1.一种基于前兆下垫面因子与回归优化的夜间热浪预测方法，其特征在于，所述方法包括以下步骤：S1，获取设定的时段内全球范围的逐月的前兆下垫面因子数据和研究区域内逐小时的人体舒适度指数数据；基于获取的研究区域内逐小时的人体舒适度指数数据，筛选出所有的夜间热浪事件；计算各年份夜间热浪频次的区域平均值，生成热浪预测的目标序列；

S2，对前兆下垫面因子数据进行数据结构变换，将其按月聚合为年×月份×纬度×经度格式；结合格式变换后的前兆下垫面因子数据和各年份夜间热浪频次的区域平均值，计算相邻年份之间的差值，得到各因子年际增量数据和目标序列年际增量；

S3，计算得到各因子年际增量数据与目标序列年际增量的空间相关性场和显著性水平场，提取连通区域，选取面积大于预设面积阈值的联通区域作为关键区，记录每个关键区的经纬度范围，并计算该范围内各因子年际增量的区域平均值，生成N条长度一致的一维候选特征序列作为备选因子集；

S4，在备选因子集中，依据最小充分原理，在满足预测性能的约束下，挑选最小因子数的集合进行组合，生成模型输入自变量子集；对每一个子集，以子集中的一维候选特征序列为自变量，以目标序列年际增量为因变量，分别采用多种机器学习方法构建预测模型并进行拟合，在拟合过程中，对各模型参数进行设置以优化模型；采用解释方差R²和皮尔森相关系数corr对每个子集和机器学习方法的组合进行评分，获取最优组合对应的预测模型，作为最优预测模型；

S5，利用选定的最优预测模型，输入该模型对应的最新年份的前兆下垫面因子的观测值或预测值，对未来一年的夜间热浪年际增量进行预测，将预测得到的夜间热浪年际增量与上一年的夜间热浪频次值叠加，得到目标年份的夜间热浪预测结果。

2.根据权利要求1所述的基于前兆下垫面因子与回归优化的夜间热浪预测方法，其特征在于，步骤S1中，前兆下垫面因子数据包括海表面温度、地表温度、海冰覆盖率、积雪深度、土壤含水量、海表面温度月际变率、地表温度月际变率、海冰覆盖率月际变率、积雪深度月际变率和土壤含水量月际变率。

3.根据权利要求1所述的基于前兆下垫面因子与回归优化的夜间热浪预测方法，其特征在于，步骤S1中，基于获取的研究区域内逐小时的人体舒适度指数数据，采用双阈值法筛选出所有的夜间热浪事件，具体包括：设置气温相对阈值和气温绝对阈值，其中，气温相对阈值为参考期相应日历日15日滑动平均的第90百分位；

考察研究期内所有日期，当任意一日的最低人体舒适度指数同时超过气温相对阈值和气温绝对阈值时，将其判定为独立热夜；当独立热夜连续出现不少于3天，筛选得到一次夜间热浪事件。

4.根据权利要求1所述的基于前兆下垫面因子与回归优化的夜间热浪预测方法，其特征在于，步骤S3中，提取连通区域的过程包括以下步骤：S31，以各因子年际增量数据与目标序列年际增量为输入，按空间格点计算皮尔森相关系数，得到空间格点坐标(x,y)的相关性场R(x,y)和显著性水平场p(x,y)，并基于相关性阈值与显著性检验构建显著性掩码M(x,y)，结合二者生成二值图像I(x,y)：；

其中 为相关性阈值，为显著性水平；

S32，对图像I(x,y)中像素值为1的区域进行连通性分析，采用4邻域标准构建路径，识别所有相互连通的像素集合：将连通像素集合划分为K个区域 ，对任意像素 ，存在路径

，使得相邻像素 与 在4邻域下连通，且像素 的像素值 ；

计算连通区域 的面积 ：

；

S33，对所有连通区域，仅保留满足面积 大于最小面积阈值T的区域作为关键区，并记录其经纬度范围；最小面积阈值T依据研究区域空间分辨率和气候意义进行设定；

S34，将关键区内的每年因子增量数据进行区域平均，提取出用于模型训练的一维时间序列，作为候选特征输入。

5.根据权利要求1所述的基于前兆下垫面因子与回归优化的夜间热浪预测方法，其特征在于，步骤S4进一步包括：设备选因子集为 ，在备选因子集中，分别挑选所有因子数为2的子集

以及所有因子数为3的子集 ，并将其合并后作为模型输入自变量子集库

，其规模为 ，其中， 表示从集合S中选取2个元素

的组合数， 表示从集合S中选取3个元素的组合数；

对第m个子集 ，以子集中的一维候选特征序列为自变量，以目标序

列年际增量为因变量，分别采用线性回归模型、随机森林模型、梯度提升模型、长短时记忆神经网络模型这4种机器学习方法构建预测模型：；

式中， 分别对应线性回归模型、随机森林模型、梯度提升模型、长短

时记忆神经网络模型； 分别为 这四种模型的函数；下标i表示模型输

入的自变量集合里的元素的编号，下标t是时间纬度的编号；

在拟合过程中，对随机森林模型、梯度提升模型、长短时记忆神经网络模型的关键参数进行设置以优化模型；其中，随机森林模型包括三个关键参数：决策树数量、随机种子和树的最大深度；梯度提升模型包括三个关键参数：弱学习器数量、学习率和随机种子；长短时记忆神经网络模型包括四个关键参数：学习率、容忍轮数、最大训练轮数和验证集划分比例。

6.根据权利要求1所述的基于前兆下垫面因子与回归优化的夜间热浪预测方法，其特征在于，步骤S4中，对每个子集和机器学习方法的组合计算解释方差R²和皮尔森相关系数corr，并通过最优子集回归依据综合评分(0.5×R²+0.5×|corr|)对子集和机器学习方法的组合结果进行自动排序筛选，获取最优的预测模型。

7.根据权利要求1所述的基于前兆下垫面因子与回归优化的夜间热浪预测方法，其特征在于，步骤S4中，子集中的前兆下垫面因子的组合参数包括因子名称、月份及空间范围。