1.基于多尺度物理耦合网络的雾边界层参数化方案订正方法，其特征在于，包括以下步骤：S1、利用数值天气预报模式WRF生成多参数化边界层模拟数据，输入数据包括热力学变量、水物质变量和动力场变量；

S2、将输入数据通过特征编码处理生成初始特征张量，利用多头注意力机制筛选出对雾区演变影响权重较大的关键变量；

S3、构建多尺度物理耦合网络SMAP‑Net，通过双分支异构网络结构分别提取不同尺度的温湿相态特征和云水相态特征；

S4、通过时空耦合注意力模块ST‑CAM融合双分支特征，采用三维卷积时空编码、双向GRU时序建模及动态注意力加权，对湍流、辐射与相变的非线性关系进行联合建模；

在步骤S4中，时空耦合注意力模块ST‑CAM的实现包括：

S4.1、输入特征张量为温湿相态分支和云水相态分支的输出，维度为H×W×T×C，采用膨胀率分别为1、2、4的三维卷积核构建多分辨率特征金字塔，所述三维卷积核的大小为3×

3×33，步幅为1，填充为same，输出特征通道数分别设定为C1、C2、C3，其中C1

S4.2、通过双向GRU沿时间轴建模逆温层发展的滞后效应，输入特征张量Ffused沿时间轴展开为序列 双向GRU包含2层，每层隐藏状态维度为128，激活函数为tanh，隐状态更新公式为：zt＝σ(WzFt+Uzht‑1+bz),rt＝σ(WrFt+Urht‑1+br)C1C2C3Cf其中，zt为更新门，rt为重置门，Wz、Wr、Wh、Uz、Ur、Uh为可学习权重矩阵，bz、br、bh为偏置项，σ为Sigmoid激活函数，⊙为逐元素乘法，ht为单向隐状态，双向GRU通过前向和后向计算生成最终隐状态 增强时序动态建模能力；

S4.3、利用空间自注意力机制计算网格点间关联权重，生成动态注意力图，计算公式如下：其中，SA表示空间注意力机制，用于基于各网格点间的特征相似性计算注意力权重，分别为查询、键和值向量， 为线性变换矩阵，每个矩阵对输入ht的通道数进行线性变换，保持通道数不变，在不同特征子空间中重新编码各网格点的语义表示，为后续注意力得分计算提供适配的特征子空间映射，ds为键向量维度，输出注意力加权后的特征张量，再与Ffused逐元素相乘，生成最终融合特征张量Fstcam；

S5、在训练优化过程中，引入物理约束损失函数，包括质量‑动量守恒方程及能见度梯度匹配项，通过自适应权重分配的方式进行数据驱动特征与物理定律的协同优化，对边界层变量进行校正；

S6、输出校正后的边界层变量，包括温度、湿度、云水含量及能见度，提升雾区液态水路径LWP和液态水含量LWC的模拟精度。

2.根据权利要求1所述的基于多尺度物理耦合网络的雾边界层参数化方案订正方法，其特征在于，在步骤S2中，编码阶段的具体实现包括：S2.1、输入变量包括温度T、相对湿度RH、水汽混合比Qv、云水含量Qc、雨水含量Qr、冰晶含量Qi、雪含量Qs、气压P和垂直速度W，将输入数据组织为三维时空张量，维度为H×W×T×C，其中H×W表示空间分辨率，T表示时间步长，C表示变量通道数；

S2.2、通过并行三维卷积层提取时空局部特征，所述三维卷积层的卷积核大小为3×3×3，步幅为1，填充为1；生成初始特征张量 其中Cout表示输出通道数，并使用ReLU激活函数进行非线性变换；

S2.3、利用多头注意力机制对初始特征张量Finit进行筛选，计算公式如下：

64×64

其中，WQFinit、WKFinit、WVFinit分别为查询、键和值向量，WQ,WK,WV∈R 为可学习的线性变换矩阵，每个矩阵负责将输入特征张量Finit的通道维度进行线性变换，保持维度不变并在训练过程中不断更新，以最优化注意力计算，实现通道间信息的重新加权和特征子空间映射，使得不同变量组合能适配后续的相关性建模，dk为键向量的维度，注意力机制配置为H×W×T×64Nhead个头，其中Nhead为可调超参数，输出筛选后的特征张量Fselect∈R ，以突出对雾区演变影响较大的关键变量。

3.根据权利要求1所述的基于多尺度物理耦合网络的雾边界层参数化方案订正方法，其特征在于，在步骤S3中，温湿相态分支的具体实现包括：S3.1、输入变量为温度T、相对湿度RH、水汽混合比Qv及气压P，通过三维卷积提取时空局部特征，所述三维卷积的卷积核大小为3×3×3，步幅为1，填充为1，生成初始特征张量H×W×T×64Fthermo∈R ，其中输出通道数为64；

S3.2、采用4级Dense Block堆叠结构，每级包含瓶颈结构，瓶颈结构依次包括：1×1×1卷积降维、3×3×3卷积特征提取、1×1×1卷积升维，通过跳跃连接将前层特征与当前层特H×W×T×256征进行通道拼接，输出特征张量Fdense∈R ，其中输出通道数为4×64＝256，以增强特征复用能力；

S3.3、通过通道‑时空混合注意力CSTA机制增强逆温层顶与湿度跃变区的特征响应，计算公式如下：其中，GAP(Fdense)表示沿空间‑时间维度的全局平均池化结果，Wc为可学习的权重矩阵，用于建模通道间的依赖关系，σ为Sigmoid激活函数，生成通道注意力权重， 表示逐元素乘法，Fdense为Dense Block输出特征张量，加法操作保留原始特征信息，输出增强后的特征张量

4.根据权利要求1所述的基于多尺度物理耦合网络的雾边界层参数化方案订正方法，其特征在于，在步骤S3中，云水相态分支的U‑Transformer模块包括：S3.4、输入变量为云水含量Qc、雨水含量Qr、冰晶含量Qi及雪含量Qs，通过U型编码‑解码结构提取多尺度特征，输入数据维度为H×W×T×4，其中通道数为4；

S3.5、编码器采用2级下采样及结合多尺度自适应位置编码MSPEblock层，设每个位置点的原始三维坐标为p＝(px,py,pt)，其中px、py为空间坐标，pt为时间索引，对每个维度d∈k{x,y,t}，选取不同尺度集合{2 π∣k＝0,...,K‑1}，其中K为正整数，用于控制编码的频率分辨率层级数量，计算绝对位置编码：

0 0 K‑1 K‑1

Ed(pd)＝[sin(2πpd),cos(2πpd),...,sin(2 πpd),cos(2 πpd)]其中，pd为坐标p在维度d上的分量，Ed(pd)为单维度编码向量，将各维度编码向量串联：Eabs(p)＝Concat(Ex(px),Ey(py),Et(pt))其中，Eabs(p)为完整绝对位置编码，为每个尺度k引入可学习的权重wk，用于调节不同尺度特征的重要性；对于注意力计算中的任意两个位置pi和pj，计算坐标差：Δpij＝pi‑pj

将坐标差Δpij通过轻量级MLP映射为相对位置编码：

Erel(pi,pj)＝MLP(Δpij)

该相对位置编码Erel(pi,pj)维度与MSPEblock的隐藏维度相匹配，在每个MSPEblock层中，将每个位置的绝对位置编码Eabs(p)通过线性映射后与输入特征相加，将相对位置编码Erel(pi,pj)作为注意力权重计算的偏置项，用于调整不同位置之间的注意力强度，从而增强多尺度时空关系的建模能力；

S3.6、解码器通过2级上采样使用3×3×3卷积核，步幅为2及跳跃连接融合低级局部特征与高级语义信息，输出多尺度云水相态特征张量Fcloud。

5.根据权利要求1所述的基于多尺度物理耦合网络的雾边界层参数化方案订正方法，其特征在于，在步骤S5中，物理约束损失函数包括：S5.1、像素级重建损失采用加权均方误差WMSE约束校正场与大涡模拟LES数据的一致性，定义为：其中， 表示由订正模型SMAP‑Net在位置(i,j)的预测校正场, 为LES模拟的真实值，wi,j为动态权重，计算公式为：其中，hi,j为位置(i,j)的地形高度，hfog为雾顶高度，σ为标准差，权重设计通过高斯函数形式对地形高度与雾顶高度的偏差进行加权，从而在损失函数中增强雾顶附近关键层的误差约束，提升关键区域的模拟精度；

S5.2、质量‑动量守恒项通过最小化纳维‑斯托克斯方程残差强化物理自洽性，定义为：其中，ρ为空气密度，u为三维风速矢量，p为气压，g为重力加速度， 表示质量通量的散度，用于约束连续性方程， 表示风速的物质导数， 表示动量守恒中的惯性力、压强梯度力和重力之间的平衡关系，λ1、λ2为调节两项权重的超参数，通过网格搜索与交叉验证得到；

S5.3、能见度梯度匹配项采用对比损失函数来最大化能见度特征与地表温度特征之间的相似度，以强化模型对辐射冷却和雾层变化的敏感性，该项损失函数定义为：其中，fVIS为能见度场的特征向量，fT是地表温度场的特征向量，fk为负样本特征向量，sin(.,.)为余弦相似度函数，τ为温度参数，特征向量通过三层卷积神经网络CNN提取，每层使用固定大小的3×3卷积核，输出通道数逐层递增，用于捕捉不同层级的空间模式和语义信息；

S5.4、总损失函数为各部分的加权和：

Ltotal＝LWMSE+αLphys+βLcont

其中，α和β为自适应权重参数，通过一个小型多层感知机MLP动态优化；MLP包含两层全连接层，输入为当前训练轮次的LWMSE，Lphys，Lcont，输出为α和β，优化目标为最小化验证集上的预测误差。

6.一种基于权利要求1至5任一项所述的基于多尺度物理耦合网络的雾边界层参数化方案订正方法的系统，其特征在于，包含多尺度物理耦合网络模型，所述多尺度物理耦合网络模型包含双分支特征提取模块、时空耦合注意力模块和物理约束损失函数模块；

双分支特征提取模块，通过双分支异构网络结构分别提取温湿相态特征和云水相态特征，其中温湿相态分支采用Dense Block和CSTA机制捕捉温度与湿度的多尺度特征，云水相态分支采用U‑Transformer模块提取云水含量的空间分布特征；

时空耦合注意力模块，融合多尺度物理耦合网络模块输出的双分支特征，采用三维卷积进行时空编码，通过双向GRU建模时序依赖关系，并结合动态注意力加权机制，对湍流、辐射与相变的非线性关系进行联合建模，输出优化后的雾区特征表示；

物理约束损失函数模块，在模型训练过程中嵌入物理约束，结合质量‑动量守恒方程和能见度梯度匹配项，通过自适应权重分配优化数据驱动特征与物理定律的一致性，提升模型在复杂地形条件下的泛化能力。