Fixing the Double Penalty in Data-Driven Weather Forecasting Through a Modified Spherical Harmonic Loss Function

近期基于数据驱动的天气预报模型的发展已经提供了能够超越传统物理模型为基础的操作预报系统的确定性模型。然而，这些数据驱动的模型通常使用均方误差损失函数进行训练，这会导致通过“双重惩罚”效应平滑精细尺度结构。我们开发了一种简单且无需参数调整的修改方法，通过将由去相关引起的损失与由谱振幅误差引起的损失分开，避免了这一问题。使用这种新的损失函数对GraphCast模型进行微调后，可以生成更为精准的确定性天气预报，使模型的有效分辨率从1,250公里提升至160公里，同时改善了集合预报的离散度，并提高了对热带气旋强度和地表风极端情况预测的准确性。

该论文试图解决数据驱动的天气预报模型在使用均方误差损失函数时导致的细尺度平滑问题（即“双重惩罚”效应），这一问题会降低模型预测的精细度和准确性。这并不是一个全新的问题，但以往的方法未能有效解决此问题。

关键思路是开发了一种简单且无需参数调整的损失函数修改方法，通过将由去相关性引起的损失与光谱振幅误差引起的损失分开，从而避免了传统均方误差损失函数带来的平滑问题。这种新方法不仅提高了天气预报的分辨率，还改善了对热带气旋强度和地表风极端情况的预测。

1. 通过改进损失函数，实现了从1,250公里到160公里的有效分辨率提升。 2. 改善了集合预报的离散度，增强了对极端天气事件的预测能力。 3. 研究基于GraphCast模型进行了微调实验，并展示了显著的效果改进。 4. 论文提到所有代码均已开源，鼓励社区进一步探索和发展。

最近在这个领域中，有几项相关的研究值得注意： - 'Physics-Guided Neural Networks for Weather Forecasting' - 'Deep Learning for Precipitation Nowcasting: A Benchmark and A New Model' - 'Enhancing Data-Driven Models with Physical Constraints in Environmental Prediction' 这些研究都在尝试结合物理原理或改进数据驱动的方法来提高天气预报的精度和可靠性。