傅里叶振幅与相关损失：超越 L2 损失的技能化降雨预报

深度学习方法近年来广泛应用于降雨预报。以往研究主要关注提出新的模型架构以提高像素级指标，但经常导致预测模糊，为预报作业提供的实用性有限。本文提出一种新的傅里叶振幅与相关损失（FACL），其包含两个新颖损失项：傅里叶振幅损失（FAL）和傅里叶相关损失（FCL）。FAL 正则化模型预测的傅里叶振幅，而 FCL 补充缺失的相位信息。这两个损失项共同取代了用于信号数据上时空预测问题的传统 $L_2$ 损失，如 MSE 和加权 MSE。该方法通用、无参数且高效。使用一个合成数据集和三个雷达回波数据集进行大量实验，表明本方法在感知指标和气象技能分数方面取得改进，仅在像素级精度和结构相似性之间作出小幅权衡。此外，为提高气象技能分数如关键成功指数（CSI）和分数技能分数（FSS）的误差范围，我们提出并采用了区域直方图发生器（RHD），这是一种考虑信号基于图像图案之间局部相似性并容忍局部变换的距离度量方法。代码可在 https://github.com/argenycw/FACL 查阅。