用于北极海冰密集度与速度预测的分层信息共享卷积神经网络
机器学习
2024-11-22 v2 计算机视觉与模式识别
大气与海洋物理
摘要
随着近期气候变暖导致北极环境发生变化，预测北冰洋海冰密集度（SIC）与海冰速度（SIV）具有重要意义。鉴于物理海冰模型需要高计算成本与复杂参数化，深度学习技术可有效替代物理模型并提升海冰预测性能。本研究提出一种名为分层信息共享 U-net（HIS-Unet）的新型多任务全卷积网络架构，用于预测每日 SIC 与 SIV。我们不再于各分支中分别学习 SIC 与 SIV，而是让 SIC 与 SIV 层通过加权注意力模块（WAMs）共享信息并相互辅助预测。因此，我们的 HIS-Unet 优于其他统计方法、海冰物理模型以及不含此类信息共享单元的神经网络。HIS-Unet 的改进在 SIC 发生季节性变化的时间和地点更为显著，这意味着通过 WAMs 在 SIC 与 SIV 间的信息共享有助于学习 SIC 与 SIV 的动态变化。WAMs 的权重值表明，相较于 SIV 信息在 SIC 预测中的作用，SIC 信息在 SIV 预测中起着更关键的作用，且信息共享在边缘冰区（如东格陵兰和哈德逊/巴芬湾）比在北极中部更为活跃。
引用
@article{arxiv.2311.00167,
title = {Hierarchical Information-sharing Convolutional Neural Network for the Prediction of Arctic Sea Ice Concentration and Velocity},
author = {Younghyun Koo and Maryam Rahnemoonfar},
journal= {arXiv preprint arXiv:2311.00167},
year = {2024}
}