物理引导的注意力残差U-Net用于北极海冰浓度亚季节至季节尺度预测
《Journal of Marine Science and Engineering》:PG-ARUNet: A Physics-Guided Attention Residual Network for Arctic Sea Ice Concentration Prediction
【字体:
大
中
小
】
时间:2026年10月21日
来源:Journal of Marine Science and Engineering 3.2
摘要
准确预测北极海冰浓度(SIC)对于理解气候变化和保障北极航运安全至关重要。然而,传统的U-Net架构往往会退化深层特征,且缺乏显式的物理约束。为此,我们提出了一种物理引导的具有注意力残差连接的U-Net,其中物理强迫在架构层级引导特征学习,而非仅作为损失层级的约束引入。注意力残差机制实现了跨层级的自适应多尺度特征融合,同时物理约束模块贯穿编码器-解码器全过程以强制物理一致性。热力学和动力学变量(海表温度、2米气温和10米风分量)通过跨模态注意力和物理引导的跳跃连接进行融合。双输入框架可同时捕捉局部细尺度的冰缘细节和大尺度的北极背景场。复合损失函数结合了加权Charbonnier项和冻结损失,以更好地惩罚冰缘不匹配并强制冻结/融化物理过程。基于国家雪冰数据中心(NSIDC)和ERA5数据的实验表明,在统一的多随机种子协议下,我们的一周领先期模型优于六个代表性深度学习基线,所有成对改进均具有统计显著性,且在六个月领先期仍保持可观的预测能力,准确再现了九月最小值,冰缘紧密跟踪观测值。这些结果证实了物理引导的注意力残差U-Net增强了亚季节至季节尺度SIC预测的空间保真度和物理一致性,从而支持对北极可航窗口进行稳健的中长期评估。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号