1.一种基于深度学习的北极海冰密集度预测方法，其特征在于，具体包括如下步骤：步骤1：获取北极海冰密集度数据和ERA5气象因子数据；

步骤2：对气象因子数据进行预处理，使得气象因子数据与北极海冰密集度数据空间对齐；

步骤3：将同时刻的北极海冰密集度数据与气象因子数据在通道维度上拼接，得到多源融合数据；

步骤4：将步骤3中的多源融合数据按照时间分成n组，建立特征提取网络；该特征提取网络包括n个特征提取模块，一个特征提取模块对应一组多源融合数据组，将每组多源融合数据组按照时间顺序输入至对应的特征提取模块；

步骤5：将第t组多源融合数据组输入到特征提取网络的第t个特征提取模块中，提取多源融合数据组的时空特征；t＝1,2,…,n；

步骤6：将特征提取网络的输出输入至自适应权重分配网络中，得到海冰密集度预测值；

所述特征提取模块包括7层以ConvLSTM为主的特征提取层，特征提取模块的表达式为：L1＝MaxPool{ConvLSTM(xt)}

L2＝MaxPool{ConvLSTM(L1)}

L3＝MaxPool{ConvLSTM(L2)}

L4＝ConvLSTM(L3)

L5＝ConvLSTM{UpSample(L4+L3)}

L6＝ConvLSTM{UpSample(L5+L2)}

L7＝ConvLSTM{UpSample(L6+L1)}

其中，Ll表示第l层特征提取层的输出特征，l＝1,2,3…,7,xt表示第t个特征提取模块的输入数据，ConvLSTM表示卷积化的长短期记忆网络，MaxPool为最大池化，UpSample为上采样，相邻两个特征提取模块的同一层特征提取层中的ConvLSTM单元之间相互连接；

每层特征提取层的ConvLSTM中引入上下文模块，所述上下文模块包括：全局池化层、Softmax层和加权求和层；第l层特征提取层中的ConvLSTM的结构如下所示：ft＝σ(Wf*[Ht‑1,Ll‑1]+bf)

it＝σ(Wi*[Ht‑1,Ll‑1]+bi)

ct'＝tanh(Wc*[Ht‑1,Ll‑1]+bc)

ot＝σ(Wo*[Ht‑1,Ll‑1]+bo)

Ct＝ft*Ct‑1+it*ct'

Hl＝ot*tanh(ct')

Ht'＝Wx*[Ht‑1,Ll‑1]

其中，t表示第t个特征提取模块，σ表示sigmoid激活函数，Tanh表示双曲正切激活函数，ft表示遗忘门的输出结果，bf遗忘门的偏置项，Wf表示遗忘门的权重，Ll‑1表示第t个特征提取模块的第l‑1层特征提取层的输出，Ht‑1表示第t‑1个特征提取模块的第l层特征提取层中ConvLSTM的输出，Hl表示第t个特征提取模块的第l层特征提取层中ConvLSTM的输出，it表示输入门的输出结果，Wi表示输入门的权重，bi表示输入门的偏置项，ct'表示细胞状态的输出结果，Wc表示细胞状态的权重，bc表示细胞状态偏置项，ot表示输出门的输出结果，Wo表示输出门的权重，bo表示输出门的偏置项，Ct表示输出的细胞状态信息，Ct‑1表示第t‑1个特征提取模块的第l层特征提取层输出的细胞状态，Softmax为归一化，Ht'表示临时变量，Wx为计算临时变量的权重，Ht'k表示Ht'的第k个通道维度上的数据，GAP代表全局平均池，∑表示加权求和操作。

2.根据权利要求1所述的一种基于深度学习的北极海冰密集度预测方法，其特征在于，所述ERA5气象因子为每月再分析数据，包括2m温度、2m露点温度、海面平均温度、10m风的u分量和v分量。

3.根据权利要求1所述的一种基于深度学习的北极海冰密集度预测方法，其特征在于，所述步骤2中采用极地投影法对气象因子数据进行预处理。

4.根据权利要求1所述的一种基于深度学习的北极海冰密集度预测方法，其特征在于，所述步骤4中以一年为周期，按照月份对多源融合数据进行分组，得到12个连续月份的多源融合数据组。

5.根据权利要求1所述的一种基于深度学习的北极海冰密集度预测方法，其特征在于，所述自适应权重分配网络的表达式如下所示：其中，t表示第t个特征提取模块,ht表示第t个特征提取模块的输出，Concat表示拼接操作，GAP表示全局平均池化，MLP表示多层感知机，Softmax为归一化，∑表示加权求和操作。