1.一种极端高温年代际预测方法，其特征在于，包括：

获取目标预测时段内，基于多模式多初始场回报试验数据提取的第二极端高温强度指数，输入至预先训练完成的基于Transformer的区域预测模型中，获取目标地理区域内各区域的极端高温强度年代际预测序列；

将各区域的极端高温强度年代际预测序列通过线性投影方法重建至空间格点上，得到目标地理区域内极端高温强度的空间分布预测结果；

其中，所述基于Transformer的区域预测模型的训练方法，包括：获取历史训练时段内的最高气温观测数据以及对应的多模式多初始场回报试验数据；

基于最高气温观测数据提取第一极端高温强度指数并进行设定年份的滑动平均与区域聚类划分，得到各个区域的第一区域平均指数；

基于多模式多初始场回报试验数据提取第二极端高温强度指数并进行设定年份的滑动平均与区域平均，得到各初始场的第二区域平均指数；

选取各初始场内预测技巧排名靠前的多个第二区域平均指数作为输入特征，以各个区域的第一区域平均指数为预测目标，分别对各区域构建并训练基于Transformer的深度学习模型。

2.根据权利要求1所述的极端高温年代际预测方法，其特征在于，所述基于最高气温观测数据提取第一极端高温强度指数并进行设定年份的滑动平均与区域聚类划分，得到各个区域的第一区域平均指数，包括：基于最高气温观测数据，采用相对阈值法计算第一极端高温强度指数；

对第一极端高温强度指数进行设定年份的滑动平均，得到第一年代际变率；

采用谱聚类算法对第一年代际变率进行区域聚类划分，获取划分后的区域；

对划分后的区域内的第一年代际变率进行区域平均，得到各个区域的第一区域平均指数。

3.根据权利要求2所述的极端高温年代际预测方法，其特征在于，所述基于多模式多初始场回报试验数据提取第二极端高温强度指数并进行设定年份的滑动平均与区域平均，得到各初始场的第二区域平均指数，包括：获取多模式多初始场回报试验数据，采用相对阈值法计算第二极端高温强度指数；

对第二极端高温强度指数进行设定年份的滑动平均，得到第二年代际变率；

结合上述划分后的区域，对第二年代际变率进行区域平均，得到各初始场的第二区域平均指数。

4.根据权利要求3所述的极端高温年代际预测方法，其特征在于，所述多模式多初始场回报试验数据来源于第六次耦合模式比较计划年代际预测计划试验中多个模式的回报试验数据。

5.根据权利要求3所述的极端高温年代际预测方法，其特征在于，所述选取各初始场内预测技巧排名靠前的多个第二区域平均指数的方法，包括：利用距平相关系数和均方差技巧评分的评估方法，对各初始场的第二年代际变率与第一年代际变率进行空间尺度预测技巧评估，并对区域平均后的第二年代际变率与区域平均观测指数进行时间尺度预测技巧评估，获取评估结果；

基于评估结果，提取各初始场内预测技巧排名靠前的多个第二区域平均指数。

6.根据权利要求1所述的极端高温年代际预测方法，其特征在于，所述基于Transformer的深度学习模型的结构包括：线性投影层，用于将输入的多个第二区域平均指数转换为向量特征；

多层Transformer编码器，用于利用全局注意力机制提取向量特征的时序与跨区域的依赖关系，得到提取后的向量特征；

多层感知器，用于对提取后的向量特征进行回归预测并输出预测序列。

7.根据权利要求1所述的极端高温年代际预测方法，其特征在于，所述将各区域的极端高温强度年代际预测序列通过线性投影方法重建至空间格点上，得到目标地理区域内极端高温强度的空间分布预测结果，包括：在训练时期，对第一区域平均指数进行去除线性趋势处理，使用去趋势后的第一区域平均指数回归该区域每个格点的去趋势的第一年代际变率，计算变率回归系数和截距；

对每个格点的第一年代际变率进行线性回归，得到线性趋势的回归系数和截距；

基于变率回归系数和截距、线性趋势的回归系数和截距，通过线性投影公式计算得到各个区域的空间分布预测结果；

将各个区域的空间分布预测结果合并，得到目标地理区域内极端高温强度的空间分布预测结果。

8.根据权利要求7所述的极端高温年代际预测方法，其特征在于，所述线性投影公式的计算公式如下：；

其中， 为第i个格点在第t年的预测值， 为预测序列的第t年的值， 和 分别为第i个格点的变率回归系数和截距； 和 分别为第i个格点的线性趋势回归系数和截距。

9.一种极端高温年代际预测装置，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1‑8中任一项所述方法的步骤。

10.一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：该计算机程序被处理器执行时实现权利要求1‑8中任一项所述方法的步骤。