我们能否将空间验证方法整合到大气科学的神经网络损失函数中？

在过去十年中，大气科学中许多工作聚焦于针对网格化预测的空间验证（SV）方法，其克服了逐像素验证的严重缺陷。然而，大气科学中的神经网络（NN）几乎总是被训练以优化逐像素损失函数，即便最终使用SV方法评估时也是如此。这在训练期间与训练后的模型验证之间造成了脱节。为解决此问题，我们开发了空间增强损失函数（SELF），并展示了它们在一个真实问题中的使用：用NN预测雷暴（以下称“对流”）的发生。在每个SELF中，我们使用邻域滤波器（突出大于某一阈值尺度的对流）或谱滤波器（采用傅里叶或小波分解，更灵活且突出介于两个阈值尺度之间的对流）。我们利用这些滤波器对常用验证分数（如Brier分数）进行空间增强。我们用不同的SELF训练每个NN，并比较它们在从离散风暴单体到热带气旋的多种对流尺度上的表现。我们的众多发现包括：(a) 对于低（高）风险阈值，理想的SELF聚焦于小（大）尺度；(b) 用逐像素损失函数训练的模型表现得出奇地好；(c) 然而，用谱滤波器训练的模型比逐像素模型产生校准得更好的概率。我们提供了使用SELF的一般指南，包括技术挑战和最终的Python代码，并展示其在对流问题上的应用。据我们所知，这是地球科学中最为深入的SELF指南。