本技术公开了一种基于多尺度图神经网络和守恒定律的北极海冰预测方法,选取地表、海洋和大气变量数据,将北极区域按照不同的空间分辨率进行网格划分,构建多个尺度的图;更新图中每个节点的特征,整合不同尺度图的空间信息,得到海冰密度预测模型;在海冰密度预测模型的损失函数中加入湿度守恒项和位势涡度守恒项,构建复合损失函数,保证模型在预测过程中遵循湿度以及位势涡度的物理守恒定律;利用历史数据和复合损失函数对海冰密度预测模型进行训练,使用每日更新的数据和训练后的模型对未来海冰状态进行预测。上述方法显著提高了海冰密度预测的精度和效率,为气候变化研究、资源开发和航运路线规划提供科学依据。
背景技术
北极地区的快速变暖(“北极放大”现象)对全球气候、资源开发和航运路线有重要影响,准确预测北极海冰密度对于理解气候变化、开发自然资源和规划航运路线至关重要。目前北极海冰预测主要依赖于数值模型和数据驱动方法,数值模型是通过综合大气、海洋和海冰动力学模型进行预测,这些方法虽然预测精度较高,但计算复杂度高,需要大量的计算资源。
为了降低计算复杂度,研究者们提出了多种数据驱动方法,包括向量自回归模型(VAR)和马尔可夫模型,这些方法主要用于大尺度区域的预测,并且在捕捉空间相互作用方面存在局限,预测效果有限。近年来,深度学习方法如卷积神经网络(CNN)和循环神经网络(RNN)被应用于海冰密度预测,这些方法在一定程度上提高了预测精度,但由于卷积核的静态特性,在捕捉复杂天气动态方面仍存在不足,且现有深度学习模型未能充分考虑物理守恒定律,进而影响预测的准确性和稳定性。
实现思路