# 2026-08-16 大气科学 AI 研究进展日报

> 核验截止：2026-08-16 13:25（Asia/Shanghai）  
> 主窗口：2026-08-15 13:25—2026-08-16 13:25；24–48 h 缓冲窗口：2026-08-14 13:25—2026-08-15 13:25  
> 上次工作区连续核验截止：2026-08-15 16:18。当前主窗口前 2 h 53 min 与上一期重叠，已按工作区日报、`tracked_items.md` 和自动化记忆去重；真正连续新增从 2026-08-15 16:18 起计算。  
> 检索范围：arXiv、OpenReview、Crossref、OpenAlex、Semantic Scholar、正式期刊/预印本页、GitHub、Hugging Face、机构页与数据平台。日期、状态、指标、代码和许可优先依据一手记录；聚合器只作发现入口。

## 一、总体判断与信号地图

今天不是一个“核心模型集中发布”的窗口。没有发现满足直接任务和证据门槛的新雷达临近预报或 0–72 h 业务后处理结果；S2S 只有一条 SSRN 摘要级季节降水候选，因起报时刻、提前期和数据期未公开，暂不升级为 `core-s2s`。最强的新科学信号来自 24–48 h 缓冲窗口的一篇空气质量降尺度预印本：它表明，独立积分的 10 km 与 5 km 化学输送模式首先产生跨分辨率结构偏差，直接做超分辨率会把这个偏差当成“缺失细节”；更合理的做法是先概率订正共同网格上的结构，再施加守恒约束恢复空间细节。

主窗口的新增主要是可复现基础设施：一个长尾逐小时降水 MoE 代码包、一个城市对流降水平流一致性诊断代码包、一个 INSAT 卫星降水预处理框架，以及两个尚不能支持技巧判断的仓库壳。它们有方法启发，但都不能被写成新的雷达临近预报、业务短时预报或独立复现结果。

| 研究问题 | 本期信号 | 证据强度 | 关键边界 |
|---|---|---:|---|
| 怎样保留可预报信息 | 季节降水候选用多尺度分解、因果筛选和滚动验证识别季节依赖的可预报性 | 仅摘要 | 起报时刻、提前期、输入数据期和共同样本未核实，暂不进入 `core-s2s` |
| 怎样恢复精细结构 | 空气质量预印本把跨分辨率结构订正与 2× 空间细化拆开 | 较强 | 这是逐时诊断降尺度，不是未来 AQ 预报；只验证一个 CTM、一个区域和一次 2× 放大 |
| 怎样表达不确定性 | EDM 扩散模型在结构订正阶段给出较优 CRPS，确定性 SwinIR 给出较低 nRMSE | 较强 | 概率优势与点误差存在权衡；气象和化学不确定性没有联合传播 |
| 怎样处理长尾降水 | SA-MoE 用 10 专家 Top-3 融合改善高阈值 CSI | 中 | 目标是 ERA5 1 h 后降水，0.25°、确定性输出；不是雷达、不是真实业务起报，也不是概率集合 |
| 空气质量怎样连接气象误差 | CTM 降尺度研究证明分辨率变化会同时改变气象、排放和化学状态 | 较强 | 2023 站点检验位于训练年份内；观测未用于训练，但这不是未见年份泛化 |

按新版分类，本期主窗口保留 1 个 `adjacent-method`、2 个 `infrastructure`、2 个 `metadata-only`；24–48 h 缓冲窗口保留 1 个 `adjacent-method` 和 1 个 `core-air-quality`。另有 1 篇短时多模式融合论文因正式上线日期早于 48 h 边界列为 `window-out`，1 个空气质量仓库因数据来源、预处理和指标存在实质矛盾列为 `low-value-exclusion`。没有发现新的 `core-nowcasting` 或窗口内可核实的 `core-short-range`、`core-s2s` 结果。

## 二、新增条目表

### 2.1 主窗口

| 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 |
|---|---|---|---|---|---|---|---|
| `sa-moe-precipitation-nowcasting` / *Scenario-Adaptive Mixture-of-Experts for Long-Tailed Hourly Precipitation Nowcasting* | 2026-08-16 01:39 创建；13:00 形成公开复现包 | 长尾降水与确定性结构恢复 | `adjacent-method` | GitHub | 公开研究代码包；未核实公开论文、DOI 或正式会议/期刊记录 | [GitHub](https://github.com/xyt1379248650-dot/sa-moe-precipitation-nowcasting) | MIT；训练/评估代码、结果 CSV、测试、最终检查点链接和作者给出的 SHA-256 公开；ERA5 原始数据与基线检查点不分发；未做本地端到端复现 |
| `egusphere-2026-1314-processing-code` | 2026-08-16 00:19 | 城市对流降水平流一致性诊断 | `infrastructure` | GitHub / EGUsphere | 新代码发布；配套 EGUsphere 预印本仍处公开讨论，不是同行评审终稿 | [GitHub](https://github.com/punpiti/egusphere-2026-1314-processing-code) · [预印本](https://doi.org/10.5194/egusphere-2026-1314) | MIT；完整处理流水线、合成演示和预期输出公开；受限的曼谷雨量站观测和事件窗口未分发 |
| `insat-nowcast` | 2026-08-15 21:44 | 卫星降水输入与序列质控 | `infrastructure` | GitHub | 黑客松研发框架；尚无预测模型、论文或技巧结果 | [GitHub](https://github.com/filarancesonia/insat-nowcast) | M1 数据接入与 M2 预处理已实现并由作者报告 349 项测试；真实 MOSDAC 数据不分发；无标准 LICENSE，M3–M15 仍是计划 |
| *Bridging the Gap between Climate Forecasting and Applications: A Multiresolution Causal Framework for Seasonal Precipitation* | 2026-08-16 00:42（Crossref 建档） | 季节降水与可预报性筛选 | `metadata-only` | SSRN / Crossref | SSRN 预印本/posted content，DOI `10.2139/ssrn.7267818`；未核实期刊信息 | [DOI](https://doi.org/10.2139/ssrn.7267818) | 可访问摘要给出框架和作者指标；全文页受访问挑战，起报、提前期、数据期、代码、数据和许可未核实 |
| `AirCast-Delhi-AI-Powered-Air-Quality-Forecasting-System` | 2026-08-16 08:59 | 德里 O3/NO2 24 h 预测设想 | `metadata-only` | GitHub | README 级项目壳；无论文、代码实现、数据、权重或结果 | [GitHub](https://github.com/pratimaantripathi/AirCast-Delhi-AI-Powered-Air-Quality-Forecasting-System) | 仅描述 7 个站点、卫星/再分析/历史输入和 XGBoost/LightGBM 设想；无标准 LICENSE |

### 2.2 24–48 h 缓冲窗口

| 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 |
|---|---|---|---|---|---|---|---|
| *Neural downscaling of air-quality simulations requires structural correction before spatial refinement* | 2026-08-14（Crossref 16:05 建档） | 空气质量降尺度、结构订正与概率表达 | `adjacent-method` | Research Square | v1 预印本，未经期刊同行评审；DOI `10.21203/rs.3.rs-10627504/v1`，CC BY 4.0 | [版本页](https://www.researchsquare.com/article/rs-10627504/v1) | 论文写明代码在 GitHub，但给出的仓库当前返回 404；MONARCH 配对训练数据承诺录用后入库，当前未公开；GHOST 观测来自公开提供方 |
| *TimeGAN-based generative modelling for air quality index forecasting and missing data imputation in Indian cities* | 2026-08-14 18:03（Crossref 建档） | 城市 AQI 预测与缺测填补 | `core-air-quality` | *Discover Artificial Intelligence* | 正式发表，DOI `10.1007/s44163-026-01892-y`，CC BY 4.0 | [DOI](https://doi.org/10.1007/s44163-026-01892-y) | 可访问正式摘要；未核实代码、权重、冻结数据映射和完整切分；全文访问挑战阻止了预测提前期和泄漏审计 |

## 三、四条核心研究线

### 3.1 `core-nowcasting`：没有新的直接雷达临近预报结果

arXiv 的 `physics.ao-ph`、`eess.IV` 和 `cs.LG` 周五新稿已在上一期核验，周末没有新的正式新稿列表。OpenReview 和已跟踪仓库也没有出现可核实的论文、权重、数据或结果状态升级。`sa-moe-precipitation-nowcasting` 的名称包含 nowcasting，但其输入和目标均来自 ERA5：6 个逐小时历史场预测 1 h 后总降水，空间分辨率 0.25°。它不使用雷达回波、三维体扫、闪电或未来 NWP 驱动，不能归入 `core-nowcasting`。

`insat-nowcast` 是卫星到未来强降水的上游输入框架，也不是 satellite-to-radar。它目前完成的是 INSAT-3D/3DR 产品校准、统一到 0.04° 的 875 × 875 网格、掩膜、缺帧处理和归一化清单；视差订正因缺少云顶高度而有意未启用。作者明确写明“尚无模型，也不声称准确率”，因此只作为 `infrastructure` 保留。

### 3.2 `core-short-range`：窗口内无直接结果，长尾代码包仍是再分析实验

SA-MoE 使用 2010–2024 年 ERA5，范围为 91.25–109°E、32–43.75°N，48 × 72 网格。10 个输入变量包括历史降水、整层云液水/冰水、700/850 hPa 比湿、2 m 露点、500 hPa 垂直速度和风、CAPE。按仓库实现，训练截至 2022-01-01，验证覆盖 2022-01-01 至约 2023-07-02，测试目标覆盖 2023-07-03 03:00 至 2024-12-31 23:00，共 13,149 个测试样本；归一化统计量只由训练段计算。

模型由 ConvGRU 时间干、Transformer U-Net 和 10 专家 MoE 组成，Top-3 门控但实际密集计算全部专家，输出是确定性连续回归。作者结果 CSV 报告 SA-MoE 的 RMSE 为 0.1037 mm h⁻¹、PCC 为 0.901，强于 Persistence（RMSE 0.1601）、TrajGRU（0.1126）、ConvLSTM（0.1141）、Earthformer（0.1346）、SimVP（0.1310）和 UNet3D（0.1168）。4 mm h⁻¹ 阈值的 CSI 为 0.4478，最强基线 TrajGRU 为 0.4387；提升较小。消融还显示，完整模型改善 4 mm h⁻¹ CSI，但在 0.1 mm h⁻¹ 阈值上无权重版本反而更高，说明尾部加权改变了轻雨—强雨权衡。

这项代码对“如何给长尾事件分配容量”有借鉴价值，但 MoE 不等于概率集合，仓库没有校准、可靠性或联合场不确定性检验；正式评估还关闭了辅助 hurdle gate。更关键的是，ERA5 分析场驱动与 ERA5 目标不能量化真实业务预报气象误差。因此保留为 `adjacent-method`，不把低 RMSE 或小幅 CSI 增益写成 0–72 h 业务技巧。

正式上线于 2026-08-13 的新疆电网静稳天气多模式融合论文给出 ECMWF +1–72 h、GRAPES +1–48 h、WRF +1–24 h 及 RF/LSTM/注意力融合，但上线时刻早于本期 48 h 边界，列为 `window-out`。全文虽报告综合 ACC 0.846（LSTM）高于持久性 0.612，却没有给出可审计的数据年份、样本数、单位、逐提前期或共同样本结果，不宜作为当前窗口的定量基线。

### 3.3 `core-s2s`：只有摘要级季节候选，暂不升级

SSRN 的 MaCRO 摘要提出四个相连步骤：多分辨率降水分解、滞后感知筛选、概率因果发现，以及确定性/概率验证；案例为澳大利亚北约翰斯通河流域。作者称使用滚动起源验证和 9 类统计/机器学习模型，确定性三分位分类准确率在 DJF、JJA、MAM、SON 分别达到 80%、70%、60%、60%，而 MAM/SON 的概率可靠性较弱，贝叶斯更新用于按季节选择模型。

这些信息符合“先识别何时、何尺度有可预报信息，再构建概率产品”的研究逻辑，但可访问记录没有明确起报时刻、提前期、目标累计期、观测与气候预测系统、年份、样本量、气候态定义或代码。由于本监测的 `core-s2s` 要求 1–65 d 的初始化—有效时刻合同，当前只能保留为 `metadata-only` 候选，不能依据“seasonal”题名自动升级，也不能把分类准确率与 ECMWF、NCEP、CMA、UKMO 或 AI 天气模型作横向比较。

本期机构页没有新的 ECMWF、NOAA、Met Office、CMA、WMO 或 Google DeepMind 一手业务更新。FGOALS 没有被用作检索边界；结论是全系统范围内没有满足窗口与证据合同的新 S2S 结果。

### 3.4 `core-air-quality`：一项直接 AQI 预测和一项高价值结构订正

TimeGAN 论文使用印度中央污染控制委员会 6 个城市 2018–2023 年逐小时记录，联合处理 AQI 回归、缺测填补和合成情景，并以 SMOTE 平衡类别；比较 ARIMA、SVM、随机森林和 LSTM。正式摘要报告 R² = 0.94、MAE = 3.72、MSE = 4.25，分类准确率 95.8%、F1 = 0.946，五折结果 R² = 0.93 ± 0.012，并称相对 LSTM 的配对 Wilcoxon 检验 p < 0.01。

这些数值只能作为作者报告。摘要没有给出预测提前期、训练/测试年份、城市内还是跨城市切分、缺测机制，以及 SMOTE/TimeGAN 是否严格限制在每个训练折内。MAE 3.72 与 MSE 4.25 若来自同一尺度和同一样本，会导致 RMSE 约 2.06、低于 MAE，数学上不可能；因此必须核对正文中的指标定义或排版。输入也未显示 CAMS、MLWP 或真实未来气象预报场，不能回答气象误差传播。它满足“未来 AQI 预测”的直接题名和正式摘要证据，暂列 `core-air-quality`，但证据等级保持中低。

空气质量结构订正预印本更贴近本期方法主线，但它是诊断降尺度，不是未来预报。作者以伊比利亚半岛 MONARCH 独立 10 km 和 5 km 在线 CTM 积分构建 NO2、O3、PM10、PM2.5 的配对逐小时数据；两套积分只共享 ERA5 气象和 CAMS 成分侧边界，内部气象、排放和化学状态可随分辨率分化。2021–2023 年及 2024 年非留出日用于训练，2024 年每月 25–27 日为验证、29–31 日为测试，并在相邻日之间留间隔；样本数为 163,680 / 4,320 / 3,360，归一化仅用训练段。

第一阶段把原生 10 km 场映射到由 5 km 场聚合得到的 10 km 场，学习跨分辨率结构订正；第二阶段再从订正后的 10 km 场恢复原生 5 km 场，并严格保持每个粗网格均值。作者比较 CNN、U-Net、SwinIR、GAN、flow matching 和 EDM diffusion。确定性 SwinIR 在结构订正阶段给出最低 nRMSE，EDM 对四种污染物均给出最低 CRPS；端到端确定性两阶段方案的污染物平均 nRMSE 约 22.0%，EDM→SwinIR 约 23.9%，但概率评分和峰值结构更好。这说明“最低点误差”与“分布和局地峰值”是不同目标。

2023 年 GHOST/EEA 背景站观测未参与训练，但年份本身属于 CTM 训练期。作者报告对 MONARCH 输入，NO2 的 POD 从 0.41 提高到 0.48、FAR 从 0.31 降到 0.30；对独立 CAMS 区域集合中位数输入，NO2 POD 从 0.59 提高到 0.62、FAR 保持 0.15。所有同图变体都使用共同站点—小时，但阈值把 WHO 年/日/8 h 指南值直接用于逐小时浓度，作者也将其明确限定为“逐小时超阈频率代理”，不能写成法规达标检验。地理四象限留出使性能平均恶化约 40%，提示外域迁移仍需要区域训练或域适配。

![Figure 1：空气质量两阶段结构订正与空间细化框架](/assets/paper-figures/2026-08-16/neural-air-quality-structural-correction/figure-1-web.png)

**图 1（原图）**：将逐时诊断降尺度与完整 CTM 时间积分分开，并把 LR→HR 分解为概率结构订正 LR→dHR 和带粗网格一致性约束的确定性空间细化 dHR→HR。来源：Jens d'Hondt 等，[Research Square v1, Figure 1](https://www.researchsquare.com/article/rs-10627504/v1)。许可：[CC BY 4.0](https://creativecommons.org/licenses/by/4.0/)。本站从该版本作者 PDF 第 5 页以 240 dpi 栅格化，仅移除页边距和图件之外的论文正文，保留两个面板与完整原始图注；未裁掉面板、标签、图例或内容，也未添加标注或改色。完整作者、图注、来源、许可和变更记录见同目录 `metadata.json`。

论文的 Code Availability 指向 `JdHondt/MONARCH-downscaling`，但该链接本次返回 404；数据声明则是“录用后公开”。因此不能写成当前代码和训练数据可复现。图件级许可、原始图注和第三方署名已核对，Figure 1 未见单独第三方信用行，故按 CC BY 4.0 镜像。

## 四、相关方法与基础设施

### 4.1 城市对流降水平流一致性代码：解决“代码缺失”，没有解决“数据和物理归因”

`punpiti/egusphere-2026-1314-processing-code` 配套 2026 年 6 月公开讨论的 EGUsphere 预印本。流水线用曼谷密集雨量站把 15 min 降水重建到 1 km 网格，使用 Farnebäck 光流估计平流，再以残差刻画非平流增长/衰减。最终严格规则按面积、峰值总量、事件总量和持续帧数把 157 个事件分为 36 个对流和 121 个非对流标签。新仓库提供输入结构、合成 15 帧/36 站示例、预期结果和完整处理脚本，许可证为 MIT。

这次发布是实质的 `infrastructure` 变化，因为公开讨论曾指出代码和数据不可用；现在代码缺口被补上，但 BMA 真实观测和事件窗口仍受限。审稿意见还指出，残差可能混合演变平流、稀疏站网和插值平滑，阈值定义也可能带来循环论证。它没有预测未来降水，不是 AI 模型，也不是雷达结果；可借鉴点是把平流一致性诊断作为对流生命周期评估的辅助，而不是把残差直接解释为物理增长率。

### 4.2 INSAT 输入框架：先冻结观测合同，再谈模型技巧

`insat-nowcast` 将 INSAT-3D/3DR 多产品接入、标定、重投影、掩膜、缺帧和序列构建拆成独立模块，并明确记录 0.04° 网格、序列时间戳和归一化清单。真实数据需要 MOSDAC 登录且未再分发，仓库只用合成帧测试；项目没有标准许可证。M3 标签、M4–M7 基线/高级模型、M8–M15 训练、解释、验证和部署仍未实现。

它的研究价值不是当前技巧，而是先固定观测输入合同：通道标定、有效时刻、缺帧、云掩膜、视差和训练统计量都应可追溯。下一步只有在真实数据时间隔离、降水参照、提前期、基线和概率/阈值验证出现后，才可能从 `infrastructure` 升级。

## 五、机构信号、仅元数据、窗口外与排除项

### 5.1 `institution-signal`

对 Google DeepMind、ECMWF、NOAA、Met Office、WMO、CMA 和 Copernicus/CAMS 的 24–48 h 检索，没有发现改变模型、数据、代码、业务状态或正式评估的一手公告。旧版 AIFS/FastNet 文章、一般机构宣传和日常天气产品不重复收入。

### 5.2 `metadata-only`

- MaCRO 季节降水 SSRN DOI：摘要支持多尺度—因果—概率框架和作者分类准确率，但缺失本监测所需的起报、提前期、共同样本和代码合同。下一触发器是可访问全文、数据/代码和 1–65 d 时效定义。
- `AirCast-Delhi-AI-Powered-Air-Quality-Forecasting-System`：只有 README 设想，无可执行代码、数据、权重、指标和许可。下一触发器是提交实现、时间隔离评估、未来气象输入和正式许可证。
- Hugging Face 的日本 7 d 天气预报数据集与斯里兰卡预报文档块在本窗口自动刷新，但属于日常数据积累，没有新的方法、评估或数据版本事件，不作为科研新增。

### 5.3 `window-out`

- *Research on Key Technologies for Static Weather Forecasting of Xinjiang Power System Based on Machine Learning and Multi source Numerical Model Fusion*，DOI `10.7716/aem.v15i3.4025`：期刊正式上线日期为 2026-08-13，早于 48 h 边界；Crossref 在主窗口延迟建档。任务覆盖 1–72 h，形式上连接 `core-short-range`，但论文没有给出可审计的数据期、样本量、单位和逐时效结果，暂不用于定量比较。文章为 CC BY 4.0，但本期不镜像图件。

### 5.4 `low-value-exclusion`

- `AkashN-23/Air_Quality_Prediction`：README 称 5 个 Chennai “IoT 站点”和 WindGCN-GRU/VMD 预测，实际抓取脚本使用 Open-Meteo 空气质量与气象网格 API；VMD 在全时间序列上先行分解，均值/标准差也在全数据上计算，再做 80/10/10 切分，存在未来信息泄漏。主脚本还引用未定义的 `dataset`，结果 CSV 与 README 的 R² 宣称不一致；无标准 LICENSE、持久性基线或可核实论文。保留为排除项，避免误归 `core-air-quality`。
- 双偏振天气雷达识别沙漠蝗虫的 SSRN 记录属于生物杂波/目标检测，不提供气象预测；且建档时刻位于与上一期重叠段，不重复收入。
- GSMaP 降水产品捕捉事件能力评估没有 AI、未来预测或新开放基准，不进入更新列表。
- 一般个人天气应用、天气网页封装、重复 INSAT 仓库和只更新 README 的项目不作为科研事件。

## 六、对当前研究的具体启发

1. **先区分结构偏差与缺失细节。** 粗、细分辨率模式若是独立积分，共同网格上的差异可能来自气象、排放和化学状态分化；直接超分辨率会把物理状态偏差错误地当成纹理恢复问题。
2. **把约束放在确实成立的环节。** dHR→HR 的块平均关系是构造上严格成立的，可用硬一致性约束；LR→dHR 来自两套独立积分，不能强加同样的质量或均值约束。
3. **点误差与概率质量应并列。** SwinIR 的低 nRMSE 与 EDM 的低 CRPS回答不同问题。强降水和污染高值应同时报告 RMSE/MAE、CRPS、可靠性、POD/FAR、峰值与空间结构，不能用一个平均分代替。
4. **MoE 不等于不确定性。** 多专家确定性网络若只输出一个场，仍不提供成员离散度、校准或情景概率。要表达不确定性，需要明确采样机制、成员合同和联合场验证。
5. **训练年份内的独立观测仍不是未来年份检验。** CTM 训练不使用 GHOST 观测，站点比较因此是独立观测一致性证据；但 2023 属于训练年份，不能宣称时间外泛化。
6. **真实预报驱动要单列。** ERA5→ERA5 的 1 h 实验、CAMS 分析/集合中位数的诊断降尺度和真实初始化的业务预报不是同一任务。报告技巧前必须固定起报时刻、有效时刻、提前期和可用输入。
7. **先做泄漏审计，再看高分。** 时间序列的全序列 VMD、全数据标准化、SMOTE 和生成数据增强都可能穿越切分边界；任何高 R² 都应先核查这些步骤是否只在训练折内拟合。

## 七、后续跟进触发器

- **空气质量结构订正**：GitHub 仓库恢复或提供永久归档；MONARCH 配对数据、CAMS/MONARCH 输入映射和固定 2024 测试清单公开；加入真正未见年份、外区域、不同 CTM、倍率 >2、校准和气象—化学联合不确定性检验。
- **TimeGAN AQI**：获得全文后核对预测提前期、城市/时间切分、SMOTE 与 TimeGAN 的折内拟合、MAE/MSE 定义、未来气象输入和代码/数据；若指标不一致无法解释，降级为 `low-value-exclusion`。
- **SA-MoE**：公开论文或正式版本；冻结 ERA5 下载/转换清单和基线检查点；在真实 NWP/AI 天气起报上复测，并增加概率可靠性、FSS、谱、对象和极端置信区间。
- **MaCRO S2S**：全文明确起报、提前期、目标累计期、气候预测系统、年份、滚动折和概率基线后，才考虑升级 `core-s2s`。
- **平流一致性诊断**：真实曼谷数据或可替代公开事件集、阈值敏感性、站网密度/插值误差和雷达对照出现后再评估物理解释。
- **INSAT 框架**：标准许可证、真实数据时间合同、标签与模型模块、冻结测试事件、逐时效 CSI/FSS/POD/FAR/可靠性和独立运行出现后再升级。

## 八、简短结论

本期最可借鉴的结论是：恢复细节之前，应先判断粗、细分辨率系统是否处于同一物理状态；若共同网格上已经存在结构偏差，就要把“结构订正”与“空间细化”拆开，并只在严格成立的环节施加硬约束。概率模型更适合表达弱约束阶段的多解性，确定性网络适合完成强约束细化，但两者都必须在未见年份、真实预报驱动和共同样本上重新验证。今天没有新的直接雷达临近预报或经充分核验的 S2S/短时业务结果，不用仓库数量或宽泛机构信号填充。