1.基于递归门控卷积和注意力机制改进的ENSO时空预测方法，其特征在于，包括如下步骤：S1、采集待观察区域的ENSO原始数据，进行预处理，构建ENSO样本数据集；

S2、构建两层Dense Block网络对ENSO样本数据集进行压缩，获得时空序列的高维空间特征F；

S3、将步骤S2得到的时空序列的高维空间特征图输入至注意力机制连接MIMG‑Encoder‑Decoder架构中，进行自适应特征修正，通过预测网络获得最终预测结果；

S4、以步骤S3获得的预测结果为输入，经过转置卷积模块，恢复特征图原始大小；

S5、ENSO样本数据集中T帧数据的矢量序列为输入、其对应的预测序列为输出，结合两层Dense Block网络、注意力机制连接MIMG‑Encoder‑Decoder架构、以及转置卷积模块构建并训练ENSO时空预测模型，并在训练中采用早停法、设置学习率自动衰减。

2.根据权利要求1所述的基于递归门控卷积和注意力机制改进的ENSO时空预测方法，其特征在于，步骤S2具体为：以两层Dense Block模块构建一个卷积神经网络，以X＝(B,S,C,H,W)为输入，其中，B表示批量大小，S表示时间步，C表示通道数，H表示输入特征图的高，W表示输入特征图的宽，通过Dense Block模块提取每次输入的空间特征，每一层的输入都是前面所有层的输出的集合，如下式：xk‑1＝Hk([x0，x1，…，xk‑2])

其中，X0表示第1个月 区域的SSTA经过第一层后提取的特征值，该层学习到的特征Xk‑1被直接传递到后面的所有层作为输入，如下式：Xk＝Hk([x0，x1...，xk‑11)

其中，[X0,X1,…,Xk‑1]表示前k层对第1个月 区域的SSTA提取的特征集合，Hk表示三个连续操作：批量归一化、ReLU激活函数、3×3卷积的复合函数。

3.根据权利要求1所述的基于递归门控卷积和注意力机制改进的ENSO时空预测方法，其特征在于，步骤S3包括如下子步骤：S301、构建MIMG‑Encoder‑Decoder架构：Encoder对时空序列的高维空间特征图进行编码，将其转换为向量形式，然后Decoder对该向量进行解码，还原为输出序列；在编码模块中，经过Dense Block模块和注意力机制提取特征后的输出作为ST‑LSTM的输入然后生成它的隐状态，接着进入三层MIMG堆叠模块，在解码模块中使用三层MIMG堆叠模块，所有输入序列共享Encoder的参数且所有输出序列共享Decoder的参数；

S302、用Attention模块连接Dense Block和MIMG‑Encoder‑Decoder架构：将时空序列C*H*W的高维空间特征F作为Attention模块的输入，F∈R ，再经过通道注意力模块一维卷积McC*1*1∈R ，将卷积结果乘原图，将通道注意力模块输出结果作为空间注意力模块的输入，进行

1*H*W

空间注意力模块的二维卷积Ms∈R ，再将输出结果与原图相乘，如下式：

F'＝Mc(F)*F

F"＝Ms(F')*F'。

4.根据权利要求3所述的基于递归门控卷积和注意力机制改进的ENSO时空预测方法，其特征在于，步骤S302包括如下子步骤：S302‑1所述通道注意力模块，输入的时空序列的高维空间特征F先经过两个并行的MaxPool层和AvgPool层，将特征图维度从C*H*W变为C*1*1，然后经过MLP模块，将通道数压缩为原来的1/r，再扩张到原通道数，经过ReLU激活函数得到两个激活后的结果，将这两个输出结果进行逐元素相加，再通过一个sigmoid激活函数得到CAM的输出结果，最后将这个输出结果乘原图，变回C*H*W的大小，如下式：其中，σ是激活函数，W0、W1是MLP的两个权重， 是平均池化， 是最大池化；

S302‑2、空间注意力机制首先将通道注意力的输出Mc(F)在通道维度平均池化和最大池化 然后将产生的特征图进行拼接起来，然后在拼接

7x7

后的特征图上，使用滤波器大小为7×7的卷积操作f 产生最终的空间注意力特征图Ms(F)，如下式：S302‑3、将空间注意力机制输出，即Nino3.4区域的SSTA在空间和通道维度上提取到的特征，作为ST‑LSTM下一个时间步的输入。

5.根据权利要求3所述的基于递归门控卷积和注意力机制改进的ENSO时空预测方法，其特征在于，步骤S301具体为：所述MIMG模块，在MIM的基础上嵌入了递归门控卷积的残差形式rgConv，首先使用 来获得一组投影特征 和 如下式：其中，rgConv的输入特征的维度为高×宽×通道数H×W×C，p、q表示投影特征，是执行通道混合的投影层，k表示层数，C0是第1阶的通道数，Ck是第k+1阶的通道数，n‑1是最大阶数；

然后递归地执行门控卷积，如下式：

pk+1＝fk(qk)⊙gk(pk)/α，k＝0，1，…，n‑1

其中，fk表示深度方向的卷积层，gk表示按不同顺序的匹配维度；k表示层数，pk、qk表示第k层的投影特征；

将最后一个递归步骤的输出pn输入给投影层 再以残差的形式输出rgConv的结果y:其中，p0是原始特征，pn是经过n层递归后输出的特征。

6.根据权利要求5所述的基于递归门控卷积和注意力机制改进的ENSO时空预测方法，其特征在于，MIM中包括两个级联的时间记忆复用模块来取代时间遗忘门：非平稳模块MIM‑N以及平稳模块MIM‑S；

所述非平稳模块MIM‑N以 为输入，用于捕获基于两个连续隐藏表示之间的差分的非平稳变化，其基于差分平稳假设产生不同的特征，t表示时间步长，l表示层数，N表示非平稳模块MIM‑N中的水平过渡存储单元，D是由MIM‑N学习并输入MIM‑S的差分特征：所述平稳模块MIM‑S以非平稳模块MIM‑N输出的差分特征 和外部时间记忆细胞 作为输入，捕获时空序列中近似平稳的变化，T是通过虚拟遗忘门的内存，S表示平稳模块MIM‑S中的水平过渡存储单元:MIM将PredRNN中的遗忘门替换为级联的两个模块的最终输出 更新了非平稳模块MIM‑N以及平稳模块MIM‑S，首先是时间维度流的特征传递，C表示时间记忆，W表示权重，f、i、g分别表示遗忘门、输入门、输入调制门，*表示卷积：然后是空间特征记忆流的传递，M表示空间记忆：

其中，Wmg表示空间记忆单元和输入调制门之间的权重，Wxg表示输入和输入调制门之间的权重，Whg是隐藏层和输入调制门之间的权重，W′xf表示输入和遗忘门之间的权重，W′xi表示输入门的权重，b′f是遗忘门的偏置项，bg是输入调制门的偏置项，bi是输入门的偏置项，gt、it是t时刻的输入调制门、输入门， 是t时刻l层的时间记忆单元，所有带有上标′均表示空间特征记忆流特征，不带有上标′的为时间维度记忆流特征；

非平稳模块MIM‑N以及平稳模块MIM‑S将平稳变化和非平稳变化相结合后，通过激活函数，得到输出，如下式其中，Wxo表示输出门权重，bo表示输出门的偏置项，Wco表示时间记忆单元和输出门之间的权重，Wmo表示空间记忆单元和输出门之间的权重，Who表示隐藏层和输出门之间的权重，表示t时刻l层的时间记忆单元， 表示t时刻l层的空间记忆单元，ot表示t时刻的输出；

经过MIM的当前层的隐藏层状态 以投影特征p0的形式输入到rgConv，得到当前层的隐状态的输出

7.根据权利要求1所述的基于递归门控卷积和注意力机制改进的ENSO时空预测方法，其特征在于，步骤S4具体为：将MIMG‑Encoder‑Decoder的输出输入到一个由三层反卷积构成的重构网络中，将外推出的序列特征重构成原序列的大小；每一层反卷积重构网络都包含反卷积层、标准化层和LeakyReLU激活函数层；第一层反卷积的参数设置为卷积核大小为(3，3)，通道数为128，跨步为2；第二层反卷积的参数设置为卷积核大小为(2，2)，通道数为

64，跨步为2，padding为1；第三层反卷积的参数设置为卷积核大小为(3，3)，通道数为1，跨步为1，padding为1。

8.根据权利要求1所述的基于递归门控卷积和注意力机制改进的ENSO时空预测方法，其特征在于，步骤S5具体为：对待观察特征的区域where 在任意时间点对该区域的观察用一个矢量

表示，T帧数据空间维度上为固定大小的空间区域表示为M×N个格点，每一个格点包含随着时间变化的C个测量，随时间变化的T个时间步的观察用矢量序列X1,X2…,XT这T帧数据表示；时空序列是在给出之前的的J帧数据的条件下外推未来的K帧数据，构建ENSO时空预测模型如下式：经过t层状态更新才可得到预测序列

在所述时空序列预测外推未来的K帧数据时，损失函数定义如下式：

其中，N表示训练样本数，σ,i∈[1，N]，oi表示第i个样本的预测输出，yi表示第i个样本的真实标签；

同时利用交叉验证作为训练、验证的策略，选择将均方误差MSE、平均绝对误差MAE作为检测模型得分的标准，所述均方误差MSE、平均绝对误差MAE的公式分别为：其中，输出y的下标有两种表示形式：label、test，分别表示样本标签和测试样本的输出，在本发明的训练策略上，利用Adam算法优化梯度。

9.根据权利要求8所述的基于递归门控卷积和注意力机制改进的ENSO时空预测方法，其特征在于，步骤S5中，在训练中采用早停法、设置学习率自动衰减具体为：当模型在验证集上的误差比上一次训练结果差时，保存上一次迭代结果中的模型参数，同时计数器counter加1，当counter和patience相等时，停止训练；预设Eopt(t)是在迭代次数t时取得最好的验证集误差，则Eopt(t)＝mint′≤tEva(t′)，泛化误差的增长率，如下式：在网络训练过程中，采用了学习率自动衰减策略以加快训练速度，如下式：

其中，decay_rate为初始系数，epochi表示第i次训练，α0是初始学习率。