1.融合中大尺度环流数据的长江流域次季节降水预测方法，其特征在于，包括以下步骤：步骤1，定义一个待预测次季节降水的日期，获取具有相同时空分辨率的降水格点数据和大气环流气象因子格点数据；

步骤2，将步骤1获取的数据进行要素维度定义和聚合处理，最后将处理后的数据划分为训练集、验证集和测试集；

步骤3，构建原始预测模型；

步骤4，使用训练集对原始预测模型进行训练；

步骤5，利用验证集来评估原始预测模型的性能，得到训练完成的定量预测次季节降水的模型；

步骤6，通过定量预测次季节降水的模型得到整个长江流域的次季节降水数据；

步骤2中，所述要素维度定义包括：

基于如下要素维度特性：长江流域的T‑89时间步至T时间步的每个格点数据都包含一个经度、纬度和时间的降水值，将长江流域历史降水数据定义为长江流域3D数据；T时间步是一个待预测次季节降水的时间点；

基于如下要素维度特性：Nino3.4区的T‑269时间步至T时间步的每个格点数据都包含一个经度、纬度和时间的海表温度值，将Nino3.4区历史海温数据定义为Nino3.4区3D数据；

基于如下要素维度特性：西太平洋区的T‑59时间步至T时间步的每个格点数据都包含一个经度、纬度和时间的多个要素的值，将西太平洋区历史气象因子数据定义为西太平洋区4D数据；

基于如下要素维度特性：南亚高压区的T‑29时间步至T时间步的每个格点数据都包含一个经度、纬度和时间的多个要素的值，将南亚高压区历史气象因子数据定义为南亚高压区4D数据；

步骤2中，所述聚合处理包括：对降水数据，将每天内的所有小时数据相加，得到每日的降水总量数据；对于Nino3.4区、西太平洋区和南亚高压区的要素数据，按每天内的所有小时数据取平均，得到要素的每日数据，聚合处理操作用公式表示为：，

其中 表示表示在日期d的所有小时内，位于给定经度i和纬度j位置的数据；d表示日期的索引， 表示在在日期d的第24小时内，位于给定经度i和纬度j位置的数据；

聚合处理操作Aggregation将同一位置的不同小时的数据合并为单个值；

每日的降水总量通过将每天内的所有小时数据相加得到：

，

其中， 表示日期d经度和纬度处的降水量数据， 表示日期d第h小时经度i和纬度j处的降水量数据；

Nino3.4区内海表温度数据的每日数据通过将每天内的所有小时数据取平均得到：，

其中， 表示日期d经度i和纬度j处的海表温度数据，表示日期d第h小时经度i和纬度j处的海表温度数据；

步骤3中，所述原始预测模型包括输入模块，所述输入模块用于接收降水格点时间序列数据、Nino3.4区内海表温度时间序列数据、西太平洋区内和南亚高压区内气象因子时间序列数据，并利用经验模态分解EMD技术将Nino3.4区、西太平洋区和南亚高压区时间序列数据分解为不同时间尺度上的序列数据；

步骤3中，所述输入模块由三个不同扩张率的时空卷积层ST‑CNN layer堆叠而成；

所述时空卷积层ST‑CNN layer由四个并列的时空卷积块和一个通道注意力机制组成，其中ST‑CNNB由批标准化BN、相应维度的卷积网络CNN和修正线性单元ReLU三个组件组成：批标准化BN组件通过对输入进行归一化处理，稳定网络激活分布，并通过引入噪音进行正则化；根据要素维度定义后的数据采用对应维度的卷积网络CNN组件，实现在不同维度方向上卷积；修正线性单元ReLU组件用于避免负值和解决梯度消失问题，加快前向传播和反向传播的速度；其中通道注意力机制通过学习四个并列的卷积块通道的权重，确定不同通道对降水的贡献程度；

第一个时空卷积层ST‑CNN layer中的卷积网络CNN的扩张率为1，第二个时空卷积层ST‑CNN LAYER中的卷积网络CNN的扩张率为2，第三个时空卷积层ST‑CNN LAYER中的卷积网络CNN的扩张率为3；不同扩张率的卷积网络CNN，通过在网格区域之间插入孔，即0，来扩大滑动窗口的接受场，具体包括：设定滑动窗口大小为 ，相应的扩大了孔径的滑动窗口大小为 ，其中 的计算方法如下：

，

其中， 表示滑动窗口的尺寸； 是通过在滑动窗口中的元素之间插入孔来扩大滑动窗口的接受场，它代表扩展后的滑动窗口的尺寸，即扩大了孔径的窗口尺寸； 表示膨胀率，滑动窗口中的元素之间的距离为 ；

将不同膨胀率的时空卷积层ST‑CNN LAYER叠加：

，

，

其中， 是第一个时空卷积层ST‑CNN LAYER的输出； 代表了第一个时空卷积层ST‑CNN LAYER的最终输出； 表示输入模块输入Encoder模块的数据序列， 和 分别表示第一个时空卷积层ST‑CNN LAYER的卷积核权重和偏置，*表示3D或4D卷积操作，BN表示批量归一化操作，ReLU表示修正线性单元激活函数；

通道注意力机制的融合过程具体为：

，

其中， 是将第一个时空卷积层ST‑CNN LAYER的最终输出按照权重进行线性组合得到的结果； 表示第i个通道的权重，i取值为1 4。

~

2.根据权利要求1所述的方法，其特征在于，步骤3中，所述原始预测模型包括编码器模块、解码器模块和输出模块；

所述编码器模块用于学习降水预测格点周围数据对其的影响、不同大气环流气象因子数据的时空特征以及对降水预测格点的影响权重，按权重对数据进行融合，最后输出特征表示至解码器模块；

所述解码器模块用于将编码器模块传递过来的特征表示进行上采样，恢复空间维度和时间维度的分辨率；

所述输出模块用于输出相应格点的次季节降水预测结果。

3.根据权利要求2所述的方法，其特征在于，步骤4包括：将聚合处理后的T‑269时间步至T时间步的Nino3.4区海温数据、T‑59时间步至T时间步的西太平洋区数据和T‑29时间步至T时间步的南亚高压区数据进行时间尺度上的EMD分解后，同T‑89时间步至T时间步的降水格点数据输入Encoder模块，以T+1时间步至T+45时间步的累加降水结果作为标签输出，使用训练集对原始预测模型进行训练。

4.根据权利要求3所述的方法，其特征在于，步骤4中，所述EMD分解是将聚合处理后的T‑269时间步至T时间步的Nino3.4区海温数据、T‑59时间步至T时间步的西太平洋区数据和T‑29时间步至T时间步的南亚高压区数据在时间尺度上分解为若干个称为本征模态函数的成分。

5.根据权利要求4所述的方法，其特征在于，步骤4中，所述编码器模块会根据要素维度定义后的数据特性，在每个时空卷积层ST‑CNN LAYER的卷积块中采用相应维度的卷积网络CNN组件，每个时空卷积层ST‑CNN LAYER设有一个通道注意力机制负责学习四个卷积块通道的权重，进而实现自适应地融合通道间的特征。

6.根据权利要求5所述的方法，其特征在于，步骤4中，对于Nino3.4区3D数据，EMD分解的过程为：X(t) = C1(t) + C2(t) + ... + Cn(t) + R(t)；

其中，X(t)表示给定时间点t上的原始信号值；C1(t)、C2(t)、...、Cn(t)代表不同尺度上的IMF，Cn(t)表示第n个时间尺度上的IMF；R(t)代表残差；

EMD分解包括迭代的局部极值点查找和插值过程，具体步骤包括：步骤4‑1，找到原始信号X(t)的局部极大值点和局部极小值点；

步骤4‑2，对局部极值点进行插值，得到上包络线和下包络线；

步骤4‑3，计算平均值函数m(t)，m(t)为上包络线和下包络线的平均值；

步骤4‑4，从X(t)中减去m(t)，得到一维IMF，记为C1(t)；

步骤4‑5，如果C1(t)不满足IMF的如下两个条件：

在整个信号序列中，C1(t)的极值点个数与零交叉点个数相同或相差最多为1；

C1(t)的每个极值点处的局部振幅的绝对值都相等或接近于零；

则将C1(t)作为新的原始信号，重复步骤4‑1~步骤4‑4，直到得到满足条件的IMF；

步骤4‑6，将剩余的信号作为新的原始信号，重复步骤4‑1 步骤4‑5，得到更多的IMF，直~到无法再继续分解。

7.根据权利要求6所述的方法，其特征在于，步骤6包括：在ERA5数据集中实时获取到步骤1中的各类格点数据并进行聚合处理，将得到的长江流域的T‑89时间步至T时间步的降水格点数据、T‑269时间步至T时间步的Nino3.4区海温数据、T‑59时间步至T时间步的西太平洋区数据和T‑29时间步至T时间步的南亚高压区气象因子数据，输入到定量预测次季节降水的模型中，输出相应格点的T+1时间步至T+45时间步的累加降水值，进一步完成长江流域所有格点的预测，将预测得到的累加降水值的格点按照长江流域地理位置进行组合，得到整个流域的次季节降水数据。