2026-07-30 大气科学 AI 研究日报#

生成与核验截止时间：2026-07-30 13:30（北京时间，UTC+8）。
严格滚动主窗口：2026-07-29 13:30—2026-07-30 13:30；补充缓冲窗口：2026-07-28 13:30—2026-07-29 13:30。
连续增量边界：上一期实际核验截止时间为 2026-07-29 14:15；因此主窗口前 45 min 属于有意保留的重叠检查区，已按 DOI、arXiv ID、仓库与标题去重。
去重基线：工作区截至 2026-07-29 的大气科学 AI 日报、截至 2026-07-27 的历史雷达日报、tracked_items.md 与自动化记录。
状态口径：论文发表日、预印本提交日、Crossref 建档时间、代码提交时间与网页核验时间分开；作者报告、仓库作者自测、正式机构材料与独立复现分开；同一有效时刻的场重建不自动写成未来预报。

一、总体判断与信号地图#

本轮严格主窗口保留 8 个实质事件或正式元数据事件；48 h 缓冲窗口经去重后没有需要升级的新条目。新增数量不低，但能够直接支撑用户“怎样保留可预报信息、恢复精细结构并表达不确定性”这一问题的证据并不平均：

1. “锚定大尺度、释放小尺度”有了一个非 AI、但实验设计很强的对照。 GMD 今日正式发表的 CCAM 谱约束研究系统改变约束变量、空间尺度、更新频率和垂直范围。作者结果表明，约 500–1500 km、1 h 更新、约束气压—风—温度且主要位于边界层以上的配置，在保持 La Niña/MJO 大尺度演变的同时，更能保留区域降水变化；3000 km、3 h 更新、只约束气压/风或加入湿度约束会带来平滑、错位或热力不一致。这与用户 S2S 混合预测中的“动力锚定 + 局地残差恢复”高度同构，但该论文是对一次极端季节的动力降尺度，不是 AI 或真实业务预报检验。
2. 复杂时空网络没有自动解决次日强降水。 新的 IMDAA 城市尺度研究把完整场、区域平均和空间异常分开评估。FC-LSTM、ExtraTrees 与 ConvLSTM 各自在不同分量上略有优势，但 ConvLSTM 只在 Mumbai 空间异常上领先；四个城市的高雨日探测均由持续性基线最好，神经网络明显低估强降水。结论不是“ConvLSTM 无效”，而是小型日尺度再分析网格不足以单凭空间排列证明卷积递归的必要性。
3. 真实运行链再次暴露“平均损失造成模糊—概率匹配只修直方图”的结构问题。 globalnowcast 新增 10 min 雷达基线、6–48 h GFS 反射率订正、ASOS 对照与 FSS/RAPSD 诊断。仓库作者报告，tile 级 10 min 模型优于持续性，但仍未通过 full-frame 上线门槛；已训练模型的小尺度谱能量约为真值的一半。与此同时，短样本 GFS 订正已上线，但只有 13 个夏季日、以 RRQPE 为主要真值，尚不能视为跨季节独立验证。
4. 不规则多源观测可以支撑分钟到小时级预报，但有效范围受来流边界控制。 WindCastNet 直接使用六颗散射计卫星的不规则观测预报北海 10 m 风场，1–2 h 优于 HARMONIE-AROME MEPS，3 h 已转为 MEPS 更优；强风和非均匀流场退化更快。该结果对多雷达/卫星融合的时空掩码、观测间隔编码和任意时效条件化有借鉴意义，但它不是雷达降水临近预报，也没有概率集合。
5. 空气质量端有正式记录，却没有足够正文证据回答“真实预报气象误差怎样传播”。 两篇 2026-07-29 正式在线的空气质量论文只能核验到题名、作者、期刊和 DOI；具体城市、预测时效、气象输入是观测还是预报、时间拆分、指标、代码与数据均不能从当前一手元数据可靠恢复。因此保留为 metadata-only，不把题名中的 CNN-LSTM 或“动态特征”扩写成已验证能力。

二、新增条目表#

48 h 缓冲窗口#

缓冲窗口内没有发现经去重后应升级的高价值新增。pySTEPS 的 KNMI HDF5 投影元数据修正已进入上一期跟踪，不重复列出。Zhinv 于 2026-07-28 13:21 提交，早于本期 48 h 边界约 9 min，放在后文 window-out，不冒充缓冲窗口新增。

三、四条核心研究线#

3.1 core-nowcasting：真实输入与 full-frame 评估仍是上线前的主门槛#

本轮没有一篇可以完整取得正文、同时面向 0–3 h 雷达/降水概率集合并给出新代码或独立业务验证的论文。最直接的新证据来自 globalnowcast 的连续实测与卫星降水代码基线；HeatPre 目前只能作为正式元数据线索。

globalnowcast：tile 分数、full-frame 失败、谱模糊与实际部署必须分开#

10 min 雷达基线。 仓库新增的 train_subhourly.py 使用 4 帧输入、18 帧输出、每步 10 min，即以约 40 min 历史生成最长 180 min 结果。仓库作者称训练/验证材料包含 14 个月、2673 个序列；在 1 mm h⁻¹ 阈值上，tile 级验证 CSI 于 +30/+60/+90/+180 min 分别为 0.51/0.39/0.31/0.18，持续性为 0.40/0.29/0.22/0.12。代码提交本身没有附对应权重、固定验证样本清单或结果 JSON，因此这些数值仍是提交说明中的作者报告。更重要的是，仓库明确保留 full-frame live gate；此前小时级模型在精选湿区 tile 上为正、在真实完整场上为负，所以本次 tile 增益没有被直接上线。

6–48 h GFS 反射率订正。 另一提交用实际服务链收集的 GFS REFC 预报与 RRQPE 观测配对，训练一个订正网络并发布 ONNX 与概率匹配表。作者报告，13 个夏季日的留出样本上，5/10/20/30 dBZ CSI 从原始 GFS 的 0.146/0.153/0.170/0.079 变为 0.300/0.279/0.209/0.102；湿区比例由 1.62 下降到约 1.2。作者同时说明，如果取消训练期观测气候分布的概率匹配，30 dBZ CSI 会从 0.102 降到 0.008。这提示平均损失会削弱重尾，但概率匹配修复的是幅度分布，不等于恢复正确的对流位置和演变。

核验时实时清单已由上一期的 corrected:false 变为 corrected:true，说明 GFS 长时段订正已经进入公开产品；但 CONUS 字段仍为 source:"radar+hrrr"。这两个字段描述不同环节：前者是较长时效 GFS 图层订正，后者表明 0–数小时 CONUS 临近链仍由雷达平流与 HRRR 确定性混合组成，不能写成新 U-Net 已上线。

独立仪器与结构诊断。 新的 ASOS 检验脚本把 +2 h CONUS 混合结果与雨量观测比较。提交说明给出的 0.2/1 mm 阈值 CSI 为 0.238/0.166，雷达零时效相对同一雨量观测的“上限”是 0.302/0.280；4 mm 阈值下降到 0.062。当前提交没有固定站点—时段结果文件，阈值代表的累积窗也需要与雷达/HRRR 输出进一步统一，故只作为作者自测方向。

最新诊断把 FSS 和径向平均功率谱密度加入上线门槛。仓库作者称，训练模型的高频谱能量占比约 0.23，真值约 0.50，HRRR 约 0.47；即网络虽经概率匹配恢复了尖锐值域，却仍保留了模糊空间形态。新加入的梯度匹配损失只是下一轮训练方案，还没有通过相同 full-frame gate 的结果。

技术判断。 这组更新的价值不在“又一个更高 CSI”，而在把四件事分开：训练域是否是真实预报通道、验证样本是湿区 tile 还是完整场、直方图是否被后处理修复、空间谱和邻域位置是否仍失真。用户的雷达—NWP、PM₂.₅/CAMS 和 S2S 混合实验都应建立同样的门槛矩阵。

Solafune 卫星降水 U-Net：位置留出比随机拆分更可信，但任务仍不是雷达未来预报#

任务与数据。 新仓库使用 Solafune 竞赛格式。每个样本最多包含目标时刻前 30 min 的 3 次地球同步卫星观测，来自 Himawari、GOES 或 Meteosat。每个时刻提取热红外窗、红外分裂窗差和高层水汽 3 个特征，组成 9 通道输入，由紧凑 U-Net 输出一幅 41 × 41 的 GPM-IMERG 降水栅格。仓库 notebook 记录 40,686 个训练样本和 29,090 个公开评估样本；目标像元中位数为 0，99 分位为 5.26，样本最大值为 72.50，但仓库没有明确这些数值的物理单位和累积窗。

训练与测试。 训练侧把 Florida、Jakarta 和 Kinshasa 三个地点整体留作验证，共 4349 行；归一化统计只由其余训练位置估计。模型以 log1p 降水的 MSE 训练、在原始值域用 RMSE 选模。5 轮早停运行中，第 2 轮验证 RMSE 最低，为 1.253；随后用全部训练数据训练 2 轮并生成全部评估 TIFF。这个拆分比随机像元拆分更接近跨区域测试，但每个卫星系统只留出一个地点，地点差异、传感器差异和气候区差异仍有混杂。

代码状态与边界。 README、notebook、依赖定义和锁文件公开，但 data/ 与 artifacts/ 均被忽略，仓库没有权重、预测、最终竞赛分数、LICENSE 或正式 release。notebook 的运行说明还记录了作者本机的外部环境依赖路径，而仓库并未提交对应的离线设置脚本。科学上，它是卫星到 GPM-IMERG 的同期/近当前降水估计基线，不是天气雷达回波外推，也没有清楚证明目标相对最后观测具有多少分钟未来时效。

可借鉴点。 三传感器分别归一化、缺帧掩码、位置整体留出和原始值域选模值得保留；但下一步必须加入明确的目标有效时刻、持续性/零场/气候基线、强降水阈值评分、分传感器—分区域误差和不确定性输出。

**图件未镜像：**仓库没有独立许可证，论文版本也不存在；不复制 notebook 图。可前往仓库查看。

HeatPre：正式记录已出现，但当前只能保留题名级触发器#

Crossref 与 IEEE 已出现 HeatPre: Efficient Diffusion-Inspired Precipitation Nowcasting for Edge Weather Intelligence 的正式期刊记录，作者为 Ruofei Wu、Wei Fang 和 Xiankui Wang，期刊为 IEEE Internet of Things Journal，DOI 为 10.1109/JIOT.2026.3718038。当前一手元数据没有摘要，IEEE 页面在本轮核验链中未返回可解析正文；具体雷达/卫星数据、空间与时间分辨率、输入/输出帧、所谓 “diffusion-inspired” 是否真的生成概率样本、边缘设备时延、基线、指标和代码均不可核验。

因此本期只把它归为 metadata-only：题名表明与直接临近预报高度相关，但不能从题名推断模型结构、实时性或效果。IEEE 标准版权记录也不构成可复制图件许可。

3.2 core-short-range：把区域平均、空间异常和强降水事件分开，模型结论会明显改变#

IMDAA 四城市次日降水场：ConvLSTM 并非稳定最佳#

来源、任务与数据。 该稿于 2026-07-29 提交 arXiv，目前只是预印本，无正式期刊信息。研究使用 IMDAA 区域再分析 0.12°（约 12 km）网格，覆盖 1998–2020 年 6–9 月，将每日 4 个 6 h 记录聚合成日值。Bengaluru、Delhi、Kolkata 和 Mumbai 的城市子域分别只有 42、36、9 和 15 个网格。输入为过去 7 d 的蒸发、相对湿度、地面气压、总云量、u/v 风及风速，可选加入过去降水；输出是下一日总降水，单位 mm d⁻¹。这里的“起报”可理解为已知第 t 日及之前 7 d 的 IMDAA 分析场，目标有效日为 t+1；它不是由某个真实 NWP 起报循环提供的可用预报变量。

拆分与模型。 目标年份 1998–2014 为训练（1955 个序列），2015–2017 为验证（345），2018–2020 为测试（345），序列不跨季风季边界。比较零场、日序气候、持续性、3/7 d 平均、Ridge、ExtraTrees、CNN-only、FC-LSTM 与 TimeDistributed-CNN ConvLSTM。神经网络用 log1p 目标、Adam、MSE、最多 80 轮、早停，并报告 5 个随机种子。评价同时包含完整场 RMSE、区域平均 RMSE、去区域平均后的空间异常 RMSE，以及以训练期区域平均第 90 百分位定义的高雨日 POD/FAR/CSI/频率偏差。

作者报告效果。

• 区域平均 RMSE 最优模型分别为：Bengaluru FC-LSTM 5.98 ± 0.13、Delhi 持续性 14.54、Kolkata FC-LSTM 9.28 ± 0.17、Mumbai FC-LSTM 14.27 ± 0.57 mm d⁻¹。
• 空间异常 RMSE 最优模型分别为：Bengaluru FC-LSTM 7.13 ± 0.01、Delhi ExtraTrees 14.29、Kolkata ExtraTrees 7.38、Mumbai ConvLSTM 10.45 ± 0.15 mm d⁻¹。ConvLSTM 只在 Mumbai 的这一分量稳定领先。
• 四城高雨阈值分别为 9.37、15.62、22.61 和 29.19 mm d⁻¹。持续性在四城的高雨探测均最好：POD/CSI 分别为 Bengaluru 0.407/0.255、Delhi 0.488/0.323、Kolkata 0.368/0.230、Mumbai 0.641/0.471。FC-LSTM 与 ConvLSTM 的 POD/CSI 明显更低，例如 Delhi ConvLSTM 为 0/0，Mumbai ConvLSTM 为 0.206/0.172。

技术判断。 论文最有价值的不是某个城市的少量 RMSE 改善，而是证明“输入排成地图”并不自动意味着 ConvLSTM 必需。区域平均代表低频可预报信息，空间异常代表局地结构，高雨事件代表尾部风险；三个维度的赢家不同。用户的短时降水和 S2S 局地恢复实验应复用这种分解，并增加谱分数、邻域 FSS、分位数/可靠性和真实预报驱动。

剩余不确定性。 预测与目标都来自同一 IMDAA 再分析，没有独立雨量站或雷达检验；城市网格很小，Kolkata 仅 3 × 3；过去 7 d 的再分析变量不等同于实际起报时可用的未来气象；高雨日样本数量和置信区间没有充分展示。仓库只有 4 个脚本，无 LICENSE、环境文件、权重或公开处理数据，README 中脚本名与实际文件名也不完全一致，且代码保留 Colab/Google Drive 路径。

**图件未镜像：**arXiv 版本采用永久非独占分发许可，不足以授权本站转载。可前往论文页面查看原图。

3.3 core-s2s：没有新的直接结果，但谱约束给出可执行的混合预测对照#

严格主窗口内未发现新的 1–65 d AI 天气/S2S 论文、代码、权重、数据集、正式榜单或业务共同样本验证。GMD 的 CCAM 研究并不是 S2S 预报，但它直接回答了一个与用户研究相同的结构问题：外部大尺度信息要约束到什么尺度、多久更新、约束哪些变量，才能既保持大尺度演变，又不抹掉区域降水结构。

CCAM 谱约束降尺度：约束尺度、频率与变量选择共同决定精细结构#

来源与正式状态。 论文于 2026-07-30 正式发表于 Geoscientific Model Development，此前预印本于 2026-02-03 进入公开讨论，2026-07-16 接收。文章和具体图件适用 CC BY 4.0。

科学任务、数据与实验。 研究用 CCAM-2504 在 CORDEX-Australasia 区域做 12.5 km 动力降尺度，ERA5 31 km、逐小时场提供大尺度约束，模拟 2010–2011 年极端 La Niña 与 MJO 共同作用的 12 月至次年 3 月。共 16 个模拟，系统改变：

• 约束变量：气压 P、风 U/V、温度 T、比湿 Q 的不同组合；
• 水平约束尺度：约 500、1500 和 3000 km；
• 更新频率：1 h 或 3 h；
• 垂直范围：不同最低约束层，包括主要在 850 hPa 以上或贯穿更深层的方案。

降水主要以 GPM-IMERG Final Run v07 日累计（mm d⁻¹）为参照，并用 GPCP、CMORPH 和澳大利亚 AGCD 估计观测不确定性；环流和垂直结构与 ERA5 比较。这里没有训练/测试意义上的机器学习拆分，而是 16 组受控动力模拟的共同事件比较。

作者报告效果。 无约束控制试验在六个子区的空间相关仅约 0.05–0.25，归一化标准差约 0.2–0.4；多数谱约束模拟达到相关 0.80–0.95、归一化标准差 0.5–0.9，并显著减小 RMSE。约 500–1500 km、1 h 更新、约束 P/U/V/T 且主要位于边界层以上的方案表现最平衡，能够更好重现 MJO 相位、季风水汽辐合、Carlos/Yasi 等事件以及极端降水分位数。3000 km、3 h 更新、只约束 P 或 P/U/V、加入湿度 Q 或过深垂直约束的方案更容易平滑降水、错置对流或破坏热力一致性。

代码、数据与许可。 论文把 CCAM-2504 主代码、运行和后处理脚本归档到 Zenodo 10.5281/zenodo.19018138；再网格化 ERA5/GPCP/CMORPH/IMERG 数据归档到 10.5281/zenodo.19077484；全部制图 notebook 归档到 10.5281/zenodo.18423589。本轮直接核验的三个 Zenodo 记录均为开放访问、CC BY 4.0，并提供文件校验和。数据归档约包含 6.07 GB ERA5、1.72 GB GPM、456 MB GPCP 和 304 MB CMORPH 文件。

与用户研究的连接。 可把该实验设计转写为 AI/S2S 混合预测的四轴消融：动力锚定的变量、谱带、更新时间和垂直层。AI 模块不应直接重画全部场，而应在共同大尺度锚定下学习局地异常或条件残差；评价同时检查绝对场、异常、谱能量、极端分位数和物理收支。不能直接照搬其最佳 500–1500 km 数值，因为用户的网格、时效、变量和动力模式不同。

剩余不确定性。 研究只覆盖一次 4 个月极端湿季，ERA5 同时承担边界约束和部分评价参照，12.5 km 仍不能显式解析深对流；作者也指出热带、山地和 Gulf of Carpentaria 的局地偏差没有被约束消除。后续需要多年份、干湿不同背景、不同驱动模式和约 4 km 试验。

3.4 core-air-quality：两条正式记录不足以支持模型或业务结论#

Delhi 多时效 CNN-LSTM#

Elsevier 元数据确认 Multi-Horizon Forecasting of PM2.5 Concentrations in Delhi Using a CNN-LSTM Hybrid Deep Learning Model 于 2026-07-29 在线，作者为 Himanshu Ranjan、Pradeep Kumar Verma、Manoj Kumar Yadava 和 Sushant Kumar，期刊为 Advances in Space Research，DOI 为 10.1016/j.asr.2026.07.106。出版商 API 标为非开放获取，当前返回记录只有题名、期刊、PII、DOI 和日期，没有摘要。

从题名只能确认任务声称是 Delhi PM₂.₅ 多时效预测和 CNN-LSTM 混合模型；不能可靠确定监测站、年份、预测小时数、气象变量、气象输入是观测/分析还是未来预报、训练测试隔离、单位、作者指标或代码状态。本期不把它写成 CAMS/MLWP 驱动研究，也不推断其“多时效”已经覆盖业务所需范围。

动态特征自适应空气污染预报#

Crossref 确认 Ritesh Rana 与 Naveen Kumar 的 Dynamic feature-adaptive representation learning for spatiotemporal air pollution forecasting 于 2026-07-29 正式在线发表于 Environmental Technology，DOI 为 10.1080/09593330.2026.2692045。当前官方元数据没有摘要，出版商全文接口在本轮受访问挑战阻断。

因此污染物、区域、时效、动态特征机制、数据拆分、基线、作者效果、气象驱动及代码/数据状态均不推断。它保留在 metadata-only 的唯一理由是正式期刊状态与题名直接对应空气污染预测；待正文可访问后再决定是否升级为 core-air-quality。

共同技术判断。 两条记录都没有回答用户最关心的问题：预测初始化时刻是什么、未来气象由真实 CAMS/MLWP/NWP 预报还是目标时刻观测提供、气象误差怎样传入 PM₂.₅、沙尘/高污染阈值是否校准。下一轮应优先补这四项，而不是从模型名推断技能。

四、相关方法与基础设施#

4.1 WindCastNet：不规则卫星观测的短时场预报#

来源与任务。 WindCastNet 于 2026-07-29 提交 arXiv，目前为预印本，无期刊信息。任务是由最近的卫星散射计观测直接预报北海 10 m 海面风速和风向，时效为分钟到 3 h；这是海上风场短时预报，不是天气雷达降水预报。散射计虽使用微波雷达原理测量海面后向散射，但这里预测的是海面风矢量。

观测与共同样本。 输入来自 MetOp-B/C 的 ASCAT、HY-2B/C/D 的 HSCAT 和 Oceansat-3 的 OSCAT，共六颗卫星；统一到 25 km 网格。训练期为 2021-11-04—2024-12-31，测试为完整 2025 年，验证为 2026-01-01—2026-04-01。卫星可用性随发射与数据发布变化，每日约 8–19 次过境。作者在 2025 测试上以散射计观测为参照，并把 WindCastNet、HARMONIE-AROME MEPS 与持续性投影到同一 25 km 网格；汇总检验超过 440 万个观测点。

模型构建。 模型使用 partial-convolutional LSTM 处理观测掩码，在每次观测之间显式编码时间间隔，并通过连续时间表示与条件化解码器，在一次非自回归推理中给出任意分钟目标时效。这个设计可借鉴到多雷达/卫星资料：观测缺失不是简单填零，传感器的时间间隔也不是固定步长。

作者报告效果。 10 m 风速 RMSE（m s⁻¹）在 +1/+2/+3 h 分别为：

• WindCastNet：1.01 / 1.21 / 1.44；
• MEPS：1.31 / 1.30 / 1.37；
• 持续性：1.11 / 1.41 / 1.70。

因此作者报告 WindCastNet 相对 MEPS 在 1 h、2 h 降低 RMSE 约 23% 和 7%，但 3 h 已落后；相对持续性前三小时降低约 9%–15%。在强风和空间非均匀流场中退化更快，例如强风 3 h RMSE 为 1.68，而 MEPS 为 1.49 m s⁻¹。

技术判断与不确定性。 结果说明近期观测在短时效有优势，区域外来流信息在更长时效接管技能；这与雷达外推逐渐让位于 NWP 的物理图景一致。当前模型只输出确定性场、区域限于北海、10 m 风并非轮毂高度；观测来流从域外进入时没有外部状态。论文声称代码公开，但所列 GitHub 端点在核验时返回 404。另一个 EMS 2026 摘要对该模型给出不同的改进幅度，并提到 ERA5 预训练，而当前 arXiv 正文未检索到 ERA5 预训练描述；本日报以当前 arXiv v1 的完整表格为准，不混用两个版本的百分比。

**图件未镜像：**arXiv v1 标为 CC BY-NC-ND 4.0，不在本站图件白名单。可前往论文页面查看。

4.2 本轮代码与数据基础设施结论#

• GitHub 中除上述两个仓库外，ilianrvd/nowcasting-public 与 sushantakundu/gsmap-live 的新提交只是自动生成当前图像/预报，不是模型、代码、权重、数据或科学解释变化。
• pySTEPS 在本窗口无新的默认分支实质提交；上一期已记录的 KNMI 投影元数据修正不重复。
• Hugging Face 最近更新的 weather/precipitation/radar/air-quality/PM₂.₅ 搜索结果未发现新的、与四条主线直接相关且具有模型卡、数据卡或许可证的专业发布；少量个人天气分析器和空间天气数据不纳入。
• GMD/Zenodo 是本期最完整的可复现链：论文、模型代码、运行脚本、输入数据快照、制图脚本和许可均可对应。它可以作为用户后续论文中“代码/数据/图件链条完整性”的参照。

五、机构信号、仅元数据、窗口外与排除项#

5.1 机构信号#

本轮检查 Google DeepMind、ECMWF、NOAA、Met Office、中国气象局、WMO 和 Copernicus/CAMS 的官方页面，未发现严格主窗口内新的 AI 天气模型、权重、数据集、定量业务验证或代码发布。

WMO 第四场 AI webinar 计划于 2026-07-30 12:00–13:00 UTC，即北京时间 20:00–21:00 举行。核验截止时，页面已列出三个主题：智利浮动光伏水体蒸发估计、阿根廷 NWP 太阳辐射 MLP 订正、南美可再生能源图集的 AI 气候降尺度；第四场对应的 “presentation(pdf)” 与 “recording” 尚未形成可点击资源。它们主要服务能源气候应用，不是本期直接研究结果；会后若出现幻灯片、录像、模型/数据链接或共同样本分数，再决定是否升级。
WMO AI webinars

5.2 metadata-only#

• **HeatPre / IEEE JIoT：**正式 DOI 已出现，但摘要、数据、时效、指标和代码不可核验；保留直接临近预报触发器，不扩写。
• **Delhi CNN-LSTM / Advances in Space Research：**正式在线日期可核验，正文证据不足；不推断 CAMS/MLWP 或真实预报驱动。
• **动态特征空气污染预报 / Environmental Technology：**正式在线状态可核验，技术内容尚不可核验；不从题名推断空间泛化或多时效能力。

5.3 window-out#

• Zhinv: Real-time hub-height wind field reconstruction using only local sparse observations 于 2026-07-28 13:21 提交 arXiv，比本期 48 h 边界早约 9 min。作者用东北中国、欧洲和东南亚实验，报告相对 Kriging 误差降低约 66%。它是利用稀疏本地观测重建同一时刻轮毂高度连续风场，不是未来预报；未发现代码或数据链接，arXiv 为永久非独占许可。作为近边界相邻方法记录，不计入本期新增。
• HoloWave: A Continuous Spherical Neural Operator for the Efficient Mesh-Free Meteorological Nowcasting 本轮因 Crossref 重建档再次出现，但 SSRN 页面确认早在 2026-04-27 已发布。它不属于 48 h 窗口，不重复列入新增。

5.4 low-value-exclusion#

• Air Quality Forecasting in Indian Smart Cities Using Artificial Intelligence and Supervised Ensemble Learning Models 于 2026-07-30 作为 Springer ICTCS 2025 会议章节上线。摘要只称比较 Random Forest、Gradient Boosting 和 XGBoost，使用多个印度智慧城市的多年实时环境数据并优于传统模型；没有城市、时间段、样本数、预测时效、拆分、绝对指标、代码或数据。出版许可为作者向 Springer 的专有许可，不复制图件。本期记录为低价值排除，等待可审计实验细节。
• GitHub 中只更新自动动画、展示页或当前预报栅格而没有科学代码/结果变化的仓库，不计为新事件。
• 一般 AI 天气新闻、旧项目页重抓、会议议程、太阳能负荷/风电功率预测和不含大气预报任务的环境 AI 不纳入。

六、对当前研究的具体启发#

1. 先定义“锚”与“残差”，再讨论网络。 CCAM 结果表明，大尺度约束不是越强越好；变量、谱带、更新频率和垂直层共同决定局地结构是否还能发展。S2S 混合实验可把动力模式/集合均值或低波数异常作为锚，把 AI 限定在局地异常、偏差或条件分布上，并做四轴消融。
2. 把完整场拆成区域平均、空间异常和尾部事件。 IMDAA 研究中三类指标的最佳模型不同。用户的降水、温度和 PM₂.₅ 结果也应分别报告低频可预报分量、局地结构增量、极端阈值和概率可靠性，避免平均 RMSE 掩盖强事件失败。
3. 真实预报通道与 full-frame 样本必须进入上线门槛。 globalnowcast 在精选 tile 和完整运行场上得到相反结论。雷达—NWP、CAMS/MLWP 和 S2S 多模式比较应固定同一初始化与有效时刻，分别使用分析、真实预报和订正预报，不能用分析场训练后把分数直接外推到业务输入。
4. 直方图恢复不等于空间结构恢复。 概率匹配能恢复重尾，却可能把尖锐值重新分配到已模糊的位置。至少同时检查 CSI/FSS、径向功率谱、位移误差、对象生命周期和强回波体积；若输出集合，还要检查 rank histogram、CRPS、覆盖率与集合离散度。
5. 观测间隔和掩码是多源融合的一等变量。 WindCastNet 的不规则时间编码、空间掩码和任意时效条件化，比简单把缺测填零更适合卫星—雷达—闪电—环境场融合。更长时效仍需域外 NWP/动力边界，不能让局地观测模型承担其不可见的来流演变。
6. 同期场重建、近当前估计和未来预报必须明确分层。 Solafune 基线、Zhinv 和空气质量生成式重建都可能恢复精细场，但它们不自动证明未来时效技能。所有图表应注明最后可用观测、目标有效时刻、时效、参照数据和单位。
7. 空气质量下一步优先补“驱动真实性”，不是再堆模型名。 新的两条正式记录在正文可得前不能回答业务问题。用户的 PM₂.₅/CAMS 工作应优先建立分析气象—真实预报气象—理想气象三组共同样本，并单列沙尘/高污染阈值下的误差传播和区间覆盖。

七、后续跟进触发器#

• **HeatPre：**IEEE 摘要或全文可访问，或出现官方代码/权重/数据后，核验输入/输出帧、雷达来源、空间时间分辨率、扩散是否生成集合、边缘设备延迟与共同样本指标。
• **globalnowcast：**梯度匹配 frame-level 模型通过预注册 full-frame live gate；提交固定权重与结果文件；IMERG cross-truth 有定量结果；ASOS 累积窗与雷达/HRRR 单位统一；训练数据扩展到跨季节并出现 LICENSE/release。
• **IMDAA ConvLSTM：**公开处理数据、环境和权重；增加独立雨量站/雷达参照、真实 NWP 预报输入、更多城市网格与高雨日置信区间；验证 README 与实际脚本名。
• **WindCastNet：**GitHub 仓库真正可访问；公开权重、数据索引、许可证和推理；解释 EMS 摘要与 arXiv v1 的预训练/百分比差异；加入概率集合和域外 NWP 边界。
• **Solafune U-Net 基线：**明确目标相对最后卫星帧的预报时效和单位；公开 LICENSE、数据获取清单、权重、位置留出结果与最终竞赛分数；加入强降水和跨传感器评价。
• **CCAM 谱约束：**多年份、干湿不同背景、不同驱动 GCM/NWP 与约 4 km 配置出现；若迁移到 AI 混合模型，重点看共同样本下低波数锚定与高波数残差的物理一致性。
• **空气质量两篇正式论文：**摘要/正文可访问后，优先核验初始化、未来气象来源、时效、站点/年份隔离、极端污染、代码/数据；只有满足后再从 metadata-only 升级。
• **WMO webinar：**北京时间 2026-07-30 21:00 后检查可点击幻灯片、录像、系统、代码、数据或量化验证；只有议程/观点时保持 institution-signal。
• **四条主线持续检索：**补查晚到 arXiv/OpenReview 索引、正式期刊页、GitHub/Hugging Face 实质发布，以及 DeepMind、ECMWF、NOAA、Met Office、CMA、WMO 和 CAMS 的可下载成果。

八、简短结论#

本期没有新的直接 AI/S2S 成果，也没有可以完整核验的概率集合雷达论文。最有价值的进展是三组边界证据：CCAM 说明大尺度约束必须在尺度、频率、变量和垂直层之间取得平衡；IMDAA 说明复杂网络对区域平均、空间异常和强雨尾部并不同时占优；globalnowcast 说明 tile 得分、真实完整场、幅度分布和空间谱必须分别过关。它们共同支持一个更稳健的研究路线：先保护真正可预报的大尺度与共同样本，再恢复局地结构，最后用概率校准表达尚不可预报的部分。