1.一种用于ECMWF预报产品订正的深度学习NFC‑Net网络模型，其特征在于，建立了用于ECMWF预报产品订正的深度学习NFC‑Net网络模型，NFC‑Net网络包括三个模块:分别是基于卷积神经网络的空间分辨率对齐模块、基于双自注意力机制的时空特征提取模块和UNet订正模块，通过执行以下步骤，获得符合步骤E架构的深度学习NFC‑Net网络模型，并基于该模型，实现对待订正地区的ECMWF预报产品的订正；

步骤A. 基于待订正地区的ECMWF预报产品，获取待订正地区内预设历史范围内各历史时间点的DEM数据、FY‑4A卫星数据、ERA5再分析数据和ECMWF格点预报数据，然后进入步骤B；

步骤B. 将待订正地区各历史时间点的FY‑4A卫星数据和DEM数据输入基于卷积神经网络的空间分辨率对齐模块，将FY‑4A卫星数据和DEM数据的空间分辨率与ECMWF格点预报数据和ERA5再分析数据的空间分辨率对齐，得到空间分辨率对齐后DEM数据和FY‑4A卫星数据，然后进入步骤C；

步骤C. 全部历史时间点的分组t‑6至t，分别针对各个历史时间分组，将步骤B中经过空间分辨率对齐后的t‑6时刻至t‑1时刻的FY‑4A卫星数据和ERA5历史再分析数据输入到基于双自注意力机制的时空特征提取模块中，提取FY‑4A卫星数据和ERA5历史再分析数据的预设各个时空相关性和要素相关性特征，然后进入步骤D；

步骤D. 将步骤B中经过空间分辨率对齐后DEM数据、步骤C中经过时空特征提取模块后的ERA5历史再分析数据特征、FY‑4A卫星数据特征和t时刻的ECMWF格点预报数据进行通道融合，融合后的结果输入到UNet订正模块中，输出订正结果，然后进入步骤E；

步骤E. 以t时刻的ECMWF格点预报数据，DEM数据，t‑6至t‑1时刻ERA5历史再分析数据和FY‑4A卫星数据为输入，以t时刻ERA5再分析数据作为标签，搭建模型训练数据集，然后进入步骤F；

步骤F. 根据步骤E搭建的数据集，计算深度学习NFC‑Net网络模型损失，优化网络参数，获得符合步骤E架构的模型;

所述步骤C中基于双自注意力机制的时空特征提取模块由嵌入了双自注意力机制DSA的Convlstm网络构成，所述的Convlstm公式为：；

其中 ，tanh分别表示sigmoid和tanh运算； 和 代表各种门机制；

表示输入数据， 表示先前Convlstm细胞输出的重复状态； 和 代表门机制的权重和偏差； 和 分别代表Hadamard和Matmul；

双自注意力机制DSA模块接受三个输入，即t时刻的输入数据 、t‑1时刻细胞状态和隐藏状态 ;

所述双自注意力机制DSA模块接受三个输入，即t时刻的输入数据 、t‑1时刻细胞状态和隐藏状态 ，具体为：首先，将t‑1时刻Convlstm单元状态的输出 和 分别与t时刻的输入 进行Concat通道拼接，拼接结果分别通过三个不同的1×1的卷积层，使网络在降低通道数的同时提取出t时刻和t‑1时刻气象时空特征的三个特征图，三个特征图分别用Q、K和V表示，其中，Q用来匹配其他特征图，K用来被其他单元匹配，V被用来提取信息；随后，通过自注意力公式计算出当前时刻输入数据与前一时刻Convlstm的细胞状态和隐藏状态的自注意力加权得分，从而获得多源数据的要素相关性特征和时空相关性特征，再将上述两个特征分别与细胞状态 和隐藏状态 进行Concat通道拼接；最后，分别通过1×1的卷积层得到更新后的细胞状态和隐藏状态，循环执行上述过程，将t‑6至t‑1时刻的ERA5实况数据的18种气象要素和FY‑4A卫星数据的11种气象要素依次输入DSAConvlstm网络，实现对两种数据的时空特征提取和通道降维，最终得到维度为10×48×48的ERA5气象要素和维度为6×48×48的FY‑4A卫星数据时空特征图；所述操作公式为：；

其中 表示Concat运算，用于数据间的通道融合； 表示t时刻的气象数据， 表示t‑

1时刻气象信息的细胞状态； 表示t‑1时刻气象信息的隐藏状态；W和b表示卷积操作的权重和偏差； 和 分别表示Hadamard和Matmul运算。

2.根据权利要求1所述的一种用于ECMWF预报产品订正的深度学习NFC‑Net网络模型，其特征在于，所述步骤A中DEM数据、FY‑4A数据和ERA5再分析数据具有如下特征：DEM数据空间分辨率为1 km×1 km，包括海拔高度、坡度、坡面曲率、坡向和流向共5种要素， FY‑4A卫星数据空间分辨率为40 km×40km，包括云相态、云检测、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、陆表气温、降水估计、地面入射太阳辐射和地表上行长波辐射共11种要素，ERA5再分析数据包括2m露点气温、2m气温、云面积分数、10m经向风分量、10m中性经向风分量、10m纬向风分量、10m中性纬向风分量、后处理10 m阵风、瞬时

10 m阵风、相对湿度、绝对湿度、后处理2m最低气温、后处理2m最高气温、平均海平面气压、平均表面潜热通量、平均表面显热通量、表面气温和地面气压共18种要素。

3.根据权利要求1所述的一种用于ECMWF预报产品订正的深度学习NFC‑Net网络模型，其特征在于，所述步骤B中基于卷积神经网络的空间分辨率对齐模块由Upsampling Network和Multiscale Residual Network网络实现，以下分别称为UPS‑Net和MSR‑Net；

UPS‑Net网络实现FY‑4A卫星数据空间分辨率对齐，MSR‑Net网络实现DEM数据空间分辨率对齐。

4.根据权利要求3所述的一种用于ECMWF预报产品订正的深度学习NFC‑Net网络模型，其特征在于，所述UPS‑Net网络实现FY‑4A卫星数据空间分辨率对齐，具体为：UPS‑Net网络采用先插值后卷积的操作，首先将输入的FY‑4A卫星数据通过双三次插值放大到目标大小，插值算法利用待采样格点周围16个格点的数据来实现，将插值后的结果输入到三个串联卷积层中，第一个卷积层提取出卫星数据中重叠的特征，卷积核大小9×9；第二个卷积层做非线性映射，卷积核大小1×1；第三个卷积层则将卫星数据映射成11×48×48的特征图，卷积核大小5×5，所述操作公式为：；

其中BiCubic表示双三次插值运算； 表示卷积核为m×n的卷积操作； 表示对齐前FY‑4A卫星数据， 表示对齐后的FY‑4A卫星数据特征图。

5.根据权利要求3所述的一种用于ECMWF预报产品订正的深度学习NFC‑Net网络模型，其特征在于，所述MSR‑Net网络实现DEM数据空间分辨率对齐，具体为：首先，将DEM数据并行通过3个不同大小卷积核的卷积层，三个卷积核分别为3×3，5×5，7×7，以提取出高分辨DEM数据的局部多尺度特征；随后，利用卷积核大小为1×1的卷积层对上述三个卷积层输出的结果做非线性映射和通道降维；最后，MSR‑Net模块对相加后的结果进行下采样，下采样层由五个复合层组成，每个复合层由BN层，卷积核大小为3×3的卷积层和均值池化层串联构成，DEM数据经过MSR‑Net模块后最终被转化为5×48×48的网格数据，所述操作公式为：；

其中 和 分别表示Concat运算和逐元素相加运算，BN表示规范化操作，Relu表示修正线性激活函数，GAP表示全局平均池化操作， 表示对齐前DEM数据， 表示对齐后的DEM数据特征图。

6.根据权利要求5所述的一种用于ECMWF预报产品订正的深度学习NFC‑Net网络模型，其特征在于，所述MSR‑Net网络还利用一个卷积核大小为1×1卷积层作残差连接，以提取地形地貌的全局特征，为了最大限度地利用高分辨率DEM数据，将局部多尺度特征与全局特征进行逐元素相加，以解决局部特征或全局特征在传输过程中信息损失问题。