1.一种基于深度神经网络的天气雷达基本反射率预测方法，其特征在于：包括如下具体步骤：

1)获取天气雷达历史探测数据，并对历史数据进行预处理；

2)构建深度神经网络模型，并将预处理后的历史数据作为训练集，训练所述深度神经网络模型；

3)基于训练完成的深度神经网络模型对未来天气雷达基本反射率进行预测。

2.根据权利要求1所述的基于深度神经网络的天气雷达基本反射率预测方法，其特征在于：步骤1)的具体步骤如下：

步骤1.1)提取天气雷达历史探测数据中的基本反射率，再利用空间插值算法将极坐标格式转换为平面直角坐标格式，转换后探测点的基本反射率表示为D(x，y，z，t)；其中，x、y和z分别为雷达在经度、纬度和高度上的坐标；x、y和z均为[1，N]的正整数，N为雷达在经度、纬度和高度上的探测点总数；t为雷达探测时刻；t的取值范围是[1，X]；X为天气雷达历史探测数据中雷达探测时刻的总数；另定义变量n，n＜N且n为正整数；

步骤1.2)任选某一雷达探测时刻tR、某一高度zR的基本反射率D(x，y，zR，tR)；令di，j(x，y)＝D(x，y，zR，tR)，其中，i和j均为从1开始的正整数，用于计数；

步骤1.3)以n为边长，并以n为移动步幅，将di，j(x，y)从左往右，从上往下，划分为若干个边长为n的正方形小区域；依次分析di，j(x，y)中每个小区域基本反射率的最大值，仅保留最大值所在坐标位置的基本反射率数值，该小区域其他坐标位置的基本反射率置为NULL，结果记为d_maxi，j(x，y)；同理，再依次分析di，j(x，y)中每个小区域基本反射率的最小值，仅保留最小值所在坐标位置的基本反射率数值，该小区域其他坐标位置的基本反射率置为NULL，结果记为d_mini，j(x，y)；

步骤1.4)对d_maxi，j(x，y)和d_mini，j(x，y)进行插值计算，并将d_maxi，j(x，y)和d_mini，j(x，y)中被置为NULL的坐标位置的基本反射率填充上插值计算结果，d_maxi，j(x，y)和d_mini，j(x，y)中不为NULL的坐标位置的基本反射率数值保持不变，完成插值计算后的结果分别记为d_maxi，j′(x，y)和d_mini，j′(x，y)；

步骤1.5)采用如下公式计算每个坐标位置的均值：步骤1.6)采用如下公式计算每个坐标位置基本反射率探测值与相同坐标位置均值d_meani，j(x，y)之间的差：

d_remi，j(x，y)＝di，j(x，y)‑d_meani，j(x，y)步骤1.7)：当j＝1时，令j＝j+1，di，j(x，y)＝d_remi，j‑1(x，y)，返回步骤1.3)；当j＞1时，按以下公式进行判断：

其中，TH1为经验阈值，TH1∈(0，1)；

当上式成立时，令di(x，y)＝d_remi，j(x，y)，进入步骤1.8)；当上式不成立时，令j＝j+1，di，j(x，y)＝d_remi，j‑1(x，y)，返回步骤1.3)；

步骤1.8)按以下公式进行判断：

i≤TH2

其中，TH2为经验阈值，TH2的取值范围为[2，20]，用于限制计数器i迭代计算的次数；当上式成立时，令i＝i+1，dj，1(x，y)＝di‑1，j(x，y)‑d_remi‑1，j(x，y)，再令j＝1，返回步骤1.3)；

当上式不成立时，得到所选高度zR和所选雷达探测时刻tR对应的一组di(x，y)，i＝1，2，

3，...，TH2，并进入步骤1.9)；

步骤1.9)重复步骤1.2)～1.8)得到所有高度和所有雷达探测时刻的基本反射率数据，结果记为di(x，y，z，t)，i＝1，2，3，...，TH2。

3.根据权利要求2所述的基于深度神经网络的天气雷达基本反射率预测方法，其特征在于：步骤1)中所述天气雷达历史探测数据按时间先后顺序有序排列，且相邻数据其时间间隔保持相同。

4.根据权利要求2所述的基于深度神经网络的天气雷达基本反射率预测方法，其特征在于：步骤1)中所述天气雷达历史探测数据为连续Y年的天气雷达探测数据，Y的取值范围为[2，30]。

5.根据权利要求2所述的基于深度神经网络的天气雷达基本反射率预测方法，其特征在于：步骤2)的具体步骤如下：

步骤2.1)构建深度神经网络模型，该模型表示为ds_p(x，y，z，t’+1)＝model(ds_t(x，y，z，t’))，

其中，model表示深度神经网络模型，ds_t(x，y，z，t’)为模型的输入数据，其中ds_t(x，y，z，t’)＝[di(x，y，z，t’)，di(x，y，z，t’‑1)，di(x，y，z，t’‑2)，...，di(x，y，z，t’‑r)]，r是正整数，取值范围为[5，100]；ds_p(x，y，z，t’+1)为模型的输出数据，即训练的标签，ds_p(x，y，z，t’+1)＝D(x，y，z，t’+1)；

步骤2.2)将步骤1中预处理后的历史数据作为训练集，将ds_t(x，y，z，t’)，x、y、z＝1，

2，...，N，t’＝r+1，...，X‑2，X‑1作为模型的输入数据，将ds_p(x，y，z，t’+1)作为模型训练的标签，对深度神经网络模型进行训练。

6.根据权利要求5所述的基于深度神经网络的天气雷达基本反射率预测方法，其特征在于：步骤2.1)中所述深度神经网络模型采用Conv‑LSTM模型或TrajGRU模型。

7.根据权利要求5所述的基于深度神经网络的天气雷达基本反射率预测方法，其特征在于：步骤3)的具体步骤如下：

步骤3.1)记当前雷达探测时刻为t0，将t0、t0‑1、t0‑2、……、t0‑r雷达探测时刻的基本反射率按照步骤1.2)至步骤1.9)的方法处理，得到数据集ds_t(x，y，z，t0)；

步骤3.2)将该数据集ds_t(x，y，z，t0)输入训练完成的深度神经网络模型，得到未来t0+

1时刻的基本反射率；

步骤3.3)将步骤3.2计算得到的结果，以及t0、t0‑1、t0‑2、……、t0‑r+1雷达探测时刻的基本反射率按照步骤1.2)至步骤1.9)的方法处理，得到新的数据集ds_t(x，y，z，t0+1)；

步骤3.4)将该新的数据集ds_t(x，y，z，t0+1)输入训练完成的深度神经网络模型，得到未来t0+2时刻的基本反射率，以此类推，可得到未来t0+1、t0+2、t0+3、……时刻的基本反射率。