1.一种基于改进的TrajGRU网络的气象雷达回波外推方法，其特征在于，包括：S1、读取雷达图像序列数据bin文件，并将其处理为灰度图像序列；

S2、将处理好的所述灰度图像序列输入到构建好的TrajGRU深度学习网络中，训练后得到预测模型；

S3、将用于预测的实况雷达图像序列输入预测模型中，得到外推图像序列结果。

2.根据权利要求1所述的基于改进的TrajGRU网络的气象雷达回波外推方法，其特征在于，所述S1读取雷达图像序列数据bin文件，并将其处理为灰度图像序列，其具体步骤包括：S1.1、获取雷达bin文件，读取为彩色图片；

S1.2、将彩色图片处理为灰度图像序列。

3.根据权利要求1所述的基于改进的TrajGRU网络的气象雷达回波外推方法，其特征在于，所述S2的具体步骤包括：S2.1、根据像素预报准确程度计算TrajGRU深度学习网络的损失函数权重；

S2.2、在TrajGRU网络中，增加至少一层雷达图像序列输入，其中，根据所得损失函数值的大小程度计算TrajGRU深度学习网络的每层雷达数据的损失函数权重，并给与不同损失值不同的权重值；

S2.3、将获取到的所述灰度图像序列，输入到改进后的TrajGRU深度学习网络中，训练后得到预测模型。

4.根据权利要求3所述的基于改进的TrajGRU网络的气象雷达回波外推方法，其特征在于，所述2.1中根据像素预报准确程度计算TrajGRU深度学习网络的损失函数权重，包括：逐点计算损失值，并在错报与漏报处的像素点计算损失值之前加上一个权重w：其中，wMSE为损失函数值，yi为雷达扫描实况的回波图像素值，ypi为模型外推结果图像的像素值，加255以确保权重值为正数，除以510实现权重值的归一化。

5.根据权利要求3所述的基于改进的TrajGRU网络的气象雷达回波外推方法，其特征在于，所述S2.2在TrajGRU网络中，增加至少一层雷达图像序列输入，其中，根据所得损失函数值的大小程度计算TrajGRU深度学习网络的每层雷达数据的损失函数权重，并给与不同损失值不同的权重值，包括：其中，error1为第一层输入所得损失值，error2为第二层输入所得损失值，error为总损失值，wl1为计算所得第一层输入权重值，wl2为计算所得第二层输入权重值。

6.根据权利要求3所述的基于改进的TrajGRU网络的气象雷达回波外推方法，其特征在于，所述S2.2中在TrajGRU网络中，增加一层雷达图像序列输入的方法为：TrajCRU模型网络模型中，一次输入7个时刻的雷达图像，预测未来7个时刻的雷达图像，且输入数据为一层雷达图，增加一层雷达图像后，两层雷达图像数据时刻一一对应。

7.根据权利要求3所述的基于改进的TrajGRU网络的气象雷达回波外推方法，其特征在于，所述S2.3中将获取到的所述灰度图像序列，输入到改进后的TrajGRU深度学习网络中，训练后得到预测模型，包括：构造双通道TrajGRU网络，将从基数据中分解出来的两层雷达回波图像序列分别输入到TrajGRU网络中进行训练，训练后得到预测模型。