对数值天气预报（NWP）模式来说，准确预测降雨，特别是最强降雨事件，仍然是一项挑战。这可能是由于在产生降雨的多尺度动力学中起关键作用的过程的子网格尺度参数化，以及降雨的强间歇性和高度倾斜、非高斯分布。在这里，我们展示了基于 U-Net 的深度神经网络可以从 NWP 集合中学习强降雨事件。我们提出了一种基于频率的损失函数加权方法，以便学习分布尾部的强降雨事件。我们在后处理步骤中应用了我们的框架，以纠正模型预测降雨量中的误差。我们的方法能更准确地表示相对降雨频率，并根据事件的大小，将强降雨事件的预报技能提高 2 到 6 倍以上。