1.一种融合量子计算和深度学习模型的短时降水临近预报方法，其特征在于，包括以下步骤：S1、提取ERA5全球再分析资料中目标区域的降水量和气象要素的长期历史数据，并进行预处理；

S2、基于长期历史数据，构建短时降水临近预报数据集：将拟预报时刻的降水量作为预测目标量，拟预报时刻前M小时的气象要素和降水量作为模型输入特征量；

S3、生成量子线路，采用量子计算方法将拟预报时刻前M小时的气象要素和降水量转换成拟预报时刻降水量的高维量子概率特征；具体是：建立量子线路，输入维度D为每个时刻所有输入特征的总数，设置量子线路比特数为log2(D)；同时设置编码类型为振幅编码，并预设输出维度；

将输入特征数据映射到不同量子态振幅上，将高维输入数据嵌入到量子态的概率幅中，实现输入数据的量子化；

运行量子电路，测量所有量子比特的期望值，得到所有量子线路降水量概率信息；

S4、以量子线路降水量概率信息为输入、未来1小时的降水量为输出，构建并训练短时降水临近预报模型，短时降水临近预报模型包括：顺序连接的输入层、第一至三卷积层、回归输出层，第一卷积层包括顺序连接的第一卷积模块、第一池化层、以及第一遗忘层；第二卷积层包括顺序连接的第二卷积模块、第二池化层、以及第二遗忘层；第三卷积层包括顺序连接的第三卷积模块、全局平均池化层、以及展平层；

所述回归输出层包括：第一至三全连接层，第三至四遗忘层、第一至三激活函数层、逆变换层；第一全连接层后顺序连接第一激活函数层、第三遗忘层、第二全连接层、第二激活函数层、第四遗忘层、第三全连接层、第三激活函数层、以及逆变换层；逆变换层输出未来1小时降水量预报值；

第一遗忘层和第二遗忘层为一种用于防止过拟合的正则化技术，遗忘率d=0.2；在训练期间，以dropout_rate的概率随机地将该层中的一些神经元的输出置为0，第三和第四遗 忘层的遗忘率分别设置为d=0.3和d=0.15。

2.根据权利要求1所述的一种融合量子计算和深度学习模型的短时降水临近预报方法，其特征在于，步骤S1包括以下子步骤：S1.1、提取目标区域降水量数据、以及气象要素的长期历史数据，包括：气温、地面气压、露点温度、风速、风向、地表净太阳辐射、地表温度、东西向风速U分量、南北向风速V分量；

S1.2、对步骤S1.1提取数据进行质量控制与时空对齐,对于存在缺失值的数据，采用时间或空间上的线性插值进行填补，并进行单位转换。

3.根据权利要求1所述的一种融合量子计算和深度学习模型的短时降水临近预报方法，其特征在于，步骤S2包括 以下子步骤：S2.1、构建短时降水临近预报数据集，数据集中每个样本包括一个输入特征向量和一个目标量，输入特征向量定义为：X(t) = [M(t‑3), M(t‑2), M(t‑1)，P(t‑3), P(t‑2), P(t‑1)]，其中，M(t‑k)代表在t‑k时刻的气象要素向量，k=1，2，3； P(t‑k)代表在t‑k时刻的降水量，k=1，2，3；目标量定义为Y(t) = P(t)；

S2.2、针对目标量和输入特征量的不同特性，采用不同的归一化策略，针对目标量，采用最小‑最大缩放，得到归一化后的降水量Y_scaled，如下式：Y_scaled = (Y ‑ Y_min) / (Y_max ‑ Y_min) ，         （1）其中Y是每个时刻的降水量，Y_min和Y_max分别是降水量的最小值和最大值；

针对输入特征量，则采用Z‑score标准化，如下式：

X_std = (X ‑ μ) / σ，                   （2）其中X是每个时刻的特征值，X_std是归一化后的特征值，μ为数据均值，σ为标准差；

S2.3、将短时降水临近预报数据集按照预设比例划分为训练集、验证集和测试集。

4.根据权利要求1所述的一种融合量子计算和深度学习模型的短时降水临近预报方法，其特征在于，步骤S3包括以下子步骤：S3.1、确定输入维度D为每个时刻所有输入特征的总数，即D=气象要素特征个数 ×m小时+ 降水要素特征个数 × m小时 ；

S3.2、确定量子比特数，量子比特数n 的设定遵循 n ≥ log2(D)；

S3.3、采用振幅编码的数据编码策略，将输入特征值 X_std = (X_std_1, X_std_2, ..., X_std_D) 标准化，然后转换为一个概率幅向量，保证转换之后的数据的二范数等于

1；

S3.4、将这一概率幅向量通过一系列量子门操作配置到相应量子比特的基态振幅上，获得包含了输入数据的全部信息的复杂量子态，并以一种高度纠缠和非线性的方式编码；

S3.5、构建一个可训练的变分线路，负责对编码后的量子态进行变换，该变分线路由4个重复层构成，每一层的纠缠操作都让信息在量子比特之间流动和混合，直接通过量子态实现信息交换和全局关联；

S3.6、对所有n个量子比特进行测量，并返回所有可能结果的概率分布。

5.根据权利要求4所述的一种融合量子计算和深度学习模型的短时降水临近预报方法，其特征在于，步骤S3.5中，每一层都包含两个步骤：单比特旋转和纠缠；

其中，单比特旋转，具体是对所有量子比特进行独立的、参数化的旋转，调整局部状态；

纠缠，具体是通过链式CNOT门，将所有量子比特关联起来，使整个 n 量子比特系统能够表n示的状态数从 2n 增加到 2。

6.根据权利要求1所述的一种融合量子计算和深度学习模型的短时降水临近预报方法，其特征在于，利用CNN网络构建短时降水临近预报模型，训练短时降水临近预报模型的步骤如下：S4.1、将输入的量子概率信息输入预设参数的CNN模型，得到预测值 ；

S4.2、使用损失函数计算 与真实标签Y_scaled之间的误差，根据损失函数值，利用链式法则计算CNN网络中所有参数的梯度；

S4.3、Adam优化器进一步根据计算出的梯度更新所有参数，最小化损失函数；

S4.4、返回执行步骤S4.1至步骤S4.3，遍历所有训练数据多个周期，直到模型在验证集上的性能不再提升或达到预设的训练轮数；

S4.5、在测试集上使用均方根误差、平均绝对误差和决定系数，评估训练好的模型性能。

7.根据权利要求6所述的一种融合量子计算和深度学习模型的短时降水临近预报方法，其特征在于，步骤S4中，卷积层中的第一至三卷积模块用于提取局部特征，卷积核的输入数据维度分别为32、64、128，kernel_size=3，padding=1以保持维度；

遗忘层以 dropout_rate的概率随机地将该层中的一些神经元的输出置为0；

池化层使用kernel_size=2进行下采样，降低特征维度；

激活函数用于确保输出的降水量不为负数；

逆变换层对 进行逆Min‑Max变换，得到最终的、具有物理单位的未来1小时降水量预报值  。

8.根据权利要求7所述的一种融合量子计算和深度学习模型的短时降水临近预报方法，其特征在于，使用均方误差MSE作为损失函数，如下式：（3），

其中，N为样本个数, 为预测值，Y_scaled_i为真实值。