MATLAB实现基于进行空间卷积网络（SCN）中短期天气预测的详细项目实例（含完整的程序GUI设计和代码详解）

项目特点与创新 多尺度空洞残差骨干 位置与地形先验融合 结构一致性辅助损失 轻量化与低延迟 不确定性表达与校准 端到端工程闭环 项目应该注意事项 数据质量控制与标注 训练集与验证集时空隔离 指标与业务需求对齐 推理与资源配额规划 项目模型算法流程图 项目数据生成具体代码实现 项目目录结构设计及各模块功能说明 项目目录结构设计 各模块功能说明 项目部署与应用 系统架构设计 部署平台与环境准备 模型加载与优化 实时数据流处理 可视化与用户界面 GPU/TPU加速推理 系统监控与自动化管理 自动化CI/CD管道 API服务与业务集成 安全与隐私 故障恢复与备份 模型更新与持续优化 20项目未来改进方向 20更丰富的多源融合 物理引导与混合建模 20概率预报与校准 迁移学习与跨区域泛化 21轻量化与边缘部署 项目总结与结论 程序设计思路和具体代码实现 21第一阶段：环境准备 21清空环境变量 21关闭报警信息 22关闭开启的图窗 22清空变量 清空命令行 2检查环境所需的工具箱 22检查环境是否支持所需的工具箱，若没有安装所需的工具箱则安装所需的工具箱。 2配置GPU加速 23第二阶段：数据准备 23数据导入和导出功能 23 数据处理功能 数据处理功能(填补缺失值和异常值的检测和处理功能) 数据分析(平滑异常数据、归一化和标准化等) 26特征提取与序列创建 26划分训练集和测试集 27参数设置 第三阶段：算法设计和模型构建及参数调整 算法设计和模型构建 27优化超参数 防止过拟合与超参数调整 31第四阶段：模型训练与预测 3设定训练选项 33模型训练 3用训练好的模型进行预测 3保存预测结果与置信区间 33第五阶段：模型性能评估 34 设计绘制训练、验证和测试阶段的实际值与预测值对比图 设计绘制误差热图 35设计绘制残差分布图 35设计绘制预测性能指标柱状图 35第六阶段：精美GUI界面 36完整代码整合封装 中短期天气预测的详细项目实例项目背景介绍络(SpatialConvolutionalNetwork,SCN)强调在二维格点场上直接进行卷积体化优势(数据读取、可视化、信号处理与深度学习工具箱无缝集成)使得从数据工程到模型训练、从误差分析到部署评估形成闭环；工程团队可以将观测站、差网络提取多尺度结构，输出未来数小时的目标变量(如1—3小时累计降水或逐小时降水率),并辅以标准化、位置编码、损失加权与不确定性估计等机制，标准化并分别记录参数，确保推理时一致；为边界陆海分界设置二值掩膜，引导卷积学习陆海差异。降水分布长尾显著,MSE易受极端值影响。解决路径：采用Huber/Log-cosh或分位数损失；对>某阈值样本增加权重；引入FSS(FractionsSkillScore)辅助损失用于空间结构一致性约束，减少“散点化”误差。气象数据自相关强，过拟合风险高。解决路径：空间随机裁剪与随机平移增强；在瓶颈层加入Dropout;混合精度训练与梯度裁剪抑制爆炸；使用ReduceLROnPlateau策略自动调节学习率，配合早停改善泛化。生产环境对延迟与内存占用敏感。解决路径：深度可分离卷积替换部分标准卷积；层融合与权重量化降低参数；批量小样并行加速推理；采用MATLAB并行工具箱分块推理以适配超大区域网格。项目模型架构输入由过去K个时次的多源要素构成，如温度、湿度、气压、U/V风与累积降水等。通过时间窗口将K个时次沿通道维度堆叠，形成张量大小为H×W×(C×K)。这种组织方式让纯空间卷积在单次前向中同时“看到”时间上下文，避免复杂的时序循环结构，利于高效推理。为提升空间可解性，额外加入经纬度归一化通道、正弦余弦位置编码以及静态地形高度与陆海掩膜通道。位置编码帮助卷积层分辨同构图案在不同地理位置的不同含义，地形通道提供抬升、屏障等先验。拼接后经1×1卷积进行通道重标定，实现信息融合与降维。数据增强(随机裁剪、平移、轻度旋转),提升泛化能力，降低站点或区域偏置输出头采用1×1卷积将通道压缩到目标数量，可同时预测多个提前量(如1h、项目模型描述及代码示例rng(20250816);%固定随机种子，保障训练H=32;W=32;%设置栅格高度与宽度，匹配常见中尺度网格尺寸C=5;K=6;%C为气象要素通道数，K为时间窗口长度extraPos=3;%位置与地形等额外通道数(经纬度、地形、陆海掩膜)Cin=C*K+extraPos;%计算输入通道总数，包含时间堆leadTimes=3;%预测提前量个数，例如1h、2h、3huseProbHead=false;%是否启用分位数分支，可按业务需求切换数据标准化与位置编码mu=zeros(C,1);sigma=ones(C,1);%为各物理量预留标准化参数向量，便[latGrid,lonGrid]=meshgrid(linspace(-1,1,W),linlatGrid=latGrid';lonGrid=lonGrid';%转置以匹配H×W排列，确保维landmask=double(rand(H,W)>0.3);%构造陆海掩膜，值为1表示陆地，0表posStack=cat(3,latGrid,lonGrid,elev.*landmask);%拼接位置与地形standardize=@(x,c)(x-mu(c))./max(sigma(c),1e-6);%定义逐通道标准lgraph=layerGraph();%创建空的层图容器inLayer=imageInputLayer([HWCin],"Name","input","Normalization","none");%输入层采用无归一化，保lgraph=addLayers(lgraph,inLayer);%addLayers(1graph,convolution2dLayer(3,64,"Padding","sav_s1"));%首层3×3卷积，提取局部纹理lgraph=addLayers(lgraph,batchNormalizationLayer("Name","bn_s1"));%lgraph=addLayers(lgraph,reluLayer("Name","relu_s1"));%激活层，引入非线性表达%残差块A:标准卷积分支convolution2dLayer(3,64,"Padding","same","Name",第一层卷积，保持通道64batchNormalizationLayer("Name","resA_bn1")%BN稳定训练reluLayer("Name","resA_relul")%ReLU激活convolution2dLayer(3,64,"Padding","same","Name",batchNormalizationLayer("Name","resA_bn2")];%再次归一化以便相加项目应该注意事项缺测、拼接与异常峰值会显著影响训练稳定性。需在数据工程阶段提供质量掩膜、时间龄期与站点可靠度标记，并在损失中屏蔽或减弱可疑栅格的贡献，确保学习到的模式来自真实物理而非数据噪声。气象场强相关，若样本随机切分不当，会高估泛化能力。建议基于时间块或地理区域进行隔离切分，并通过跨季节与跨区域验证评估稳健性，杜绝信息泄漏。仅用RMSE无法反映强降水检出与空间结构一致性。需同步监控分位误差、FSS、ETS等指标，并结合行业阈值(如≥10mm/h)开展分级评估，使模型优化方向贴合业务价值。生产环境需在既定CPU/GPU配额内达成分钟级刷新。应评估并行度、批大小与混合精度带来的吞吐与延迟权衡，必要时使用分块推理与流水线调度。项目模型算法流程图数据采集与拼接观测/再分析/雷达/卫星→统一网格化→质量控制与掩膜→时间对齐与窗口化(K步)标准化(记录统计量)+位置/地形编码通道拼接→SCN前端：3×3卷积+BN+ReLU分支A:标准卷积残差→输出A通道拼接→1×1融合→输出头(1或多提前量/分位数) 产品/可视化项目数据生成具体代码实现rng(20250816);%固定随机性，保证合成数据可重复H=32;W=32;%栅格尺寸，代表区域网格分辨率C=5;K=6;%要素通道数与时间窗口长度N=5000;%样本总数，满足需求leadTimes=3;%预测1—3小时[latGrid,lonGrid]=meshgrid(linspace(-1,1,W),linspace(-1,1,H));%成归一化经纬度latGrid=latGrid';lonGrid=lonGrid';%调整elev=imgaussfilt(rand(H,W),2);elev=elev./maxlandmask=double(rand(H,W)>0.3);%陆海掩膜posStack=cat(3,latGrid,lonGrid,elev.*landmask);%位置与地形先验Cin=C*K+size(poX=zeros(H,W,Cin,N,'single’);%预分配输入数据Y=zeros(H,W,leadTimes,N,'single’);%预分配目标baseTemp=zeros(H,W,K+leadTimes);%温度时序容器baseHumi=zeros(H,W,K+leadTimebasePres=zeros(H,W,K+leadTimes);%baseWind=zeros(H,W,K+leadTimes);%baseRain=zeros(H,W,K+leadTimes);%降水时序容器phi=rand*2*pi;%随机相fort=1:(K+leadTimes)%逐时生成多要素climT=18+7*sin(2*pi*(t/24)+phi)sfield=imgaussfilt(randn(H,W),1+0.5*rand);%空间平滑扰动baseTemp(:,:,t)=climT+0.5*sfield;%温度合成场humiraw=0.6+0.15*randn;hummin(max(humiraw,0.2),0.95);%湿度背景baseHumi(:,:,t)=humiraw+0.2*imgaussfilt(randn(H,W),1);%湿presDrift=1010+3*cumsum(randn,1);%气压缓慢随机游走basePres(:,:,t)=presDrift+imgaussfilt(randn(Hwindshape=abs(imgaussfilt(randn(H,W),1.5));%风速非负形状baseWind(:,:,t)=3+2*windshape;%风速合成场convTrigger=max(0,baseHumi(:,:,t)-0.7).*max(0,20-abs(baseTemp(:,:,t)-20));%对流触发近似项实时数据流处理现滚动推理并生成1—3小时预测产品；对于迟到数据进行补推策略以完善归档。可视化与用户界面将预测栅格转换为WebMercator金字塔瓦片，前端通过地图SDK加载。支GPU/TPU加速推理在GPU上开启批内并行与混合精度，利用共享内存加速卷积算子；在多GPU环境系统监控与自动化管理API服务与业务集成cat(3,baseTemp(:,:,k),baseHumi(:,:,k),basePres(:,:,k),,baseRain(:,:,k));%五要素合并为多通道切片featStack=cat(3,featStack,featK);%不断拼接形成时间堆叠X(:,:,:,n)=cat(3,featStack,posStack);%加入位置先验得到最终输入样本forh=1:L,Y(:,:,h,n)=baseRain(:,:,K+h);end%使用未来L步降水作为监督标签文本处理与数据窗口化%若来自外部CSV或文本序列，可按字段映射转换为H×W×C×T并再按窗口分割；此处对已生成张量构造窗口索引[H,W,Cin,N]=size(X);%读取输入张量维度，便于后续尺寸一致性检查leadTimes=size(Y,3);%读取输出提前量个数，便于下游网络头部维度设置%窗口化在合成阶段已完成；当接入原始序列时可使用buffer与索引切片实现时间滑窗数据处理功能%将位置先验通道分离，便于对物理要素做独立标准化处理posChannels=3;%位置先验通道数量(纬度、经度、地形)featChannels=Cin-posChannels;%物理要素通道数量X_feat=X(:,:,1:featChannels,:);%提取物理要素通道用于统计与清洗X_pos=X(:,:,(featChannels+1):Cin,:);%提取位置先验通道保持原样数据处理功能(填补缺失值和异常值的检测和处理功能)%合成数据无NaN;真实数据可能存在缺测与异常值，以稳健统计方式处理isnanMask=isnan(X_feat);%标记缺测位置，为后续填补与损失屏蔽提供依据ifany(isnanMask(:))%仅在存在缺测时执行填补forc=1:featChannels%逐通道处理以保持各物理量的统计特性slice=X_feat(:,:,c,:);%取出单通道四维切片slice=fillmissing(slice,'linear',4);%沿第4维样本方向线性插值，缓解时间邻域导致的空洞slice=fillmissing(slice,'movmean',3);%再用移动平均细化填补，平滑插值边界X_feat(:,:,c,:)=slice;%回写填补后结果N=size(X,4);rng(42);idx=r空聚集带来的估计偏差nTrain=floor(0.7*N);nVal=floor(0.15*N);nTest=N-nTrain-nVal;%按7/1.5/1.5比例划分训练、验证与测试idTrain=idx(1:nTrain);idVal=idx(nTrain+1:nTrain+nVal);idTestidx(nTrain+nVal+1:end);%形成三组索引，保证互斥XTrain=X(:,:,:,idTrain);YTrain=Y(:,:,:,iXVal=X(:,:,:,idVal);XTest=X(:,:,:,idTest);H=size(X,1);W=size(X,2);leadTimesparam.inChannels=Cin;%输入通道数，涵盖时间堆叠、位置先验与地形梯度param.width=64;%主干通道宽度，兼顾表达力与显存占用param.dilationSet=[124];%空洞率集合，覆盖局地到中尺度结构param.dropout=0.2;%Dropout比例，降低共适应从而提升泛化param.learnRate=le-3;%初始学习率，适配Adam优化器的稳定收敛param.12=le-4;%L2权重衰减param.batch=8param.epochs=25;%训练轮数基线设置，后续结合早停动态截断param.execEnv=execEnv;%训练执行环境，沿用前述检测结果lgraph=layerGraph();%新建层图容器，便于搭建多分支残差结构inputL=imageInputLayer([Hparam.inChannels],"Name","input","Normalization","none");%输入层按lgraph=addLayers(1graph,inputL);%将输入层挂入层图[convolution2dLayer(3,param.width,"Padding),...%前端3×3卷积提取局地纹理并将通道映射到主干宽度batchNormalizationLayer("Name","stem_bn"),...%批归一化抑制subplot(1,3,1);imagesc(mean(YTrain(:,:,tshow,:),4));axisimagetitle('训练集真实均值’);colorbar;%展示训练集目标的空间均值，subplot(1,3,2);imagesc(mean(YVal(:,:,tshow,:),4));axisititle('验证集真实均值’);colorbarsubplot(1,3,3);imagesc(mean(YPred_val(:,:,tshow,:),4));axisititle('验证集预测均值’);colorbar;%展示验证集预测的空间均值以saveas(f1,fullfile(outDir,'compare_mean.png’));%保存对比图用于留档设计绘制误差热图化eMap=mean(YPred_test(:,:,tshow,:)-YTest(:,:,tshow,imagesc(eMap);axisimageoff;colorbar;title('测试集平均误差');%渲saveas(f2,fullfile(outDir,'error_heatmap.png’));设计绘制残差分布图histogram(err(:),100,'Normalization','pdf');holdon;%绘制残[dens,xgrid]=ksdensity(err(:));plot(xgrid,dens,'LineWidth',2);%title('残差概率分布’);%标注VaR位置与图例saveas(f3,fullfile(outDir,'residual_distribution.png'));%保存残差分布图设计绘制预测性能指标柱状图set(gca,'XTickLabel',{'MSE','MAE','MBE','MAPE','1-ickLabelRotation',30);%绘制柱状图并配置刻度标签saveas(f4,fullfile(outDir,'metrics_bar.png’));%保存指标柱状图第六阶段：精美GUI界面functionscn_gui_app()%将GUI封装为函数UIF=uifigure('Name','SCN短期天气预测’,'Color','white','Position',[1001001200760]);%创建主界面窗口并设gl=uigridlayout(UIF,[6,6]应lblFile.Layout.Column=1;%放置数据文件标签，提示当前字段含义txtFile=uitextarea(gl,'Editable','off');txtFile.Layout.Row=1;txtFile.Layout.Column=[26];%放置文件路径回显框，展示已选择的数据btnFile=uibutton(g1,'Text','选择数据’,'ButtonPushedonPickFile());btnFile.Layout.Row=2;btnFile.Layout.Column=1;%放置文edtLR.Layout.Column=2;edtLR.Tooltip='学习率’;%数值输入框用于设置学edtBS.Layout.Column=3;edtBS.Tooltip='批量大小’;%数值输入框用于设置edtEP=uieditfield(gl,'numeric','Value’,20)edtEP.Layout.Column=4;edtEP.Tooltip='迭代轮数’;%数值输入框用于设置edtDR=uieditfield(gl,'numeric','Value',0.2);edtDR.Layout.Row=edtDR.Layout.Column=5;edtDR.Tooltip='Dropout比例’;%数值输入框用于设置Dropout比例，调节正则强度uidropdown(gl,'Items',{'auto','gpu','cpu'},'Value','addlExec.Layout.Row=2;ddlExec.Layout.Column=6;%axTrain=uiaxes(gl);axTrain.Layout.Row=4;axTrain.Layout.Column=[13];title(axTrain,'训练过程’);%左侧轴用于实axCompare=uiaxes(gl);axCompare.Layout.Row=4;axCompare.Layout.Column=[46];title(axCompare,'对比与误差');%右侧轴axAnim=uiaxes(gl);axAnim.Layout.Row=5;axAnim.Layout.Column=[16];title(axAnim,'动画展示’);%底部轴用于播放动态预测动画，提升交互观感onEval());btnEval.Layout.Row=3;btnEval.Layout.Column=2;%onExport());btnExport.Layout.Row=3;btnExport.Layout.Column=3;%导出btnErr=uibutton(gl,'Text',’绘制误差图’,'ButtonPushedFcn',@(s,e)onPlobtnErr.Layout.Column=4;%误差图按钮创btnRes=uibutton(gl,'Text',’残差与指标’,'ButtonPushedFcn',@(s,e)onPlbtnRes.Layout.Column=5;%残差按钮绘制分布与柱状图onPlay());btnAnim.Layout.Row=3;btnAnim.Layout.Column=6;%动画按钮将bestCoords=[];%准备承载最优预测帧序列的变量，供动画与导出复用struct('X',[],'Y’,[],'net’,[],'param',[],'YPrfunctiononPickFile()%文件选择回调ifisequal(f,0),uialert(UIF,'未选择文件','提示’);return;end便于确认ifendsWith(f,'.mat')%针S=load(fu提示’);%提示CSV需自定义映射，避免维度不一致uialert(UIF,'数据已载入’,'成功’);%给出成功提示增强uialert(UIF,['读取失败：',ME.message],'错误');%异常捕获functiononTrain()%训lr=edtLR.Value;bs=max(1,round(edtBS.Value));epmax(1,round(edtEP.Value));dr=min(max(edtDR.Value,0),0.8);%execSel=ddlExec.Value;ifstrcmp(execSel,'auto'),execSel=param.execEnv;end%解析执行环境选择，默认继承检测结果paramGUI=param;paramGUI.learnRate=lr;paramGUI.baparamGUI.epochs=ep;%组装GUI版本的超参数结构replaceLayer(1graph,'A_do',dropoutLayer(dr,'Name','A_do'));%将replaceLayer(lgraphGUI,'B_do',dropoutLayer(dr,'Name’,'B_do'));%同步调整B块DropoutreplaceLayer(lgraphGUI,'C_do',dropoutLayer(dr,'Name','C_do'));%同步调整C块DropouttrainingOptions('adam’,'InitialLearnRate',1r,'MiniBatchSpochs',ep,...%'Shuffle','every-epoch','Verbose',false,'ExecutionEn'ValidationData',{XVal,YVal},'ValidationFrequency',fn)/bs),...'OutputFcn',@(info)drawProgress(info,axTrain));%使用输出回调在axTrain上刷新曲线实现实时可视trainNetwork(XTrain,YTrain,1graphGUI,optsGUI);%启动训练并在界面上实dataCache.param=paramGUI;%缓存超参数以便后续导出与复现uialert(UIF,'训练完成’,'成功’);%训练完成提示uialert(UIF,['训练失败：',ME.message],'错误’);%捕获异常输出错误提示functionstop=drawProgress(info,ax)%训练过程绘图回调stop=false;ifinfo.State=="epoch",plot(ax,info.TrainingLoss,'-o');hold(ax,'on’);if~isempty(info.ValidationLoss),plot(ax,info.ValidationLoss,'legend(ax,{'Train','Val'});drawnow;end%在每个epoch结束时刷新训练与验证损失曲线functiononEval()%评估回调误’);return;end%未训练则阻止评估predict(dataC,XTest,'ExecutionEnvironment',param.ex执行测试集推理dataCache.YPred=YP;%缓存预测张量供绘图与导出predict(dataC,XVal,'ExecutionEnvironment',param.exYVal;%计算验证残差以估计区间qL=quantile(resVal(:),0.10);qH=quantile(resVal(:),0.90);%得到残差分位数对应区间dataCache.YPI=cat(5,YP+qL,YP+qH);%将上下界沿新维度拼接，便于动画与导出imagesc(axCompare,mean(YP(:axis(axCompare,'image');axCompare.Visible='off’;title(axCompare,试集预测均值’);colorbar(axCompare);%在右侧轴展示平均预测直观观感bestCoords=squeeze(mean(YP(:,:,1,:),3));assignin('base','bestCoords',bestCoords);%将最优数据保存到基础工作区并命名为bestCoords,便于外部探索与动画uialert(UIF,'评估完成’,'成功’);%成功提示uialert(UIF,['评估失败：',ME.message],'错误');%异常提示functiononExport()%导出回调错误’);return;end%若无预测则阻止导出isequal(f,0),return;end%选择导出路径YPred_gui=dataCache.YPred;YPI_guisave(fullfile(p,f),'YPred_gui','YPI_gui','-v7.3');%写入MAT文件包含预测与区间uialert(UIF,'导出完成','成功’);%完成提示uialert(UIF,['导出失败：',ME.message],'错误’);%异常提示functiononPlotErr()%误差图回调');return;end%无预测则提示eMap=mean(dataCache.YPred(:,:,1,:)-YTest(:,:,1imagesc(axCompare,eMap);axis(axCompaxCompare.Visible='off';tcolorbar(axCompare);%在右侧轴展示误差热图定位偏差热点functiononPlotRes()%残差与指标回调’);return;end%无预测则提示histogram(axCompare,err,80,'Normalization','pdf');title(ax残差分布’);%绘制残差直方以观察尾部风险functiononPlay()%动画回调');return;end%无预测则提示YP=dataCache.YPred;nSamples=size(YP,4);%读取预测张量与样本数fori=1:min(nSamples,60)%为避免过长播放，展示最多60帧imagesc(axAnim,YP(:,:,1,i));axis(axAaxAnim.Visible='off’;title(axAnim,['样本#',num2str(i),'帧’]);colorbar(axAnim);drawnow;%按样本序号播放预测帧形成动态效果%GUI入口调用(可在完成训练评估后手动执行，也可直接运行启动界面)%scn_gui_app;%取消注释即可启动界面，完成文件导入、参数设定、训练评估与可视化交互functionscn_scn_gui_app()%将所有阶段整合为单一入口函数，保存为scn_scn_gui_app.m后可直接运行%%环境准备阶段%%clearvars;%清空工作区变量，避免历史数据对本次流程产warning('off','all');%关闭全部警告显示，确保界面与日志更为简洁if~isempty(findall(0,'Type','figure’)),close图窗则强制关闭，释放图形与GPU图层资源pack;%整理内存块并尝试回收空闲内存，提升大张量操作稳定性vlist=ver;%获取已安装产品列表，为依赖性核查提供依据needList={'DeepLearningToolbox','ImageProcessingToolbox','StatisticsandMachineLearningToolbox'};%设定hasAll=all(ismember(needList,{vlist.Name}));%判断依赖是否齐全，减if~hasAll,error('缺少必Processing、StatisticsandMachineLearning');end%若依赖缺失ifgpuCnt>0,gdev=gpuDevice(1);disp(['GPU:',gdev.Name]);execEnv='gpu';else,disp('GPU未就绪，使用CPU');execEnv='cpu';end%ternary=@(cond,a,b)(cond.*a+(~cond).*b);%#ok<NASGU>%定义简洁三rootDir=pwd;%记录工程根目录，便于统一组织数据与模型输出dataDir=fullfile(rootDir,'data');if~exist(dataDir,'dir'),mkdir(dataDir);end%创建数据目录，保证数据读写路径存在modelDir=fullfile(rootDir,'models');if~exist(modelDir,'dir'),mkdir(modelDir);end%创建模型目录，用于持久化训练产物outDir=fullfile(rootDir,'outputs’);if~exist(outDir,'dir'),mkdir(outDir);end%创建输出目录，用于保存预测与可视化%%默认超参数与状态容器%%cfg=struct();%构建配置结构体容器，统一维护关键超参数cfg.H=32;cfg.W=32;%设置网格尺寸，兼顾演示与显存占用cfg.C=5;cfg.K=6;%设置要素通道数与时间堆叠步数cfg.leadTimes=3;%设置预测提前量个数，覆盖1～3个时间步cfg.width=64;%SCN主干宽度，平衡表达力与速度cfg.dilationSet=[124];%空洞率集合，覆盖多尺度结构cfg.dropout=0.2;%Dropout比例，抑制共适应与过拟合cfg.epochs=20;%训练轮cfg.execEnv=execEnv;%记录执行环境，训练与推理统一使用struct('X',[],'Y',[],'mu',[],'sigma',[],'net',[],,'YPI_low',[],'YPI_high',[],'bestCoords',[]);%%%GUI框架搭建%%UIF=uifigure('Name’,'SCN短期天气预测一体化程序’,'Color','white','Position',[60601300800]);%创建主界面窗口，设定grid=uigridlayout(UIF,[7,6]);grid.RowHeight{28,28,28,28,'1x','2x',28};grid.ColumnWidthuilabel(grid,'Text',’数据文件：');%左上角放置标签明确文件选择区域txtFile=uitextarea(grid,'Editable','off');txtFile.Layout.Row=1;txtFile.Layout.Column=[26];%路径显示区域只读，确保路径’,'ButtonPushedFcn',@(s,e)onPickbtnPick.Layout.Column=1;%文件选择按钮绑定回调，触发数据载入流程’,'ButtonPushedFcn',@(s,e)onGebtnGen.Layout.Column=2;%一键合成按钮用于无数据场景，快速获得训练样本edtLR=uieditfield(grid,'numeric','VaedtLR.Layout.Row=2;edtLR.Layout.Column=3;edtLR.Tooltip='学习率’;%edtBS=uieditfield(grid,'numeric','Value',cfg.batch);edtBS.Layout.Row=2;edtBS.Layout.Column=4;edtBS.Tooltip='批大小’;%edtEP=uieditfield(grid,'numeric','edtDR=uieditfield(grid,'numeric',edtDR.Layout.Row=2;edtDR.Layout.Column=6;edtDR.T’;%Dropout输入框，调节uidropdown(grid,'Items',{'auto','gpu','cpu'},'Value',cfg.exeddlExec.Layout.Row=3;ddlExec.Layout.Column=1;%执行环境选择框，允许','ButtonPushedFcn',@(s,e)onPrepare());btnPrebtnPrep.Layout.Column=2;%数据预处理按钮，执行清洗、标准化与特征构造btnSplit=uibutton(grid,'Text','划分数据’,'ButtonPushedFcn',@(s,e)onSpbtnSplit.Layout.Column=3;%划分数据按钮，生成训练/验证/测试集合btnBuild=uibutton(grid,'Text','构建模型’,'ButtonPushedFcn',@(s,e)onBubtnBuild.Layout.ColbtnTrain=uibutton(grid,'Text',’开始训练’,'ButtonPushedFcn',@(s,e)onTrbtnTrain.Layout.Column=5;%开始训练按钮，触发训练主流程’,'ButtonPushedFcn',@(s,e)onbtnEval.Layout.Column=6;%评估预测按钮，计算指标并生成图件axTrain=uiaxes(grid);axTrain.Layout.Row=5;axTrain.Layout.Col3];title(axTrain,'训练与验证损失’);%左侧绘图区域用于实时显示训练曲线axShow=uiaxes(grid);axShow.Layout.Row=5;axShow.Layout.Column=[46];title(axShow,'对比与误差图’);%右侧绘图区域显示空间均值或误差热图axAnim=uiaxes(grid);axAnim.Layout.Row=6;axAnim.Layout.Column=[16];title(axAnim,'预测动画播放’);%底部绘图区域用于播放动态帧’,'ButtonPushedFcn',@(s,e)onErbtnErr.Layout.Column=1;%按钮触发误差热图’,'ButtonPushedFcn',@(s,e)onRebtnRes.Layout.Column=2;%按钮触发残差直方与核密度’,'ButtonPushedFcn',@(s,e)obtnBar.Layout.Column=3;%按钮触发综合指标柱状图’,'ButtonPushedFcn',@(s,e)onExpbtnSave.Layout.Column=4;%按钮导出预测与区间数据’,'ButtonPushedFcn',@(s,e)onPbtnPlay.Layout.Column=5;%按钮播放最优帧动画’,'ButtonPushedFcn',@(s,e)onInbtnInfo.Layout.Column=6;%按钮显示设备与工具箱信息%%回调函数区域%%[f,p]=uigetfile({'*.mat','MAT文件’},'选择数据文件');%弹出文件选择对话框限定MAT格式ifisequal(f,0),uialert(UIF,'未选择文件’,'提示’);return;end%若取消选择则提示后返回txtFile.Value={fullfile(p,f)};%在文本框回显已选择的文件绝对路径S=load(fullfile(p,f));%加载MAT文件到结构体容器state.X=S.X;state.Y=S.Y;%提取输入张量与标签张量uialert(UIF,'数据载入完成’,'成功’);%成功提示增强交互体验uialert(UIF,['载入失败：',ME.message],'错误’);%异常信息弹窗展示，便于定位问题functiononGenData()%合成样本回调localGenerateSyntheticWeather(cfg.H,cfg.W,cfg.C,cfg.K,mes);%调用数据生成函数创建样本state.X=X;state.Y=Y;%将合成结果写入运行态容器inMat=fullfile(dataDir,'synth_weather.mat');save(inMat,'X','Y’,'-v7.3');%持久化合成数据便于复用txtFile.Value={inMat};%将数据路径回显到界面文本框uialert(UIF,'合成数据已生成并保存到data目录’,'成功’);%成功提示uialert(UIF,['生成失败：',ME.message],'错误');%异常提示functiononPrepare()%数据预处理回调localPrepareData(state.X,state.Y);%执行清洗、标准化与静态特征扩展imagesc(axShow,mean(state.Y(:axis(axShow,'image');axShow.Visible='off';title(axShow,'目标均值(提前量1)');colorbar(axShow);%在右侧轴显示目标均值以检视分布uialert(UIF,'数据预处理完成’,'成功’);%成功提示uialert(UIF,[’预处理失败：’,ME.message],'错误’);%异常提示[XTrain,YTrain,XValstate.XTrain=XTrain;state.YTrain=YTstate.YVal=YVal;state.XTest=XTest;state.YTest=uialert(UIF,'数据划分完成’,'成功’);%成功提示uialert(UIF,['划分失败：',ME.message],'错误’);%异常提示functiononBcfg.learnRate=edtLR.Value;cfg.batchcfg.learnRate=edtLR.Value;cfg.batchmax(1,round(edtBS.Value));cfg.epochs=max(1,round(edtEP.Value));cfg.dropout=min(max(edtDR.Value,0),0.8);%从界面读取并整理超参数execSel=ddlExec.Value;ifstrcmp(execSel,'auto'),execSel=cfg.execEnv;end;cfg.execEnv=execSel;%解析执置Cin=size(state.X,3);H=size(state.X,1leadTimes=size(state.Y,3);%读取维度信息以对齐网络输入与输出头localBuildSCN(H,W,Cin,leadTimes,cfg.width,cfg.dilationuialert(UIF,'模型构建完成’,'成功’);%成功提示uialert(UIF,['构建失败：',ME.message],'错误’);%异常提示opts=trainingOptions('adam',...%指定优化算法为Adam'InitialLearnRate',cfg.learnRate,...%设置L2正则强度'Shuffle’,'every-epoch',...%每轮打乱样本次序'Verbose',false,...%关闭冗余日志，交由回调绘图展示'ExecutionEnvironment',cf'ValidationData',{state.XVal,指定验'ValidationFrequency',max(1,floor(size(state.XTrain..%合理设定验证频率'OutputFcn',@(info)drawProgress(info,axTrain));%绑定输出回调以实时绘制训练/验证损失曲线trainNetwork(state.XTrain,state.YTrain,state.1graph,opts);%启动训练并返回训练信息save(fullfile(modelDir,'scn_model.mat'),'net',持久化模型产物，支持后续加载与对比实验uialert(UIF,'训练完成','成功’);%成功提示uialert(UIF,['训练失败：',ME.message],'错误’);%异常提示predict(,state.XVal,'ExecutionEnvironment',cfg.exYPred_test=predict(,state.XTest,'ExecutionEnvironment',cfg.exresVal=YPred_val-state.YVal;%计算验证残差，反映系统qLow=quantile(resVaquantile(resVal(:),0.90);%state.YPred=YPred_test;state.YPI_low=YPred_test+qLow;state.YPI_high=YPred_test+qHigh;%将预测结果连同置信区间写入运行态imagesc(axShow,mean(YPred_test(:值(提前量1)’);colorbar(axShow);%右侧轴展示预测空间均值用于快速体感state.bestCoords=squeeze(mean(YPred_test(:,:,1,:),3));assignin('base','bestCoords',state.bestCoords);%将代表性结果写入基础工作区以便外部复用localMetrics(YPred_test,state.YTest);%计算多指标评估汇总表disp(metrics);%在命令行打印指标表，便于留档writetable(metrics,fullfile(outDir,'metrics.csv'));%将指标写入CSV方便复审uialert(UIF,'评估与预测完成','成功’);%成功提示uialert(UIF,['评估失败：',ME.message],'错误’);%异常提示functiononErrMap()%误差热图渲染回调return;end%若预测尚未生成则提示eMap=mean(state.YPred(:,:,1,:)-state.YTest(:,:,1,:),4);%计算平均误差空间分布，用于定位系统偏差imagesc(axShow,eMap);axis(axShaxShow.Visible='off’;title(axShow,'测试集平均误差(提前量1)');colorbar(axShow);%绘制误差热图并显示色标functiononResHist()%残差分布回调return;end%检查预测是否可用err=state.YPred(:)-state.YTest(:);%汇总所有像元与样本的残差构成总体分布histogram(axShow,err,100,'Normalization','title(axShow,'残差分布直方与核密度’);hold(axShow,'on');%绘制直方图并归一化为概率密度plot(axShow,xgrid,dens,'LineWidth',2);hold(axShow,叠加核密度曲线以平滑观察functiononBar()%指标柱状图回调return;end%检查预测是否可用[metrics,vals,names]=localMetrics计算指标并获取名称序列set(axShow,'XTickLabel',names,'XTickL刻度标签functiononExport()%结return;end%检查预测可用性save(fullfile(outDir,'predictions.mat'),writematrix(reshape(state.YPred,[],size(state.YPred,4))’,fuDir,'pred_test.csv'));%导出测试集预测到CSV便于系统对接writematrix(reshape(state.YPI_low,[],size(state.YPI_low,4)writematrix(reshape(state.YPI_high,[],size(state.YPI_high,4le(outDir,'pred_pi_high.csv'));%导uialert(UIF,'结果已导出到outputs目录',’成功’);%成功提示functiononPlay()%动画播放回调YP=state.YPred;nS=size(YP,4);%读取预测张量与样本数fori=1:min(nS,80)%控制播放帧数避免过长阻塞界面imagesc(axAnim,YP(:,:,1,i));axis(axAaxAnim.Visible='off';title(axAnim,['样本#',num2str(i),'预测帧(提前量1)']);colorbar(axAnim);drawnow;%按样本序号逐帧播放形成动画效果msg=sprintf('执行环境：%s\nGPU数量：%d\绪：%d',cfg.execEnv,gpuCnt,hasAll);%组织设备与依赖信息文本uialert(UIF,msg,'环境信息’);%弹窗展示环境与依赖状态%%本地函数区域%%[latGrid,lonGrid]=meshgrid(linspace(latGrid=latGrid';lonGrid=lonGrid';%生成归一化经纬度通道，刻画地理位置elev=imgaussfilt(rand(H,W),2);elev=elev./max(elev(:));landmask=double(rand(H,W)>0.3);%合成平滑地形并叠加陆posStack=cat(3,latGrid,lonGrid,elev.*landmask);%Cin=C*K+size(posStack,3);%计算输入通道总数，包含时间堆叠与先验通道X=zeros(H,W,Cin,N,'single’);Y=zeros(H,W,L,N,'single');%预分配输forn=1:N%遍历样本编号，逐样本构造多要素时序baseTemp=zeros(H,W,K+L);baseHumi=zeros(H,WbasePres=zeros(H,W,K+L);baseWind=zeros(H,WbaseRain=zeros(H,W,K+L);%初始化五要素容器phi=rand*2*pi;%为每个样本设置随机相位，制造日变化差异fort=1:(K+L)%遍历时间步，生成每个时刻的格点场climT=18+7*sin(2*pi*(t/24)+phi);%温度日周期项，体sfield=imgaussfilt(ranbaseTemp(:,:,t)=climT+0.5*sfield;%叠加扰动得humiraw=min(max(0.6+0.15*randn,0.2),0.95);%湿度基线限定baseHumi(:,:,t)=humiraw+0.2*imgaussfilt(randn(H,W),1);%presDrift=1010+3*cumsum(randn,1);%气压缓慢随机游走，模拟basePres(:,:,t)=presDrift+imgaussfilwindshape=abs(imgaussfilt(randn(H,W),1.5));bas3+2*windshape;%风速取非负并加入平滑结构convTrigger=max(0,baseHumi(:,:,t)-0.7).*max(0,2abs(baseTemp(:,:,t)-20));%对流触发近似项，高湿与适宜温度共同作用topoLift=0.8*elev.*landmask;%地形抬升项体现山地迎风抬升baseRain(:,:,t)=0.5*convTrigger+0.7*topoLift0.2*abs(randn(H,W));%降水由触发、地形与随机噪声共同决定fork=1:K%堆叠最近K步的多要素通道cat(3,baseTemp(:,:,k),baseHumi(:,:,k),basePres(:,:,k),,baseRain(:,:,k));%将五要素合为多通道切片featStack=cat(3,featStack,featK);%沿通道维度累加，形成时间堆叠X(:,:,:,n)=cat(3,featStack,posStack);%拼接位置先验得到最终输入样本forh=1:L,Y(:,:,h,n)=baseRain(:,:,K+h);end%使用未来L步降水作为监督标签function[Xo,Yo,mu,sigma]=localPrepareData(X,Y)%数据预处理函数，含缺测处理、标准化与静态特征扩展[H,W,Cin,N]=size(X);%读取维度以备后续操作posCh=3;featCh=Cin-posCh;%将物理要素通道与位置先验通道分离X_feat=X(:,:,1:featCh,:);X_pos=X(:,:,(featCh+1):Cin,:);%提取两部分通道便于分别处理isnanMask=isnan(X_feat);%标记缺测位置，为有条件填补准备ifany(isnanMask(:))%若存在缺测则进行填补forc=1:featCh%逐通道处理以保持量纲独立slice=X_feat(:,:,c,:);slice=fillmissinslice=fillmissing(slice,'movmean合线性插值与移动均值平滑forc=1:featCh%稳健离群点处理dataC=X_feat(:,:,c,:);vec=dataC(:);medC=medianmadC=mad(vec,1);zrob=abs((vec-medC)/(madC+eps));vec(zrob>6)=medC;X_feat(:,:,c,:)=reshape(vec,size(dataC));%利用MAD抑制极端离群值mu=zeros(featCh,1,'single’);sigma=ones(featCh,1,'single’);%初始化统计量容器forc=1:featCh,tmp=X_feat(:,:,c,:);mu(c)=mean(tmsigma(c)=std(tmp(:),[],'omitnan')+1e-6;end%计算均值与标准差并避免除零forc=1:featCh,X_feat(:,:,c,:)=(X_feat(:,:,c,:)-mu(c))./sigma(c);end%执行标准化将不同量纲映射到近似一致的尺度[GX,GY]=gradient(double(X_pos(:,:,3,1)));%计算地形坡度的水平与垂直梯度GX=repmat(GX,[1,1,1,N]);GY=repmat(GY,[1,1,1,N]);%将静态梯度扩展到所有样本Xo=cat(3,X_feat,X_pos,single(GX),single(GY));%将标准化后的要素通道与先验及梯度拼接回输入Yo=Y;%标签保持不变并直接返回function[XTrain,YlocalSplit(X,Y,tr,va)%数据集划分函数N=size(X,4);rng(42);idx=ran