1.一种基于时空注意力机制的雷达回波外推方法，其特征在于，针对目标区域，执行如下步骤S1‑步骤S5，完成目标区域未来雷达回波图像的预测：步骤S1：采集目标区域的雷达回波数据，并对获得的雷达回波数据进行预处理，基于预处理后的雷达回波数据，构建雷达回波数据集；

步骤S2：对步骤S1得到的雷达回波数据集进行滑动分组，获得雷达回波序列数据，并进行数据增广，得到雷达回波序列数据集，然后将雷达回波序列数据集划分为训练集和测试集；

步骤S3：构建基于SimVP架构的雷达回波预测网络模型，包括顺序连接的Encoder编码器、Translator时空转换器、Decoder解码器；Encoder编码器还与Decoder解码器相连，雷达回波预测网络模型以雷达回波序列数据集中的雷达回波序列数据为输入，以预测的目标区域未来雷达回波图像为输出；

Encoder编码器包括卷积核大小均为3×3的4组卷积层，Encoder编码器的隐藏表达式如下：；

其中，表示非线性激活函数SiLU， 表示归一化层操作， 表示卷积核

大小为3×3的卷积层操作， 代表输入到第i个卷积层中的张量；i=1时， 代表输入到Encoder编码器中的张量；卷积层的步长为1，每两个卷积层之间进行一次下采样，下采样的步长为2，Encoder编码器总共进行两次下采样；

Translator时空转换器包括8个时空注意力模块，每个时空注意力模块依次包含通道注意力模块与空间注意力模块；首先，通道注意力模块通过全局平均池化提取输入特征的全局信息，并利用通道卷积与激活函数处理输入特征，生成通道注意力图；通道注意力图与输入特征进行逐元素相乘，得到通道加权特征；随后，通道加权特征输入至空间注意力模块，进一步生成空间注意力图；空间注意力图经卷积模块进行通道混合，最终，通过将通道混合结果与通道加权特征进行逐元素相乘，得到输出特征；时空注意力模块的隐藏表达式如下：；

；

；

其中，表示时空注意力模块的输入特征； 和 分别表示通道注意力模块和空间注意力模块的输出； 代表卷积核大小为1×3和3×1的深度卷积层操作；

代表多个卷积核大小不同的深度可分离空洞卷积层操作； 代表

卷积核大小为1×1卷积层操作； 代表全局平均池化； 表示克罗内克积； 表示哈达玛积； 表示时空注意力模块的输出特征；

Decoder解码器与Encoder编码器结构对称，包括卷积核大小均为3×3的4组反卷积层，并在Encoder编码器的第一层和Decoder解码器的最后一层之间添加跳跃连接；Decoder解码器隐藏表达式如下：；

其中，表示非线性激活函数SiLU， 表示归一化层操作， 表示卷积

核大小为3×3的反卷积层操作； 表示输入到第i个反卷积层中的张量，i=1时， 表示输入到Decoder解码器中的张量；反卷积层步幅大小设为1，然后对于每两个反卷积层用PixelShuffle执行一次上采样操作，Decoder解码器总共进行两次上采样；

步骤S4：采用步骤S2中所划分的训练集和测试集对步骤S3中所构建的雷达回波预测网络模型进行训练及测试，并构建多目标损失函数，采用多目标损失函数监督雷达回波预测网络模型训练，获得训练好的雷达回波预测网络模型；

步骤S5：实时收集雷达回波数据，按照步骤S1相同方法进行预处理，以及按照步骤S2相同方法进行滑动分组，得到实时雷达回波序列数据集，输入到步骤S4中训练好的雷达回波预测网络模型中，得到预测的未来雷达回波图像。

2.根据权利要求1所述的一种基于时空注意力机制的雷达回波外推方法，其特征在于，步骤S1中所述预处理包括针对雷达回波数据的数据切片、格式转换、数据清洗、坐标转换、数据重采样与网格化处理，以及数据归一化。

3.根据权利要求2所述的一种基于时空注意力机制的雷达回波外推方法，其特征在于，所述数据切片的具体方法为：首先设定目标经纬度范围，然后依据目标经纬度范围对原始雷达回波数据进行切片处理，从而获取目标区域所需的雷达回波数据切片；

所述格式转换的具体方法为：所采集的雷达回波数据为二进制格式，对雷达回波数据切片进行解码处理，将其数据格式转换为多维数组形式；

所述数据清洗的具体方法为：将雷达回波数据切片中的负值和无效值置零；将超过

70dBZ的雷达回波数据重置为70dBZ；

所述坐标转换的具体方法为：将三维极坐标系下的雷达回波数据转换到三维笛卡尔直角坐标系；

所述数据重采样与网格化处理的具体方法为：首先使用样条插值对雷达回波数据进行重采样，再将雷达回波数据根据其经纬度坐标映射到地理坐标网格中，得到地理坐标系下规整的网格化雷达回波数据；

所述数据归一化的具体方法为：利用线性归一化将0dBZ到70dBZ的网格化雷达回波数据映射到[0，1]范围。

4.根据权利要求1所述的一种基于时空注意力机制的雷达回波外推方法，其特征在于，步骤S2中滑动分组的具体方法如下：采用滑动窗口技术对雷达回波数据进行滑动分组，以6分钟的雷达回波数据为1帧，将T+ 帧连续序列的雷达回波数据划分为一个单独的组，作为雷达回波序列数据集的一个序列样本；在序列样本中，T帧雷达回波数据被用作输入特征，而 帧雷达回波数据则被定义为对应标签；雷达回波序列数据集维度为（T+ ，C，H，W），其中，T+ 表示时间步数及对应标签；C表示通道数；H表示高度；W表示宽度；

数据增广的具体方法为：采用旋转数据增强方法进行雷达回波序列数据增广，旋转角度为90°、180°和270°；

所划分的训练集和测试集的样本比例为9：1。

5.根据权利要求1所述的一种基于时空注意力机制的雷达回波外推方法，其特征在于，步骤S4中构建的多目标损失函数 公式如下：；

；

；

其中， 为均方误差损失函数； 为结构相似性损失， 为结构相似性损失函数；N是雷达回波序列数据样本数， 是真实值， 是预测值， 、 分别表示第i个雷达回波序列数据样本的真实值和预测值；和 分别为均方误差损失函数 和结构相似性损失函数 的权重系数；

训练时，计算多目标损失函数 值，以多目标损失函数 值最小化为目标，并进行反向传播，通过迭代多目标损失函数 ，一直持续到雷达回波预测网络模型收敛为止，训练完成后，得到训练好的雷达回波预测网络模型。

6.根据权利要求1所述的一种基于时空注意力机制的雷达回波外推方法，其特征在于，步骤S5中根据雷达回波预测网络模型输出的未来雷达回波图像，分析雷达回波图像的空间特征来确定天气状况，分析雷达回波图像的时间演变特征来确定天气变化趋势，并进行相应的预警。

7.根据权利要求6所述的一种基于时空注意力机制的雷达回波外推方法，其特征在于，雷达回波图像的空间特征包括雷达回波强度分布、雷达回波形态与结构特征；

雷达回波图像的时间演变特征包括雷达回波移动方向与速度、雷达回波强度变化趋势、雷达回波形态演变、生消演变特征。