1.基于多模态融合改进深度学习的极端降水次季节预报方法，其特征在于，包括以下步骤：S1、对获取的次季节尺度数值天气预报模式输出的多种气象要素预报数据以及预报目标区域的降水观测数据，进行数据清洗与标准化预处理，并分别将标准化后的多种气象要素预报数据以及降水观测数据划分为训练集与验证集；

S2、对影响极端降水发生的多模态特征进行自适应标识编码，生成对应特征向量，形成无量纲化的多模态预报因子库；

S3、采用融合均方误差、TS评分、命中率和空报率多种指标的改进多维复合损失函数，构建融合数值天气预报模式输出的多种气象要素预报数据、预报目标区域的降水观测数据以及多模态特征的深度残差卷积神经网络优化模型，并分别利用训练集和验证集对模型进行训练和验证优化；其中，深度残差卷积神经网络优化模型包括输入层、残差卷积层、池化层、全连接层和输出层；输入层为步骤S1得到的标准化后的多种气象要素预报数据、降水观测数据以及步骤S2得到的多模态预报因子库；残差卷积层包含两个卷积层，并引入跳跃连接，使网络更易于训练和学习残差，用于学习和提取特征；池化层对残差卷积层输出进行全局平均池化，减少维度，并提取全局信息；全连接层将全局平均池化后的特征传递到全连接层，以进行进一步的特征整合；最终输出层生成极端降水的特征向量；

S4、根据步骤S3训练好的深度残差卷积神经网络优化模型，基于目标时间内数值天气预报模式输出的多种气象要素预报数据以及多模态特征，产生目标区域的极端降水次季节预报结果。

2.根据权利要求1所述的基于多模态融合改进深度学习的极端降水次季节预报方法，其特征在于，步骤S1中多种气象要素预报数据包括网格化的降水预报本身以及大气中影响降水发生发展的多种气象要素，预报目标区域的降水观测数据包括网格化的或区域内观测站点的降水观测序列。

3.根据权利要求1所述的基于多模态融合改进深度学习的极端降水次季节预报方法，其特征在于，步骤S1中进行数据清洗与标准化预处理，具体为：识别并剔除数据的不完整、不正确、不准确或不相关部分后，对多个气象要素预报数据与降水观测数据进行标准化预处理，计算方法为：， ，其中，为气象要素预报数据的原始矩阵，和 分别

为 的平均值和标准差， 为标准化后的气象要素预报数据矩阵；为预报目标区域的降水观测数据的原始矩阵，和 分别为 的平均值和标准差， 为标准化后的降水观测数据矩阵；

得到标准化后的多种气象要素预报数据矩阵 为： ，其

中，为气象要素预报数据的气象要素数量， 分别为 个标准化后的气象要素预报数据矩阵。

4.根据权利要求1所述的基于多模态融合改进深度学习的极端降水次季节预报方法，其特征在于，步骤S2具体包括以下步骤：S21、在自适应标识编码的框架下，用如下公式表示特征学习的过程：，其中， 为输入，表示影响极端降水发生的多模态特征的各模态数据，为输入 的编码特征，是神经网络学习的特征映射函数，是与输入 相关的参数；

S22、在得到多模态的编码特征之后，将其整合成一个整体的特征向量 为：，其中，为影响极端降水发生的多模态特征数量； 分

别为影响极端降水发生的多模态特征对应的编码特征；影响极端降水发生的多模态特征包括历史降水气候平均模态、极端降水量分布模态、极端降水频率分布模态、地理高程分布模态、土地覆盖类型模态；

S23、对多模态特征向量进行归一化的尺度匹配处理，形成无量纲化的多模态预报因子库，计算方法为：，其中， 与 分别为 的最大、最小值， 为归一化处理

后的无量纲多模态预报因子矩阵，即无量纲化的多模态预报因子库。

5.根据权利要求1所述的基于多模态融合改进深度学习的极端降水次季节预报方法，其特征在于，步骤S3具体包括以下步骤：S31、构建改进多维复合损失函数，该损失函数融合了均方误差MSE、TS评分、命中率POD和空报率FAR多个评价指标，其具体形式为：，其中， 分

别是各项评价指标的权重系数；

S32、采用步骤S31得到的改进多维复合损失函数，构建融合数值天气预报模式输出的多种气象要素预报数据、预报目标区域的降水观测数据以及多模态特征的深度残差卷积神经网络优化模型，其具体形式为：输入层：模型接收步骤S1得到的标准化后的多种气象要素预报数据矩阵 、标准化后的降水观测数据矩阵 以及步骤S2得到的归一化处理后的无量纲多模态预报因子矩阵，即无量纲化的多模态预报因子库，在输入层整合形成模型输入特征；

残差卷积层：第 个残差卷积层的输出 计算为：

，其中， 表示卷积操作，

表示修正线性单元激活函数；其中，第一个残差卷积层中， 取为模型输入特征 ；其他残差卷积层中， 为前一个池化层的输出；

池化层：全局平均池化的操作为：

，其中， 为第 个残差卷积层的输

出； 为对输入特征图进行全局平均池化； 为第 个池化层的输出；

全连接层：全连接层的输出 计算为：

，其中， 表示全连接操作； 为最后一个池化层的

输出；

输出层：输出层的计算为：

，其中， 表示Sigmoid激活函数， 为模型最

终输出，表示极端降水预报结果特征向量。

6.根据权利要求1所述的基于多模态融合改进深度学习的极端降水次季节预报方法，其特征在于，步骤S3中模型验证优化为：采用梯度下降法对深度残差卷积神经网络优化模型进行优化，通过对损失函数关于模型参数的梯度进行反向传播，不断迭代更新模型参数；

具体的参数更新规则为：

，其中， 和 分别为参数更新操作前、后的模型参数值，

为学习率。

7.根据权利要求1所述的基于多模态融合改进深度学习的极端降水次季节预报方法，其特征在于，步骤S4具体包括以下步骤：S41、将目标时间内数值天气预报模式输出的多种气象要素预报数据 ，通过标准化预处理得到标准化后的多种气象要素预报数据矩阵 ，结合归一化处理后的无量纲多模态预报因子矩阵 ，代入到步骤S3训练好的深度残差卷积神经网络优化模型中，生成极端降水预报结果特征向量；

S42、对应步骤S1的标准化逆向过程，代入极端降水预报结果特征向量，生成目标区域的极端降水次季节预报结果。

8.基于多模态融合改进深度学习的极端降水次季节预报系统，其特征在于，包括：数据处理单元，用于对获取的次季节尺度数值天气预报模式输出的多种气象要素预报数据以及预报目标区域的降水观测数据，进行数据清洗与标准化预处理，并分别将标准化后的多种气象要素预报数据以及降水观测数据划分为训练集与验证集；

多模态预报因子库生成单元，用于对影响极端降水发生的多模态特征进行自适应标识编码，生成对应特征向量，形成无量纲化的多模态预报因子库；

模型训练单元，用于采用融合均方误差、TS评分、命中率和空报率多种指标的改进多维复合损失函数，构建融合数值天气预报模式输出的多种气象要素预报数据、预报目标区域的降水观测数据以及多模态特征的深度残差卷积神经网络优化模型，并分别利用训练集和验证集对模型进行训练和验证优化；其中，深度残差卷积神经网络优化模型包括输入层、残差卷积层、池化层、全连接层和输出层；输入层为数据处理单元得到的标准化后的多种气象要素预报数据、降水观测数据以及多模态预报因子库生成单元得到的多模态预报因子库；

残差卷积层包含两个卷积层，并引入跳跃连接，使网络更易于训练和学习残差，用于学习和提取特征；池化层对残差卷积层输出进行全局平均池化，减少维度，并提取全局信息；全连接层将全局平均池化后的特征传递到全连接层，以进行进一步的特征整合；最终输出层生成极端降水的特征向量；

测试预报单元，用于根据模型训练单元训练好的深度残差卷积神经网络优化模型，基于目标时间内数值天气预报模式输出的多种气象要素预报数据以及多模态特征，产生目标区域的极端降水次季节预报结果。

9.一种电子设备，其特征在于，所述设备包括：

存储有可执行程序代码的存储器；

与所述存储器耦合的处理器；

所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1‑7任一项所述的基于多模态融合改进深度学习的极端降水次季节预报方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1‑7任一项所述的基于多模态融合改进深度学习的极端降水次季节预报方法的步骤。