1.一种基于时空粒化数据场景模型的流域中长期径流预测方法，其特征在于，首先构建面向流域中长期径流预测的时空粒化数据场景模型，实现不同粒度层面的水文时空对象表征和流域场景中水文对象属性、方法和关系的组织与集成，再以时空粒化数据场景模型为基础实现流域中长期径流预测；包括如下步骤：S1‑1研究区域确定。

S1‑2水文对象查找，根据流域中长期径流预测需求，在所确定的研究区域内查找与流域中长期径流预测相关的水文对象。

S1‑3判断步骤S1‑2中所选的相关水文对象是否已编码，如果全部已编码，转向S1‑5，否则转向步骤S1‑4。

S1‑4水文对象编码，对所选水文对象进行编码。

S1‑5时空粒度分析，对已经编码的水文对象进行时空粒度及生命周期分析，获取水文对象最小时空粒度、粒数及生命周期，形成时空粒化数据场景的初始状态。

S1‑6时空粒化数据场景生成，在时空粒化数据场景的初始状态基础上，将所选与流域中长期径流预测相关的水文对象的属性、状态及关系进行组织与集成，形成面向流域中长期径流预测的时空粒化数据场景模型。

S1‑7以上述时空粒化数据场景模型形成的多粒度时空粒化数据为基础，在流域层面构造表征整个流域中长期径流整体趋势的变化因子及其主要影响对象，具体为：首先构造具有时空粒化特性与生命周期的流域径流整体趋势变化因子，作为人工智能模型的预测对象，以表征流域中长期径流的趋势变化情况；其次构造影响流域中长期径流预测主要对象的方法，作为人工智能预测模型的输入对象，包括采用泰森多边形方法计算流域内气象站点所代表的面积赋权构建降水对象、采用相关系数法筛选与流域径流过程相关性强的气候对象、基于SPOT影像的流域归一化植被指数计算方法构建覆盖整个流域的植被对象；然后采用特征筛选方法实现影响流域径流整体变化趋势的关键对象特征筛选；最后基于智能预测模型实现流域中长期径流预测。

2.根据权利要求1所述的基于时空粒化数据场景模型的流域中长期径流预测方法，其特征在于，所述S1‑5中，时空粒度分析包括：S1‑5‑1时间粒度分析，用以分析时空粒化数据场景模型中研究对象的时间粒度，时间粒度与采样时间的间隔有关，短期径流预测，时间粒度是时、日，中长期径流预测，时间粒度是旬、月、年；

S1‑5‑2空间粒度分析，用以分析时空粒化数据场景模型中研究对象的空间粒度；空间粒度可以划分为站点、断面、河流、流域、国家，空间粒度与所用测量设备的误差有关，空间粒度是站点，属于细粒度，而整个流域的径流预测，空间粒度是整个流域，属于粗粒度；

S1‑5‑3生命周期分析，描述水文时空对象的状态发生改变的时间特性，包括状态改变的初始时间和结束时间，以此表征水文时间序列数据的起始时间，用于径流预测分析。

3.根据权利要求1所述的基于时空粒化数据场景模型的流域中长期径流预测方法，其特征在于，所述水文对象的数据描述包含属性、方法和关系三个部分，其中属性用以描述水文对象的状态、组成和特性，方法用以描述水文对象的行为特性，关系用以描述水文对象的所属及关联特性；水文对象的属性描述包含对象属性和子属性两类；其中：水文对象的基本属性描述，用于描述水文对象的基本信息；水文对象的状态属性描述，用于描述水文对象的当前状态信息；水文对象的特性属性描述，用于描述水文对象业务属性信息；水文对象的方法描述是由数据和操作组成的封装体，与具体水文对象有直接对应关系，其目的是通过调用方法获取水文对象的属性信息、改变水文对象的状态和不同对象间的映射关系，以及抽取特性属性信息；关系描述用以描述水文对象与其他对象之间的属于、组成、集合的相互关系。

4.根据权利要求1所述的基于时空粒化数据场景模型的流域中长期径流预测方法，其特征在于，所述步骤S1‑7构造具有多时空粒度特性与生命周期的流域径流整体趋势变化因子，具体为，对研究区域内的所有水文站点对象进行时空粒度选择、生命周期选择，并构造流域径流整体趋势变化因子，从而获得流域径流整体趋势变化因子；

其中，流域径流整体趋势变化因子构造方法如下，

式中，Wi第i个水文站点的权重，Qi为第i个水文站点的控制面积百分比，Qj为第j个水文站点的控制面积百分比，m为流域内月均径流一致性达到预设标准的水文站点个数，Cj第j个月的流域径流整体趋势变化因子，Cij为第i个水文站点第j个月的月均径流量。

5.根据权利要求1所述的基于时空粒化数据场景模型的流域中长期径流预测方法，其特征在于，所述采用泰森多边形方法计算流域内气象站点所代表的面积赋权，构建降水对象，其中，泰森多边形方法的计算公式为，式中，为流域平均降水量，Pi为第i个观测站同期降水量，P1为第1个观测站同期降水量，P2为第2个观测站同期降水量，Pn为第n个观测站同期降水量，Si为第i个观测站控制面积，S1为第1个观测站控制面积，S2为第2个观测站控制面积，Sn为第n个观测站控制面积，S为流域总面积；

若同期降水量日值数据连续缺测日期少于10天，则使用多年日均值来替换，若连续10天及以上缺测同期降水量日值数据，则基于多年日均值采用线性差值法进行调整计算。

6.根据权利要求1所述的基于时空粒化数据场景模型的流域中长期径流预测方法，其特征在于，所述采用相关系数法筛选与流域径流过程相关性强的气候对象，具体为：设径流对象为Y，气候对象为变量X，则径流对象Y和气候对象X之间的相关系数定义为，式中，rXY为气候对象X和径流对象Y之间的相关系数，N为径流‑气候对象的样本数量，Xi为气候对象X的第i个样本值， 为气候对象X的均值，Yi为径流对象Y的第i个样本值， 为径流对象Y的均值；

rXY取值范围为[‑1,1]，|rXY|值大，表示径流对象Y与气候对象X之间的线性相关性高，当|rXY|值接近0，表示径流对象Y与气候对象X之间的线性相关性低，当|rXY|值为0时，表示径流对象Y与气候对象X线性无关；

获取数值大的|rXY|相对应的气候对象，此时获取的气候对象即为所需的与流域径流过程相关性强的气候对象。

7.根据权利要求1所述的基于时空粒化数据场景模型的流域中长期径流预测方法，其特征在于，所述基于SPOT影像的流域归一化植被指数计算方法构建覆盖整个流域的植被对象，其中，基于SPOT影像的流域归一化植被指数构建的植被对象NDVI的计算方法如下，NDVI＝0.004×DN‑0.1    (7)式中，NDVI为NDVI值，DN为0～250之间的灰度值。

8.根据权利要求1所述的基于时空粒化数据场景模型的流域中长期径流预测方法，其特征在于，所述采用特征筛选方法实现影响流域径流整体变化趋势的关键对象特征筛选，具体为，采用偏互信息法对流域径流整体趋势变化因子、降水对象、气候对象和植被对象进行特征筛选，获得影响流域中长期径流过程变化的关键特征集合，为流域中长期径流预测提供前期特征筛选。

9.根据权利要求1所述的基于时空粒化数据场景模型的流域中长期径流预测方法，其特征在于，所述基于人工智能模型实现流域中长期径流预测，具体为，构建人工智能模型，并将关键特征集合作为人工智能预测模型的输入，预测流域中长期径流变化趋势。