本发明属于深度学习应用北极海冰预报，具体涉及结合物理约束与孪生网络的北极海冰短期预报方法及系统。
背景技术：
1、目前，已有相关工作尝试将深度学习应用于海冰预报，通过将计算机领域不同网络结构的模型与海冰要素结合，达到比海冰气候态或传统统计预报方法更好的效果。目前应用到海冰预报和估计的深度学习模型，主要有三类：一是基于时间循环的网络，例如长短期记忆网络(lstm)，善于处理时间序列信息。二是基于卷积计算的网络，例如卷积神经网络(cnns)，善于处理空间特征信息。三是基于时空计算的网络，例如卷积长短期记忆网络(convlstm)，能够同时处理空间和时间信息。或者是基于上述几类网络的改进和变体。
2、但lstm模型无法挖掘空间维度之间的信息，在lstm模型中，不同空间格点的时间序列被认为是不同的样本数据，相邻格点或相邻区域内的格点的相互作用关系无法在lstm模型中得到保留。因此，使用lstm模型进行sic的空间场预报时，需要把二维空间数据转换成一维格点进行计算。这种处理方式虽然可以增加训练样本，但损失了空间结构特征，尤其是丢失了海冰局地变化特征的信息。
3、cnn模型自身存在局限性，该模型只能处理空间维度的信息，无法处理时间序列的信息。这是因为cnn模型的卷积核，只能处理“感受野”内的空间信息。而在通道维度，卷积核把所有的通道线性相加，无法在通道维度区分时间信息。时间序列的正序逻辑(从ti-1到ti)无法在cnn的通道维度得到保留，因为cnn把不同通道认为是相同时刻下不同类型的因子。在cnn的通道维度中，不同卷积核的结果之间没有时间链的通信和传递，每个卷积核都是独立进行卷积计算的。因此，cnn模型适用于相同时刻下的空间场预报。如果把不同时刻的数据堆叠到cnn模型的通道维度，会造成时空信息的紊乱和时间序列的逻辑错误等问题。
4、相比于lstm和cnn模型的局限性，基于时空计算的网络(例如convlstm)在sic的三维时空预报任务中具有更好的适用性。现有技术中，并没有改进convlstm，构建一套完整的北极海冰短期预报预报模型。
技术实现思路
1、本发明旨在解决现有技术的不足，提出结合物理约束与孪生网络的北极海冰短期预报方法及系统，保证了数据中时间序列的严格正序逻辑。并且在同一时刻内，引入了与cnn模型类似的卷积计算，可以高效的提取空间特征信息。
2、为实现上述目的，本发明提供了如下方案：
3、结合物理约束与孪生网络的北极海冰短期预报方法，包括以下步骤：
4、获取并预处理北极海冰数据，获得训练集和测试集；所述北极海冰数据包括海冰密集度数据以及气象水文数据；
5、基于经验正交分解，对所述训练集中的海冰密集度数据进行模态分解，获得时间序列信息和空间模态信息；
6、基于所述时间序列信息和所述空间模态信息，改进所述训练集，获得物理约束数据集；
7、以均方误差损失函数为基础，引入所述时间序列信息和所述空间模态信息，构建经验正交分解损失函数；
8、在卷积长短期记忆网络以及长短期记忆网络结合的基础上，增加计算所述时间序列信息的分支，构建孪生网络；
9、基于所述经验正交分解损失函数、所述孪生网络以及所述物理约束数据集，构建并训练结合物理约束的多因子预报模型，基于所述测试集测试训练好的所述结合物理约束的多因子预报模型；
10、基于通过测试的所述结合物理约束的多因子预报模型，完成对北极海冰密集度的短期预报。
11、优选的，预处理所述北极海冰数据的方法为：
12、采用双线性插值计算，把所述气象水文数据的空间格点插值到所述海冰密集度数据的网格点上，统一所述北极海冰数据的空间格式；
13、对所述北极海冰数据进行时间维度拼接，并根据实际海冰研究区域选取经纬度范围；
14、基于所述经纬度范围，对经时间维度拼接的所述北极海冰数据进行通道维度拼接，并把所述北极海冰数据中的缺测值和陆地格点设置为奇异值；
15、对经通道维度拼接的所述北极海冰数据进行归一化处理，并对所述奇异值进行赋值，获得处理后的所述北极海冰数据；
16、将处理后的北极海冰数据划分为训练集和测试集，完成对所述北极海冰数据的预处理。
17、优选的，根据所述时间序列信息和所述空间模态信息的方差贡献率，选择满足预设方差贡献率总和阈值的模态数作为基态时间序列信息和基态空间模态信息。
18、优选的，获得所述物理约束数据集的方法为：
19、将所述时间序列信息和所述空间模态信息重构回模态对应的空间场；
20、将所述空间场补充到通道维度中，与所述训练集结合，获得所述物理约束数据集。
21、优选的，构建所述经验正交分解损失函数的方法为：
22、以均方误差损失函数为基础，基于海冰密集度数据的真实值和预报值，计算所述海冰密集度数据的逐格点损失值；
23、将所述海冰密集度数据的真实值和预报值投影到所述基态空间模态信息上，获得所述真实值与所述预报值的基态时间序列信息；
24、基于所述真实值与所述预报值的基态时间序列信息，计算基态时间序列信息的损失值；
25、将所述海冰密集度数据的损失值与所述基态时间序列信息的损失值进行去量钢化，再分别除以各自的方差，获得去量纲后的海冰密集度数据损失和基态时间序列信息损失；
26、将去量纲后的所述海冰密集度数据损失和所述基态时间序列损失按照预设权重相加，获得所述经验正交分解损失函数。
27、优选的，构建所述孪生网络的方法为：
28、将所述训练集中的数据投影到基态空间模态信息上，获得所述训练集的基态时间序列信息；
29、将所述训练集的基态时间序列信息，采用长短期记忆网络预测后续时刻的基态时间序列信息；
30、将训练集的基态空间模态信息与预测的基态时间序列信息进行重构，获得长短期记忆网络分支的预测结果；
31、基于所述训练集以及卷积长短期记忆网络，获得卷积长短期记忆网络分支的预测结果；
32、将长短期记忆网络分支的预测结果与卷积长短期记忆网络分支的预测结果进行卷积融合，获得最终预测结果，完成所述孪生网络的构建。
33、优选的，构建并训练结合物理约束的多因子预报模型的方法为：
34、基于预设权重，获得不同权重的所述经验正交分解损失函数，并基于所述孪生网络，获得多组经验正交分解损失函数权重不同的多因子预报模型；
35、基于所述物理约束数据集，训练多组经验正交分解损失函数权重不同的多因子预报模型，通过对多组训练结果的对比，获得最优权重的结合物理约束的多因子预报模型；
36、分别对最优权重的结合物理约束的多因子预报模型的输入端、模型结构以及模型损失函数进行改进，获得最优的结合物理约束的多因子预报模型；其中，所述模型结构为所述孪生网络，所述模型损失函数为所述经验正交分解损失函数。
37、本发明还提供结合物理约束与孪生网络的北极海冰短期预报系统，用于实现所述的北极海冰短期预报方法，包括：
38、数据预处理模块，用于获取并预处理北极海冰数据，获得训练集和测试集；所述北极海冰数据包括海冰密集度数据以及气象水文数据；
39、模态分解模块，用于基于经验正交分解，对所述训练集中的海冰密集度数据进行模态分解，获得时间序列信息和空间模态信息；
40、训练集改进模块，用于基于所述时间序列信息和所述空间模态信息，改进所述训练集，获得物理约束数据集；
41、损失函数构建模块，用于以均方误差损失函数为基础，引入所述时间序列信息和所述空间模态信息，构建经验正交分解损失函数；
42、孪生网络构建模块，用于在卷积长短期记忆网络以及长短期记忆网络结合的基础上，增加计算所述时间序列信息的分支，构建孪生网络；
43、模型构建模块，用于基于所述经验正交分解损失函数、所述孪生网络以及所述物理约束数据集，构建并训练结合物理约束的多因子预报模型，基于所述测试集测试训练好的所述结合物理约束的多因子预报模型；
44、预报模块，用于基于通过测试的所述结合物理约束的多因子预报模型，完成对北极海冰密集度的短期预报。
45、与现有技术相比，本发明的有益效果为：
46、相比于纯数据驱动的深度学习预报模型，本发明引入了海冰密集度的eof物理信息，并且基于多种气象海洋要素，构建了结合物理约束的多因子预报模型。基于经验正交分解损失函数、孪生网络以及所述物理约束数据集，构建并训练结合物理约束的多因子预报模型，基于测试集测试训练好的结合物理约束的多因子预报模型；针对当前纯数据驱动的sic短期预报模型缺乏物理规律约束的问题，把孪生网络与eof物理信息相结合，提出seof_sicnet，提升sic的预报准确性和预报结果的可解释性，为北极资源开发和航道通行提供预报数据支撑。基于通过测试的结合物理约束的多因子预报模型，完成对北极海冰密集度的短期预报。
1.结合物理约束与孪生网络的北极海冰短期预报方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的结合物理约束与孪生网络的北极海冰短期预报方法，其特征在于，预处理所述北极海冰数据的方法为：
3.根据权利要求2所述的结合物理约束与孪生网络的北极海冰短期预报方法，其特征在于，根据所述时间序列信息和所述空间模态信息的方差贡献率，选择满足预设方差贡献率总和阈值的模态数作为基态时间序列信息和基态空间模态信息。
4.根据权利要求2所述的结合物理约束与孪生网络的北极海冰短期预报方法，其特征在于，获得所述物理约束数据集的方法为：
5.根据权利要求3所述的结合物理约束与孪生网络的北极海冰短期预报方法，其特征在于，构建所述经验正交分解损失函数的方法为：
6.根据权利要求3所述的结合物理约束与孪生网络的北极海冰短期预报方法，其特征在于，构建所述孪生网络的方法为：
7.根据权利要求3所述的结合物理约束与孪生网络的北极海冰短期预报方法，其特征在于，构建并训练结合物理约束的多因子预报模型的方法为：
8.结合物理约束与孪生网络的北极海冰短期预报系统，其特征在于，用于实现权利要求1-7任一项所述的北极海冰短期预报方法，包括：
