1.一种前兆因子深度融合的次季节极端降水预测方法，其特征在于，包括以下步骤：基于优化的损失函数，构建融合数值模式降水预测、历史降水观测以及观测前兆因子的时空变换网络深度学习模型，基于数值模式降水预测数据集、历史降水观测数据集以及观测前兆因子数据集展开模型训练与优化；利用训练好的模型，输入目标时间的数值模式降水预测和前兆因子数据进行预测，输出次季节极端降水预测结果；

其中，时空变换网络深度学习模型包括输入模块、时空编码模块、多头自注意力机制模块、前馈神经网络模块、时空解码模块和输出模块；输入模块获取数值模式降水预测数据集、历史降水观测数据集以及观测前兆因子数据集，拼接为模型输入特征矩阵；时空编码模块提取输入特征矩阵的时空特征，其中时序编码通过位置编码方法嵌入时间信息，捕捉输入特征矩阵的时间关系，空间编码则进一步通过卷积神经网络提取不同区域的输入特征矩阵之间的空间关系；多头自注意力机制模块通过计算时空特征之间的相关性，捕捉不同时间和空间点之间的依赖性；前馈神经网络模块对来多头自注意力机制模块的输出进行进一步处理，增强复杂特征的表达能力；时空解码模块用于逐步恢复数据的空间分辨率，得到时空解码后的特征矩阵；输出模块将生成的时空解码后的特征矩阵转换为预测特征。

2.根据权利要求1所述的一种前兆因子深度融合的次季节极端降水预测方法，其特征在于，数值模式降水预测数据集、历史降水观测数据集的制作方法为：首先，对数值模式降水预测数据和历史降水观测数据进行去噪，然后进行标准化预处理，公式为：，

，

其中， 和 分别为去噪后的数值模式降水预测数据和历史降水观测数据矩阵，和 分别为去噪后的数值模式降水预测数据和历史降水观测数据的均值，和 分别为去噪后的数值模式降水预测数据和历史降水观测数据的标准差，和 分别为标准化后的数值模式降水预测数据和历史降水观测数据矩阵。

3.根据权利要求1所述的一种前兆因子深度融合的次季节极端降水预测方法，其特征在于，观测前兆因子数据集制作方法为：对观测前兆因子数据进行自适应标注编码生成统一格式的特征向量，具体为：观测前兆因子数据包括起报时刻同期和前期的海温、海冰、环流，自适应标注编码预处理计算方法为：，

，

，

其中，Embedding为标注编码嵌入函数，SST、SeaIce和Circulation分别为起报时刻同期和前期的海温、海冰和环流数据矩阵， 、 和 分别为自适应标注编码后的海温、海冰和环流数据矩阵；

归一化预处理计算方法为：

，

，

，

其中， 、 和 分别为自适应标注编码后的海温、海冰和环流最小值，、 和 分别为自适应标注编码后的海温、海冰和环流最大值， 、和 分别为自适应标注编码与归一化预处理后的海温、海冰和环流数据矩阵。

4.根据权利要求1所述的一种前兆因子深度融合的次季节极端降水预测方法，其特征在于，优化的损失函数为：，

，

，

，

其中，Loss为优化的损失函数， 为均方误差损失项的权重， 为临界成功指数损失项的权重，为结构相似性指数损失项的权重，MSE为均方误差，CSI为临界成功指数，SSIM为结构相似性指数，N为模型训练中的评估样本量， 和 分别为第 个样本的观测值和预报值，TP为真正样本数，FP为假正样本数，FN为假负样本数， 和 分别为N组 和 的平均值， 和 分别为N组 和 的方差， 为N组 和 之间的协方差， 和 为稳定常数。

5.根据权利要求1所述的一种前兆因子深度融合的次季节极端降水预测方法，其特征在于，时空编码模块处理过程为：，

，

，

，

，

其中， 表示在位置 处输入特征矩阵的第 维上的位置编码值，使用正弦函数计算； 为时间步，表示当前数据点在时间序列中的位置；是特征维度，表示当前特征在特征矩阵中的索引；是输入特征矩阵总维度； 表示在位置 处输入特征矩阵的第 维上的位置编码值，使用余弦函数计算；PE表示时间位置编码矩阵，每一行对应一个时间步，每一列对应一个特征维度； 表述时序编码后的输入特征矩阵， 表示模型输入特征矩阵， ， 和 分别为标准化后的数值模式降水预测数据和历史降水观测数据矩阵， 、 和 分别为自适应标注编码与归一化预处理后的海温、海冰和环流数据矩阵； 表示时空编码后的输入特征矩阵；ReLU表示激活函数， 是卷积核权重，表示卷积操作， 是偏置项。

6.根据权利要求1所述的一种前兆因子深度融合的次季节极端降水预测方法，其特征在于，多头自注意力机制模块包括多个自注意力头，针对时空编码后的输入特征矩阵，通过多个自注意力头 并行计算自注意力，计算输入特征之间的相关性，捕捉不同时间和空间点之间的依赖性；其具体形式为：，

，

，

其中， 表示多头自注意力机制特征矩阵，concat表示拼接函数， 表示第个自注意力头， ，为自注意力头的数量， 为输出权重矩阵， 、 和 分别表示查询矩阵、键矩阵和值矩阵， ， ，， 、 和 分别为第 个自注意力头中查询矩阵、键矩阵和值矩阵的权重矩阵，Attention表示自注意力权重机制，softmax为激活函数， 为每个头的维度大小，d是输入特征矩阵总维度，T表示矩阵的转置。

7.根据权利要求1所述的一种前兆因子深度融合的次季节极端降水预测方法，其特征在于，前馈神经网络模块包括两个线性变换层和一个激活函数，对多头自注意力机制特征矩阵 进行非线性变换，增强模型对复杂特征的表达能力；其具体形式为：，

，

，

其中， 表示中间特征， 表示多头自注意力机制特征矩阵， 和分别为第一层线性变换的权重矩阵和偏置项；ReLU表示激活函数， 表示激活后的特征； 表示前馈神经网络特征矩阵， 和 分别为第二层线性变换的权重矩阵和偏置项。

8.根据权利要求1所述的一种前兆因子深度融合的次季节极端降水预测方法，其特征在于，时空解码模块包括一个反卷积层，通过对前馈神经网络特征矩阵 进行上采样，恢复到原始空间分辨率；其具体形式为：，

其中， 表示时空解码后的特征矩阵，ReLU表示激活函数， 和 分别为反卷积核权重和偏置项，表示反卷积操作。

9.根据权利要求1所述的一种前兆因子深度融合的次季节极端降水预测方法，其特征在于，输出模块包括一个全连接层，将高维特征映射到目标输出空间，将时空解码后的特征矩阵 转换为预测特征；其具体形式为：，

其中， 为模型输出的降水预测特征， 和 分别为全连接层的权重矩阵和偏置项。

10.一种前兆因子深度融合的次季节极端降水预测系统，其特征在于，包括：模型构建及训练单元，用于基于优化的损失函数，构建融合数值模式降水预测、历史降水观测以及观测前兆因子的时空变换网络深度学习模型，基于数值模式降水预测数据集、历史降水观测数据集以及观测前兆因子数据集展开模型训练与优化；

预测单元，用于利用训练好的模型，输入目标时间的数值模式降水预测和前兆因子数据进行预测，输出次季节极端降水预测结果；

其中，时空变换网络深度学习模型包括输入模块、时空编码模块、多头自注意力机制模块、前馈神经网络模块、时空解码模块和输出模块；输入模块获取数值模式降水预测数据集、历史降水观测数据集以及观测前兆因子数据集，拼接为模型输入特征矩阵；时空编码模块提取输入特征矩阵的时空特征，其中时序编码通过位置编码方法嵌入时间信息，捕捉输入特征矩阵的时间关系，空间编码则进一步通过卷积神经网络提取不同区域的输入特征矩阵之间的空间关系；多头自注意力机制模块通过计算时空特征之间的相关性，捕捉不同时间和空间点之间的依赖性；前馈神经网络模块对来多头自注意力机制模块的输出进行进一步处理，增强复杂特征的表达能力；时空解码模块用于逐步恢复数据的空间分辨率，得到时空解码后的特征矩阵；输出模块将生成的时空解码后的特征矩阵转换为预测特征。