1.融合地表覆盖与时间周期编码的WRF风速订正方法，其特征在于，包括如下步骤：步骤1，收集待订正区域的WRF气象数据、ERA5‑Land数据、气象站点观测数据、DEM数字高程数据以及地表覆盖数据，构建数据集，并划分为训练集和测试集；将WRF气象数据中的

10m风速作为待订正数据，ERA5‑Land数据和气象站点观测数据中的10m风速联合起来作为真值数据；

步骤2，构建WRF风速订正模型，包括四个分支，第一个分支通过融合多尺度卷积结构与通道‑空间双注意力机制的气象特征提取模块提取气象特征，第二个分支通过基于正余弦周期编码的周期信息提取模块提取时间周期特征，第三个分支通过基于多尺度卷积与自适应池化的地理特征提取模块提取地形特征，第四个分支通过引入地表类型嵌入向量并结合跨尺度注意力的地表覆盖特征提取模块提取地表覆盖特征；通过将气象特征、时间周期特征、地形特征和地表覆盖特征进行通道拼接与卷积，得到多源异构融合特征；将多源异构融合特征输入轻量化Unet编解码器结构，实现对多源异构融合特征的非线性建模与空间信息恢复，输出10m风速订正结果；

所述步骤2中，地理特征提取模块以DEM数字高程数据为输入，利用ArcGIS空间分析工具处理数字高程数据，提取多源地形参数：海拔A、坡度Slope、坡向Aspect、地形粗糙度R和坡度变率Sr，将上述多源地形参数沿通道维度拼接，得到多源地形输入特征；

采用双分支并行编码结构提取初始地形语义表示F0，具体包括：利用分支一对多源地形输入特征进行3×3卷积、批归一化和ReLU激活，利用分支二对多源地形输入特征进行1×

1卷积，将分支一与分支二的输出特征逐元素加和，得到初始地形语义表示F0；

基于地形粗糙度R与坡度变率Sr计算地形复杂度指数Tc： ，根据Tc划

分三类地形等级，生成对应二进制掩码， 为低复杂度地形，掩码为Tc_low， 为中复杂度地形，掩码为Tc_mid， 为高复杂度地形，掩码为Tc_high；

利用低复杂度分支、中复杂度分支和高复杂度分支分别从初始地形语义表示F0中提取低复杂度特征、中复杂度特征和高复杂度特征，将各复杂度特征与对应复杂度掩码逐元素相乘再加和，得到自适应动态提取特征；低复杂度分支、中复杂度分支和高复杂度分支的结构相同，均包括依次连接的3×3空洞卷积、批归一化和GELU激活函数，低、中和高复杂度分支中3×3空洞卷积的膨胀率分别为1、3和5；

对自适应动态提取特征依次进行1×1卷积、批归一化、GELU激活和自适应性平均池化，得到地理特征提取模块的输出即地形特征；

步骤3，利用训练集对步骤2构建的WRF风速订正模型进行训练，训练过程中采用不确定性加权损失函数自适应平衡双真值，引导模型训练，得到训练好的WRF风速订正模型；

步骤4，将测试集中的WRF气象数据、DEM数字高程数据以及地表覆盖数据输入训练好的WRF风速订正模型中，输出风速订正结果。

2.根据权利要求1所述的融合地表覆盖与时间周期编码的WRF风速订正方法，其特征在于，所述步骤1中，收集待订正区域近5年逐小时分辨率的WRF气象数据、ERA5‑Land数据、气象站点观测数据、DEM数字高程数据以及地表覆盖数据；其中，WRF气象数据包括：10m经向风速分量、10m纬向风速分量、向下短波辐射、2m温度、累积格点降雪和冰量、潜热通量、向上热量通量、向上长波辐射、地形高度、比湿、地表气压、雪水当量、陆面指标、地表温度、总积云对流降水累积、总格点降水累积、瞬时下行短波通量、瞬时上升短波通量、瞬时下行长波通量以及瞬时上升长波通量；ERA5‑Land数据包括10m经向风速分量和10m纬向风速分量；气象站点观测数据包括10m风速。

3.根据权利要求2所述的融合地表覆盖与时间周期编码的WRF风速订正方法，其特征在于，所述步骤2中，在进行气象特征和时间周期特征提取之前，采用主成分分析方法对除10m经向风速分量和10m纬向风速分量之外的剩余WRF气象数据进行降维处理，从影响风速的18个气象要素中筛选出对风速影响最大的前4个气象要素作为辅助气象要素，与10m经向风速分量和10m纬向风速分量一起构成风速订正的关键特征；并对关键特征进行坐标转换，从Lambert投影转换为经纬度投影，与ERA5‑Land数据坐标保持一致，统一时空分辨率，坐标转换公式如下：，

其中， 表示关键特征在Lambert投影平面坐标系中的坐标点， 表示

Lambert投影的投影中心点，表示点到投影中心的欧氏距离，表示点 相对于投影中心点的极角， 表示点 的弧度制纬度， 表示Lambert投影的比例因子， 表示Lambert 投影的圆锥常数， 表示点 的弧度制经度， 表示Lambert投影的中央经线。

4.根据权利要求3所述的融合地表覆盖与时间周期编码的WRF风速订正方法，其特征在于，所述步骤2中，气象特征提取模块包括三个并行的卷积支路，分别提取局部、小范围和中尺度的气象特征，三个并行卷积支路的卷积核大小分别为3×3、5×5和7×7，各卷积支路的输入均为经坐标转换后的关键特征形成的时间序列，通过通道拼接将三个并行卷积支路提取的气象特征拼接为中间特征，利用1×1卷积对中间特征进行压缩，得到压缩后的特征；具体公式如下：，

其中， 表示各卷积支路的输入， 表示实数， 表示训练批次大小， 表示

修正线性单元激活函数， 分别表示卷积、拼接操作， 和 分别

表示局部、小范围和中尺度气象特征， 表示沿通道轴拼接后的中间特征， 表示压缩后的特征图；

对压缩后的特征图 在空间维度上进行全局平均池化，得到全局描述向量 ，全局描述向量 经线性映射生成查询向量Q、键向量K和值向量V，并通过多头注意力机制和Sigmoid激活函数计算通道权重 ，将通道权重 与沿通道轴拼接后的中间特征 相乘，得到通道增强特征 ；具体公式如下：，

其中， 表示全局描述向量z的通道维度分量， 分别表示压缩后特征图

的高度和宽度， 表示特征图在空间位置 的空间像素值， 表示Sigmoid激

活函数， 表示多头注意力机制的输出线性层权重， 和 分别表示注意力

机制中的三个可学习的权重矩阵， 表示查询向量Q的维度， 表示哈达玛积，T表示转置；

对通道增强特征 沿通道维分别进行平均池化和最大池化，得到两个单通道的空间特征图 和 ，将 和 沿通道维拼接，得到联合空间图，再依次经7×7卷积和Sigmoid激活函数，得到空间注意力图 ，将空间注意力图 与通道增强特征 逐像素相乘，得到空间增强特征图 ，作为气象特征提取模块的输出。

5.根据权利要求3所述的融合地表覆盖与时间周期编码的WRF风速订正方法，其特征在于，所述步骤2中，周期信息提取模块以经坐标转换后的关键特征形成的时间序列为输入，提取时间序列中各时刻对应的季节、月份和昼夜信息，并换算得到季节编号 、昼夜编码和月份编号 ； ， 分别对应春、夏、秋、冬四个季节，3‑5月为春季，

6‑8月为夏季，9‑11月为秋季，12‑2月为冬季； ， 分别对应1到12月份； ，白天为1，夜间为0，8‑20点为白天，20‑次日8点为夜间；基于季节编号 、昼夜编码 和月份编号 ，分别进行正余弦编码以捕捉时间的周期特征，将正余弦编码结果按顺序拼接，构成一个长度为6的周期性时间特征向量，作为周期信息提取模块的输出，正余弦编码公式如下：，

其中， 和 分别表示季节周期编码向量、昼夜周期编码向量和

月份周期编码向量。

6.根据权利要求1所述的融合地表覆盖与时间周期编码的WRF风速订正方法，其特征在于，所述步骤2中，地理特征提取模块以DEM数字高程数据为输入，利用ArcGIS空间分析工具处理数字高程数据，提取多源地形参数：海拔A、坡度Slope、坡向Aspect、地形粗糙度R和坡度变率Sr，公式如下：，

，

，

其中，海拔A直接从DEM中获取， 分别表示水平和垂直方向上梯度计算卷积核， 表示水平和垂直方向上的梯度分量， 表示二维卷积， 为坡度， 为坡向， 为网格点 的地形粗糙度， 为网格点

的海拔值， 表示以 为中心的3×3窗口海拔平均值， 为窗

口内的有效网格数，设置为9， 分别为坡度在水平、垂直方向上空间变化率，分别为 正前方和正后方网格点的坡度， 分别为正上方和正下方网格点的坡度， 为数字高程数据网格分辨率， 为网格点

的坡度变率。

7.根据权利要求3所述的融合地表覆盖与时间周期编码的WRF风速订正方法，其特征在于，所述步骤2中，地表覆盖特征提取模块以春、夏、秋、冬四季ESRI离散分类地表覆盖数据和经坐标转换后的关键特征形成的时间序列为输入，通过可学习嵌入层将春、夏、秋、冬四季ESRI离散分类地表覆盖数据转化为连续语义向量，并经1×1卷积进行重排，得到特征张量，再通过层归一化将特征张量拆分为春、夏、秋、冬四个子特征，为每个子特征配置专属提取分支，各提取分支结构统一为3×3卷积、批归一化和GELU激活函数，从而输出各季节的独立特征F_spr、F_sum、F_aut和F_win；

对经坐标转换后的关键特征形成的时间序列进行季节标记，将季节标记通过独热编码转化为向量，再经1层全连接投影为低维季节语义向量 ，引入4×4的可学习权重矩阵，将季节语义向量 与权重矩阵 相乘后，通过Softmax函数归一化得到动态权重和 ，与4个季节独立特征逐元素相乘并沿通道维度拼接得到季节感知融合特征；

对季节感知融合特征依次进行1×1卷积、批归一化、GELU激活、自适应性平均池化和3×3卷积，得到地表覆盖特征提取模块的输出即地表覆盖特征。

8.根据权利要求1所述的融合地表覆盖与时间周期编码的WRF风速订正方法，其特征在于，所述步骤2中，对气象特征、时间周期特征、地形特征和地表覆盖特征分别进行层归一化处理后再在通道维度上进行拼接，得到融合特征 ；再通过两个连续的卷积块对融合特征 进行压缩和语义融合，得到风速偏差表征向量 ；将融合特征 进行1×1卷积后，再与风速偏差表征向量 进行残差融合得到多

源异构融合特征 ；将多源异构融合特征 输入三层轻量化Unet编解码器结构，再经上采样和通道压缩，生成10m风速订正结果。

9.根据权利要求1所述的融合地表覆盖与时间周期编码的WRF风速订正方法，其特征在于，所述步骤3中，不确定性加权损失函数如下：，

其中， 表示不确定性加权损失函数， 和 分别表示ERA5‑land数据和

气象站点观测数据的归一化系数， 和 分别表示ERA5‑land数据和气象站点观测数据的贡献量。

10.一种计算机设备，包括存储器、处理器，以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的融合地表覆盖与时间周期编码的WRF风速订正方法的步骤。