一种基于残差网络的海冰面积预测方法及系统技术方案

本申请提供了一种基于残差网络的海冰面积预测方法及系统，属于数据处理技术领域。所述方法包括步骤S1、获取待预测面积的海冰历史数据，选取其中部分作为模型训练数据集；步骤S2、将所述模型训练数据集的输入参数划分为与海洋参数相关的第一数据集模组、与大气参数相关的第二数据集模组以及与海冰参数相关的第三数据集模组；步骤S3、分别将第一数据集模组、第二数据集模组及第三数据集模组的参数输入到各自的神经网络分支中，基于各神经网络分支中的残差网络模块进行海冰面积预测，获得三个海冰面积预测值；步骤S4、将三个海冰面积预测值进行融合，经神经网络的全连接层输出最终的海冰面积预测值。本申请提高了海冰面积的预测结果。结果。结果。

【技术实现步骤摘要】
一种基于残差网络的海冰面积预测方法及系统


[0001]本申请属于数据处理领域，特别涉及一种基于残差网络的海冰面积预测方法及系统。

技术介绍

[0002]目前应用到海冰预报中的深度学习模型，主要有长短期记忆网络(LSTM)、卷积神经网络(CNNs)和卷积长短期记忆网络(ConvLSTM)三种。2017年CHi and Kim仅依赖观测到的海冰密集度数据，利用LSTM模拟了海冰密集度的中期变化过程，通过与自回归模型的对比显示长短时记忆网络的性能优于传统统计模型。2019年Choi等人在此基础上提取了海冰密集度数据内部统计特征，作为海冰密集度的全局信息引入网络中，弥补传统网络中只考虑局地信息的缺陷，结果显示新方法可以提高海冰密集度的预报准确性。LSTM可以考虑时间序列的信息，但无法进行空间信息的处理,需要把二维空间数据转换成一维数据进行计算，在此过程中很难保留原有的空间结构特征，而CNNs通过卷积层、池化层和全连接层可实现对空间信息高效提取。2017年Wang等人基于合成孔径雷达图像，利用CNNs预测了北极圣劳伦斯湾的海冰密集度，研究表明CNNs能够更好地提取空间特征,相对于传统深度学习方法预测准确可提升8％左右。但CNNs只能进行空间信息的提取,无法处理时间序列的信息。因此，面对LSTM和CNNs各自的优势和不足，ConvLSTM应运而生,该模型结合了LSTM和CNNs的优势，既可以处理时间维度的信息，又可以进行空间信息的提取。有学者利用ConvLSTM模型的优势，基于海冰密集度周平均资料实现对北极巴伦支海域海冰密集度周尺度的预报。2021年Liu等人采用更高频的海冰密集度逐日资料，基于ConvLSTM实现了北极海域的逐日预报，性能较仅用CNNs提升了13％。
[0003]上述研究表明，基于深度学习方法构建的海冰预报模型较传统统计预报模型有较大的优势，仅仅通过对海冰密集度数据时空信息的深入挖掘就能较好地刻画海冰密集度的变化规律，提高海冰密集度预报的有效性。但由于海冰变化复杂的多尺度物理过程，不同尺度的海冰变化和大气海洋环境变化密切相关，仅依赖于对海冰密集度数据变化规律的挖掘是不够的。

技术实现思路

[0004]为了解决上述技术问题至少之一，本申请提供了一种基于残差网络的海冰面积预测方法及系统，通过引入海洋数据和大气数据等不同维度的再分析数据集及海冰密集度数据，基于残差网络性质的特征块，构建了一个从数据到网络模型的全新北极海冰面积预测模型和方法，并通过结果验证了该方法的有效性。
[0005]本申请第一方面提供了一种基于残差网络的海冰面积预测方法，主要包括：步骤S1、获取待预测面积的海冰历史数据，选取其中部分作为模型训练数据集；步骤S2、将所述模型训练数据集的输入参数划分为与海洋参数相关的第一数据集模组、与大气参数相关的第二数据集模组以及与海冰参数相关的第三数据集模组；步骤S3、分别将第一数据集模组、
第二数据集模组及第三数据集模组的参数输入到各自的神经网络分支中，基于各神经网络分支中的残差网络模块进行海冰面积预测，获得三个海冰面积预测值；步骤S4、将三个海冰面积预测值进行融合，经神经网络的全连接层输出最终的海冰面积预测值。
[0006]优选的是，步骤S1进一步包括将所述海冰历史数据中的较早年份的数据作为模型训练数据集，将在后的多个年份的数据作为测试集。
[0007]优选的是，步骤S2之前，进一步包括对所述海冰历史数据的所有日数据添加标记，所述标记格式为[a，b，c]，其中，a表示月份，b表示月份中的某一日，其范围取自0
‑
30，对于不足30日的月份，采用该月最后一天的日数据参数进行填充，对于超过30日的月份舍弃该月份第31日的日参数数据，c表示所述日数据参数的种类，该种类隶属于第一数据集模组、第二数据集模组或者第三数据集模组。
[0008]优选的是，所述第一数据集模组包括风速、大气湿度、大气的长波辐射、大气的短波辐射、降雨率及降雪率六个参数；所述第二数据集模组包括海面盐度、海面湿度、海面气温及海面的表面压力四个参数；所述第三数据集模组包括海冰浓度一个参数。
[0009]优选的是，步骤S3中，每个神经网络分支的处理流程包括：对输入的参数进行重排，形成64个通道数据；通过64个大小为3*3的卷积核进行空间特征提取；通过包含激活函数及卷积函数的残差网络模块进行处理；通过通道数为1且卷积核大小为3*3的卷积处理；经过压平和全连接形成该神经网络分支的海冰面积预测结果。
[0010]本申请第二方面提供了一种基于残差网络的海冰面积预测系统，主要包括：数据集收集模块，用于获取待预测面积的海冰历史数据，选取其中部分作为模型训练数据集；数据集分组模块，用于将所述模型训练数据集的输入参数划分为与海洋参数相关的第一数据集模组、与大气参数相关的第二数据集模组以及与海冰参数相关的第三数据集模组；海冰面积预测模块，用于分别将第一数据集模组、第二数据集模组及第三数据集模组的参数输入到各自的神经网络分支中，基于各神经网络分支中的残差网络模块进行海冰面积预测，获得三个海冰面积预测值；融合模块，用于将三个海冰面积预测值进行融合，经神经网络的全连接层输出最终的海冰面积预测值。
[0011]优选的是，所述数据集收集模块还包括训练数据分类单元，用于将所述海冰历史数据中的较早年份的数据作为模型训练数据集，将在后的多个年份的数据作为测试集。
[0012]优选的是，所述海冰面积预测系统还包括数据转换模块，用于对所述海冰历史数据的所有日数据添加标记，所述标记格式为[a，b，c]，其中，a表示月份，b表示月份中的某一日，其范围取自0
‑
30，对于不足30日的月份，采用该月最后一天的日数据参数进行填充，对于超过30日的月份舍弃该月份第31日的日参数数据，c表示所述日数据参数的种类，该种类隶属于第一数据集模组、第二数据集模组或者第三数据集模组。
[0013]优选的是，所述第一数据集模组包括风速、大气湿度、大气的长波辐射、大气的短波辐射、降雨率及降雪率六个参数；所述第二数据集模组包括海面盐度、海面湿度、海面气温及海面的表面压力四个参数；所述第三数据集模组包括海冰浓度一个参数。
[0014]优选的是，所述海冰面积预测模块包括三个海冰面积预测神经网络分支，每个海冰面积预测神经网络分支包括：重排单元，用于对输入的参数进行重排，形成64个通道数据；特征提取单元，用于通过64个大小为3*3的卷积核进行空间特征提取；残差处理单元，用于通过包含激活函数及卷积函数的残差网络模块进行处理；卷积处理单元，用于通过通道
数为1且卷积核大小为3*3的卷积处理；后处理单元，用于经过压平和全连接形成该神经网络分支的海冰面积预测结果。
[0015]本申请提高了海冰面积的预测结果。
附图说明
[0016]图1是本申请基于残差网络的海冰面积预测件的一优选实施例的流程图。
[0017]图2是本申请图1所示实施例的神经网络架构图。
[0018]图3是本申请图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于残差网络的海冰面积预测方法，其特征在于，包括：步骤S1、获取待预测面积的海冰历史数据，选取其中部分作为模型训练数据集；步骤S2、将所述模型训练数据集的输入参数划分为与海洋参数相关的第一数据集模组、与大气参数相关的第二数据集模组以及与海冰参数相关的第三数据集模组；步骤S3、分别将第一数据集模组、第二数据集模组及第三数据集模组的参数输入到各自的神经网络分支中，基于各神经网络分支中的残差网络模块进行海冰面积预测，获得三个海冰面积预测值；步骤S4、将三个海冰面积预测值进行融合，经神经网络的全连接层输出最终的海冰面积预测值。2.如权利要求1所述的基于残差网络的海冰面积预测方法，其特征在于，步骤S1进一步包括将所述海冰历史数据中的较早年份的数据作为模型训练数据集，将在后的多个年份的数据作为测试集。3.如权利要求1所述的基于残差网络的海冰面积预测方法，其特征在于，步骤S2之前，进一步包括对所述海冰历史数据的所有日数据添加标记，所述标记格式为[a，b，c]，其中，a表示月份，b表示月份中的某一日，其范围取自0
‑
30，对于不足30日的月份，采用该月最后一天的日数据参数进行填充，对于超过30日的月份舍弃该月份第31日的日参数数据，c表示所述日数据参数的种类，该种类隶属于第一数据集模组、第二数据集模组或者第三数据集模组。4.如权利要求1所述的基于残差网络的海冰面积预测方法，其特征在于，所述第一数据集模组包括风速、大气湿度、大气的长波辐射、大气的短波辐射、降雨率及降雪率六个参数；所述第二数据集模组包括海面盐度、海面湿度、海面气温及海面的表面压力四个参数；所述第三数据集模组包括海冰浓度一个参数。5.如权利要求1所述的基于残差网络的海冰面积预测方法，其特征在于，步骤S3中，每个神经网络分支的处理流程包括：对输入的参数进行重排，形成64个通道数据；通过64个大小为3*3的卷积核进行空间特征提取；通过包含激活函数及卷积函数的残差网络模块进行处理；通过通道数为1且卷积核大小为3*3的卷积处理；经过压平和全连接形成该神经网络分支的海冰面积预测结果。6.一种基于残差网络的海冰面积预测系统，其特征在于，包括：数据集收集模块，用于获取待预测面积的海冰历史数据，选取其中部分...

【专利技术属性】
技术研发人员：张兴龙，魏志强，贾东宁，桂琳，刘晓炎，
申请(专利权)人：青岛海洋科学与技术国家实验室发展中心，
类型：发明
国别省市：