1.基于ECMWF的格点预报偏差修正方法，其特征在于：通过步骤A至步骤G，获得目标区域所对应的预报数据修正模型，用于针对目标区域的预报数据进行修正；

步骤A. 获得目标区域对应预设历史范围内各历史时间点的雷达数据、ECMWF格点预报数据、以及包含预设各数据类型的卫星数据、包含预设各高度下预设各数据类型的ECMWF再分析数据，然后进入步骤B；

步骤B. 针对各历史时间点的卫星数据与雷达数据进行预处理，使得卫星数据的分辨率、雷达数据的分辨率与ECMWF格点预报数据的分辨率相一致，然后进入步骤C；

步骤C. 按预设比例，针对目标区域进行格点划分，即获得各历史时间点下目标区域中各格点对应的雷达数据、卫星数据、ECMWF格点预报数据、ECMWF再分析数据，然后进入步骤D；

步骤D. 基于各历史时间点下各格点所对应ECMWF再分析数据中的各高度下各数据类型的数据，应用特征选择模块，获得ECMWF再分析数据中各高度下各数据类型中的各个目标气象因子，并针对各历史时间点下各格点对应ECMWF再分析数据中各个目标气象因子的数据、与各历史时间点下目标区域中各格点对应的雷达数据、卫星数据进行通道融合，获得各历史时间点下各格点对应的融合通道数据，然后进入步骤E；

步骤E. 分别针对各历史时间点中的预设各个待分析历史时间点 ，针对 历史时间点至 历史时间点下各格点对应的融合通道数据，执行时间点维度下的数据融合，构成各格点对应第k个待分析历史时间点 的(T,C,W,H)的4维历史气象要素数据向量，进而组合构成历史气象数据集 ，其中，T表示预设融合历史时间点的长度，C表示融合通道数据中数据类型的数量，W*H表示目标区域的网格点比例， 表示待分析历史时间点 的数量，然后进入步骤F；

步骤F. 基于各待分析历史时间点 下各格点对应的ECMWF格点预报数据构成数据集，以及基于各待分析历史时间点 下各格点对应ECMWF再分析数据中对应ECMWF格点预报数据类型的数据，构成标签集 ，然后进入步骤G；

步骤G. 以历史气象数据集 、数据集 为输入，以数据集 的修订数据为输出，结合数据集 的修订数据与标签集 之间的损失，针对目标深度学习网络模型进行训练，获得目标区域所对应的预报数据修正模型。

2.根据权利要求1所述基于ECMWF的格点预报偏差修正方法，其特征在于：所述步骤B中，针对各历史时间点的卫星数据与雷达数据进行克里金插值处理的预处理操作，使得卫星数据的分辨率、雷达数据的分辨率与ECMWF格点预报数据的分辨率相一致。

3.根据权利要求1所述基于ECMWF的格点预报偏差修正方法，其特征在于：所述步骤C中还包括：分别针对各历史时间点下的雷达数据、卫星数据、ECMWF格点预报数据、ECMWF再分析数据，针对各格点分别对应的数据进行数据归一化，更新各历史时间点下各格点的雷达数据、卫星数据、ECMWF格点预报数据、ECMWF再分析数据，然后进入步骤D。

4.根据权利要求1所述基于ECMWF的格点预报偏差修正方法，其特征在于：所述步骤D中，基于各历史时间点下各格点所对应ECMWF再分析数据中的各高度下各数据类型的数据，应用特征选择模块，获得各高度下各数据类型分别对应权重，并按权重由大至小顺序，针对各高度下各数据类型进行排序，顺序选择前 个对象，构成各个目标气象因子，其中， 表示ECMWF再分析数据中各高度下各数据类型的总数，表示预设百分比， 表示向上取整。

5.根据权利要求1或4所述基于ECMWF的格点预报偏差修正方法，其特征在于：所述步骤D中的特征选择模块为LASSO回归算法模块，LASSO回归算法模块的损失函数公式为：式中， 、 为样本个数， 为常数系数， 为权重，需要进行调优， 为L1范数， 代表输入的特征单元值， 代表观测值。

6.根据权利要求1所述基于ECMWF的格点预报偏差修正方法，其特征在于：所述目标深度学习网络模型包括Encoder模块和Decoder模块，其中，Encoder模块包括E3D‑Lstm模型、CNN网络、融合模块；

其中，E3D‑Lstm模型的输入端与融合模块的其中一输入端构成Encoder模块的各输入端，由E3D‑Lstm模型的输入端用于接收历史气象数据集 ，融合模块的其中一输入端用于接收数据集 ，融合模块的输出端对接CNN网络的输入端，CNN网络自其输入至其输出方向包括依次串联的5级下采样层，各下采样层自其输入至其输出方向分别包括卷积层和池化层；

Decoder模块自其输入至其输出方向依次包括5级上采样层，其中，Decoder模块中第一个上采样层的输入接收CNN网络中第四个下采样层输出和第五个下采样层输出的拼接，Decoder模块中第二个上采样层的输入接收其第一个上采样层输出与CNN网络中第三个下采样层输出的拼接，Decoder模块中第三个上采样层的输入接收其第二个上采样层输出与CNN网络中第二个下采样层输出的拼接，Decoder模块中第四个上采样层的输入接收其第三个上采样层输出与CNN网络中第一个下采样层输出的拼接，Decoder模块中第五个上采样层的输入其第四个上采样层输出；

Encoder模块的各输入端构成目标深度学习网络模型的各输入端，Decoder模块中第五个上采样层的输出构成目标深度学习网络模型的输出端。

7.根据权利要求6所述基于ECMWF的格点预报偏差修正方法，其特征在于：所述CNN网络中第一个下采样层中的卷积层卷积核尺寸为3×3，数量为64，池化层滤波器的尺寸为2×2，步长为2；第二个下采样层中的卷积核尺寸为3×3，数量为128，池化层滤波器的尺寸为2×

2，步长为2；第三个下采样层中的卷积核尺寸为3×3，数量为256，池化层滤波器的尺寸为2×2，步长为2；第四个下采样层中的卷积核尺寸为3×3，数量为512，池化层滤波器的尺寸为

2×2，步长为2；第五个下采样层中的卷积核尺寸为3×3，数量为512，池化层滤波器的尺寸为2×2，步长为2；

所述Decoder模块中第一个上采样层中的卷积核尺寸为3×3，数量为512，步长为2；第二个上采样层中的卷积核尺寸为3×3，数量为256，步长为2；第三个上采样层中的卷积核尺寸为3×3，数量为128，步长为2；第四个上采样层中的卷积核尺寸为3×3，数量为64，步长为

2；第五个上采样层中的卷积核尺寸为3×3，数量为1，步长为2。

8.根据权利要求6所述基于ECMWF的格点预报偏差修正方法，其特征在于：所述E3D‑Lstm模型针对序列数据额外添加了一个召回门、以及相关结构，用于实现长时依赖学习，其中额外添加了召回门更新公式为：其中， 是sigmoid函数， 是上一时刻状态信息的输出， 是为当前时刻的输入，为遗忘门， 、 为输入门，RECALL为召回门， 、分别表示可学习的权重和偏置，、分别表示X输入信息、H输入信息，、、 分别代表遗忘门R、输入门I、输入门G， 表示X输入信息在遗忘门R处的可学习权重， 表示X输入信息在输入门I处的可学习权重， 表示H输入信息在遗忘门R处的可学习权重， 表示H输入信息在输入门I处的可学习权重，表示X输入信息在输入门G处的可学习权重， 表示H输入信息在输入门G处的可学习权重， 表示在遗忘门R处的可学习偏置， 表示在输入门I处的可学习偏置， 表示在输入门G处的可学习偏置， 是 、 、 、召回门的输出， 为前 时刻的记忆细胞信息， 为输入门之间矩阵的点乘，用于对视频局部表象特征和运动特征的抽取，为上一时刻的记忆细胞信息，用于刻画短时依赖信息，最后召回门输出则从过去的所有历史记忆中选择有用的部分。

9.根据权利要求1所述基于ECMWF的格点预报偏差修正方法，其特征在于：所述卫星数据包括云检测、云相态、云类型、云顶高、云顶气压、云顶温度、高层水汽云导风、低层水汽云导风、大气水汽总量、地表比辐射率、以及及卫星云图；所述ECMWF再分析数据包括0m、300m、

500m、700m、1000m各高度下的温度、相对湿度、比湿、u型风量、v型风量、降水、露点温度。