基于每一个小时采集一次持续两年时间的地面观测数据，其文件类型为exl文件，建立气象模型，进行天气预报代码

建立气象模型进行天气预报的代码大致分为以下几个步骤：

1. 数据预处理：将exl文件中的数据读入到程序中，对数据进行清洗、处理、筛选，得到需要用到的数据。

2. 特征提取：从处理后的数据中提取出有用的特征，例如温度、湿度、风速等。

3. 模型训练：根据提取出的特征，训练出预测模型，可以选择支持向量机（SVM）、神经网络（NN）等算法。

4. 模型评估：使用一部分数据集进行模型评估，计算出模型的准确率、召回率、F1值等指标。

5. 预报：使用训练好的模型，对指定时间段内的天气进行预报。

下面是一个简单的代码示例，仅供参考：

import pandas as pd
from sklearn.svm import SVR
from sklearn.metrics import accuracy_score, f1_score, recall_score

# 数据预处理
data = pd.read_excel('data.xlsx')
# ... 进行数据清洗、处理、筛选 ...

# 特征提取
features = data[['temperature', 'humidity', 'wind_speed']]

# 模型训练
model = SVR(kernel='rbf')
model.fit(features, data['label'])

# 模型评估
y_pred = model.predict(features)
acc = accuracy_score(data['label'], y_pred.round())
f1 = f1_score(data['label'], y_pred.round())
recall = recall_score(data['label'], y_pred.round())

# 预报
# ... 根据实际需求，使用训练好的模型进行预报 ...

需要注意的是，以上代码仅为示例，实际应用中还需要对数据进行更加细致的处理和特征提取，并选择适合的算法进行模型训练和评估。