一种基于深度学习模型的北极海冰预测算法的制作方法

本发明涉及北极海冰预测算法，特别是涉及一种基于深度学习模型的北极海冰预测算法。

背景技术：

1、近几十年来,全球变暖已成为世界各地许多国家和整个科学界关注的共同话题。北极气候系统也随之发生了一系列变化,根据cmip6模型的未来预测,由于持续的人为变暖,北极海洋在2050年9月首次可能出现无冰情况(海冰面积低于100万平方公里)。北极海冰的融化直接影响着人类的生产和生活,同时也给人类开发北极资源带来了前所未有的机会。在海冰密集度低的地区,可以有效扩展了水路的可航行时间,有利于科学勘探和商业发展。因此,对北极地区海冰密集度预测的准确性至关重要。

2、传统的海冰密集度预测方法主要是数值模型和统计模型,数值模型可以根据海洋和大气的物理过程模拟海冰的形成和演化过程。这些模型基于物理方程和参数化方法,计算资源要求高,无法实现轻量级预测。统计方法需要逐个的处理每个网格,为了减少计算成本,研究人员将海冰密集度的网格分辨率降低了近10倍(从25km到225km),以做出粗粒度的预测。因此,在实际的应用中,统计方法难以支持北极地区所有网格的预测。深度学习模型利用神经网络的强大学习能力,可以从大量的海冰观测数据和气象因子中提取特征,自动捕捉他们之间的非线性关系,从而进行准确的预测。目前有许多基于深度学习的方法用于预测海冰密集度,但这些方法仍然面临一些挑战。当前的海冰密集度预测模型在捕捉海冰时空变化方面存在一些限制,导致了较大的误差和低准确率。其中一个主要问题是模型对气象因子的考虑不足,而这些因子在海冰融化和结冰过程中起着重要作用。缺乏对气象因子的全面考虑会导致预测结果的不稳定性。此外,基于深度学习的模型通常需要大量的计算资源和较长的训练时间,这使得它们对设备的要求较高。这对于轻量级预测或在资源受限的环境中部署模型的应用来说是一个挑战。

技术实现思路

1、有鉴于此，本发明提供一种基于深度学习模型的北极海冰预测算法。目的是为了提供一种更全面、更高效、更准确的基于深度学习模型的北极海冰预测算法。

2、为实现上述目的，本发明采取以下技术方案：

3、一种基于深度学习模型的北极海冰预测算法，包括以下步骤：

4、步骤1：收集待预测北极海冰区域的相关历史数据形成历史数据集；

5、步骤2：对所述历史数据集进行针对性的预处理，提取所述待预测北极海冰区域的相关历史数据中的时间数据集和空间数据集；

6、步骤3：构建基于卷积神经网络的深度学习模型；

7、步骤4：将所述待预测北极海冰区域的相关历史数据集中的所述时间数据集和所述空间数据集导入所述基于卷积神经网络的深度学习模型中进行训练，训练过程中分别针对所述时间数据集和所述空间数据集进行训练，最后将两者融合得到多源融合数据；

8、步骤5：将所述步骤4中的所述多源融合数据按照时间分成n组，建立特征提取网络模型；

9、步骤6：利用所述特征提取网络模型进行预测，输出最终的预测结果。

10、优选的，所述步骤1中，从0s i-saf官网中下载数据集,使用python编码下载数据的命名格式进行批量修改。

11、优选的，所述步骤2中对所述待预测北极海冰区域的相关历史数据集的预处理方法为gmt极地投影法。

12、优选的，所述特征提取网络模型包括n组依次连接的输入模块、模型计算模块和输出模块，一组依次连接的所述输入模块、所述模型计算模块和所述输出模块对应一组所述多源融合数据，所述多源融合数据分别按照时间顺序输入至对应的依次连接的所述输入模块、所述模型计算模块和所述输出模块。

13、优选的，所述步骤5中将所述步骤4中的所述多源融合数据按照时间分成n组的方法为：

14、pst＝ps+pt

15、其中，pst为历史北极海冰面积序列，ps为季节性循环序列，pt为北极海冰面积变化趋势。

16、优选的，所述特征提取网络模型采用stochastic gradient descent方法进行损失优化，并在损失优化过程中通过引入1阶动量矩阵和2阶动量矩阵来动态调整损失梯度的方向。

17、优选的，所述1阶动量矩阵的表达式为：

18、mt＝α1mt-1+(1-α1)gt，

19、式中，mt为t时刻下的1阶动量矩估计，α1为1阶动量参数，gt为t时刻的损失梯度；

20、所述2阶动量矩阵的表达式为：

21、qt＝α2pt-1+(1-α2)gt2，

22、式中，qt为t时刻下的2阶动量矩估计，α2为2阶动量参数，gt2为t时刻损失梯度的平方。

23、本发明的有益效果为：

24、1.本发明包括以下步骤：步骤1：收集待预测北极海冰区域的相关历史数据形成历史数据集；步骤2：对所述历史数据集进行针对性的预处理，提取所述待预测北极海冰区域的相关历史数据中的时间数据集和空间数据集；步骤3：构建基于卷积神经网络的深度学习模型；步骤4：将所述待预测北极海冰区域的相关历史数据集中的所述时间数据集和所述空间数据集导入所述基于卷积神经网络的深度学习模型中进行训练，训练过程中分别针对所述时间数据集和所述空间数据集进行训练，最后将两者融合得到多源融合数据；步骤5：将所述步骤4中的所述多源融合数据按照时间分成n组，建立特征提取网络模型；步骤6：利用所述特征提取网络模型进行预测，输出最终的预测结果，相较于传统的北极海冰预测算法，此北极海冰预测算法通过将待预测北极海冰区域的相关历史数据按照时间顺序进行分组，同时利用建立的特征提取网络模型结合季节性变化规律进行分析预测，使得输出结果更加精准，整个分析过程更加迅速，有利于对北极海冰实时预测结果的展现。

25、2.本发明步骤1中，从0si-saf官网中下载数据集,该数据集提供了1978年至今的全球海冰密集度等信息，按照官方文档介绍处理该数据集，使用python编码下载数据的命名格式进行批量修改，方便下阶段对其的读取和处理。

26、3.本发明步骤2中对待预测北极海冰区域的相关历史数据集的预处理方法为gmt极地投影法，gmt极地投影法分为圆锥投影、方位投影、圆柱投影和混合投影，共计有30多种投影方法，地球的极地区域多使用极地方位投影，此方法可快速的对北极海冰相关历史数据进行直观地分析处理。

27、4.本发明特征提取网络模型包括n组依次连接的输入模块、模型计算模块和输出模块，一组依次连接的输入模块、模型计算模块和输出模块对应一组多源融合数据，多源融合数据分别按照时间顺序输入至对应的依次连接的输入模块、模型计算模块和输出模块，通过将待预测北极海冰区域的相关历史数据按照时间顺序进行分组，同时利用建立的特征提取网络模型结合季节性变化规律进行分析预测，使得输出结果更加精准，整个分析过程更加迅速，有利于对北极海冰实时预测结果的展现。

28、5.本发明步骤5中将所述步骤4中的所述多源融合数据按照时间分成n组的方法为：pst＝ps+pt，其中，pst为历史北极海冰面积序列，ps为季节性循环序列，pt为北极海冰面积变化趋势，此两种参数较为直观的反映出了由于海拔、维度、地球自转、气候差异等导致的北极海冰季节性基本变化特征。

29、6.本发明特征提取网络模型采用stochastic gradient descent方法进行损失优化，并在损失优化过程中通过引入1阶动量矩阵和2阶动量矩阵来动态调整损失梯度的方向，相较于其他方案不容易陷入局部极小值，在损失优化中同时引入动态衰减的学习率,相比以往固定的学习率能够既快速的实现梯度下降,节省计算资源,又能更好的实现收敛。

30、7.本发明1阶动量矩阵的表达式为：mt＝α1mt-1+(1-α1)gt，

31、式中，mt为t时刻下的1阶动量矩估计，α1为1阶动量参数，gt为t时刻的损失梯度；

32、2阶动量矩阵的表达式为：qt＝α2pt-1+(1-α2)gt2，

33、式中，qt为t时刻下的2阶动量矩估计，α2为2阶动量参数，gt2为t时刻损失梯度的平方，本实施例针对不同季节北极海冰面积的变化使用了不同的损失函数进行优化，能够更加准确的对北极海冰进行预测。