1.一种基于深度学习的ERA5降水产品降尺度方法，其特征在于：包括以下步骤S1、获取ERA5再分析气象数据、GPM卫星降水数据以及地面雨量站观测数据；

S2、数据预处理；

S3、利用皮尔逊相关系数法，计算ERA5再分析气象数据与地面雨量站观测数据之间的相关性，并选择对降水有影响的气象因子作为有效特征；

S4、将各数据剪裁至研究区域范围，得到切分数据，并对切分数据进行归一化处理，构建训练数据集；

S5、构建基于深度学习的降水降尺度模型，该模型包括第一分支、第二分支以及残差注意力网络，第一分支以原始ERA5降水数据作为输入，第二分支以对降水有影响的气象因子作为输入，将第一分支和第二分支的输出进行融合后输入到残差注意力网络进行降水降尺度；第一分支采用卷积神经网络提取原始ERA5降水数据的空间特征，第一分支包括3个卷积层和一个最大池化层；第二分支采用密集网络结构，包括1个卷积层和3个密集模块；

密集模块包括3个卷积层和3个ReLU函数，且每一卷积层后均连接一ReLU函数，密集模块将每层卷积层输入特征通过跳跃连接输入到后续所有卷积层；

在残差注意力网络中，输入依次经过一个卷积层、残差特征融合模块、空间与通道注意力模块、上采样层以及一个卷积层；

残差特征融合模块包括3个残差组模块，每个残差组模块的尾部输出均做一个跳跃连接，且在整个残差特征融合模块的尾部进行元素和操作，残差组模块包括2个3*3的卷积层；

空间与通道注意力模块包括空间注意力模块和通道注意力模块，空间注意力模块中，输入经过并行的最大池化层和平均池化层，将池化后的向量送入全连接层运算后相加，经Sigmoid激活函数后与初始的融合特征相乘得到通道注意力特征；通道注意力模块中，按空间进行最大池化和平均池化，将通道拼接后进行卷积操作，再通过Sigmoid激活函数，将其与通道注意力图相乘形成得到最终的特征图；

S6、划分训练集样本和测试集样本，设置降水降尺度模型的各个参数和损失函数，经过不断训练和调整直至得到最优参数组合；

S7、获得最优降水降尺度模型，并利用地面雨量站观测数据对降尺度结果进行精度分析。

2.根据权利要求1所述的一种基于深度学习的ERA5降水产品降尺度方法，其特征在于：所述步骤S2中，数据预处理包括以下步骤

S2.1、利用pythonpandas库中isnull()函数检测出缺失值；

S2.2、利用箱型图方法检测出异常值；

S2.3、根据空间和时间上的相似性，使用缺失值和异常值位置前后或邻近区域的平均值进行替换。

3.根据权利要求1所述的一种基于深度学习的ERA5降水产品降尺度方法，其特征在于：所述步骤S3中，选择对降水有影响的气象因子作为有效特征，利用皮尔逊相关系数方法计算各气象因子与地面雨量站观测数据之间的相关性，预设一设定阈值，将相关性大于设定阈值的气象因子作为对降水有影响的气象因子，皮尔逊相关系数公式为：其中，Cov(X,Y)为特征值X，Y的协方差， 和 分别表示特征X，Y的方差。

4.根据权利要求1所述的一种基于深度学习的ERA5降水产品降尺度方法，其特征在于：所述步骤S4中，将各数据剪裁至研究区域范围包括以下步骤S4.1.1、将ERA5再分析气象数据、GPM卫星降水数据统一转换为北京时间；

S4.1.2、根据每个地面观测时间的经纬度坐标，将站点坐标与网格数据对齐；

S4.1.3、将ERA5再分析气象数据和GPM卫星数据切分至研究区域并向四周扩散。

5.根据权利要求1所述的一种基于深度学习的ERA5降水产品降尺度方法，其特征在于：所述步骤S4中，切分数据归一化处理包括以下步骤

S4.2.1、将切分数据进行一次Min‑Max标准化操作，计算公式为：其中，yi表示标准化后的数据，xi表示原始数据，min1≤j≤n{xj}表示数据中的最小值，max1≤j≤n{xj}表示数据中的最大值， 表示归一化后的数据；

S4.2.2、对标准化后的特征进行Z‑SCORE归一化方法，数据特征归一化到同一个维度上，计算公式为：其中，ui是第i个要素特征的总体均值，σi是第i个要素特征的总体标准差。

6.根据权利要求1所述的一种基于深度学习的ERA5降水产品降尺度方法，其特征在于：所述步骤S6中，采用10折交叉验证方法划分训练集和测试集。

7.根据权利要求1所述的一种基于深度学习的ERA5降水产品降尺度方法，其特征在于：所述步骤S6中，降水降尺度模型的各个参数包括可调节学习率、动量参数、总迭代次数以及权重衰减参数；

‑4 5

可调节学习率初始值设置为10 ，经过2×10次反向迭代之后学习率减半，权重衰减参‑7数设置为10 ，动量参数设置为0.5，降水降尺度模型使用Adam优化方法进行训练，其中，一‑8阶矩衰减系数β1＝0.9，二阶矩衰减系数β2＝0.99，Adam优化方法中的epsilon参数ε＝10 ；

降水降尺度模型的损失函数设定为L1损失，公式如下：

其中，n表示样本数量，Ei表示降尺度后的ERA5降水数据的对应像元值，Gi表示GPM卫星降水数据对应像元值。

8.根据权利要求1所述的一种基于深度学习的ERA5降水产品降尺度方法，其特征在于：所述步骤S7中，分别通过相关系数、偏差以及均方根误差对降尺度结果进行精度分析，公式如下其中，Xi和Yi分别表示降尺度后得到的高分辨降水数据和地面雨量站观测数据， 和分别表示降尺度后得到的高分辨率降水数据平均值和地面雨量站观测数据平均值。