1.一种基于深度学习的卫星云图超分辨率重建方法，其特征在于，包括：步骤S1：制作并预处理卫星云图，得到高分辨率卫星云图数据集；

步骤S2：将高分辨率卫星云图数据集划分为建模用训练数据集和测试数据集；

步骤S3：构建并训练基于深度学习的卫星云图超分辨率重建模型；

步骤S4：将低分辨率卫星云图输入训练后的卫星云图超分辨率重建模型中，得到高分辨率卫星云图；

所述步骤S3构建的卫星云图超分辨率重建模型包括特征提取层、特征映射层和上采样层；

所述特征提取层通过卷积运算提取特征；

所述特征映射层基于反向投影和残差密集块联合训练，包含两路网络结构来捕获有效特征，一条路径上是N个上采样单元和N‑1个下采样单元交替连接的反向投影结构，一条路径上是N个残差密集块；

其中上采样单元的结构为：对输入特征L0进行上采样得到H0，对H0进行下采样得到L1，计算L1与L0之间的残差e，对e进行上采样得到He，将H0与He相加得到输出特征H；

下采样单元的结构为：对输入特征H0进行下采样得到L0，对L0进行上采样得到H1，计算H1与H0之间的残差e，对e进行下采样得到Le，将L0与Le相加得到输出特征L；

残差密集块的结构为：n个卷积层与n‑1个激活层交替排列，卷积层之间采用跳跃连接，即第i个卷积层的输入为第1个至第i‑1个卷积层的输出；

模型中的第i个上采样单元的输入为第1个至第i‑1个下采样单元的输出和第i个残差密集块的输出，第i个下采样单元的输入为第1个至第i‑1个上采样单元的输出，第i个残差密集块的输入是第i‑1个残差密集块的输出；

所述上采样层连接反向投影结构中所有上采样单元的输出，通过卷积得到高分辨率重建图像；

步骤S3所述训练基于深度学习的卫星云图超分辨率重建模型，包括以下步骤：步骤S301：构建均方误差函数作为损失函数；

步骤S302：选择优化算法，更新网络的参数；

步骤S303：使用峰值信噪比和结构相似度作为评价指标来客观评价模型的重建性能；

步骤S304：设置训练次数；

步骤S305：设置每次训练次数，进行一次测试；

步骤S306：设置基础学习率；

步骤S307：开始训练，直到完成训练次数；

步骤S308：保存模型参数。

2.根据权利要求1所述的一种基于深度学习的卫星云图超分辨率重建方法，其特征在于，所述步骤S1包括以下步骤：步骤S101：基于气象卫星的高分辨率数据制作卫星云图；

步骤S102：将步骤S101的卫星云图剪裁为多个图块，作为高分辨率卫星云图数据集。

3.根据权利要求1所述的一种基于深度学习的卫星云图超分辨率重建方法，其特征在于，所述步骤S2包括以下步骤：步骤S201：对高分辨率卫星云图数据集进行下采样，得到低分辨率卫星云图数据集；

步骤S202：高分辨率卫星云图数据集与低分辨率卫星云图数据集结合，划分为建模用训练数据集和测试数据集。

4.根据权利要求3所述的一种基于深度学习的卫星云图超分辨率重建方法，其特征在于，所述步骤S201中，使用双三次插值算法对高分辨率卫星云图数据集进行下采样处理。

5.根据权利要求1所述的一种基于深度学习的卫星云图超分辨率重建方法，其特征在于，所述步骤S302中，选择Adam优化算法。

6.根据权利要求1所述的一种基于深度学习的卫星云图超分辨率重建方法，其特征在于，所述步骤S303中，峰值信噪比PSNR的计算公式如下：2

其中MSE为两张图片之间的均方误差，vmax是图片的最大可能像素值。

7.根据权利要求1所述的一种基于深度学习的卫星云图超分辨率重建方法，其特征在于，所述步骤S303中，结构相似度SSIM的计算公式如下：其中f表示为真实的高分辨率图像，表示为重建的高分辨率图像，μf和 分别表示为真实高分辨率图像和重建图像的平均灰度值，σf和 分别表示为真实高分辨率图像和重建2

图像的方差， 表示为真实高分辨率图像和重建图像的协方差，C1和C2为常数，且C1＝(k1L) ，2

C2＝(k2L) ，k1＝0.01，k2＝0.03，L是像素值的动态范围。