1.一种区域降水年代际预测方法，其特征在于，包括：

基于预测区域月平均格点的观测数据计算降水主模态，根据降水主模态将预测区域划分为多个子区域，生成观测数据的区域降水指数；

基于获取的动力模式回报数据计算年代际变率，并基于划分的子区域，生成动力模式回报数据的区域降水指数；

分别从观测数据的区域降水指数和动力模式回报数据的区域降水指数中提取环境变量关键区域，并根据提取的环境变量关键区域，筛选可预测性来源因子；

使用筛选出的可预测性来源因子和动力模式回报数据的区域降水指数，训练并优化梯度提升回归树预测模型，得到优化后的梯度提升回归树预测模型；

基于优化后的梯度提升回归树预测模型，预测未来设定年份的各子区域降水指数，生成区域降水年代际预测结果；

所述分别从观测数据的区域降水指数和动力模式回报数据的区域降水指数中提取环境变量关键区域，并根据提取的环境变量关键区域，筛选可预测性来源因子，包括：基于观测数据的区域降水指数和预先生成的再分析数据的环境变量，通过相关性分析确定观测中的环境变量关键区域；

利用动力模式回报数据的区域降水指数，提取在动力模式中的环境变量关键区域；

验证环境变量关键区域在动力模式中的预测能力及与观测物理机制的一致性；

筛选满足预测能力与物理机制一致性的环境变量作为可预测性来源因子；

所述验证环境变量关键区域在动力模式中的预测能力及与观测物理机制的一致性，包括：验证动力模式中的环境变量关键区域与观测中的环境变量关键区域一致、动力模式回报数据与再分析数据的相关分布图中信度水平超过设定阈值，且动力模式可以再现观测中环境变量影响降水的物理过程。

2.根据权利要求1所述的区域降水年代际预测方法，其特征在于，所述基于预测区域月平均格点的观测数据计算降水主模态，根据降水主模态将预测区域划分为多个子区域，生成观测数据的区域降水指数，包括：获取预测区域月平均格点的观测数据；

基于观测数据计算各格点任一季节的平均降水量，并进行五年滑动平均处理，生成年代际变率；

对年代际变率进行距平计算，并通过经验正交分解提取降水主模态；

根据降水主模态的纬向三极子型分布特征，将预测区域划分为三个子区域，并分别计算各子区域的区域平均降水指数。

3.根据权利要求1所述的区域降水年代际预测方法，其特征在于，所述基于获取的动力模式回报数据计算年代际变率，并基于划分的子区域，生成动力模式回报数据的区域降水指数，包括：获取预测区域的动力模式回报数据；

基于动力模式回报数据，提取未来设定年份年平均值的年代际变率并拼接成序列；

根据年代际变率拼接的序列，生成动力模式回报数据的区域降水指数。

4.根据权利要求1所述的区域降水年代际预测方法，其特征在于，所述使用筛选出的可预测性来源因子和动力模式回报数据的区域降水指数，训练并优化梯度提升回归树预测模型时，通过五折交叉验证法优化超参数。

5.根据权利要求1所述的区域降水年代际预测方法，其特征在于，所述基于优化后的梯度提升回归树预测模型，预测未来设定年份的各子区域降水指数后，结合线性回归模型和线性趋势修正，生成区域降水年代际预测结果。

6.一种区域降水年代际预测装置，采用权利要求1所述的区域降水年代际预测方法，其特征在于，包括：第一生成模块，用于基于预测区域月平均格点的观测数据计算降水主模态，根据降水主模态将预测区域划分为多个子区域，生成观测数据的区域降水指数；

第二生成模块，用于基于获取的动力模式回报数据计算年代际变率，并基于划分的子区域，生成动力模式回报数据的区域降水指数；

筛选模块，用于分别从观测数据的区域降水指数和动力模式回报数据的区域降水指数中提取环境变量关键区域，并根据提取的环境变量关键区域，筛选可预测性来源因子；

训练及优化模块，用于使用筛选出的可预测性来源因子和动力模式回报数据的区域降水指数，训练并优化梯度提升回归树预测模型，得到优化后的梯度提升回归树预测模型；

预测模块，用于基于优化后的梯度提升回归树预测模型，预测未来设定年份的各子区域降水指数，生成区域降水年代际预测结果。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现权利要求1‑5中任一项所述方法的步骤。

8.一种计算机设备，其特征在于，包括：

存储器，用于存储计算机程序/指令；

处理器，用于执行所述计算机程序/指令以实现权利要求1‑5中任一项所述方法的步骤。