得关注的不是新闻数量，而是三类与“保留可预报信息—恢复精细结构—表达不确定性”直接相关的证据：
1. **精细结构恢复仍不能替代可预报性验证。** `WaveCastNet` 把小波多尺度增强、时空混合注意力和潜空间扩散组合到 0—1 h 雷达/降水临近预报中，在三个数据集上报告了较好的感知质量和高阈值评分；但作者也承认爆发性强回波仍被平滑、低估或轻微错位。论文声称代码和新数据集公开，实际 GitHub 仓库目前只有“code is coming soon”，复现承诺尚未兑现。
2. **雷达—模式融合出现可执行代码，但证据仍是仓库作者自报。** `globalnowcast` 新增“4 h MRMS 历史 + 6 个 HRRR 场 → 未来 1—6 h MRMS”的残差 U-Net，并加入训练期概率匹配。低至中等阈值 CSI 优于 HRRR，但未经校准的模型在 8 mm h⁻¹ 阈值明显退化；概率匹配改善高阈值表现。这是阈值校准与强降水结构恢复之间的具体案例，不是已同行评议或已独立复现的结论。
3. **空气质量新模型尚未回答真实预报驱动误差。** `FFTGNet` 用频率分解和静态站点图预测台湾工业区多污染物，短时效果较强、长时明显衰减；输入中的气象量来自观测而非 NWP/CAMS 预报，因此不能据此判断气象驱动误差如何传递到 PM₂.₅、O₃ 或 CO。
| 研究线 | 严格主窗口信号 | 48 h 缓冲信号 | 本轮判断 |
|---|---:|---:|---|
| `core-nowcasting` | 1 篇正式期刊论文 | 0 | 有方法更新，但代码、数据与跨区域泛化尚未闭环 |
| `core-short-range` | 1 篇正式期刊论文；1 个实质代码更新 | 1 篇多模式业务评估 | 雷达—NWP 融合和公平共同样本评估比单一排行榜更有价值 |
| `core-s2s` | 0 | 0 | 未发现 1—65 d AI/S2S 新论文、代码、权重、数据或业务验证 |
| `core-air-quality` | 1 篇正式期刊论文 | 1 篇正式期刊论文 | 两项均未用真实预报气象驱动，也未给出概率不确定性 |
| 横向状态 | 1 个 `metadata-only`；无新鲜机构成果 | 1 个 `infrastructure` | 不能把标题级线索或会议预告升级成研究进展 |
## 二、新增条目表
| 标题 | 日期（北京时间） | 研究主线 | 相关性分类 | 来源/平台 | 正式状态 | 链接 | 代码/数据状态 |
|---|---:|---|---|---|---|---|---|
| *A Multi-Scale Enhanced U-Net-based Diffusion Model for Precipitation Nowcasting* / WaveCastNet | 2026-07-28 03:08（Crossref 建档；论文已获 DOI） | `core-nowcasting` | `core-nowcasting` | IEEE JSTARS | 已接受作者版本，DOI 已分配；尚非最终编辑排版版 | [论文 DOI](https://doi.org/10.1109/JSTARS.2026.3717287)；[GitHub](https://github.com/zxbahu/WaveCastNet) | 仓库只有占位 README；无代码、权重、数据、release、tag 或许可证；论文所称公开状态尚未兑现 |
| *Effects of Meteorological Variable Combination on Gridded Precipitation Forecasting Using a Deep Learning Framework* | 2026-07-27（正式在线日期） | `core-short-range` | `core-short-range` | IOP *Measurement Science and Technology* | 正式期刊在线发表 | [论文 DOI](https://doi.org/10.1088/1361-6501/ae90d9) | 未核实到代码、权重或数据包；本轮 IOP 正文受访问挑战限制，部分实验细节只能保持未核实 |
| `andrewnakas/globalnowcast` 雷达目标残差 U-Net 与概率匹配 | 2026-07-28 09:19—09:34 | `core-short-range` | `infrastructure` | GitHub | 代码仓库提交；无同行评议论文 | [仓库](https://github.com/andrewnakas/globalnowcast)；[模型结果提交](https://github.com/andrewnakas/globalnowcast/commit/96845ed5)；[概率匹配提交](https://github.com/andrewnakas/globalnowcast/commit/6ee432f8) | 训练/推理代码公开；未见权重、完整训练分片、结果日志、release 或 LICENSE |
| *Frequency-Aware Spatiotemporal Graph Modeling of Multi-Pollutant Dynamics in Industrial Air Quality Systems* / FFTGNet | 2026-07-27（正式在线日期） | `core-air-quality` | `core-air-quality` | Tech Science Press，*CMES* | 正式期刊在线发表 | [论文 DOI](https://doi.org/10.32604/cmes.2026.083813) | 数据来源指向台湾环境部门开放平台，但无精确提取清单；未核实到代码或权重；论文为 CC BY 4.0 |
| *Leveraging AI NWP to Enhance High-resolution Dynamical Hurricane Forecasts: A Case* | 2026-07-27 | `core-short-range` | `metadata-only` | ESS Open Archive / Crossref | ESSOAr 预印本元数据，非正式期刊发表 | [论文 DOI](https://doi.org/10.22541/essoar.15006623/v1) | 摘要、正文、案例、模型、指标、代码、数据和复用许可均未核实；不从标题推断技术结论 |
| *An efficient joint evolutionary algorithm-based neural network model for air quality prediction* / JONM | 2026-07-27 12:14（Crossref 建档，距主窗口约 57 min） | `core-air-quality` | `core-air-quality`（48 h 缓冲） | Springer Nature，*Journal of Big Data* | 正式期刊在线发表；页面提示当前为未编辑版本 | [论文 DOI](https://doi.org/10.1186/s40537-026-01504-7)；[GitHub](https://github.com/cx098/TS-BiLSTM-AQI) | 仓库含代码、CSV、scaler 和 H5 模型，Apache-2.0；但非本窗口新提交，且论文数据声明与仓库公开内容需要进一步对齐 |
| *Comparison of Physical and Deep Learning Weather Forecast Models for Agricultural Decision-Making in Belgium* | 2026-07-26（仅有日期，确切时刻未知） | `core-short-range` / 10 d 以内预报边界 | `infrastructure`（48 h 边缘） | MDPI *Atmosphere* | 正式期刊发表；Crossref 于 2026-07-27 建档 | [论文 DOI](https://doi.org/10.3390/atmos17080728) | 站点数据按请求提供；无代码；论文为 CC BY 4.0，本期未镜像图件 |
## 三、四条核心研究线
### 3.1 `core-nowcasting`：WaveCastNet 的多尺度扩散临近预报
**来源、任务与正式状态。** 论文 *A Multi-Scale Enhanced U-Net-based Diffusion Model for Precipitation Nowcasting* 已获得 IEEE JSTARS DOI，当前可核验版本为已接受作者稿，并明确采用 CC BY 4.0；最终编辑排版版本仍可能变化。任务是用 6 帧历史观测 `X0—5` 生成未来 6 帧 `X6—11`。在 SEVIR 中每帧间隔 5 min，对应最长约 30 min；上海雷达约 6 min，最长约 36 min；皖南数据为 10 min，最长约 60 min。不同数据集的变量、阈值和物理单位不完全相同，不能把三个表中的 CSI 直接合并成统一排名。
**数据集与覆盖。**
- SEVIR 使用超过 10,000 个强天气事件的 VIL 图像，覆盖约 384 km × 384 km、5 min 时间分辨率。论文采用的阈值是 VIL 离散值 `[16, 74, 133, 160, 181, 219]`，不能写成 dBZ。
- Shanghai Radar 包含约 170,000 张组合反射率图，时间范围为 2015 年 10 月至 2018 年 7 月，约 6 min 一帧、空间范围约 501 km × 501 km；评分阈值为 `[20, 30, 35, 40]`。
- 新建 Southern Anhui Mountain Precipitation 数据集来自安徽省气象台，覆盖 2022—2025 年汛期、`114—120.35°E`、`28.65—35.05°N`，10 min、128 × 128、5 km 网格；样本按 80%/10%/10% 划分。正文没有明确证明按年份或独立天气过程隔离，因而仍需排查相邻序列跨集合泄漏。表中阈值 `[0.1, 1, 2, 5]` 的具体物理单位和目标映射在可核实文本中不够清楚，本期不自行补写。
**模型构建。** 模型先用 VAE 把历史序列压缩到潜空间，再用小波多尺度增强模块分离低频背景与高频局地结构。去噪 U-Net 内部堆叠 Transformer block，其中 STDE 和 Spatial-Temporal Mixture-of-Heads 通过动态 top-k 路由处理局地空间相关与长程时间依赖；最后由 VAE decoder 恢复未来序列。这个结构同时针对两个问题：低频运动/背景的可预报性和高频回波纹理的生成恢复。但生成出更锐利的纹理并不自动意味着位置、强度和事件演变更准确。
**训练与测试。** VAE 使用 AdamW、学习率 `1×10⁻⁴`、权重衰减 `1×10⁻³`，联合 MSE 与 KL 损失；扩散模型使用 AdamW、batch size 32、学习率 `1×10⁻⁴`、1,000 个去噪步，并加入负载均衡项。论文报告在 NVIDIA A800 上训练。测试同时给出 CSI、不同池化尺度的 CSI、FVD、CRPS、POD/FAR 等，但没有独立复现实验。
**作者报告效果。**
- SEVIR：WaveCastNet 的平均 CSI 为 0.414、pool4 CSI 为 0.479、pool16 CSI 为 0.646、FVD 为 108.4、CRPS 为 0.024；Earthformer 的平均 CSI 为 0.441，说明 WaveCastNet 并非所有像素级综合评分都最好。高阈值 VIL 181/219 的 CSI 为 0.145/0.068。
- Shanghai：平均 CSI 0.232、pool4 0.253、pool16 0.344、FVD 149.2、POD 0.318。
- Southern Anhui：平均 CSI 0.268、pool4 0.319、pool16 0.455、FVD 249.8、POD 0.358。
- 作者表格给出 142.5 M 参数、195.3 G FLOPs、单次推理 3.2 s 和约 5.2 GB 显存；硬件、batch 与采样设置不同会改变运行量级，不能视为跨论文统一效率比较。
**代码、数据与许可证。** 论文写有代码和新数据集公开声明，但对应 GitHub 仓库截至核验时只有 `# WaveCastNet` 和 `code is coming soon`，无任何训练/推理代码、配置、权重、数据、数据许可、仓库 LICENSE、release 或 tag。因此当前只能核验论文方法和作者结果，不能核验可复现性，也不能把“有仓库”写成“代码已发布”。
**技术判断与研究连接。** 论文把频率分解放在潜空间扩散前端，对“背景可预报信息与局地高频结构分开处理”有直接启发；但论文自己指出局地爆发性核心仍有平滑、低估和轻微位移，且输入只含历史雷达，没有热力、动力或环境场约束。下一步最有价值的不是继续比较视觉锐度，而是把逐时效高阈值 CSI/FSS、质心位移、频谱、可靠度/CRPS及跨年份/跨雷达测试放到共同样本上，并验证生成集合是否真正覆盖观测演变。
论文 Figure 2｜WaveCastNet 整体框架。 原始图注：The overall framework of our proposed WaveCastNet model. The framework takes a sequence of historical precipitation observations X0−5 as input, which is first encoded into latent space via a Variational Autoencoder (VAE) and enhanced by a multi-scale enhancement module. The latent features, along with the time step embedding t and noise z, are fed into a Denoising U-Net backbone constructed with stacked Transformer blocks. Each Transformer block integrates spatial-temporal dependency extraction (STDE) modules with Spatial-Temporal Mixture-of-Heads (ST-MoH) attention mechanism and a cross-attention mechanism to capture both local spatial correlations and long-range temporal dependencies. After layer normalization and linear projection, the denoised latent features are decoded back to the physical space by VAE decoder, generating the future precipitation sequence X̂6−11 for nowcasting. 作者：Hui Zheng、Xiaobo Zhu、Shuping He、Tong Xu、Xinming Zhang、Xuexing Qiu、Shaohua Wang。来源：IEEE JSTARS 接受作者稿及 论文 DOI。许可：CC BY 4.0。本站从许可版本以 300 dpi 提取完整 Figure 2 及原始图注，仅裁去页边和无关正文，并转换为 PNG 与无损 WebP；未改变图内内容或图注。
### 3.2 `core-short-range`：气象变量组合对网格降水深度学习预报的影响
**来源与任务。** *Effects of Meteorological Variable Combination on Gridded Precipitation Forecasting Using a Deep Learning Framework* 于 2026-07-27 在 IOP *Measurement Science and Technology* 在线发表。模型以多任务 ConvLSTM 联合预测网格降水量和是否降水，输入组合包括 GNSS 与 ERA5 的可降水量、温度、露点、比湿、地面气压、水平风以及静态地理信息。科学问题不是提出更大的网络，而是识别哪些气象变量真正增加降水可预报信息。
**模型、训练测试与作者报告效果。** 可核实摘要表明，研究系统比较了不同变量组合；气压和风对 RMSE 降低的贡献分别约占 33.8% 和 39.9%，气压对降水事件识别最重要，温度、湿度和可降水量提供互补信息；较短预报时效的技能更高，适度增加历史输入长度有帮助。这里的百分比是作者对组合实验中 RMSE 改善来源的归因，不是两个变量各自使最终 RMSE 下降同样百分比，也不能直接外推到强对流极端降水。
**当前证据边界。** 本轮访问 IOP 正文和 PDF时触发站点验证，因而数据区域、时段、网格分辨率、精确预报时效、训练/验证/测试划分、共同样本、绝对指标及阈值暂未从一手正文复核。未核实到代码、权重或可下载数据包。图件也未镜像：开放访问状态和 PDF 可下载性不等于图件可转载，当前未核实到符合本站规则的明确复用许可。
**技术判断与研究连接。** 这项结果支持“先审计输入中可预报信息，再讨论细节恢复”的路线。气压和风可能主要约束天气尺度组织、输送和触发环境，湿度/PWV 则补充水汽条件；但若 ERA5 是分析或再分析输入，实验还不能代表真实业务 NWP 预报误差。后续必须核对起报时刻、有效时刻、预报时效和 ERA5/GNSS 在预测时是否真实可得，并在同一测试样本上比较分析驱动与真实预报驱动。
### 3.3 `core-s2s`：本轮无高价值新增
本轮分源检索了 1—65 d AI 天气、动力—AI 混合、集合/生成式校准、异常可预报性、降尺度和多模式公平比较，没有发现落在严格主窗口或 48 h 缓冲窗口内、且具备可核验一手来源的新论文、代码、权重、数据或业务评估。
比利时多模式论文最长预报为 240 h（10 d），科学任务是农业逐日决策和短中期业务模式比较，不是次季节异常、周尺度集合或 2—8 周可预报性研究，因此本期将其作为 `core-short-range` 与中期边界上的评估基础设施，而不升级成 S2S 直接成果。一般 AI NWP 名称、搜索引擎重抓旧页面和机构议程也未被用于填充本栏。
### 3.4 `core-air-quality`：FFTGNet 的频率—图多污染物预测
**来源、任务与数据。** *Frequency-Aware Spatiotemporal Graph Modeling of Multi-Pollutant Dynamics in Industrial Air Quality Systems* 于 2026-07-27 在 *Computer Modeling in Engineering & Sciences* 在线发表，采用 CC BY 4.0。研究使用台湾云林、麦寮石化工业区附近 10 个 PAMS 站 2020—2024 年逐小时观测，变量包括 O₃、CO、PM₁₀、54 种 VOC、NOx 和气象参数，并通过 PMF 把 VOC 来源归为 AAM、CM、IC、PP、SU 和 VE 六类。样本按时间顺序 60%/20%/20% 划分；标准化只用训练集统计量并按站点处理。输入窗口为过去 24 h，输出时效为 1、2、3、6、12 和 24 h。
**质控与模型构建。** 小于 3 h 的缺测采用插值，维护期数据删除，异常值用 MAD 截断，低于检出限值用 MDL/2 替代。FFTGNet 先用 FFT 识别主周期并进行 period folding，再由 TemporalGLU 建模时序；空间部分在站点间 Pearson 相关构成的静态图上使用 Chebyshev GCN，并保留 top-k 相关。输入由污染物历史、观测气象量和 PMF 来源因子组成。
**训练测试与作者报告效果。** 模型使用 SmoothL1、AdamW、学习率 `1×10⁻³`、权重衰减 `1×10⁻⁴`、batch size 32，最多 200 epoch，并按验证集 RMSE 早停，硬件为 RTX 4090。作者报告 1 h `R²`：O₃ 0.9509、CO 0.8574、PM₁₀ 0.8556；O₃ 在 3/6/24 h 降为 0.8116/0.6797/0.5576，CO 和 PM₁₀ 的 24 h `R²` 分别只有 0.3168 和 0.3505。推理时间为作者报告的 71.7 ms/sample，不能跨硬件直接比较。
**代码、数据与剩余不确定性。** 论文的数据可得性指向台湾环境部门开放平台，但未提供与研究完全对应的下载快照、站点清单、变量版本和处理 manifest；未检索到官方代码或权重。静态、无向、基于相关系数的图不能直接表示随风向变化的输送路径；气象输入是观测量，不是 CAMS、MLWP 或区域 NWP 的真实预报场；模型输出为确定性预测，没有可靠度、CRPS 或集合覆盖率。图 1 输出端标签写成 `PM1.0`，而摘要、正文与结果表主要写 `PM10`，属于需要作者澄清的内部标注不一致。
**技术判断与研究连接。** 频率分解对污染物日变化、工业排放周期和边界层循环具有合理动机，按时间顺序划分也优于随机拆分；但较高的 1 h 技能可能很大程度来自污染物持续性，24 h 明显衰减说明长期驱动信息仍不足。对用户的 PM₂.₅/CAMS 研究，最可借鉴的是“频率分量 + 站点依赖”的表示方法，最不能直接迁移的是把观测气象输入的结果视为真实预报驱动效果。
论文 Figure 1｜FFTGNet 总体架构。 原始图注：Overall architecture of the proposed FFTGNet model. 作者：Chia-Hui Liu、Chen-Chuan Cheng。来源：Tech Science Press 论文页面及 论文 DOI。许可：CC BY 4.0。本站从许可出版商 PDF 以 300 dpi 提取完整 Figure 1 及原始图注，仅裁去页边和无关正文，并转换为 PNG 与无损 WebP；未改变图内内容或图注。
#### 48 h 缓冲：JONM 污染物时间序列模型
**来源与任务。** *An efficient joint evolutionary algorithm-based neural network model for air quality prediction* 于 2026-07-27 在 Springer Nature *Journal of Big Data* 在线发表；Crossref 建档时间比本轮严格主窗口早约 57 min，因此单列为缓冲条目。当前页面提示为未编辑版本，后续排版可能变化。论文采用 CC BY-NC-ND 4.0，不符合本站论文图件镜像白名单，故不复制图件。
**数据与模型。** 研究使用北京环境保护监测中心 27 个站点数据，论文实验主体覆盖 2014-12-31 至 2023-12-31，变量包括 AQI、PM₂.₅、PM₁₀、SO₂、NO₂、O₃ 和 CO；按时间 80%/20% 划分，过去 24 d 预测下一日 AQI。约 2.3% 缺测记录被删除。JONM 设 AQI 主分支和污染物/季节辅助分支，用多个进化优化器搜索网络参数并通过 PSO 融合，一次直接输出目标段，避免自回归误差逐步累积。
**作者报告效果。** 北京站点平均 MSE 203.46、RMSE 14.26、`R²` 0.937、MAE 7.36；论文另以福州和成都做城市测试，并加入人工尖峰和噪声压力测试。这些是作者在其划分上的结果，不能替代跨年份、跨站和极端污染过程的独立验证。
**代码/数据与技术判断。** GitHub 仓库包含脚本、CSV、scaler 和约 5.5 MB 的 H5 模型，并标注 Apache-2.0；但仓库缺少完整 README，且论文数据可得性表述为“按请求提供”，与论文正文/仓库中的公开代码数据声明需要进一步对齐。模型没有气象或 NWP/CAMS 驱动，也没有概率不确定性，因此是污染物自身时间序列预测证据，不是气象误差传播证据。对当前研究最有用的是直接多步输出和压力测试设计，而不是其跨模型排行榜。
## 四、相关方法与基础设施
### 4.1 `globalnowcast`：MRMS—HRRR 残差学习与阈值概率匹配
**来源与任务。** `andrewnakas/globalnowcast` 原有流程用全球卫星雨率光流外推并向 GFS 组合反射率过渡；本轮两个 GitHub 提交新增了美国区域雷达目标序列模型。输入为连续 4 个逐小时 MRMS 雷达场和 6 个 HRRR 预报变量，输出为未来 `+1` 至 `+6 h` 的 6 个逐小时 MRMS 场。模型采用 100 × 100 网格块、约 111 km 尺度，以 HRRR 为锚做残差 U-Net 修正，参数量约 3.71 M。它覆盖 1—6 h，前 3 h 与临近预报相邻，但主要科学定位是高分辨率 NWP 后处理和雷达—模式融合。
**数据、训练与测试。** 代码通过 dynamical.org 目录读取 MRMS（2014 年至今）与 HRRR，按降水加权抽取 tile。作者把 2014—2024 年中的 8 个完整月份留作测试，避免随机抽样造成明显时间泄漏；训练 60 epoch、batch size 32，并报告 GTX 1080 上约 15 min。该划分优于逐帧随机拆分，但仍需核实测试月份、空间重叠、MRMS 版本变化和 HRRR 模式升级是否造成域偏移。
**作者报告效果。** 首个提交在 1 mm h⁻¹ 阈值给出模型/HRRR/持久性 CSI：`+1 h` 为 0.510/0.372/0.487，`+2 h` 为 0.503/0.367/0.353，`+4 h` 为 0.447/0.355/0.236，`+6 h` 为 0.459/0.366/0.175。按作者计算，模型相对 HRRR 的改善约 25.5%—37.3%。但汇总模型在 1 mm h⁻¹ 上提高 30.8%，在 8 mm h⁻¹ 上却下降 35.7%，频率偏差为 1.34，显示低中强度总体拟合不能保证强降水命中。
第二个提交只用训练月份估计概率匹配映射。作者报告 HRRR 在 1/2/4/8 mm h⁻¹ 的 CSI 为 0.3605/0.2874/0.1791/0.1092，原模型为 0.4715/0.3697/0.2014/0.0702，概率匹配后为 0.4365/0.3299/0.2060/0.1143。校准牺牲了低阈值 CSI，但把 8 mm h⁻¹ 从低于 HRRR 提升到略高于 HRRR。这正说明结构恢复、边际分布校准和阈值技能需要分别报告。
**代码、权重与证据等级。** 训练/推理代码和说明可读，但未见模型权重、完整训练样本 manifest、独立结果日志、release、LICENSE 或同行评议论文。所有数值均是仓库作者报告，尚无独立复现。下一步应固定 commit 和数据版本，按完全相同的有效时刻、网格、阈值和共同样本复算 CSI、FSS、频率偏差、可靠度以及对象位置/面积误差。
### 4.2 48 h 边缘：比利时农业决策的物理模式与 AI NWP 比较
**来源与任务。** *Comparison of Physical and Deep Learning Weather Forecast Models for Agricultural Decision-Making in Belgium* 的正式发布日期为 2026-07-26，但缺少可核实的日内时刻；Crossref 在 2026-07-27 建档。因此它只能列为 48 h 边缘/索引延迟条目。研究比较 HRES 49r1、ENS mean、AIFS Single V1、GFS、MAR 3.14、AROME、ICON-D2 和 HARMONIE，用于比利时瓦隆农业喷药等逐日决策。
**数据和共同样本。** 验证使用 22 个 PAMESEB 站 2025-03-01 至 2025-08-31 的温度、相对湿度、风、日降水和日辐射。比较 00/12 UTC 起报，预报时效为 0、6、12、18、24、48、72、96、120、168 和 240 h；AROME/ICON 只到约 2 d、HARMONIE 到约 2.5 d，AIFS 时间分辨率为 6 h，ENS 缺相对湿度和降水，GFS 缺研究所用的降水和风字段。研究用最近网格匹配站点并统一单位，风由 10 m 换算到 2 m（MAR 除外）。关键优点是按相关模型都具备数据的日期形成共同样本，而不是把不同缺测集合的分数直接排名；00 UTC 比较最多排除 71/184 d，12 UTC 排除 46 d。
**评估与作者报告结果。** 连续量用 MBE/RMSE，日降水以 `≥1 mm d⁻¹` 定义事件并计算 ETS、FBI、POD 和 FAR；日值按相同有效期聚合。作者报告 AIFS 的辐射整体较好；`≤48 h` 时 ICON-D2 的风较强，温湿度由 ICON-D2/AIFS 表现较好，AIFS/HRES 的有雨日识别较好；`>48 h` 时 AIFS 温湿度较强、ENS 风较强。AIFS 有高 FBI、倾向过报降水。简单喷药建议中 ICON-D2 最好，但 `>48 h` 建议质量普遍较低，AIFS 的 6 h 输出间隔也限制逐小时业务决策。
**边界与启发。** 研究期只有一个偏干的 6 个月暖季，不能代表完整年循环和极端湿年；模型分辨率、时效长度和变量可用性也不一致。其最大价值是把“共同样本、有效时段、变量可用性和业务阈值”明确写进多模式公平比较。对用户的 AI 天气/S2S 基线，应该沿用这种覆盖矩阵和共同样本逻辑，但另需验证异常场、集合分布、周尺度技能和不同初始化系统，不能把 10 d 内农业结果外推到 2—8 周。
## 五、机构信号、仅元数据、窗口外与排除项
### 5.1 `institution-signal`
本轮检查 Google DeepMind、ECMWF、NOAA、Met Office、中国气象局、WMO、Copernicus/CAMS 等官方页面，**未发现严格窗口内新的模型、代码、权重、数据、定量业务验证或许可变化**。搜索结果中的旧项目页、重抓日期和一般 AI 天气新闻不计为新事件。
WMO 已公布 2026-07-30 AI webinar，议程含把 AI nowcast 与中期高影响天气预测衔接的“AI on AI”主题；该页面不是本窗口新成果，故不进入新增表。它只形成后续触发器：若会后公开录像、幻灯片、可执行系统链接或共同样本验证，再按 `institution-signal` 或真实产物所属主线升级。[WMO AI webinars](https://wmo.int/media/news/wmo-ai-webinars)
### 5.2 `metadata-only`
*Leveraging AI NWP to Enhance High-resolution Dynamical Hurricane Forecasts: A Case* 由 Kun Gao、Lucas Harris 和 Jan-Huey Chen 提交至 ESS Open Archive，标题与 `core-short-range` 的 AI NWP—高分辨率动力模式融合高度相关。但本轮可访问的一手元数据没有摘要，ESSOAr 正文/PDF受访问挑战限制，其他索引也未提供足以核验的技术内容。
因此当前只能确认标题、作者、日期、平台和 DOI，不能推断所用 AI 模型、动力模式、飓风案例、初始化/边界条件、预报时效、共同样本、指标或效果；也未核实代码、数据和复用许可。图件未镜像：复用许可、具体论文版本和具体图件均未核实。触发器是可访问的摘要/全文或官方作者材料出现。
### 5.3 `window-out`
本轮没有发现需要作为高价值遗漏回补的 `window-out` 论文、代码或数据。检索中出现的旧页面重抓、旧仓库 `pushed_at` 变化和 Crossref 索引延迟，均按真实发表/提交时间处理，没有冒充当日更新。
### 5.4 `low-value-exclusion`
以下条目处于时间窗内或被索引新近抓取，但不进入研究更新：
- *Deep Learning-based Air Quality Forecasting System for Urban India: A Comprehensive Multi-City Study*（[DOI](https://doi.org/10.1051/itmconf/20268801009)）：正文对城市数、国家/机构、样本量和研究对象存在多处内部矛盾；预报时效不清，无气象预报驱动、代码和可复现数据，暂不作为空气质量预测证据。
- *Deep Learning Based Climate Forecasting Model Using LSTM of Kathmandu Valley*（[DOI](https://doi.org/10.3126/jsce.v13i2.96574)）：未明确输入窗口和预报时效，归一化 LSTM 指标与原尺度 ARIMA 指标混比，无代码/数据，不足以支持方法优越性。
- *Physics-Aware AI-Initialized Dynamical Downscaling for High-Impact Rainfall: A Reproducible Surrogate Reconstruction from Published Evidence*（[DOI](https://doi.org/10.58776/ijitcsa.v4i2.256)）：明确是依据既有华北 2023 年 7—8 月 Pangu-WRF 论文及公开数字做的二次重构，没有新模拟、新数据或独立验证，不能作为新的动力降尺度实验。
- 天津年度 PM₂.₅ 灰色预测论文只预测年度平均量，与逐日/逐小时空气质量、气象驱动误差和阈值过程不直接对应；降水缺测插补论文是资料填补而非未来预报；非 AI 海冰预报评估和 14—45 d 洪水前兆分类也未混入 AI 天气/S2S 更新。
- `pySTEPS/pysteps` 的仓库 `pushed_at` 虽变化，最新实质 commit 仍为 2026-07-09；`ilianrvd/nowcasting-public` 只有按日期生成的图片输出，没有新模型、代码、权重、数据或科学解释，均不计新事件。
### 5.5 检索源限制
- arXiv 官方 API 在目标时段未返回四条主线的新增稿件；这只说明当前 API 结果，不排除晚到索引。
- OpenReview API 本轮返回访问挑战；公开搜索仅发现旧工作，没有据此作“平台绝对无新增”的强结论。
- OpenAlex 与 Semantic Scholar 对上述新 DOI 尚有索引延迟；Crossref 用于发现和日期核验，最终状态尽量回到出版商、论文和仓库一手页面。
- IOP 与 ESSOAr 正文受站点访问挑战，相关缺失字段均明确保持“未核实”，未用搜索摘要补写实验细节。
## 六、对当前研究的具体启发
1. **把“可预报低频分量”和“生成高频分量”分开评估。** WaveCastNet 的小波模块提供了一个可操作分解，但应分别验证低频运动/背景的相关和相位误差、高频反射率纹理的 PSD/FSS，以及二者组合后的高阈值命中和位置误差。视觉清晰度或 FVD 不能替代事件演变技能。
2. **用动力或环境场补充强回波新生信息，但先做真实可用性审计。** IOP 变量组合研究提示风和气压可能提供主要增量；雷达短临中可用 NWP 风、湿度、CAPE/CIN 或闪电，但必须按起报时刻判断这些输入是否在业务预测时已经可得，并区分分析场与预报场。
3. **将概率匹配视为校准步骤，而非模型结构胜利。** `globalnowcast` 说明同一个模型可在 1 mm h⁻¹ 显著提高 CSI，却在 8 mm h⁻¹ 低于 HRRR；训练期概率匹配能恢复高阈值技能但牺牲低阈值。主结果应同时报告阈值曲线、FBI、可靠度和 CRPS，不能只选最有利阈值。
4. **多模式比较先建立覆盖矩阵和共同样本。** 比利时研究因模式时效、时间分辨率和变量缺口而删除大量日期。用户的 FGOALS、ECMWF/NCEP/CMA/UKMO 和纯 AI/混合模型比较也应先固定共同初始化、有效时刻、预报时效、参照数据、网格、异常定义和单位，再给池化排名。
5. **空气质量必须显式拆分“观测气象上限”和“真实预报驱动”。** FFTGNet 与 JONM 都不能回答 CAMS/MLWP 误差传播。可设计同一模型的三组输入：观测/再分析气象、真实预报气象、无气象或持久性基线；按预报时效、污染过程和沙尘阈值分层比较，同时给确定性误差与概率覆盖。
6. **数据/代码发布状态必须作为证据链的一部分。** WaveCastNet 的论文公开声明与空仓库、`globalnowcast` 的有代码无权重、JONM 的论文数据声明与仓库内容不完全一致，均说明“论文有链接”不等于可复现。应固定 commit、文件哈希、数据 manifest、许可证和最小推理测试。
## 七、后续跟进触发器
- **WaveCastNet：** 仓库出现实际代码、数据下载、权重、独立 LICENSE、release/tag，或 Southern Anhui 数据给出事件/年份隔离清单；随后复核论文表格、单位、阈值和跨数据集预处理。
- **IOP 变量组合论文：** 正文可访问后补核数据区域/时期、网格、精确预报时效、ERA5/GNSS 的预测时可用性、训练测试划分、绝对指标及代码数据声明。
- **`globalnowcast`：** 发布权重、完整月份清单、结果日志和许可证，或出现独立复现；优先复算 1/2/4/8 mm h⁻¹ 的逐时效 CSI、FBI、FSS、对象位移和概率可靠度。
- **FFTGNet：** 官方代码、精确数据快照、变量清单或动态图/风向输送扩展出现；尤其关注把观测气象替换为真实 NWP/CAMS 预报后的技能衰减。
- **JONM：** 论文最终编辑版、仓库 README/数据溯源、站点与年份隔离测试、气象驱动或概率输出出现。
- **ESSOAr 飓风预印本：** 摘要/全文、AI NWP 与动力模式名称、案例、初始化和边界条件、预报时效、共同样本指标、代码/数据/许可任一项公开。
- **WMO 2026-07-30 webinar：** 会后录像、幻灯片、系统链接、验证表或代码数据发布；仅有口头愿景时继续保留为机构信号。
- **四条主线持续检索：** 重点补查晚到 arXiv/OpenReview 索引、IEEE/AMS/AGU/RMetS/EGU 正式页面、GitHub/Hugging Face 实质发布，以及 DeepMind、ECMWF、NOAA、Met Office、CMA、WMO、CAMS 的可下载成果。
## 八、简短结论
2026-07-28 的新增信号集中在 **多尺度生成式临近预报、雷达—NWP 残差融合与多污染物时空建模**。最接近用户核心问题的是 WaveCastNet 对低频背景与高频结构的显式分解，以及 `globalnowcast` 暴露出的“低阈值提高、高阈值退化、校准后重新平衡”现象；两者都说明精细结构、强事件技能和不确定性不能由单一视觉或平均指标代表。
本轮没有新的 S2S 直接成果，也没有可验证的机构级模型/数据发布。当前优先级应是：等待 WaveCastNet 真实代码与数据落地；对雷达—NWP 融合做共同样本、逐时效和多阈值复算；在空气质量任务中把观测气象上限与真实预报驱动误差明确拆开。