1.一种基于模糊自适应寻优融合的气象要素插值方法，其特征在于，包括以下步骤：S1、使用设定数量的插值方法分别对n个实测站点的气象观测数据进行k折交叉插值验证，并对插值方法进行精度排序；

S2、根据排序结果，选取前m个插值方法作为待选子方法元素，分别使用m个待选子方法元素对n个实测站点进行留一法插值运算，得到m个待选子方法元素在每个实测站点的插值结果，对比实测数据得到误差矩阵，进而求得隶属度函数值，构建模糊隶属度矩阵；并设定控制因子b的初始值；

S3、基于模糊隶属度矩阵，依据模糊规则与元素隶属度计算基于隶属度的权重系数矩阵；

S4、将步骤S2中得到的插值结果与步骤S3中得到的基于隶属度的权重系数矩阵结合，进行实测站点插值数据融合，对比每个实测站点的融合数据与对应实测数据，得到m个待选子方法元素的精准度指数；

S5、更新待选子方法元素个数m，将待选子方法元素的数量增加一个，并重复步骤S2‑S4，若此时获得的精准度指数最大值相比于更新前的有提升，那么将待选子方法元素的数量再增加一个，并再次重复步骤S2‑S4，直到精准度指数最大值不再随待选子方法元素个数的增加而提升时停止，此时找到最优子方法元素个数  ；

S6、使用步骤S1中精度排序第一的方法元素，根据 个最优子方法元素在每个实测站点的隶属度函数值进行空间插值，得到 个最优子方法元素在每个预测点的隶属度函数值；

S7、根据步骤S6中得到的预测点处隶属度函数值，计算 个最优子方法元素在每个预测点的隶属度权重系数；

S8、利用实测站点数据对预测点分别进行 个最优子方法元素插值，得到每个最优子方法元素在每个预测点的空间插值结果，并结合 个最优子方法元素在每个预测点的隶属度权重系数，进行预测点的插值数据融合，得到预测点处基于模糊自适应寻优插值融合结果。

2.根据权利要求1所述的基于模糊自适应寻优融合的气象要素插值方法，其特征在于，步骤S1中，精度排序包括以下子步骤：S101、根据数字高程文件计算相应的坡度和坡向，并通过实测站点的经纬度信息获得对应的高程、坡度和坡向数据；

S102、将设定数量的插值方法作为子方法元素池，插值方法包括反距离权重法、普通克里金法、协同克里金法、最近邻法、局部多项式法、薄板样条函数法、多元线性回归法、随机森林法、支持向量机法和反向传播神经网络，其中协同克里金法将海拔高度作为协变量，多元线性回归法将经纬度外的高程、坡度、坡向作为辅助变量；

S103、对每个插值方法采用k折交叉插值验证方法，将n个实测站点分为k组站点集，每组站点集包含n/k个均匀分布的实测站点；选取其中一组站点集数据作为验证集，将剩余k‑

1组站点集数据作为插值参考站点集，该过程重复k次，完成每组站点集的插值测试；计算k次验证的误差结果，并对其进行平均，结合均方根误差、平均绝对误差和决定系数，得到元素池中各插值方法精度排序。

3.根据权利要求1所述的基于模糊自适应寻优融合的气象要素插值方法，其特征在于，步骤S2中，构建模糊隶属度矩阵包括以下子步骤：S 2 01 、精 度 排 序 在 前m 名 的 子 方法 元 素 ，作 为 待 选 子 方 法 元素；

S202、从n个实测站点中，选取一个站点作为待插值站点，同时将剩余n‑1个站点作为参考站点，分别使用m个待选子方法元素进行插值计算，获得每个待选子方法元素在当前待插值站点上的插值结果，迭代执行该过程，直至完成对每一个实测站点的插值运算，得到m个待选子方法元素在每个实测站点的插值结果；

S203、将插值结果分别与n个实测站点的气象实测数据进行对比，获得每个待选子方法元素在每个实测站点的气象要素序列均方根误差，具体公式为：；

其中， 表示第j个待选子方法元素在第i个实测站点的气象要素序列均方根误差值， 表示第i个实测站点某时段实测气象要素时间序列数据的序列长度， 表示第i个实测站点气象要素时间序列数据中第row个实测值， 表示第i个实测站点气象要素时间序列数据中第row个实测值对应的由第j个待选子方法元素插值得到的预测值；

S204、基于m个待选子方法元素在n个实测站点上的气象要素序列均方根误差值，获得误差矩阵，具体表达式为：；

其中， 表示误差矩阵， 表示第m个待选子方法元素在第n个实测站点的气象要素序列均方根误差值；

S205、基于经典模糊理论规范要求并结合空间插值特点，设计含参非线性负相关隶属度函数,具体计算公式为：；

其中， 表示第j个待选子方法元素在第i个实测站点的隶属度函数值，；b表示斜率衰减速度控制因子，初始值设为1；

S206、基于隶属度函数值构建模糊隶属度矩阵，具体表达式为：；

其中， 表示模糊隶属度矩阵； 表示第m个待选子方法元素在第n个实测站点的隶属度函数值。

4.根据权利要求1所述的基于模糊自适应寻优融合的气象要素插值方法，其特征在于，步骤S3中，获得基于隶属度的权重系数矩阵包括以下子步骤：S301、基于隶属度的权重系数计算公式为：

；

其中， 表示第j个待选子方法元素在第i个实测站点的基于隶属度的权重系数，且 ；

S302、将m个待选子方法元素在n个实测站点处的基于隶属度的权重系数组成矩阵形式，具体表达式为：；

其中， 表示基于隶属度的权重系数矩阵， 表示第m个待选子方法元素在第n个实测站点的基于隶属度的权重系数。

5.根据权利要求1所述的基于模糊自适应寻优融合的气象要素插值方法，其特征在于，步骤S4中，得到精准度指数包括以下子步骤：S401、将n个实测站点的插值数据进行融合，具体公式为：；

其中， 表示第i个实测站点的融合数据， 表示第j个待选子方法元素在第i个实测站点的插值结果，i=1,2,...,n；

S402、将每个实测站点的融合数据与对应的实测数据进行对比，得到m个待选子方法元素基于隶属度权重系数插值融合后的精准度指数，具体公式为：；

；

其中， 表示精准度指数， 表示第i个实测站点的实测数据序列中第l条实测值，Ri表示第i个实测站点的融合数据与对应实测数据OBi的序列均方根误差，L表示计算序列长度， 表示第i个实测站点的插值融合数据序列中第l条插值融合预测值。

6.根据权利要求5所述的基于模糊自适应寻优融合的气象要素插值方法，其特征在于，步骤S5中，确定最优子方法元素个数包括以下子步骤：当 时，其中， 表示精准度指数的最大值，表明当下控制因子b控制的隶属度函数性能最优，能达到对应m下的精准度指数最大值，网格搜索完成，此时的b值即为当下待选子方法元素个数m的控制因子最适值 ；

更新待选子方法元素个数m，将待选子方法元素的数量增加一个，并重复步骤S2‑S4，若此时获得的精准度指数最大值相比于更新前的有提升，那么将待选子方法元素的数量再增加一个，并再次重复步骤S2‑S4，直至 时，表明在最适值 控制计算下的精准度指数最大值 不再随待选子方法元素个数m递增而提高，停止步骤S2‑S4的迭代，此时的待选子方法元素个数m减去1为最优子方法元素个数 。

7.根据权利要求1所述的基于模糊自适应寻优融合的气象要素插值方法，其特征在于，步骤S7中，获得预测点处隶属度权重系数包括以下子步骤：由步骤S6中得到的预测点处隶属度函数值，计算每个最优子方法元素在每个预测点的隶属度权重系数，具体公式为：；

其中， 表示第 个最优子方法元素在第s个预测点的隶属度权重系数，且； 表示第 个最优子方法元素在第s个预测点的隶属度函数值；s表示预测点标号；表示最优子方法元素的标号， 。

8.根据权利要求1所述的基于模糊自适应寻优融合的气象要素插值方法，其特征在于，步骤S8中，预测点的插值数据融合包括以下子步骤：S801、利用n个实测站点数据对预测点分别进行 个最优子方法元素插值，得到每个最优子方法元素在每个预测点的空间插值结果；

S802、依据步骤S7中得到的 个最优子方法元素在每个预测点的隶属度权重系数，结合 个最优子方法元素在每个预测点的空间插值结果，加权运算得到预测点的插值融合数据，具体公式为：；

其中， 表示第s个预测点的插值融合数据， 表示第 个最优子方法元素在第s个预测点的插值结果， 表示第 个最优子方法元素在第s个预测点的隶属度权重系数。

9.一种电子设备，包括存储器、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权利要求1至8中任一项所述方法的步骤。

10.一种计算机可读的存储介质，所述计算机可读的存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行所述权利要求1至8中任一项所述的方法。