1.一种基于时空特征融合与先验知识约束的浓雾天气形势识别方法，其特征在于，包括：获取目标区域的待识别天气过程对应的多个时次气象网格数据，输入到预先训练好的识别模型，输出所述待识别天气过程所属的目标天气形势类别；

所述识别模型的训练过程，包括：

构建包括样本构建模块、时空表征模块、先验知识增强模块、融合决策模块、约束优化模块的识别模型；

样本构建模块，用于根据获取的目标区域的历史浓雾过程个例记录以及与所述历史浓雾过程个例记录对应的多层气象网格数据和先验判识规则库构建过程级样本；所述过程级样本包括多时次多层天气场张量、由先验判识规则提取得到的规则统计特征向量以及用于表征天气背景语义特征的先验属性标签；

时空表征模块，用于根据多时次多层天气场张量对各时次气象场的空间结构特征进行编码，并结合时间演变关系生成对应于所述天气过程的时空表示；

先验知识增强模块，用于对规则统计特征向量进行编码，得到知识增强表示，并输出所述天气过程在各先验气象属性上的属性响应；

融合决策模块，用于对时空表示与知识增强表示进行特征融合，基于融合后的特征输出所述天气过程的天气形势分类预测结果；

约束优化模块，根据所述属性响应与预设的属性—类别对应关系，构建反映所述天气过程的类别语义倾向的约束信息，并根据所述约束信息与所述天气形势分类预测结果以及所述先验属性标签建立一致性约束，以对识别模型的训练过程进行引导来训练识别模型。

2.根据权利要求1所述的基于时空特征融合与先验知识约束的浓雾天气形势识别方法，其特征在于，所述根据获取的目标区域的历史浓雾过程个例记录以及与所述历史浓雾过程个例记录对应的多层气象网格数据和先验判识规则库构建过程级样本，包括：获取目标区域的历史浓雾过程个例记录以及与所述历史浓雾过程个例记录对应的多层气象网格数据和先验判识规则库；依据所述先验判识规则库中对典型浓雾天气背景的判识规则，为每个天气过程赋予类别标签，所述类别标签包括无雾、锋面雾、平流雾和辐射雾；

以天气过程为样本组织单元，对同一天气过程对应的多个时次的多层气象网格数据进行组合，构建包括多时次多层天气场张量、规则统计特征向量以及先验属性标签的过程级样本。

3.根据权利要求2所述的基于时空特征融合与先验知识约束的浓雾天气形势识别方法，其特征在于，所述以天气过程为样本组织单元，对同一天气过程对应的多个时次的多层气象网格数据进行组合，包括：围绕每一天气过程选取多个目标时次，并对同一天气过程的多个目标时次进行统一采样；

将所述多个目标时次对应的气象场按照时间顺序进行组合，以保留天气背景的演变信息；

在样本划分、模型训练及模型验证过程中，保持同一天气过程内全部目标时次数据的一致归属。

4.根据权利要求1所述的基于时空特征融合与先验知识约束的浓雾天气形势识别方法，其特征在于，所述多时次多层天气场张量的构建方式包括：在覆盖目标区域及其上游、周边或近海影响区域的预设空间范围内提取多层气象网格数据；

将同一天气过程对应的多个目标时次的多层气象网格数据按时间顺序进行组织；

从多层气象网格数据中提取地面层变量以及一个或多个气压层变量，所述地面层变量包括风、温度、湿度和气压相关变量中的至少一种，所述气压层变量包括低层大气的风、温度和湿度相关变量中的至少一种；

对于每一目标时次，将所述地面层变量和所述气压层变量映射至统一网格后按通道维进行堆叠，形成该目标时次的多通道天气场；

再将多个目标时次的多通道天气场按时间维组合，形成过程级的多时次多层天气场张量。

5.根据权利要求1所述的基于时空特征融合与先验知识约束的浓雾天气形势识别方法，其特征在于，所述规则统计特征向量的构建方式包括：根据浓雾天气形势先验判识规则，从目标区域及其外围目标区域的多层气象网格数据中提取风场特征、温湿特征、气压特征、区域间压差特征以及低层大气结构特征中的至少一种；

对提取的特征在多个目标时次上计算过程统计量，所述过程统计量包括过程均值、过程极值、末时次值或各值的组合；

将得到的多个过程统计量拼接为用于知识分支输入的规则统计特征向量。

6.根据权利要求1所述的基于时空特征融合与先验知识约束的浓雾天气形势识别方法，其特征在于，所述先验属性标签用于表征不同浓雾天气背景的核心气象语义，所述先验属性标签包括气压场背景属性、锋面活动属性、风向属性、风速属性中的至少一种。

7.根据权利要求6所述的基于时空特征融合与先验知识约束的浓雾天气形势识别方法，其特征在于，所述先验属性标签包括高压背景、低压或低槽背景、锋面背景、弱风条件、偏南风条件和中等风条件中的至少一种。

8.根据权利要求1所述的基于时空特征融合与先验知识约束的浓雾天气形势识别方法，其特征在于，所述对规则统计特征向量进行编码，得到知识增强表示，并输出所述天气过程在各先验气象属性上的属性响应，包括：利用知识编码网络对所述规则统计特征向量进行特征映射，得到知识增强表示；

基于所述知识增强表示输出多个先验属性响应值；

根据所述先验属性标签和先验属性响应值计算属性监督损失。

9.根据权利要求8所述的基于时空特征融合与先验知识约束的浓雾天气形势识别方法，其特征在于，所述根据所述约束信息与所述天气形势分类预测结果以及所述先验属性标签建立一致性约束，包括：构建属性-类别软规则矩阵，以表征先验属性与雾型类别之间的对应关系；

利用所述属性-类别软规则矩阵将属性预测结果投影至雾型语义空间；

将投影至雾型语义空间后的结果与天气形势分类预测结果在雾型语义空间上的分布施加一致性约束；

通过主分类损失、属性监督损失和一致性损失的联合优化完成识别模型训练。

10.根据权利要求8所述的基于时空特征融合与先验知识约束的浓雾天气形势识别方法，其特征在于，所述联合优化的总损失函数L表示为：；

其中，  表示主分类损失，  表示属性监督损失，  表示一致性损失，  和  分别表示属性监督项和一致性约束项的权重系数；

所述主分类损失用于约束类别预测结果与真实类别标签之间的一致性，表达式为：；

其中， 表示模型输出的类别预测结果， 表示真实类别标签，  表示交叉熵损失函数；

所述属性监督损失用于约束先验属性响应与先验属性标签之间的一致性，表达式为：；

其中， 表示模型输出的先验属性响应， 表示先验属性标签，  表示二元交叉熵损失函数，  表示基于预设样本掩码的损失选择或加权计算；

所述一致性损失用于约束类别预测结果与先验属性响应之间的语义一致性，表达式为：；

其中，  表示 Sigmoid 激活函数，  表示模型在预设类别子空间上的预测概率分布，  表示预设类别子空间与先验属性之间的软规则矩阵，  表示由类别预测结果映射得到的属性语义表示，  表示二范数平方。