1.一种基于FMCNN‑LSTM 的格点预报偏差订正方法，其特征在于，包括以下步骤：S1、获取目标区域对应历史范围内各历史时间点的预报数据和观测数据；

S2、对数据进行预处理并构建成数据集；所述的预处理具体为：将预报数据和观测数据线性插值到同一分辨率；

对预报数据进行平滑处理；

对预报数据进行空间合并化处理；

对预报数据和观测数据进行归一化处理；

所述的空间合并化处理具体为：

将预报数据每个经纬度点上下左右四个点的值拼接到该点中，若该点周围没有值，用0值代表周围点的值，公式为：；

其中， 是拼接后的5维向量， 是要进行空间合并化的点的值， 、 、 、分别表示矩阵中 点周围的值；

S3、将经过预处理后的数据集输入到FMCNN特征提取模块，输出特征数据；

S4、将特征数据输入到多头注意力网络，输出权重特征数据；

S5、将权重特征数据输入到LSTM网络对数据进行订正，得到订正结果与训练完成后的FMCNN‑LSTM神经网络模型。

2.根据权利要求1所述的一种基于FMCNN‑LSTM 的格点预报偏差订正方法，其特征在于，所述的FMCNN‑LSTM神经网络模型包括FMCNN卷积特征提取模块和LSTM模块，所述FMCNN卷积特征提取模块对经过预处理后的数据进行深度特征提取，并通过一个多头注意力网络进行数据权重分配，随后将权重特征数据输入到LSTM模块中进行订正。

3.根据权利要求2所述的一种基于FMCNN‑LSTM 的格点预报偏差订正方法，其特征在于，所述的FMCNN卷积特征提取模块包括六个依次连接的卷积层和一个多头注意力网络，每个卷积层都包括三个依次连接的一维卷积、BatchNorm批量归一化和relu激活函数，而在第二、第四、第六个连接层后加入dropout层和FeedForward层，其中dropout系数为0.1，FeedForward为自定义的函数，包括三个线性层和一个relu激活函数，用于提取数据的深度特征。

4.根据权利要求3所述的一种基于FMCNN‑LSTM 的格点预报偏差订正方法，其特征在于，所述relu激活函数的公式具体为：；

其中，x是输入，f(x)是经过ReLU激活函数处理后的输出，上述公式表示的是将x中的每个元素和0进行比较，取较大的那个值作为输出。

5.根据权利要求3所述的一种基于FMCNN‑LSTM 的格点预报偏差订正方法，其特征在于，所述BatchNorm批量归一化的公式具体为：；

式中，x是输入， 是输入x的均值，是输入x的标准差，是一个常数，作用是为了数值稳定性，避免分母值为零，和 是可学习的缩放因子和偏移因子，它们用于调整输出值的范围和中心。

6.根据权利要求1所述的一种基于FMCNN‑LSTM 的格点预报偏差订正方法，其特征在于，步骤S4中所述的多头注意力网络采用多头注意力机制，多头注意力机制的公式为：；

式中，Q、K、V分别是查询矩阵、键矩阵和值矩阵，是模型输入序列x的线性表示；h表示注o Q K V意力头数，headi表示第i个注意力头的输出，W是输出权重矩阵；其中，Wi、Wi 、Wi和分别是注意力头i的查询、键和值的权重矩阵，dk是键的维度，Softmax是对每个序列位置上注意力权重进行归一化。

7.根据权利要求1所述的一种基于FMCNN‑LSTM 的格点预报偏差订正方法，其特征在于，步骤S5所述的LSTM网络中包括6层LSTM层，LSTM层中的输入门、遗忘门、输出门和单元状态的公式为：；

式中，xt是t时刻的输入，ht‑1是时刻t‑1时刻状态信息的输出， 是 sigmoid 函数，tanh是双曲正切函数，it、ft、ot和 分别表示输入门、遗忘门、输出门和单元状态， 、、 、 表示可学习的权重， 、 、 、 表示可学习的偏置。

8.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1‑7中任一项所述的一种基于FMCNN‑LSTM 的格点预报偏差订正方法。

9.一种计算机设备，包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1‑7中任一项所述的一种基于FMCNN‑LSTM 的格点预报偏差订正方法。