1.一种基于深度置信网络的气象预报方法，该气象预报方法包括以下步骤：
根据目标区域的场地信息获得多个历史观测数据；
构建增强决策树对所述历史观测数据进行训练，得到第一预测数据；
将第一预测数据输入cfd计算流体动力学模型中，并进行稳态数值模拟以得到第二预测数据，根据所述第二预测数据得到来流条件下的流场分布；
基于克里金插值方法，将所述第二预测数据插值于目标区域中的任意位置以提取出模拟风速值，获得训练数据集；
将训练数据集的训练样本输入dbn深度神经网络，对该dbn深度神经网络进行训练，利用训练好的气象预报模型对待观测数据进行气象预测,以生成预测结果。
2.根据权利要求1所述的气象预报方法，其特征在于，所述气象预报方法将dbn深度神经网络获得的预测结果与传统物理模型获得的预报结果进行比对分析，以对第一预测数据的参数进行调优。
3.根据权利要求2所述的气象预报方法，其特征在于，采用地物回波识别算法对cfd模型的第一预测数据的参数进行调优，具体包括以下子步骤：
采集雷达的基数据，根据所述基数据获得回波特征参数；
运用统计方法对所述回波特征参数进行分析，确定地物回波与降水回波特征参数的差异；
根据每个所述地物回波与降水回波特征参数的差异分别设置隶属函数，将所述隶属函数转换成识别结果，其中，该识别结果在[0,1]范围内；
对所述识别结果进行加权平均获得某点的判据值，当所述某点的判据值超过预设的阈值时，则该点就被判定为地物回波。
4.根据权利要求2所述的气象预报方法，其特征在于，所述传统物理模型为模式方程组求解大气演变模型、多个动态核心和物理选项求解模型。
5.根据权利要求1所述的气象预报方法，其特征在于，所述增强决策树为cart决策树模型。
6.根据权利要求5所述的气象预报方法，其特征在于，构建所述cart决策树模型包括以下子步骤：
基于基尼指数并利用特征选择方法获得气象特征；
根据所述气象特征并依据回归方差划分得到回归树；
对所述回归树进行剪枝，并采用后剪枝方法对所述回归树进行修正，根据修正后的回归树构建出所述cart决策树模型。
7.根据权利要求1所述的气象预报方法，其特征在于，所述根据所述第二预测数据得到来流条件下的流场分布包括以下子步骤：
将第一预测数据的场所来流条件对流场进行cfd预计算，得到关键流场数据，将该关键流场数据存入数据库中，建立场景流场特性数据库；
利用场景流场特性数据库进行风速预测，获得第二预测数据；
将所述第二预测数据作为cfd模型的输入边界条件，查询第二预测数据相近的来流条件，并调用场景流场特性数据库的流场分布数据，以获得来流条件下的流场分布。
8.根据权利要求1-7任一项所述的气象预报方法，其特征在于，对历史观测数据、第一预测数据或第二预测数据进行优化，以得到标准化的预测数据，基于所述标准化的预测数据构建所述训练数据集。
9.一种基于深度置信网络的气象预报系统，该系统包括获取模块、第一训练模块、模拟模块、插值模块和第二训练模块；
所述获取模块用于根据目标区域的场地信息获得多个历史观测数据；
所第一训练模块用于构建增强决策树对所述历史观测数据进行训练，得到第一预测数据；
所述模拟模块用于将第一预测数据输入cfd计算流体动力学模型中，并进行稳态数值模拟以得到第二预测数据，根据所述第二预测数据得到来流条件下的流场分布；
所述插值模块基于克里金插值方法，将所述第二预测数据插值于目标区域中的任意位置以提取出模拟风速值，获得训练数据集；
所述第二训练模块用于将训练数据集的训练样本输入dbn深度神经网络，对该dbn深度神经网络进行训练，利用训练好的气象预报模型对待观测数据进行气象预测,以生成预测结果。
10.根据权利要求9所述的气象预报系统，其特征在于，所述模拟模块执行以下操作:
将第一预测数据的场所来流条件对流场进行cfd预计算，得到关键流场数据，将该关键流场数据存入数据库中，建立场景流场特性数据库；
利用场景流场特性数据库进行风速预测，获得第二预测数据；
将所述第二预测数据作为cfd模型的输入边界条件，查询第二预测数据相近的来流条件，并调用场景流场特性数据库的流场分布数据，以获得来流条件下的流场分布。