1.一种自动化GRAPES区域预报模式显著性检验方法，其特征在于，所述自动化GRAPES区域预报模式显著性检验方法包括：用户在浏览器页面设置检验模式、检验算法、置信度、数据的起止日期、区域范围的经纬度以及评分卡显示样式参数；

前端将所述参数打包通过Flask框架与后端进行通信，后端依据检验的模式和数据起止日期确定数据文件在服务器的存放路径，并按照得到的路径读取到对应的预报源文件，即Grib文件；

后台依据经纬度范围参数对Grib文件中的数据进行裁剪，得到指定区域的格点预报值，取均值处理后作为所述区域的最终预报值；

读取所述区域的观测数据，计算预报值和观测值在设置的日期范围内，每次起报的不同时效的均方根误差RMSE、平均误差BIAS和标准差SD的统计量；

使用设置的显著性检验算法和置信度，计算两个模式在不同统计量RMSE、BIAS和SD下，各个时效的显著性检验统计量的p值；

将p值与用户设置的置信度进行比较，得到评分等级，依据评分等级在前端绘制不同颜色的色块；在同一张图表上，同时绘制各个气象场下不同统计量的评分结果；

所述使用设置的显著性检验算法和置信度，计算两个模式在不同统计量RMSE、BIAS和SD下，各个时效的显著性检验统计量的值p，包括：(1)用户在前端设置数据的日期范围、需要检验的两个模式及检验算法；

(2)后台依据所述设置，计算好两个模式在所述范围内每个时效的统计量RMSE、BIAS和SD，(3)对每个统计量分别用指定的检验算法进行显著性检验，得到结果p值。

2.如权利要求1所述的自动化GRAPES区域预报模式显著性检验方法，其特征在于，所述读取所述区域的观测数据，计算预报值和观测值在设置的日期范围内，每次起报的不同时效的均方根误差RMSE、平均误差BIAS和标准差SD的统计量，包括：(1)后台解析初始预报文件中所包含的时效，并得到所述时效的预报数据；

(2)对比对应时刻的观测数据，计算常规统计量均方根误差RMSE、平均误差BIAS以及标准差SD。

3.如权利要求1所述的自动化GRAPES区域预报模式显著性检验方法，其特征在于，用户可指定评分等级阈值，若有高于该等级的评分结果，前端将自动用红框勾出所述区域，帮助用户分析模式预报质量差异较为显著的时效和层次；用户通过前端的样式设置下拉框，将显示设置从色块切换为形状，即用不同的形状来表示不同的评分等级。

4.一种基于权利要求1所述自动化GRAPES区域预报模式显著性检验方法的自动化GRAPES区域预报模式显著性检验系统，其特征在于，所述自动化GRAPES区域预报模式显著性检验系统包括：用户层、应用层、功能层、技术层和支持层；

用户层，包括用户界面；

应用层，用于对后台数据进行处理，包括检验模式设置、检验算法设置、置信度设置、数据日期设置、区域经纬度设置和显示样式设置；

功能层，用于实现数据路径提取、评分等级划分、Grib文件解析、地理区域剪裁以及显著性检验计算；

技术层，包括前台技术、后台技术、数据交互和数据库；其中，所述前台技术包括HTML、CSS、JavaScript和Vue框架，所述后台技术包括Python3、NumPy、Pandas和SciPy，所述数据交互利用Flask框架，所述数据库为MySQL；

支持层，包括硬件、网络和通讯协议；

所述自动化GRAPES区域预报模式显著性检验系统执行以下步骤：

用户在浏览器页面设置检验模式、检验算法、置信度、数据的起止日期、区域范围的经纬度以及评分卡显示样式参数；

前端将所述参数打包通过Flask框架与后端进行通信，后端依据检验的模式和数据起止日期确定数据文件在服务器的存放路径，并按照得到的路径读取到对应的预报源文件，即Grib文件；

后台依据经纬度范围参数对Grib文件中的数据进行裁剪，得到指定区域的格点预报值，取均值处理后作为所述区域的最终预报值；

读取所述区域的观测数据，计算预报值和观测值在设置的日期范围内，每次起报的不同时效的均方根误差RMSE、平均误差BIAS和标准差SD的统计量；

使用设置的显著性检验算法和置信度，计算两个模式在不同统计量RMSE、BIAS和SD下，各个时效的显著性检验统计量的p值；

将p值与用户设置的置信度进行比较，得到评分等级，依据评分等级在前端绘制不同颜色的色块；在同一张图表上，同时绘制各个气象场下不同统计量的评分结果；

所述使用设置的显著性检验算法和置信度，计算两个模式在不同统计量RMSE、BIAS和SD下，各个时效的显著性检验统计量的值p，包括：(1)用户在前端设置数据的日期范围、需要检验的两个模式及检验算法；

(2)后台依据所述设置，计算好两个模式在所述范围内每个时效的统计量RMSE、BIAS和SD，(3)对每个统计量分别用指定的检验算法进行显著性检验，得到结果p值。

5.如权利要求4所述的自动化GRAPES区域预报模式显著性检验系统，其特征在于，所述自动化GRAPES区域预报模式显著性检验系统采用B/S架构，前端页面使用Vue框架进行构建，后端采用python代码进行编写，并使用NumPy，Pandas和SciPy第三方库进行数据处理和检验计算。

6.如权利要求4所述的自动化GRAPES区域预报模式显著性检验系统，其特征在于，所述自动化GRAPES区域预报模式显著性检验系统采用Flask框架进行前后台的数据交互，并使用MySQL数据库进行后台数据的持久化处理。

7.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1～

3任意一项所述的自动化GRAPES区域预报模式显著性检验方法。

8.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1～3任意一项所述的自动化GRAPES区域预报模式显著性检验方法。

9.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现权利要求1～

3任意一项所述的自动化GRAPES区域预报模式显著性检验方法。