1.一种基于改进U‑Net的雷达回波时间降尺度订正方法，其特征在于，包括以下步骤：（1）收集发布的中国气象局华东区域高分辨率数值预报数据，并进行初步的预报因子筛选和预处理；首先，进行因子筛选同时收集对应时刻的雷达回波拼图资料，将观测雷达回波拼图转化为雷达回波反射强度数据即dbz数据，将观测资料与筛选后的模式资料在时间上对应后，进行最大最小归一化处理，组建融合多气象要素的雷达回波数据集；其中，地面要素包括：对流有效位能CAPE、对流抑制能量CIN 、2m湿度、2m气温、2m露点温度、地面气压、一小时累计降水、10mUV风场；高空要素包括：700hPaUV风场、850hPaUV风场、700hPa露点温度、850hPa露点温度、700hPa相对湿度、850hPa相对湿度、高空总云量、700hPa位势高度、

850hPa位势高度；

具体流程如下：

（11）首先对数值模式提供的预报因子进行筛选，在众多因子中选取与雷达回波相关系数大于0.35的气象因子，作为模型输入，避免不加筛选全部输入所带来的计算资源的浪费；

相关系数计算公式为：

；

式中， 表示某一气象要素在第 个格点的值， 表示某一气象要素所有格点的平均值； 表示在第 格点处雷达组合反射率的值， 表示所有格点处雷达组合反射率的平均值，其中 为气象因子的数量；

（12）使用的雷达数据是由中央气象台提供的全国雷达组合反射率拼图资料，利用图像处理技术提取雷达回波数据，其中主要包括：定义不同反射率（dbz）的颜色列表、去除地图底图、提取反射率色块并进行插值和强化；

再将数值模式预报的多气象因子与雷达回波观测进行时间上的对应，而后进行最大最小归一化处理数据预处理，构建融合多气象要素的雷达回波数据集，其中最大最小归一化公式如下：；

其中， 为归一化后的气象要素值，为原始气象要素值， 分别为训练集的最大值最小值，保证了数据归一化的一致性；

（2）搭建基于改进U‑Net的深度学习模型即传统U‑Net基础上增加基于对抗生成网络的TSR‑GAN时间降尺度模块，并定义新的阈值法评估指标，以此为基础更改适用于雷达回波预报订正问题的损失函数；包括以下步骤：（21）搭建基于U‑Net神经网络的订正模型，即基于CNN的U型神经网络；其中U‑Net网络主要由四部分组成：卷积层、最大池化层、下采样层和跳跃连接层；其中，卷积层提取输入数据的特征，通过卷积核的滑动捕捉输入向量复杂抽象的特征；最大池化层用于快速降低特征图的空间尺寸，减少计算量与参数量；下采样用于将特征图精度降低，降低数据的空间分辨率；跳跃连接层将输入特征跳跃到输出层；

（22）输入要素场信息；其中，输入的数据为模式气象要素值、雷达回波预报值；输出为雷达回波订正值，具体公式如下：；

其中 为模式2m气温预报结果， 为模式10mUV风场预报结果， 为各等压面位势高度预报结果， 为模式雷达回波预报结果， 为订正后雷达回波预报结果，其中t为起报时间， 为预报时效，f为模型所学习的映射关系；

（23）将订正结果输入TSR‑GAN时间降尺度模块中，得到精细化雷达回波预报；其中，时间降尺度模块由生成式对抗网络GAN构成，GAN包括两个网络结构：生成器G与判别器D；生成器生成精细化预报结果来欺骗判别器，判别器则将生成的预报结果与观测实况区分开，在不断地对抗过程中，进行模型训练；

（24）采用CSI_LIKE评估指标，具体为：针对观测值与模型预报的组合反射率之差的绝对值是否大于设定的阈值区分正类别与负类别；其中，观测与模式预报结果之差的绝对值超过5dbz记为0，否则记为1，公式如下所示：；

其中，CSI_LIKE为新定义的阈值评分， 代表准确预报次数； 代表空报次数； 是漏报次数；

利用sigmoid函数在0‑1之间连续可导；公式如下：；

其中，x为输入变量；

；

；

；

；

；

其中， 表示经过 函数处理的准确预报概率； 表示

经过 函数处理的漏报率； 表示经过 函数处理

的空报概率； 为改进U‑Net的深度学习模型设定的超参数的偏差系数； 为改进U‑Net的深度学习模型设定的超参数的权重系数； 为在0‑1范围内连续的阈值评分，L*为经过超参数处理的最终模型损失函数；F为预报值；O为观测值；

（3）基于步骤（2）雷达回波数据集与改进U‑Net模型进行训练，获得订正后高分辨率的雷达回波预报产品。

2.一种基于改进U‑Net的雷达回波时间降尺度订正系统，其特征在于，包括：预处理模块：用于收集发布的中国气象局华东区域高分辨率数值预报数据，并进行初步的预报因子筛选和预处理；具体如下：首先，进行因子筛选同时收集对应时刻的雷达回波拼图资料，将观测雷达回波拼图转化为雷达回波反射强度数据即dbz数据，将观测资料与筛选后的模式资料在时间上对应后，进行最大最小归一化处理，组建融合多气象要素的雷达回波数据集；其中，地面要素包括：对流有效位能CAPE 、对流抑制能量CIN 、2m湿度、2m气温、2m露点温度、地面气压、一小时累计降水、10mUV风场；高空要素包括：700hPaUV风场、

850hPaUV风场、700hPa露点温度、850hPa露点温度、700hPa相对湿度、850hPa相对湿度、高空总云量、700hPa位势高度、850hPa位势高度；具体流程如下：（11）首先对数值模式提供的预报因子进行筛选，在众多因子中选取与雷达回波相关系数大于0.35的气象因子，作为模型输入，避免不加筛选全部输入所带来的计算资源的浪费；

相关系数计算公式为：

；

式中， 表示某一气象要素在第 个格点的值， 表示某一气象要素所有格点的平均值； 表示在第 格点处雷达组合反射率的值， 表示所有格点处雷达组合反射率的平均值，其中 为气象因子的数量；

（12）使用的雷达数据是由中央气象台提供的全国雷达组合反射率拼图资料，利用图像处理技术提取雷达回波数据，其中主要包括：定义不同反射率（dbz）的颜色列表、去除地图底图、提取反射率色块并进行插值和强化；

再将数值模式预报的多气象因子与雷达回波观测进行时间上的对应，而后进行最大最小归一化处理数据预处理，构建融合多气象要素的雷达回波数据集，其中最大最小归一化公式如下：；

其中， 为归一化后的气象要素值，为原始气象要素值， 分别为训练集的最大值最小值，保证了数据归一化的一致性；

U‑Net模块：用于搭建基于改进U‑Net的深度学习模型即传统U‑Net基础上增加基于对抗生成网络的TSR‑GAN时间降尺度模块，并定义新的阈值法评估指标，以此为基础更改适用于雷达回波预报订正问题的损失函数；包括以下步骤：（21）搭建基于U‑Net神经网络的订正模型，即基于CNN的U型神经网络；其中U‑Net网络主要由四部分组成：卷积层、最大池化层、下采样层和跳跃连接层；其中，卷积层提取输入数据的特征，通过卷积核的滑动捕捉输入向量复杂抽象的特征；最大池化层用于快速降低特征图的空间尺寸，减少计算量与参数量；下采样用于将特征图精度降低，降低数据的空间分辨率；跳跃连接层将输入特征跳跃到输出层；

（22）输入要素场信息；其中，输入的数据为模式气象要素值、雷达回波预报值；输出为雷达回波订正值，具体公式如下：；

其中 为模式2m气温预报结果， 为模式10mUV风场预报结果， 为各等压面位势高度预报结果， 为模式雷达回波预报结果， 为订正后雷达回波预报结果，其中t为起报时间， 为预报时效，f为模型所学习的映射关系；

（23）将订正结果输入TSR‑GAN时间降尺度模块中，得到精细化雷达回波预报；其中，时间降尺度模块由生成式对抗网络GAN构成，GAN包括两个网络结构：生成器G与判别器D；生成器生成精细化预报结果来欺骗判别器，判别器则将生成的预报结果与观测实况区分开，在不断地对抗过程中，进行模型训练；

（24）采用CSI_LIKE评估指标，具体为：针对观测值与模型预报的组合反射率之差的绝对值是否大于设定的阈值区分正类别与负类别；其中，观测与模式预报结果之差的绝对值超过5dbz记为0，否则记为1，公式如下所示：；

其中，CSI_LIKE为新定义的阈值评分， 代表准确预报次数； 代表空报次数； 是漏报次数；

使用sigmoid函数在0‑1之间连续可导；公式如下：；

其中，x为输入变量；

；

；

；

；

；

其中， 表示经过 函数处理的准确预报概率； 表示

经过 函数处理的漏报率； 表示经过 函数处理

的空报概率； 为改进U‑Net的深度学习模型设定的超参数的偏差系数； 为改进U‑Net的深度学习模型设定的超参数的权重系数； 为在0‑1范围内连续的阈值评分，L*为经过超参数处理的最终模型损失函数；F为预报值；O为观测值；

预报模块：用于基于U‑Net模块雷达回波数据集与改进U‑Net模型进行训练，获得订正后高分辨率的雷达回波预报产品。

3.一种设备，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程序，其特征在于，所述处理器执行所述程序时实现如权利要求1所述的一种基于改进U‑Net的雷达回波时间降尺度订正方法。

4.一种存储介质，存储有计算机程序，其特征在于，所述计算机程序被设计为运行时实现根据权利要求1所述的一种基于改进U‑Net的雷达回波时间降尺度订正方法。