# 2026-09-01 大气科学 AI 研究日报

> 核验截止：2026-09-01 13:03:50（UTC+8）。滚动主窗口为 2026-08-31 13:03:50 至 2026-09-01 13:03:50；相对上一期的连续增量为 2026-08-31 13:04:06 至本期截止；24—48 小时缓冲窗口为 2026-08-30 13:03:50 至 2026-08-31 13:03:50。以近期两类日报、`tracked_items.md` 和自动化记忆去重。论文列表日期、提交时间、正式出版、代码提交和权重上传分别记账；“submitted to”不升级为接收或正式发表。

## 一、总体判断与信号地图

本期不是空窗。四条核心线都出现了可核验信号，但证据成熟度差异很大：

- **core-nowcasting**：缓冲窗口恢复 exPreCast-ENS。它把 4 km 确定性雷达临近预报细化为 1 km、30 成员的残差扩散集合，在韩国 2023 全年和两个强降水个例上同时报告确定性、概率、空间尺度和恢复/误报条件统计，是本期最直接的雷达回波预测进展。关键风险是强降水尾部仍明显欠离散，报警阈值在验证集选择，论文专属扩散代码和权重尚未公开。
- **core-short-range**：RAIN 用 GSMaP 近实时卫星降水做全球 12 h 预报，ESSOAr 预印本在主窗口注册；FY-3G/PMR 的机器学习观测算子进入 CMA-MESO 同化并报告短期强降水 TS 改善，但后者本质上是同化基础设施。两者都不是雷达回波外推。
- **core-s2s**：Aardvark 的端到端概率扩展用 7×7 嵌套集合分离观测侧和模型侧不确定性，覆盖 1—10 d，代码、检查点和结果公开；但仍落后业务 IFS ENS，且归因分解是按组件对齐的近似，不是唯一物理因果分解。
- **core-air-quality**：SIRANet 从旧 ESSOAr 预印本升级为 JGR 正式论文，25 m 神经代理可近实时复现城市扩散模型，但它主要学习 SIRANE，本身继承驱动和物理模型偏差；极端交通热点仍被 U-Net 平滑。东北中国 PM₂.₅ 论文是天气归一化和驱动归因，不是未来预报，保留为邻接方法。

| 研究线 | 本期最强信号 | 当前判断 |
|---|---|---|
| core-nowcasting | exPreCast-ENS，1 km 残差扩散雷达集合 | 直接相关且证据较完整；欠离散、阈值选择和无论文专属代码限制复用 |
| core-short-range | RAIN 全球卫星降水 0—12 h；FY-3G/PMR ML 观测算子同化 | RAIN 是直接短临，FY-3G 是上游同化；均需更透明的共同样本和极端校准 |
| core-s2s | Aardvark 1—10 d 端到端嵌套概率集合 | 公开制品较强；相对 IFS ENS 仍有差距，站点集合仍欠离散 |
| core-air-quality | SIRANet 正式发表状态升级 | 可用于高分辨率城市 AQ 代理，但不是独立业务真值预报器 |

## 二、新增与状态变化条目

### 2.1 主窗口与连续增量

| 标题/对象 | 事件时间 | 分类 | 正式状态 | 主要证据 | 开放状态 |
|---|---:|---|---|---|---|
| *Uncertainty-Aware End-to-End AI Weather Forecasting: Disentangling Observation and Model Contributions* | 2026-08-31 21:49（UTC+8）提交 | core-s2s | arXiv:2608.30795v1；预印本，无期刊接收信息 | Aardvark 1—10 d、49 成员嵌套集合；ERA5 和 HadISD 验证 | MIT [GitLab 代码](https://gitlab.hhi.fraunhofer.de/ai-aml/uqe2e)；MIT [HF 数据、检查点和结果](https://huggingface.co/datasets/rodrigoalmeida1994/uqe2e) |
| *Universal ordinary differential equations and the parameterization of warm-rain processes* | 2026-08-31 19:23 提交；Zenodo 17:01 发布 | adjacent-method | arXiv:2608.30610v1；预印本 | UODE 学习暖雨自转换/碰并闭合，保留自收集物理过程 | BSD-3-Clause [Zenodo 数据与脚本](https://doi.org/10.5281/zenodo.22201757)，73.8 MB；[GitLab](https://gitlab.com/axelseifert/warmrainuode) |
| *Machine learning-based global precipitation nowcasting with stabilized adversarial and multi-resolution modeling* | 2026-08-31 发布；2026-09-01 10:50（UTC+8）Crossref 注册 | core-short-range | ESSOAr v1，DOI `10.22541/essoar.15008115/v1`；预印本，无期刊信息 | GSMaP NRT 输入，全球 0—12 h，2024 全年验证 | MIT [Zenodo 软件与权重](https://zenodo.org/records/19564334)已于 2026-04-23 发布；[RIKEN 实时展示](https://weather.riken.jp/en/gsmap_rain/gsmap_rain.html)当前显示到 8 h |
| *Assimilation of FY-3G Precipitation Data Using a Machine Learning-Based Observation Operator in the CMA-MESO Regional Model* | 2026-08-31 17:21（UTC+8）正式在线/注册 | infrastructure | *Remote Sensing* 正式论文，DOI `10.3390/rs18172912`，CC BY 4.0 | ML 观测算子用于 1D-Var+3D-Var，同化 FY-3G/PMR 降水 | 未找到论文匹配代码、模型权重和冻结案例包 |
| *Ground-Clutter Filtering in Reflectivity-Only Weather-Radar Remote-Sensing Imagery* | 2026-08-31 posted；2026-09-01 09:53 左右注册 | infrastructure | Preprints.org v1，DOI `10.20944/preprints202608.2170.v1`；未同行评议，CC BY 4.0 | MeteoNet 反射率图像、完整事件留出、雨量计辅助下游检查 | 原始 MeteoNet 公开；人工标注、分析输出和代码仅可向作者索取 |
| *Fast and Scalable Air Quality Neural Emulator for High-Resolution Predictions on Very Large Domains* | 2026-08-31 21:37（UTC+8）正式在线/注册 | core-air-quality | *JGR: Machine Learning and Computation* 正式论文，DOI `10.1029/2025JH000915`，CC BY 4.0 | SIRANet 在 25 m 网格代理 SIRANE，面向近实时城市 AQ | CC BY 4.0 [Zenodo 核心代码和样例 NetCDF](https://zenodo.org/records/15574458)，无冻结权重 |
| *Development and tests of machine-learned cloud droplet number concentration…* | 2026-08-31 讨论开始 | adjacent-method | EGUsphere `10.5194/egusphere-2026-4026`；GMD 讨论稿，未接收，CC BY 4.0 | MPAS-A/Thompson-Eidhammer 中替换云滴数浓度；两次 WINTRE-MIX IOP | 摘要与论文公开；未核验到论文匹配代码、模型或冻结实验包 |
| *An Explainable Machine Learning Perspective on…long-term PM₂.₅ Trends over Northeast China* | 2026-08-31 讨论开始 | adjacent-method | EGUsphere `10.5194/egusphere-2026-4127`；ACP 讨论稿，未接收，CC BY 4.0 | 36 城、2015—2025、ERA5+LightGBM+SHAP+天气归一化 | 论文与补充材料公开；不是未来预测任务 |
| `pegasus-isi/fedcast-workflow` | 2026-08-31 02:14 创建；2026-09-01 03:27 最新推送 | infrastructure | Fed-Cast eScience 2026 camera-ready 的第三方 Pegasus 复现脚手架 | MRMS 七区域、联邦/集中 DGMR、STEPS、事件基准、TOPSIS | [GitHub](https://github.com/pegasus-isi/fedcast-workflow)无标准 LICENSE、无完成复现结果；SAM 和判别器损失仍有 TODO |

### 2.2 24—48 小时缓冲窗口

| 标题/对象 | 实际事件时间 | 分类 | 处理 |
|---|---:|---|---|
| *Diffusion-Based Refinement for Kilometer-Scale Probabilistic Precipitation Nowcasting* | 2026-08-31 11:35:35（UTC+8）提交 | core-nowcasting | 位于本期缓冲窗口，也落入上一期截止前约 1.5 h；因 arXiv 列表/索引延迟本期恢复，不伪装成主窗口提交 |

### 2.3 窗口外近邻

arXiv:2608.29532 *Python-Fortran Hybrid Programming to Fuse AI and Physical Models…(Hf2pMDA_v1.0)* 实际提交于 2026-08-30 11:33:33（UTC+8），早于缓冲边界约 90 分钟。它展示 Python 主控、Fortran 物理模式与潜空间自编码同化的互调用，并给出气候强耦合同化和 1 km 多层嵌套天气同化例子。该版本是 EGUsphere 稿的修订稿，归为 `window-out` 基础设施，不计本期核心新增。

## 三、四条核心研究线

### 3.1 core-nowcasting：exPreCast-ENS 把确定性骨干变成概率细化器

**任务与模型。** exPreCast-ENS 冻结原 exPreCast 3D Swin/FACL 确定性骨干，把 4 km 预报和同一段历史雷达共同作为条件，以 EDM 残差扩散生成 1 km 未来场。KMA 实验使用 7 个过去 10 min 帧预测未来 6 帧，MeteoNet 使用 12 个过去 5 min 帧预测未来 12 帧；两者都是 1 h 预报。扩散 U-Net 约 6.0—6.3 M 参数，采用 20 步 Heun 采样；作者报告单成员一小时预报在单 GPU 上约 3.4 s。

**数据与评估。** KMA 以 2014—2021 训练、2022 验证、2023 测试，完整测试含 52,325 次起报；MeteoNet 从 59,408 个可用序列中分层抽取 2,000 个测试样本。KMA 阈值为 10/20/40 mm h⁻¹，报告 RMSE、CRPS、CSI、POD、FSS、BSS、可靠度、PDF 和 RAPSD；4 km 比较先把 1 km 成员池化到共同网格，避免把分辨率差异混入骨干比较。

**作者报告结果。** KMA 2023 全年 +60 min，30 成员相对单一骨干把 RMSE 从 2.437 降到 0.922、CRPS/MAE 从 0.1159 降到 0.0713；10/20/40 mm h⁻¹ CSI 从 0.162/0.079/0.038 提至 0.280/0.177/0.080。两个 48 h 高影响过程共各 288 次预报，在 10 mm h⁻¹ 以上恢复骨干漏报像元的 46.5% 和 38.3%，保留约 95% 原命中，同时在骨干正确留空区域新增报警低于 1%。

**不能忽略的边界。** +60 min 的强降水 rank histogram 最末档占 30.4%（1 km）和 29.5%（4 km），远高于均匀期望，说明主要风险集中在上尾欠离散。报警阈值 (P\ge0.3) 在验证集选择，不同雨强的最佳阈值可能不同。1 km 原生评估中把生成结果和双线性插值骨干相比，不能当成同分辨率模型的公平对照。验证只覆盖两个雷达网络和一个确定性骨干；KMA 数据受使用条款约束，论文专属扩散代码仅承诺在发表后公开。

<figure class="paper-figure">
  <a href="https://arxiv.org/html/2608.30205v1#S1.F1" target="_blank" rel="noreferrer">
    <img src="/assets/paper-figures/2026-09-01/exprecast-ens/fig-1-web.png" alt="exPreCast-ENS Figure 1：确定性雷达预报、EDM 残差扩散和集合阈值报警流程" loading="lazy">
  </a>
  <figcaption>
    <strong>论文 Figure 1｜exPreCast-ENS 的确定性骨干、残差扩散和集合报警定义。</strong>
    原始图注：exPreCast-ENS: residual diffusion extension of exPreCast for high-resolution probabilistic nowcasting. (a) The deterministic backbone (exPreCast) takes a 4 km past radar sequence and produces a 4 km deterministic forecast; an EDM-based diffusion module, conditioned jointly on this deterministic forecast and on the same past radar sequence, then produces a 1 km probabilistic forecast. (b) Alarm probabilities are derived from the fraction of ensemble members exceeding a given intensity threshold at each pixel. Each icon is one member, red where it exceeds the threshold and grey where it does not; in the example shown, 3 of 10 members exceed 40 mm h−1, so P=0.3 and the pixel meets the P≥0.3 criterion. The selection rationale for this criterion is provided in Supplementary Fig. 1.
    来源：Park et al. (2026)，<a href="https://arxiv.org/abs/2608.30205" target="_blank" rel="noreferrer">arXiv:2608.30205v1</a>。许可：<a href="https://creativecommons.org/licenses/by/4.0/" target="_blank" rel="noreferrer">CC BY 4.0</a>。source 与 web 文件字节相同，未裁剪、缩放、标注或改动科学内容；完整元数据和 SHA-256 见同目录 `metadata.json`。
  </figcaption>
</figure>

### 3.2 core-short-range：全球卫星降水 12 h 与 ML 观测算子同化

#### RAIN：全球卫星降水短临

ESSOAr 摘要和 RIKEN 既有材料共同表明，RAIN 以可实时获得的 GSMaP NRT 为输入，以 GSMaP MVK 为目标，ConvLSTM 主体加入稳定化对抗训练、显式时空断裂处理和 1.6°→0.1°渐进多分辨率训练。论文以 2024 全年比较追踪法和持续性，作者称 12 h 各时效整体优于两者且避免明显模糊。此前公开海报给出 24 h 输入、12 h 输出、2022—2023 训练和单 A100 约 5 s 推理加 10 s I/O。

这里应分开三个状态：ESSOAr v1 是预印本，不是已接收期刊论文；Zenodo 的 MIT 代码和 `model.pth` 在 4 月已经存在，本期新事件是论文注册，不是新权重；RIKEN 网页当前展示到 8 h，而论文评估到 12 h，线上产品范围不能由论文时效替代。它直接属于卫星降水短临，不属于雷达回波外推。

#### FY-3G/PMR—CMA-MESO

正式论文把机器学习观测算子用于 FY-3G/PMR 降水的 1D-Var 反演，并把湿度增量送入 CMA-MESO 3D-Var。摘要报告轻、中、强降水的观测算子 BIAS<0.5 mm h⁻¹、RMSE<2.5 mm h⁻¹；单案例和一个月循环同化改善短期降水，强特大暴雨最大 TS 提升 19.9%。这说明 AI 观测算子能进入“卫星降水—湿度分析—区域预报”链条，但可核验信息还不足以判断事件数、独立性、无同化/传统算子公平性、不同雨强样本量和效果随时效衰减。当前归为 `infrastructure`，不把摘要中的最大增益当作一般短期预报结论。

### 3.3 core-s2s：Aardvark 嵌套集合把不确定性放回端到端系统

**方法。** 论文在 Aardvark 原始观测编码器中加入输入依赖的高斯噪声，在天气处理器中启用 Monte Carlo dropout，解码器保持确定性。每次起报采样 7 个编码器状态，每个状态再运行 7 次 dropout，形成 49 成员嵌套集合；用 fair CRPS 微调，按“先固定观测分支、再看模型分支”的条件顺序估算两类不确定性贡献。

**数据与合同。** 训练使用九类公开观测流和 ERA5，2007—2017 训练、2019 验证/选模、2018 完整测试，共 337 个 00 UTC 起报；24 个 ERA5 变量在 1.5°全球网格验证，并用 HadISD 站点 2 m 温度和 10 m 风速检查。作者报告约 65 A100 GPU-hours的微调成本。

**结果。** 49 成员均值在 60 个变量—时效组合上平均 RMSE 改善 4.2%，其中 50 个显著、无变量显著退化；fair CRPS 相对确定性模型改善 24—38%，全球 spread-skill 均值约 0.98。观测剥夺试验中，移除 IASI 使第 1—3 天编码器不确定性约翻倍，至第 10 天降为约 +5%；dropout 贡献占比从第 1 天 0.86 增至第 10 天 0.96。

**边界。** 该集合所有时效仍落后业务 IFS ENS，CRPS 差距从第 1 天约 80% 收窄到第 10 天约 18—36%。站点集合仍欠离散；固定 dropout 率、单一 2018 测试年、1.5°网格和有限观测种类限制外推。所谓“观测/模型贡献分离”依赖条件顺序，组件交互被吸收到 dropout 项，因此观测侧更接近下界、模型侧更接近上界，不能解释为唯一因果归因。好消息是开放性较强：GitLab 有 MIT 许可证，HF API 核实 359 个公开文件，包括编码器/逐时效处理器检查点、归一化量和结果。

### 3.4 core-air-quality：SIRANet 正式发表，但代理模型不是独立预报真值

SIRANet 用 U-Net 近似 SIRANE 城市扩散模型，在法国 Grand Est 以 25 m 网格预测 PM₁₀、PM₂.₅、NO₂ 和 O₃，并显式条件化工业、住宅和交通排放。正式论文和旧预印本材料显示，验证覆盖 2021 年分散的 7 天、168 个小时场，并与 3 个站点比较。PM 组分空间拟合较好，NO₂ 多数区域相关系数不低于 0.85；但最高交通热点被平滑和低估，站点对比也显示代理会继承 SIRANE 偏差。

这次是从 ESSOAr 预印本到 JGR 正式版本的状态升级，不是新模型首次发布。Zenodo 2025 年已提供 4 个 Python 模型文件和 Reims 的输入/输出 NetCDF 样例，采用 CC BY 4.0，但没有冻结训练权重。真正需要验证的是：业务气象和排放驱动误差如何传给代理、7 天样本是否覆盖稳定边界层和极端污染、代理相对 SIRANE 的高分辨率保真是否转化为相对观测的预报增益，以及不确定性怎样表达。

## 四、相关方法与基础设施

### 4.1 反射率图像杂波过滤：完整事件留出揭示随机切分虚高

Preprints.org 新稿用 MeteoNet 西北法国 2016 反射率合成图，26,199 个 565×784 扫描和 285 个雨量站，人工整理 18 个晴空杂波事件与 34 个天气回波事件，共 346,629 个标注像元。10 个强度、空间、时间和目标特征进入 RF/GBDT，四折按完整事件留出。完整 RF 的杂波抑制 0.763、天气回波保留 0.952、F1 0.833、MCC 0.742；按窗口随机化分析的 F1 为 0.975，显著展示相邻图像泄漏会虚高泛化。

雨量计不参与像元标签和部署输入，只用于候选时段筛选、重复杂波站确认和下游辅助检查。九个确认站、4,014 个 30 min 配对中，FAR 从 0.277 降到 0.181，CSI 从 0.511 升到 0.635，但 RMSE 从 0.283 轻微变为 0.284 mm。它是雷达质量控制而非临近预报；RMSE未改善也提醒“少误报”不能自动转换成连续量总体更准。原始 MeteoNet 公开，人工标签和代码只在合理请求下提供。

### 4.2 两种暖雨/云微物理机器学习闭合

**UODE 暖雨闭合。** Seifert 用 4→64→64→32→2 的正值神经网络替代 SB2001 的自转换和碰并速率，保留自收集项，以 24 条超级水滴/KCE 轨迹约 20,000 个状态增量训练，另用 5 条轨迹测试。模型在训练域能重建未直接监督的过程速率，新解析闭合总体损失优于 SB2001，但在液态水含量 0.3 g m⁻³ 的外推轨迹上变弱，SB2001 在部分转换时间上仍更好。它是理想化箱模式、单碰并核和固定谱形，尚未进入 LES/NWP/气候模式。Zenodo 主窗口发布 BSD-3-Clause 数据与脚本，是实质开放事件。

**MPAS-A 云滴数浓度。** EGUsphere 新稿把 ML 云滴数用于 MYNN 次网格云有效半径，并在 Thompson-Eidhammer 体微物理中替换相应数浓度。两次 WINTRE-MIX IOP 的飞机和地面比较显示 24 h 总降水可保持，短时因免去物理参数化 spin-up 而更快进入现实状态；但 ML 偏差减少毛毛雨并轻微恶化降水相态。证据仍是少量个例，且缺公开训练配置/权重，因此保留为 `adjacent-method`，不升级成一般短期预报技能。

### 4.3 Fed-Cast 第三方复现脚手架

`pegasus-isi/fedcast-workflow` 试图复现 eScience 2026 Fed-Cast：七个气候区 MRMS 3°×3°区域，4 帧输入、12 帧输出（24 min），联邦与集中 DGMR 加 STEPS，对 WPC MPD、LSR 和 Storm Events 构造事件基准，再以多指标 TOPSIS 汇总。仓库对数据清单、哈希、工作流和待决问题写得很明确，但仍处于 scaffold：SAM 是 TODO，生成器验证损失缺论文判别器项，依赖未锁定，论文的降水筛选、事件平衡和 300×300→DGMR 尺寸处理均需推断，也没有完成运行的检查点或结果。它应作为可审计复现基础设施跟踪，不把 `PAPER_SUMMARY.md` 中转述的论文数值当作仓库独立复现。

### 4.4 东北中国 PM₂.₅ 天气归一化

EGUsphere 讨论稿把 2015—2025 年 36 城小时 PM₂.₅、ERA5、LightGBM、SHAP 和天气归一化结合，作者报告区域年均浓度下降 39.7%，天气归一化分量解释线性下降的 95.5%，而 229 个超标日的气象调制均为正。它可帮助设计“排放基线—气象放大—残差”的空气质量误差分解，也提示极端过程要单独评分；但它是历史归因，不含冻结起报、未来有效时刻或真实预报气象，不能列为 AQ 预测技巧。

## 五、机构信号、来源限制与排除项

**机构信号。** ECMWF AIFS Blog 最新直接相关更新仍是 8 月 27 日的 AIFL，早于本期 48 h；ECMWF 新闻页、NOAA、Met Office、CMA、WMO、CAMS 和 Google DeepMind 官方页在主窗口内未发现新的天气 AI 业务版本、权重或共同样本评估。WPC、CAMS 和各类业务预报页面的日常有效期变化继续按产品时钟处理，不当作研究事件。

**代码与权重横向复核。** GitHub 关键词搜索的新仓大多是仪表盘、课程作业、太阳能/负荷应用和自动汇总页；`enhansome-precipitation-nowcasting` 只是每日重写的 awesome 列表。`buitjes` 继续做 Android 地图和图表维护，无新的集合生成、冻结数据或科学结果。唯一需要新增跟踪的是 Fed-Cast Pegasus 复现脚手架。Hugging Face 的 Aardvark 包有实质检查点和结果，OneScience 六个适配器仍没有替换 `weight/.gitkeep` 的权重文件。

**低价值排除。** 新出现的 AQI 网页项目、Open-Meteo 应用、可再生能源预测、泛化“天气准确率”项目、自动论文列表和非气象雷达仓统一排除。South Korea PM₁₀/太阳辐射虚拟增密、Sundarban 长期温雨趋势和泛泛 Research Square 天气变率稿没有满足冻结未来预测合同，也不进入核心线。

**来源限制。** ESSOAr 正文被 Cloudflare 阻断，RAIN 采用 Crossref 摘要、Zenodo、RIKEN 官方页和先前官方海报交叉核验；MDPI 正文返回 403，FY-3G 条目只使用正式元数据和摘要，不补造方法细节；Wiley 正文未稳定开放，SIRANet 用正式 Crossref 摘要和可访问预印本/Zenodo约束。OpenAlex 对当日论文未收录，Semantic Scholar 出现 429；这些失败只记录为来源限制，不解释成“没有论文”。

**图件。** 本期镜像 1 张：exPreCast-ENS Figure 1。arXiv v1 明示 CC BY 4.0，图注无第三方材料标记；source 和 web 均为 884×520 PNG、字节相同，SHA-256 为 `EBDB7F44729DBC6CDCC48C9ABCC4BB9BCA203EB6FBB6FDCDD92BDABFE37C0594`。未镜像 Aardvark（arXiv 默认非独占许可）、ESSOAr RAIN（复用许可不明）或其他无法同时核验完整图注和具体版本许可的图件，也未公开论文 PDF。

## 六、对当前研究的具体启发

1. **把“均值纠偏”和“成员离散”分开评价。** exPreCast-ENS 的集合均值能修正骨干系统误差，但强雨 rank histogram 仍欠离散。后续模型应同时报告 ensemble-mean RMSE、CRPS、spread-skill、rank/PIT、强雨尾部可靠度和空间谱，不能以均值改善代替概率校准。

2. **报警概率阈值必须独立于测试集并随雨强审计。** (P\ge0.3) 对作者验证集有用，但低阈值和极端阈值的损失函数不同。应预先冻结阈值，或给出成本—损失曲线、ROC/PR 和事件级置信区间。

3. **上游 QC 与下游预报收益要做成完整因果链。** 杂波过滤在确认站降低 FAR 和提高 CSI，却没有改善连续 RMSE。雷达 QC、QPE、同化和临近预报必须在同一事件上逐级比较，分别记录误删天气回波、强度偏差和最终预报收益。

4. **端到端天气 AI 需要显式表达观测不确定性。** Aardvark 的嵌套集合说明观测侧影响在短时更强、模型侧随时效增长，但组件交互会依赖分解顺序。可把这一设计迁移到雷达/NWP 融合：对雷达 QC、缺测、定标和 NWP 模型分别做嵌套成员，而不是把所有噪声压进一个总扩散项。

5. **卫星降水短临和雷达外推不能合并排名。** RAIN 使用全球 GSMaP NRT、时效到 12 h；exPreCast-ENS 使用区域雷达、时效到 1 h。应分别按观测延迟、空间分辨率、目标产品、热带/中高纬覆盖和极端阈值评估，再研究融合，不做单一“nowcasting SOTA”表。

6. **AI 参数化要报告状态漂移和物理守恒。** 暖雨 UODE 与云滴数 ML 都显示短时或域内优势，但外推和相态会退化。进入 NWP 前应做 LES/区域模式多事件测试，报告水量守恒、相态、谱、spin-up、气候漂移和计算成本。

7. **AQ 代理模型应同时对“物理模式”和“真实观测”负责。** SIRANet 对 SIRANE 的高拟合不能替代站点预报增益。下一步应冻结气象/排放起报，分离代理误差、SIRANE 结构误差和观测代表性误差，并对交通热点与高污染阈值做概率校准。

## 七、后续跟进触发器

| 对象 | 下一触发器 | 关键核验问题 |
|---|---|---|
| exPreCast-ENS | 论文专属代码/权重、正式版本、更多网络或事件 | 强雨欠离散；阈值外推；1 km 同分辨率基线；检测限/QC；跨骨干迁移 |
| Aardvark UQ | 冻结 release、更多年份/分辨率、业务观测扩展 | IFS ENS 差距；站点校准；分解顺序敏感性；解码器不确定性 |
| RAIN | 正式论文、2024 完整表、12 h 线上产品或新权重 | GSMaP NRT→MVK 延迟；断裂处理消融；热带/中纬极端；可靠度和真实 I/O |
| FY-3G/PMR—CMA-MESO | 代码、案例表、补充材料或独立循环试验 | ML 算子对照；同化增量物理性；TS 随时效/阈值；多过程稳定性 |
| 雷达杂波 RF | 人工标签与代码公开、正式同行评议版本 | 事件分组复现；误删弱降水；更多网络；QC→QPE→同化/预报传播 |
| SIRANet | 权重、完整训练清单、更多年份/城市与业务驱动 | 代理误差和 SIRANE 偏差分离；热点极端；站点概率；排放场变化 |
| 暖雨 UODE / 云滴数 ML | 区域 NWP/LES 多案例、守恒/相态评估和公开制品 | 域外稳定性；spin-up；气候漂移；计算收益；物理边界 |
| Fed-Cast workflow | 标准许可证、冻结 release、完成 E1 结果 | TODO 清除；数据/尺寸/事件合同；结果是否独立复现；TOPSIS 敏感性 |
| 东北 PM₂.₅ 归因 | 正式评审、代码和天气归一化复现 | 排放代理有效性；SHAP 因果边界；极端日分层；能否转成未来预报驱动 |

## 八、简短结论

本期最值得投入复核的是 exPreCast-ENS 与 Aardvark UQ：前者给出雷达概率细化的完整技能链，却暴露强雨尾部欠离散；后者把观测和模型不确定性嵌入端到端天气系统，开放制品较好，但离业务集合仍有明显距离。RAIN、FY-3G 同化和 SIRANet分别把卫星降水、观测算子和城市空气质量代理向应用推进，当前仍需防止把“预印本”“最大个例增益”或“复现物理模式”误写成成熟业务技巧。对本项目最直接的下一步，是把事件分组、检测限/QC、概率校准、强雨尾部和共同网格公平比较设为统一审计合同。