1.基于深度学习的数值模式降水产品偏差校正方法，其特征在于，包括以下步骤：

1）首先，利用ERA5再分析气象数据和地面观测降水量之间的相关性，选择对降水存在潜在关系的影响因子作为模型有效特征；

2）对步骤1）选择的对降水存在潜在关系的影响因子切割至研究区域范围（包含上下文信息）构成特征区域，并将该特征空间进行归一化处理，构成训练样本集；

3）采用步骤2）所述的训练样本集，输入空间特征提取中将特征范围放缩至研究区域大小，然后将气象特征输入时空预测网络中提取预测未来时间内气象特征的变化趋势，并通过反卷积将特征空间分辨率与数值预报分辨率保持一致；

4）将步骤3）所述的预测结果与数值预报降水产品和DEM等先验知识进行叠加，输入空间订正模块中，使用自定义的权重损失函数更新模型参数，选择最优模型在测试集中验证模型偏差校正的效果；

5）对偏差校正后的降水结果进行检验评估。

2.根据权利要求1所述的基于深度学习的数值模式降水偏差校正方法，其特征在于，步骤1）所述的选取有效的气象特征信息，利用皮尔逊相关系数来计算各气象特征与地面站观测降水之间的相关性，设定一个阈值将所有气象特征大于该阈值的特征认定为有效特征，皮尔逊相关系数的计算方法为：式中 为特征值 的协方差， 分别表示特征 的方差。

3.根据权利要求1所述的基于深度学习的数值模式降水偏差校正方法，其特征在于，步骤2）所述的数据集的制作与特征归一化的步骤为：（a）将所选的有效特征切分至研究区域并向四周扩散考虑周围环境对目标区域降水的影响。

4.（b）在切分后的特征中进行归一化操作，其中除降水特征外均使用Z‑SCORE归一化方法，计算公式为： 数据特征就归一化到同一维度上，其中 是每个要素的总体均值， 是总体数据的标准差；

而由于降水成离散型分布，且降水在量级上扩大较大故采用log归一化的方式，缓解降水相差较大的情况计算公式为：根据权利要求1所述的基于深度学习的数值模式降水偏差校正方法，其特征在于，步骤

3）所述的时空预测网络先考虑周围气象环境信息对目标区域的影响然后对构建的气象历史序列信息使用MotionRNN用于提取过去一段时间内气象特征的变化推断在未来该目标区域的变化趋势，并将变化趋势使用反卷积得到与数值模式降水一致的空间分辨率。

5.根据权利要求1所述的基于深度学习的数值模式降水偏差校正方法，其特征在于，步骤4）所述的将未来气象变化趋势与数值预报降水和DEM等先验知识进行融合并输入值空间订正模块，该模块分为两个分支即：全局分支与局部分支兼顾局部降水与全局降水，整个模型的训练使用权重损失函数来优化参数，缓解降水分布极不平衡问题，表达式为：其中N代表区域内雨量

计个数， 和 分别表示相对应经纬度实际和订正后降水量， 为第i个站点雨量强度对应的权重，大雨的权重要大于小雨的权重，具体如下所示：最后使用最优模型使用验证集评估模型性能。