1.一种基于Mamba‑ASPP与R‑TCN的台风风速预测方法，其特征在于，包括如下步骤：步骤1、获取卫星云图数据集，并对图像进行预处理，得到预处理后的图像数据集；

步骤2、构建Mamba‑ASPP模块，将预处理后图像数据集中相邻帧的图像数据输入所述Mamba‑ASPP模块，进行空间特征提取，得到输入图像的全局空间特征图，包括以下子步骤：步骤201、构建Mamba‑ASPP模块，结合Mamba网络模块与ASPP网络模块，在所述Mamba网络模块中，通过状态空间模块与深度可分离卷积提取图像的空间特征，在所述ASPP网络模块中，通过空洞卷积多尺度提取图像的全局空间特征；

步骤202、将预处理后的图像输入所述Mamba‑ASPP模块，图像依次经过 深度可分离卷积层、 深度可分离卷积层、 深度可分离卷积层与 深度可分离卷积层，得到四个特征图 ， ， ， ；

步骤203、将特征图 与特征图 进行通道拼接，依次经过 卷积层对各通道特征进行线性组合，经过线性层与Relu激活函数层增强特征图非线性表示能力，再进入SSM‑ASPP模块进行多尺度空间特征提取，得到初级特征图 ；

步骤204、将特征图 经过线性层与Relu激活函数层得到的特征图，与初级特征图 进行通道拼接，再次进入SSM‑ASPP模块进行多尺度空间特征提取，得到中级特征图 ；

步骤205、将特征图 与特征图 进行通道拼接，经过 卷积层对各通道特征进行线性组合，经过线性层与Relu激活函数层并与中级特征图 进行通道拼接，进入SSM‑ASPP模块进行多尺度空间特征提取，得到高级特征图 ；

步骤206、将得到的初级特征图 、中级特征图 、高级特征图 进行通道拼接，依次经过 卷积层、线性层、Relu激活函数层，得到输入图像的全局空间特征图；

步骤3、构建R‑TCN模块，将预处理后图像数据集中相邻帧的图像数据输入所述R‑TCN模块，进行时间特征提取，得到输入图像的全局时间特征图，包括以下子步骤：步骤301、构建N层R‑TCN网络模块，每层R‑TCN网络模块内部用因果膨胀卷积进行时间序列建模，并融合空洞金字塔卷积得到因果空洞金字塔卷积，对于输入特征图 ，通过所述因果空洞金字塔卷积提取时间特征，并将每一个空洞卷积核计算出的时间特征进行拼接，得到时间特征图 ；

步骤302、将时间特征图 放入第一层TCN网络模块，经过批归一化层、Swish激活函数层、Stochastic Depth正则化机制层，提升特征的非线性变换能力与稳定性，得到特征图，将输入特征图 通过残差连接与特征图 相加得到特征图 ；

步骤303、将特征图 作为输入放入第二层TCN网络模块，得到特征图 ，将特征图 通过残差连接与特征图 相加后作为输入放入第三层TCN网络模块，重复N‑1次后将第N‑1层TCN网络模块的输出通过残差连接与第N层TCN网络模块的输出相加，得到输入图像的全局时间特征图；

步骤4、构建ITSAM模块，将输入图像的全局空间特征图和全局时间特征图进行拼接，放入所述ITSAM模块进行综合特征处理，得到台风风速的预测值；

步骤5、将构建的Mamba‑ASPP模块、R‑TCN模块、ITSAM模块集成，形成初始风速预测模型，用自适应遗传算法优化的海鸥算法对初始风速预测模型的超参数进行优化和训练，并将训练后的模型作为目标风速预测模型；

步骤6、将前一小时的图像数据输入目标风速预测模型，预测下一小时的台风风速。

2.根据权利要求1所述的基于Mamba‑ASPP与R‑TCN的台风风速预测方法，其特征在于，步骤1中对图像进行预处理，包括以下子步骤：步骤101、用高斯滤波法去除获取的卫星云图数据集的图像噪声，公式如下：；

其中，是高斯核的标准差， 是高斯核的值，和 表示高斯核的二维平面坐标，函数是自然指数函数，形式为 ；

步骤102、用自适应阈值分割法对图像进行阈值分割，公式如下:；

其中，是窗口， 是窗口中的像素数，是一个调节常数， 是图像中坐标 的像素灰度值；

步骤103、用3 原则判别图像中异常值并用相邻像素的中值进行替换，3 原则公式如下：；

其中，为图像像素值的标准差， 为图像均值， 表示图像中的第i个像素的值，如果图像中的像素值满足3 原则公式，则被定义为异常值；

使用双线性插值处理缺失值，双线性插值公式如下：

；

其中， 代表插值的目标点坐标， ，表示 在 与 之间的相对位置，，表示 在 与 之间的相对位置， 表示已知的四个相邻像素的值；

步骤104、用Min‑Max归一化方法对双线性插值之后的图像进行归一化处理，将像素值映射到[0, 1]范围，公式如下：；

其中， 与 分别为图像像素的最小值与最大值。

3.根据权利要求1所述的基于Mamba‑ASPP与R‑TCN的台风风速预测方法，其特征在于，步骤202中深度可分离卷积，包括深度卷积和点卷积；

所述深度卷积在图像的每个通道内提取空间特征，公式如下：；

所述点卷积用于整合每个通道之间的特征，公式如下：

；

其中， 表示图像坐标 与第 个通道处的特征值， 为输入图像的特征值，表示在第 个通道 处的权重， 、 为卷积核大小， 为点卷积 卷积核的权重， 是经过深度卷积之后的通道数，为经过点卷积之后的通道数索引， 为输出图像在坐标 与第 个通道处的空间特征值。

4.根据权利要求1所述的基于Mamba‑ASPP与R‑TCN的台风风速预测方法，其特征在于，步骤302中，通过因果空洞金字塔卷积提取时间特征，公式如下：；

；

其中， 代表第 帧图像的输出特征， 表示第 帧图像的输入特征， 表示第 个空洞卷积核，表示 空洞卷积核， 表示表示卷积核 中位置 的权重值，表示第d个空洞卷积的空洞率，决定了时间上的特征提取间隔； 表示在时间维度上，以 的步长向前跳跃提取特征； 为拼接函数，取值为1,2,3,4时将每一个空洞卷积核计算出的时间特征 进行拼接，得到最终的输出特征 。

5.根据权利要求1所述的基于Mamba‑ASPP与R‑TCN的台风风速预测方法，其特征在于，步骤4中，构建ITSAM模块并进行综和特征处理，包括以下子步骤：步骤401、构建ITSAM模块，包含多头注意力机制、嵌入子模块、空间注意力子模块、时间注意力子模块；所述空间注意力子模块用于对空间特征进行加权和选择，所述时间注意力子模块用于强化和选择时间维度上的关键信息；

步骤402、将输入图像的全局空间特征图和全局时间特征图拼接后输入嵌入子模块进行特征融合，然后输入至空间注意力子模块和时间注意力子模块中分别处理，将得到的特征图进行特征相乘后，输入到多头注意力层，融合来自不同维度的特征信息；

步骤403、将相乘后的特征图通过残差连接与多头注意力层输出的特征图相加，得到输出的特征图；

步骤404、将输出的特征图经过全局池化与全连接层，所述全局池化对输出的特征图进行降维处理，将特征信息压缩成一个固定长度的特征向量，所述全连接层对特征向量进行线性映射，转换为一个具体的预测数值，即为台风风速的预测值。

6.根据权利要求5所述的基于Mamba‑ASPP与R‑TCN的台风风速预测方法，其特征在于，步骤5中，用自适应遗传算法优化的海鸥算法对初始风速预测模型的超参数进行优化和训练，包括以下子步骤：步骤501、构建一个由不同超参数组合组成的种群，种群包含m个超参数组合，每个超参数组合表示为一个向量 ，其中每个元素 代表一个超参数的取值，一个超参数组合有n个超参数，每一个超参数组合为一个海鸥个体；

步骤502、选取均方误差的倒数作为自适应度函数，公式如下：；

其中，N为样本数量， 为自适应度值， 为第 个样本的真实值， 为第 个样本的预测值，值越大，表示超参数组合越优；

设定最大迭代次数为 ，自适应度阈值为 ，将种群的所有海鸥个体放入初始风速预测模型进行训练，通过自适应函数算出每一个海鸥个体的自适应度；

步骤503、选取种群中自适应度值最优的前 个海鸥个体，在 个个体中随机选择两个个体 与 作为父代，使用自适应比例 进行线性交叉，的计算方式如下：；

其中， 与 分别为父代 与 的自适应度值，是一个常数；

通过线性交叉生成两个子代海鸥个体 与 ：

；

；

步骤504、进入变异阶段，变异操作引入适度的随机性和微调，使得生成的子代海鸥个体在父代基础上探索新的解空间和优化概率；设定初始的变异概率为 ，随着迭代次数的增加，当前变异概率为 也发生动态变化：；

其中，为迭代次数，是控制下降速度的常数；

对于线性交叉生成两个子代海鸥个体 与 ，每个超参数 会随机生成一个随机数 ，当 时，执行自适应变异，否则保持原值；子代海鸥个体超参数 自适应变异的过程如下：；

其中， 为当前个体的自适应度值， 是种群中的最大适应度值，是最大变异幅度，为均匀分布的随机数；

两个父代海鸥个体 与 经过自适应交叉与变异生成两子代个体后，再从 个海鸥个体里随机选择两个个体 与 作为父代，经过自适应交叉与变异生成两子代个体 与，循环 次后，将所有自适应交叉与变异得到的海鸥子代个体作为新一代种群；

步骤505、新一代种群中的每个海鸥个体分别完成对目标的迁徙过程与攻击过程，所述迁徙过程模拟海鸥向目标位置靠近的行为，使种群中的个体逐步向潜在的优良个体靠拢；

所述攻击过程模拟海鸥在捕猎时的俯冲行为，调整个体位置，使个体在靠近目标位置的同时进行局部搜索，增强对最优个体的逼近；

步骤506、每个海鸥个体经过迁徙过程与攻击过程后生成更优的新种群，将新种群中的所有个体放入风速预测模型中进行训练后，用自适应函数计算新种群中每个个体的自适应度值，判断新种群中最优个体的自适应度值是否达到了最大阈值 ，如果没有，则迭代次数+

1，重复步骤503至506，对新种群进行自适应交叉与变异，如果种群中最优个体的自适应度值达到了最大阈值 或达到了最大迭代次数，则输出得到的最优个体，获取最优个体的超参数组合。

7.根据权利要求6所述的基于Mamba‑ASPP与R‑TCN的台风风速预测方法，其特征在于，步骤5中，所述迁徙过程，在新一代种群中随机选取一个海鸥个体 作为迁徙过程的目标位置，每个个体都向目标位置进行迁徙，迁徙后新位置为：；

其中， 是当前个体所在的位置， 是从种群中随机选择的另一个个体，作为引入多样性的扰动项，与 是两个控制因子，用于调整每个个体向目标靠近的速度与方向；

每个经过迁徙过程的海鸥个体 ，对目标位置进行攻击，完成攻击过程后新位置为：；

其中，是攻击步长控制因子，用于调整攻击过程的强度，是在 范围内的随机角度，模拟海鸥在捕猎时的随机俯冲方向。

8.根据权利要求7所述的基于Mamba‑ASPP与R‑TCN的台风风速预测方法，其特征在于，步骤6中，将前一小时的图像数据输入目标风速预测模型，以预测下一小时的台风风速，包括以下子步骤：步骤601、将获取的最优个体的超参数组合放入初始风速预测模型进行训练，训练完成后得到模型的最优权重，使用最优权重构建出目标风速预测模型，进行台风风速预测；

步骤602、将前一小时的卫星云图数据放入目标风速预测模型，获得下一小时的云图特征图，若云图特征图的大小为 ，通道数为 ，将云图特征图通过一个全连接层，得到下一个小时的台风风速预测值 ，公式如下：；

其中， 为全连接层中对应第特征图中第 个通道的权重值， 为特征图中 坐标与第 个通道的要素值，为全连接层的偏置值。