1.一种利用随机掩码和Transformer改进的短临降水预报方法，其特征在于，包括以下步骤：S1，随机掩码时空序列图像；

S2，构建网络模型，并将掩码标记后的时空序列图像输入网络进行模型训练；网络模型包括以UNet为核心模型的编码器‑解码器结构，在编码器中嵌入了SwinTransformer模块，并引入了SENet注意力机制；

S3，模型训练过程中，输入图像通过前向传播过程得到预测值，然后根据损失函数进行反向调优不断对模型进行微调，最小化损失函数，实现模型的准确预测能力；

S4，训练过程中使用L1+L2正则化，以防止过拟合。

2.根据权利要求1所述的一种利用随机掩码和Transformer改进的短临降水预报方法，其特征在于，S1中，对图像序列的patch进行随机掩码，然后再标记掩码区域，并将标记后的图像序列输入网络；

并且在S1中，使用掩码率为75％的输入图像进行训练，并对随机掩码后的输入图像应用了批量归一化操作，使其服从高斯分布以稳定训练过程。

3.根据权利要求1所述的一种利用随机掩码和Transformer改进的短临降水预报方法，其特征在于，S2中，编码器包括双卷积操作、最大池化操作、Swin Transformer模块和SENet注意力机制；双卷积操作用于将图像的特征通道数加倍，最大池化用于将特征图的尺寸减半，四个双卷积操作和最大池化操作交错排列，以学习时空序列中的短期依赖信息；在编码器的最后部分嵌入Swin Transformer模块，用于学习时空序列中的长期依赖信息；在每一层的双卷积和最大池化操作之间引入了SENet注意力机制，以关注通道维度上的重要信息并抑制对当前任务不重要的次要信息。

4.根据权利要求1所述的一种利用随机掩码和Transformer改进的短临降水预报方法，其特征在于，S2中，Swin Transformer模块包括Patch Partition、Linear Embedding和Swin Transformer Block；首先图片序列通过Patch Partition层进行分块处理，将特征图划分为多个不相交的区域，然后通过Linear Embedding层对每个像素的通道数据进行线性变换，最后通过SwinTransformer Block层进行特征提取。

5.根据权利要求4所述的一种利用随机掩码和Transformer改进的短临降水预报方法，其特征在于，所述Swin TransformerBlock中的W‑MSA模块用于将多头自注意力计算限制在每个局部窗口内，SW‑MSA模块能够让信息在相邻的窗口中进行传递，多头自注意力的计算过程为：MultiHead(Q,K,V)＝Concat(head1,...,headh) (3)Q K V

其中，Q，K，V的物理意义分别是查询向量、键向量和值向量，W ，W ，W表示卷积核， 表示查询向量的维度大小，B表示相对位置偏执。

6.根据权利要求1所述的一种利用随机掩码和Transformer改进的短临降水预报方法，其特征在于，所述SENet注意力机制包括Squeeze和Excitation两个操作，首先对卷积得到的特征图进行Squeeze操作以获得通道维度上的全局特征，然后对得到全局特征进行Excitation操作以学习各个通道之间的关系以及不同通道所占的权重大小，再利用得到的权重乘以最初的特征图以得到最终的特征。

7.根据权利要求1所述的一种利用随机掩码和Transformer改进的短临降水预报方法，其特征在于，S3中，在模型训练过程中，进行前向传播和反向调优两个步骤，假设有训练样i i本N(x ,y)，其中i∈[1，N]，输入为 标准输出为 预

测输出为 损失函数定义为MSE，即预测值与真实值之间的欧式距离，如

下所示：

8.根据权利要求1所述的一种利用随机掩码和Transformer改进的短临降水预报方法，其特征在于，S4中，L1、L2正则化的表达分别如公式(5)和(6)所示：L1(w)＝α∑i|wi| (5)

其中，α是一个常数，用于控制正则化的程度，wi表示权重的倒数，L1正则化通过让权重向量在最优化过程中变得稀疏以防止过拟合；在损失函数中加上了L1正则化作为惩罚项，最终的损失函数如公式(7)所示，同时，通过设置Adam优化器的weight_decay参数部署了L2正则化；

9.根据权利要求8所述的一种利用随机掩码和Transformer改进的短临降水预报方法，其特征在于，在模型训练过程中，引入了学习率衰减策略，衰减过程如公式(8)所示：其中，decay_rate表示初始系数，epochi表示第i次训练，α0表示初始学习率。

10.一种利用随机掩码和Transformer改进的短临降水预报系统，其特征在于，包括：图像处理模块：用于随机掩码时空序列图像；

模型构建模块：用于构建网络模型，并将掩码标记后的时空序列图像输入网络进行模型训练；网络模型包括以UNet为核心模型的编码器‑解码器结构，在编码器中嵌入了Swin Transformer模块，并引入了SENet注意力机制；

预测模块：模型训练过程中，输入图像通过前向传播过程得到预测值，然后根据损失函数进行反向调优不断对模型进行微调，最小化损失函数，实现模型的准确预测能力；

优化训练模块：训练过程中使用L1+L2正则化，以防止过拟合。