本发明涉及一种基于集成学习的未来海冰表面积雪深度预估方法，属于遥感地学应用。
背景技术：
1、积雪深度的增减会改变积雪表面反照率和隔热能力，对极地热量传递有重要贡献。积雪深度是融水计算的重要参数，可以加深对北极淡水资源的了解。此外，积雪深度对基于高度计反演海冰厚度至关重要。获取未来积雪深度并结合过去20年积雪深度记录，可以系统地揭示当前和未来海冰表面雪深的时空分布格局和变化规律，有助于探讨积雪深度对气候变化的响应机制，为相关北极政策的制定提供数据支持。
2、地球系统模型表明随着全球变暖的加剧，北极海冰表面积雪深度将进一步降低。然而，不同的模型对雪深变化的预测差异较大。耦合模型相互比较项目(cmip)提供了全球众多机构开发的耦合模型数据，旨在比较和评估耦合模型的模拟能力。然而，甚至是最新的cmip6，其许多模型都低估了积雪深度变化趋势。因此，使用cmip积雪深度时需要保持谨慎。
3、北极海冰积雪深度的变化与多种环境因素密切相关。一年冰表面雪深的下降趋势可能与降水量和结冰日期有关；混合区雪深的下降趋势与多年冰占比的下降趋势相对应。气温和海表温度影响北极中央海域结冰期积雪深度的变化。因此，基于多个积雪深度主要影响因素，可以建立未来积雪深度预估模型。利用遥感或再分析数据评估cmip6历史数据，选择符合精度要求的cmip6模型计算集合平均值。利用集合平均值和被动微波积雪深度数据采用三种深度学习方法建立积雪深度集成学习模型，为未来雪深的预估提供了全新的角度，对分析积雪深度未来分布格局和变化趋势具有重要的应用价值。
技术实现思路
1、本发明要解决的技术问题是：针对当前cmip多数模式低估积雪深度及其变化趋势、积雪深度未来变化不明以及机制不清的问题，提出一种基于集成学习的未来海冰表面积雪深度预估方法。采用经过评估的历史cmip6环境因子数据和高精度的被动微波积雪深度建立集成学习模型，基于cmip6未来情景数据和集成学习模型实现未来不同情景下北极海冰表面积雪深度预估，为积雪深度未来格局、变化趋势以及机制分析提供数据支持。
2、为了解决上述技术问题，本发明提出的技术方案是：一种基于集成学习的未来海冰表面积雪深度预估方法，包括以下步骤:
3、第一步、获取指定时间范围内的研究区环境因子数据和积雪深度数据，并对所述的环境因子数据和积雪深度数据进行重投影和重采样操作，使其空间分辨率与cmip6数据(250km)保持一致，投影与美国冰雪中心(nsidc)数据保持一致(极地方位投影)；
4、第二步、进行环境因子与积雪深度的关系分析，确定结冰期和融冰期积雪深度变化的影响因子；
5、第三步、对cmip6提供的影响因子历史数据进行评估，选择满足精度要求的cmip6模型并计算多模型集合月平均值，获得cmip6影响因子月平均历史数据；
6、第四步、分别构建结冰期神经网络模型和融冰期神经网络模型并进行模型训练和模型融合，方法如下：
7、选择两种以上的神经网络模型作为结冰期神经网络模型，结冰期以指定时间范围内的第一个冬季月份为基准结冰月份，计算结冰期每个月的cmip6影响因子月平均历史数据相对于基准结冰月份的变化量，以及结冰期每个月相对于基准结冰月份的积雪深度变化量，分别作为结冰期神经网络模型的输入数据和输出数据，对结冰期神经网络模型进行训练；
8、选择两种以上的神经网络模型作为融冰期神经网络模型，融冰期以指定时间范围内第一个夏季月份为基准融冰月份，计算融冰期每个月的cmip6影响因子月平均历史数据相对于基准融冰月份的变化量，以及融冰期每个月相对于基准融冰月份的积雪深度变化量，分别作为融冰期神经网络模型的输入数据和输出数据，对融冰期神经网络模型进行训练；
9、分别对结冰期神经网络模型的输出结果、融冰期神经网络模型的输出结果做加权平均，得到积雪深度集成学习模型；
10、第五步、在第三步满足精度要求的cmip6模型中，筛选能够提供目标未来排放情景数据的模型，并计算目标未来排放情景下的cmip6未来数据的月平均值；
11、第六步、将第五步中得到的cmip6未来数据的月平均值输入所述积雪深度集成学习模型得到目标未来排放情景下的积雪深度预估结果。
12、本发明基于集成学习的未来海冰表面积雪深度预估方法，还具有如下特征：
13、1、所述第一步中，所述环境因子数据包括：海表温度遥感数据、海冰密集度遥感数据、海冰漂移速度遥感数据、表面反照率遥感数据、era5再分析数据中的气温数据、降水数据、降雪数据、表面净长波辐射数据和表面净短波辐射数据，以及与上述环境因子数据对应的cmip6历史数据和未来模拟数据；所述积雪深度数据为cn5vlstm积雪深度遥感数据。
14、2、所述第二步中，参与分析的环境因子包括气温、降水、降雪、表面净长波辐射、表面净短波辐射、海冰密集度、海冰漂移速度、表面反照率和海表温度。
15、3、环境因子与积雪深度的关系分析包括相关分析、滞后分析和地理探测器中的因子探测器分析和交互作用探测器分析，影响因子选择相关系数大于0.60的环境因子、滞后相关系数最大的环境因子、因子探测器q值最大的环境因子、交互作用探测器输出值最大的3对环境因子，
16、因子探测器q值的计算公式为：
17、
18、式中，q介于0到1之间，q＝0表示因子对因变量没有影响，q＝1表示因变量的空间分布完全由自变量控制，l代表分层数量，σ2和分别代表所有层和h层的方差，n表示研究区域的大小，nh表示h层的大小。
19、4、确定的融冰期积雪深度变化影响因子为海冰漂移速度、海冰密集度、海表温度、降水、反照率和表面净长波辐射；确定的结冰期积雪深度变化影响因子为气温、海表温度、海冰密集度、表面净长波辐射和表面净短波辐射。
20、5、所述第三步中，计算每个影响因子不同cmip6模型历史数据的均方根误差，然后计算平均均方根误差，当cmip6模型历史数据的均方根误差大于平均均方根误差时，选择该cmip6模型；对于每个影响因子，将符合要求的cmip6模型历史数据进行多模型平均运算，获得cmip6影响因子月平均历史数据用于模型训练。
21、6、所述第四步中，分别选择三种神经网络构建结冰期神经网络模型和融冰期神经网络模型，所述三种神经网络分别为mnn，lstm和tcn。
22、7、所述第五步中，目标未来排放情景包括：ssp1-126，ssp2-245，ssp3-370和ssp5-585。
23、8、第五步中，满足要求的cmip6模型如下：
24、对于结冰期，针对气温选择的cmip6模型包括：access-esm1-5、awi-cm-1-1-mr、bcc-csm2-mr、cesm2-waccm、cnrm-esm2-1、ec-earth3-veg-lr、ec-earth3-veg、ec-earth3、giss-e2-1-h、iitm-esm、ipsl-cm6a-lr、miroc6、mpi-esm1-2-hr、mpi-esm1-2-lr、mri-esm2-0、taiesm1；针对海表温度选择的cmip6模型包括：cams-csm1-0、cas-esm2-0、cnrm-cm6-1、cnrm-esm2-1、fgoals-f3-l、fgoals-g3、giss-e2-1-g、giss-e2-1-h、hadgem3-gc31-ll、kace-1-0-g、ukesm1-0-ll；针对海冰密集度选择的cmip6模型包括：bcc-csm2-mr、cams-csm1-0、cas-esm2-0、ec-earth3-veg-lr、fgoals-f3-l、fgoals-g3、giss-e2-1-h、hadgem3-gc31-ll、miroc-es2l、miroc6、ukesm1-0-ll；针对表面净短波辐射选择的cmip6模型包括：access-esm1-5、ec-earth3-veg-lr、mpi-esm1-2-lr；针对表面净长波辐射选择的cmip6模型包括：access-cm2、access-esm1-5。
25、对于融冰期，针对海冰漂移速度选择的cmip6模型包括：access-cm2、cams-csm1-0、cesm2-waccm、cnrm-esm2-1、ec-earth3-veg、ec-earth3、fgoals-f3-l、giss-e2-1-g、ipsl-cm6a-lr、mri-esm2-0、ukesm1-0-ll；针对海冰密集度选择的cmip6模型包括：cams-csm1-0、canesm5、cesm2-waccm、ec-earth3-veg-lr、ec-earth3-veg、ec-earth3、fgoals-g3、giss-e2-1-h、ipsl-cm6a-lr、miroc6、mpi-esm1-2-lr、taiesm1、ukesm1-0-ll；针对降水选择的cmip6模型包括：bcc-csm2-mr、cesm2-waccm、ec-earth3-veg-lr、ec-earth3-veg、fgoals-f3-l、fgoals-g3、kace-1-0-g、miroc6、noresm2-lm、taiesm1；针对海表温度选择的cmip6模型包括：access-cm2、cams-csm1-0、cas-esm2-0、cesm2-waccm、cnrm-cm6-1、cnrm-esm2-1、fgoals-f3-l、fgoals-g3、giss-e2-1-g、giss-e2-1-h、kace-1-0-g、ukesm1-0-ll；针对反照率选择的cmip6模型包括：access-cm2、awi-cm-1-1-mr、bcc-csm2-mr、cams-csm1-0、cesm2-waccm、fgoals-f3-l、giss-e2-1-g、giss-e2-1-h、iitm-esm、kace-1-0-g、mpi-esm1-2-hr、mpi-esm1-2-lr、noresm2-lm、noresm2-mm、ukesm1-0-ll；针对表面净长波辐射选择的cmip6模型包括：access-cm2、ec-earth3-veg-lr；
26、9、所述第六步中，加权平均方法中的权重采用triple collocation方法，将三种神经网络模型输出的积雪深度进行融合。
27、本发明可实现北极海冰表面积雪深度预估，对未来冰雪的时空格局分析、北极航道开通判断、北极政策的制定有重要贡献。本发明基于积雪深度变化受多个环境因子协同影响的理论依据，采用cn5vlstm积雪深度确定了基于影响因素的海冰表面积雪深度未来预估方法。具体有益效果如下：
28、第一，本发明使用了cmip6历史数据和未来数据，可构建2002-2100年符合精度要求的环境因子数据集，从而进一步获取每个环境因子的模型集合平均值。数据免费获取、处理方便；
29、第二，本发明基于cmip6历史数据和cn5vlstm积雪深度估计值，建立不同环境因子与海冰表面积雪深度的关系。选择地理探测器输出值和相关系数高的因子建立积雪深度未来预估模型，方法普适性较强，便于理解、实现和推广。
30、第三，本发明考虑了结冰期和融冰期积雪特性差异，提出使用多种深度学习方法建立海冰表面积雪深度集成学习模型，充分发挥不同神经网络在回归上的优势，提高模型的拟合能力；
31、第四，本发明数据处理、运算和分析过程通过python编程实现，程序可读性强，可应用于未来四种情景下(ssp1-126、ssp2-245、ssp3-370和ssp5-585)积雪深度数据集的生产以及积雪深度对气候持续变化的响应分析。
1.一种基于集成学习的未来海冰表面积雪深度预估方法，包括以下步骤:
2.根据权利要求1所述的基于集成学习的未来海冰表面积雪深度预估方法，其特征在于：所述第一步中，所述环境因子数据包括：海表温度遥感数据、海冰密集度遥感数据、海冰漂移速度遥感数据、表面反照率遥感数据、era5再分析数据中的气温数据、降水数据、降雪数据、表面净长波辐射数据和表面净短波辐射数据，以及与上述环境因子数据对应的cmip6历史数据和未来模拟数据；所述积雪深度数据为cn5vlstm月平均积雪深度遥感数据。
3.根据权利要求1所述的基于集成学习的未来海冰表面积雪深度预估方法，其特征在于：所述第二步中，参与分析的环境因子包括气温、降水、降雪、表面净长波辐射、表面净短波辐射、海冰密集度、海冰漂移速度、表面反照率和海表温度。
4.根据权利要求1所述的基于集成学习的未来海冰表面积雪深度预估方法，其特征在于：所述第二步中，环境因子与积雪深度的关系分析包括相关分析、滞后分析和地理探测器中的因子探测器分析和交互作用探测器分析，影响因子选择相关系数大于0.60的环境因子、滞后相关系数最大的环境因子、因子探测器q值最大的环境因子、交互作用探测器输出值最大的3对环境因子，
5.根据权利要求4所述的基于集成学习的未来海冰表面积雪深度预估方法，其特征在于：第二步中，确定的融冰期积雪深度变化影响因子为海冰漂移速度、海冰密集度、海表温度、降水、反照率和表面净长波辐射；确定的结冰期积雪深度变化影响因子为气温、海表温度、海冰密集度、表面净长波辐射和表面净短波辐射。
6.根据权利要求1所述的基于集成学习的未来海冰表面积雪深度预估方法，其特征在于：所述第三步中，计算每个影响因子不同cmip6模型历史数据的均方根误差，然后计算平均均方根误差，当cmip6模型历史数据的均方根误差大于平均均方根误差时，选择该cmip6模型；对于每个影响因子，将符合要求的cmip6模型历史数据进行多模型平均运算，获得cmip6影响因子月平均历史数据用于模型训练。
7.根据权利要求1所述的基于集成学习的未来海冰表面积雪深度预估方法，其特征在于：所述第四步中，分别选择三种神经网络构建结冰期神经网络模型和融冰期神经网络模型，所述三种神经网络分别为mnn，lstm和tcn。
8.根据权利要求1所述的基于集成学习的未来海冰表面积雪深度预估方法，其特征在于：所述第五步中，目标未来排放情景包括：ssp1-126，ssp2-245，ssp3-370和ssp5-585。
9.根据权利要求8所述的基于集成学习的未来海冰表面积雪深度预估方法，其特征在于：第五步中，满足要求的cmip6模型如下：
10.根据权利要求7所述的基于集成学习的未来海冰表面积雪深度预估方法，其特征在于：所述第四步中，针对结冰期神经网络模型和融冰期神经网络模型，分别使用triplecollocation方法确定加权平均的权重，将神经网络模型输出的积雪深度进行融合。
