1.综合多时空尺度多普勒雷达数据的降雨强度估计方法，其特征在于：包括以下步骤：S1、获取多普勒单偏振雷达数据和地面自动气象站观测数据；

S2、获取雷达反射率因子、气象因子和地理因子，所述雷达反射率因子为主要输入，所述气象因子和地理因子辅助输入，所述气象因子使用温度和湿度，所述地理因子采用高程，对数据进行初步的预处理；

S3、采用组合反射率，选取离国家气象站最近的网格点作为反射率因子的中心，然后将极坐标系下的雷达数据转为笛卡尔坐标系下的网格数据,再使用反距离加权插值法规整数据，并利用马氏距离去除噪声，进行雷达数据的质量控制，获取准确的雷达经纬度数据；

S4、获得所有时刻、所有站点在笛卡尔坐标系下的单层1×400×400的数据集，以国家气象站点为中心切割，分别获取大小为1×100×100、和1×25×25的单层数据集，并对所有数据进行归一化处理，将三个单层数据集合并为一个数据样本保存；

S5、以站点实际降水量为地面真值标签，将数据按照2:8的比例划分为测试集和训练集，最终将所有数据以矩阵的形式进行保存；

S6、建立使用深度学习技术设计的降雨强度估计模型，使用混合空洞卷积进行雷达数据图像降水特征提取，使用最大池化进行下采样，去除冗余信息，对特征进行压缩，简化网络复杂度，具体的，对于大小为K的普通卷积核，相对应的空洞卷积核大小为K+(K‑1)*(R‑

1)，其中，R为采样特征图时的空洞率，对于数量为N的卷积层，每一层的卷积核大小为K，其膨胀率为[r1,r2,…,ri]，其最大膨胀率需要满足以下公式：Mi＝max[Mi+1‑2ri，Mi+1‑2(Mi+1‑ri)，ri]

其中，ri为第i层的膨胀率，Mi是第i层的最大膨胀率；

使用non‑local模块增大高层网络的感受野，获取的信息分布更广，具体的，non‑local模块直接计算两个位置的交互，并且只用到几层，输入尺度多样，和其他模型进行结合，捕获全局的时空特性，分配不同的权重，最后聚合在每一个位置，方程式为如下公式：其中x是输入，y是输出，f函数计算x的第i个位置的特征和x的第j个位置的特征相似度，g函数计算x第j个位置的特征的一种表示，C(x)用来归一化；由此看到，y的第i个位置的特征，是x的所有位置的特征的加权平均，当f函数选择EmbeddedGaussian时，等于 在j维度上求softMax，因此也是自注意力的形式；对输出的三个不同特征映射，使用1×1卷积操作实现，对不同模块进行相乘，得到全局像素点两两之间的相似度分数，在通过softMax函数，将相似度分数转化为全局信息对于每一个像素点的权重分数，每一个位置的输出用Zi来表示，即为全局信息的加权和；

式中添加输入作为残差项使non‑local模块更加稳定；

使用多尺度注意力模块，平衡以站点为中心的大尺度图像和小尺度图像，具体的，多尺度注意力模块，接受两个输入，即小尺度特征图xM和大尺度特征图xL，小尺度特征图经过特征映射作为Key模块，大尺度特征图经过特征映射作为Query模块；将Key模块和Query模块相乘即为xM和xL逐像素的相似度评分矩阵,如下公式:T

Gi，j＝(Wk*(xM)i) *(WQ*(xL)j)

将输入作为shortcut连接在模型的最后；

S7、初始化模型各神经元权重、训练次数、学习率、学习率衰减系数，通过特征提取网络和全连接神经网络得到降水估计值，对预测结果计算损失；获得最佳网络模型及参数；

S8、将测试集中的数据作为输入层数据，输入到网络模型当中，获得相应的预测降水量数据；

S9、选定衡量模型性能的评价指标，衡量真实值和估计值的相关性，并根据结果分别在时间和空间维度上进行分析，得到最优结果。

2.根据权利要求1所述的综合多时空尺度多普勒雷达数据的降雨强度估计方法，其特征在于：S1中，于中国气象数据网分别获取多普勒雷达基数据和地面站降水数据。

3.根据权利要求1所述的综合多时空尺度多普勒雷达数据的降雨强度估计方法，其特征在于：S3中，去除噪声的步骤包括：利用常规回波图片处理的方法去噪和将小于70的像素点过滤去除。

4.根据权利要求1所述的综合多时空尺度多普勒雷达数据的降雨强度估计方法，其特征在于：S7中，采用均方误差和平均绝对误差的加权组合作为损失函数，对预测结果计算损失；利用神经网络进行反向传播，计算各权重梯度，按照梯度下降算法对权重进行更新，不断调整神经元权重，直到训练集误差在合理范围内，停止网络训练，获得最佳网络模型及参数。

5.根据权利要求1所述的综合多时空尺度多普勒雷达数据的降雨强度估计方法，其特征在于：S9中，采用均方根误差、平均绝对误差和相关系数作为衡量模型性能的评价指标。