一种基于空间注意力机制深度网络的北极海冰预测方法

本发明属于时空预测领域，尤其涉及一种基于空间注意力机制深度网络的北极海冰预测方法。

背景技术：

1、温室气体浓度的上升正在推动极为敏感的北极气候、环境和生态系统发生广泛而迅速的变化，随着气候变暖，北极海冰和冰盖逐渐消融。受到海冰消融的影响，北极区域出现了大量的开阔水域，全球的观测数据显示，往年六月份还存在大面积海冰的白令海峡区域，现在四月份海冰就已经大部分消失，格陵兰岛北部也受到海冰消融的影响，出现了大面积开阔水域。这使得人类得以比往年更早地进入北极航道，且通航时间由于后续海冰的持续减少而不断延长，海冰变化也将带来巨大的经济利益。此外，关于北极海域的海洋通航情况和边缘冰区无冰季节持续时间的资料还将有助于规划北极矿产资源的开发以及当地的捕鱼和狩猎活动，不断增长的极地生态旅游业也可以从中受益。

2、因此，如何构建准确的北极海冰预测系统已经成为一项重大的科研方向和研究热点。当前的海冰预测系统是基于确定性的大气-海洋耦合模型，在两个月及以上的季节性预测中并不比简单的统计预测占优。相关研究也表明，海冰的潜在可预测性更高，现有的预测精度仍可以得到较大改善。

技术实现思路

1、本发明的目的在于解决现有技术中存在的问题，并提供一种基于空间注意力机制深度网络的北极海冰预测方法。

2、本发明所采用的具体技术方案如下：

3、一种基于空间注意力机制深度网络的北极海冰预测方法，包括以下步骤：

4、s1.获取连续若干个月份的原始北极海冰浓度网格数据、原始非海冰浓度数据、线性趋势预测数据以及部分元数据，并对原始北极海冰浓度网格数据和原始非海冰浓度数据分别进行数据预处理，得到每个网格的待检测海冰数据；

5、s2.获取若干个经过训练的基于空间注意力深度网络的北极海冰预测模型，每个所述北极海冰预测模型各自采用不同的随机种子初始化，将每个网格的待检测海冰数据输入到每个所述北极海冰预测模型中，由每个北极海冰预测模型对应输出当前网格未来12个月份中每个月份北极海冰浓度级别的概率分布，构成海冰概率网格数据；对每个北极海冰预测模型对应输出当前网格未来12个月份中每个月份北极海冰浓度级别的概率分布均进行温度缩放，其中，每个北极海冰预测模型各自在不同的月份采用不同的温度系数；其中，每个北极海冰预测模型均为带有门控注意力机制的u-net模型；

6、s3.将温度缩放后的来自不同北极海冰预测模型、同一网格且同一月份的北极海冰浓度级别的概率分布按照对应月份进行平均集成，得到每个月份的北极海冰浓度级别的概率分布均值；

7、s4.选择每个月份的北极海冰浓度级别的概率分布均值中的概率最大值，输出概率最大值对应的每个月份北极海冰浓度数据分类结果，完成北极海冰的预测。

8、作为优选，所述原始非海冰浓度数据为11个气候变量每个月份的月平均数据，所述11个气候变量为2米高度气温变量、500hpa气温变量、海表温度变量、上地表太阳辐射变量、下地表太阳辐射变量、海平面气压变量、500hpa位势高度变量、250hpa位势高度变量、10hpa位势纬向风速变量、10米高度x方向风速变量和10米高度y方向风速变量；所述部分元数据为地面掩膜数据、初始化月份的余弦值数据以及初始化月份的正弦值数据。

9、作为优选，s1步骤的具体过程如下：

10、s11.对于原始北极海冰浓度网格数据中的每个月份的数据缺失区域，采用双线性插值方法进行补全，当整个月份的数据均缺失时将对应的数据进行剔除，得到预处理北极海冰浓度网格数据；

11、s12.在原始非海冰浓度数据中，将每个气候变量相同月份的月平均数据进行相加求平均，得到每个气候变量每个月份的平均值数据；按月份时间的先后顺序，将每个气候变量的月平均数据与对应月份的所述平均值数据相减作差，将所述月平均数据转换成异常值数据，并构成预处理非海冰浓度数据；

12、s13.将预处理北极海冰浓度网格数据、预处理非海冰浓度数据、线性趋势预测数据以及部分元数据依次进行通道叠加，得到每个网格待检测海冰数据。

13、作为优选，在每个北极海冰预测模型中，将每个网格的待检测海冰数据输入到一个带有最大池化层的卷积模块中，得到第一特征图；将第一特征图输入到一个带有最大池化层的卷积模块中，得到第二特征图；将第二特征图输入到一个带有最大池化层的卷积模块中，得到第三特征图；将第三特征图输入到一个带有最大池化层的卷积模块中，得到第四特征图；将第四特征图输入到一个不带最大池化层的卷积模块中，得到第五特征图；将第四特征图和第五特征图一起输入到一个门控注意力机制模块中，得到第六特征图；将第六特征图输入到一个不带最大池化层的卷积模块中，得到第七特征图；将第三特征图和第七特征图一起输入到一个门控注意力机制模块中，得到第八特征图；将第八特征图输入到一个不带最大池化层的卷积模块中，得到第九特征图；将第二特征图和第九特征图一起输入到一个门控注意力机制模块中，得到第十特征图；将第十特征图输入到一个不带最大池化层的卷积模块中，得到第十一特征图；将第一特征图和第十一特征图一起输入到一个门控注意力机制模块中，得到第十二特征图；将第十二特征图依次经过一个不带最大池化层的卷积模块和12个全连接层后，得到当前网格未来12个月份中每个月份北极海冰浓度级别的概率分布；其中，每个带有最大池化层的卷积模块均由2个不带最大池化层的卷积模块和1个最大池化层依次级联而成，所述最大池化层大小为2×2；每个不带最大池化层的卷积模块均由2个卷积块依次级联成，每个卷积块均由大小为3×3的第一卷积层、relu激活函数、批归一化层依次级联成。

14、作为优选，每个门控注意力机制模块的具体处理流程如下：将第一输入特征图输入到大小为1×1的第二卷积层，得到第一中间特征图；将第二输入特征图输入到1×1的第二卷积层，得到第二中间特征图；将第一中间特征图和第二中间特征图进行逐元素相加，得到第三中间特征图；将第三中间特征图依次经过relu激活函数、1×1的第二卷积层、sigmoid函数、resample模块，得到注意力系数α；将第二输入特征图与注意力系数α进行逐元素相乘，得到输出特征图。

15、作为优选，所述北极海冰预测模型的训练过程如下：每个北极海冰预测模型在训练前均需要进行参数随机初始化，将未来12个月份真实北极海冰浓度网格数据作为标签，采用最小化聚焦损失函数对所述北极海冰预测模型的网络参数进行更新，将未来12个月份海冰浓度网格数据的预测类别结果作为输出参数；其中，所述预测类别结果为无冰水面、海冰边缘区或者海冰区。

16、作为优选，所述参数随机初始化采用he初始化。

17、作为优选，所述聚焦损失函数的函数形式为：

18、fl(pt)＝-αt(1-pt)γlog(pt)

19、其中，fl(·)表示聚焦损失函数；pt表示概率；αt表示权重参数；γ表示聚焦因子，γ≥0；log(·)表示对数函数；(1-pt)表示类别权重因子。

20、作为优选，所述温度缩放的函数形式为：

21、

22、其中，t表示温度系数，k表示不同的前置时间；表示所述北极海冰浓度数据分类结果；s(·)表示softmax激活函数；zi表示当前网格未来12个月份中每个月份北极海冰浓度级别的概率分布。

23、作为优选，所述温度系数t采用brent-dekker方法设置。

24、本发明相对于现有技术而言，具有以下有益效果：

25、北极海冰预测领域的传统方法通常是基于物理模型进行建模，而这些物理模型受限于海冰物理学知识的精度和覆盖范围往往效果不佳。本发明利用深度学习进行数据驱动的北极海冰预测模型，可以从大量的数据中自动学习到复杂的特征，因此更准确地捕捉海冰预测中的复杂关系和随机性，从而提高海冰预测的准确性和稳定性。此外，本发明提出的北极海冰预测模型加入了门控空间注意力机制，这种机制能够帮助模型自动关注有用的空间区域并提取空间异质性特征，尤其是在处理海冰分布复杂的情况下，能够进一步提高性能。现有的模型往往没有考虑到海冰分布的不规则和不均匀的特点，导致预测结果存在一定的误差。通过加入空间注意力机制，北极海冰预测模型能够更加精准地捕捉不同区域的海冰特征，从而提高预测结果的准确性，相比线性趋势模型和基础的u-net模型，在未来12个月的月平均海冰浓度预测中，本发明的北极海冰预测模型相比线性趋势模型和基础的u-net模型，其精度分别最大领先4.5％和3.1％。特别是当北极海冰处于极端情况，如海冰范围极端小时，加入空间注意力机制可以有效地进行预测，为北极海冰预测模型带来更好的鲁棒性和可靠性。