1.一种基于深度学习的强降水空间整体相似度的降水预报订正方法，其特征在于，包括以下步骤：（1）利用YOLOv5对降水属性进行识别；包括以下步骤：（11）对实测降水图像预处理包括：截取降水雨团、滤波次要降水雨团；

（12）利用MODE方法对观测降水场进行降水空间属性的客观识别，将提取到的降水属性作为深度学习识别模型的真值标签；其中，降水空间属性包括：降水雨团、雨团面积、雨团位置、雨团面平均强度、雨团长短比、雨团斜率；包括以下步骤：（121）通过空间平滑和降水阈值控制识别出感兴趣的研究对象；对原始降水场在空间上用卷积半径 进行平滑即卷积处理，公式如下：；

其中， 为原始数据场， 为卷积场， 为滤波

函数； 和 为格点坐标；

（122）对卷积场进行阈值控制得到掩膜场 即卷积场中降水强度大于等于阈值 的降水区域，公式如下：；

将所有M(x,y)=1的连续区域内的格点赋值为原始降水场中相应格点的值即可得到重构场 ，公式如下：；

（123）对识别出来的降水对象进行空间属性的计算，即质心位置、面积大小、长宽比；轴角，并将所识别的空间属性作为原始降水观测对应的真值标签；其中，长宽比包括：短轴与长轴的比、圆形对象的长宽比为1.0，否则<1；轴角为主轴从x轴以逆时针旋转的度数；

（13）利用YOLOv5建立降水场与对应降水对象空间属性的映射模型；具体如下：利用MODE计算得到的降水对象属性真值与由YOLO‑V5识别得到的预测值之间的误差；利用欧氏距离作为基于YOLO‑V5降水属性识别模型的损失函数；通过基于深度学习模型的优化方法对模型进行训练，得到高准确率的从降水场识别降水对象及其属性的深度学习模型；

（2）建立基于GAN的降水预报订正模型；包括以下步骤：（21）建立多元气象预报因子与对应降水实测数据集；

（22）气象要素数据预处理，包括降水相关变量取对数、最大最小归一化、缺测值处理；

（23）利用U‑Net模型建立多元气象预报因子与降水变量之间的数值模式释用模型，对应损失函数为 ，公式如下：；

其中， 是U‑Net模型得到的降水预报场， 是对应的降水观测场；

（24）将建立的U‑Net作为基于GAN的数值模式释用模型中的生成器，并选用卷积网络作为判别器得到相应的降水预报，对应的损失函数 ，公式如下：；

其中，为 的权重常数系数； 表示GAN的损失函数，公式如下：；

（3）建立基于GAN 且融合降水空间特征的强降水订正模型O‑GAN；包括以下步骤：（31）利用步骤（1）中训练稳定的YOLO‑v5降水属性识别模型，分别提取步骤（2）中GAN生成器降水预测以及对应实测降水的降水属性，建立基于降水对象的损失函数 ，公式如下：；

其中， 训练的YOLO‑v5模型识别预测降水场的降水对象属性； 表示对应实测降水的降水属性；

（32）构建 “点对点”误差、降水数据分布误差以及强降水空间特征的整体相似度的混合损失函数，建立融合降水空间特征的深度学习预报模型；混合损失函数公式如下：；

其中， 和 分别为 和 的权重常数系数；

（4）将测试期的数值模式预报数据代入模型O‑GAN，生成后处理之后的降水预报。

2.一种基于深度学习的强降水空间整体相似度的降水预报订正系统，其特征在于，包括：降水属性识别模块：用于利用YOLOv5对降水属性进行识别；包括：（11）对实测降水图像预处理包括：截取降水雨团、滤波次要降水雨团；

（12）利用MODE方法对观测降水场进行降水空间属性的客观识别，将提取到的降水属性作为深度学习识别模型的真值标签；其中，降水空间属性包括：降水雨团、雨团面积、雨团位置、雨团面平均强度、雨团长短比、雨团斜率；包括以下步骤：（121）通过空间平滑和降水阈值控制识别出感兴趣的研究对象；对原始降水场在空间上用卷积半径 进行平滑即卷积处理，公式如下：；

其中， 为原始数据场， 为卷积场， 为滤波

函数； 和 为格点坐标；

（122）对卷积场进行阈值控制得到掩膜场 即卷积场中降水强度大于等于阈值 的降水区域，公式如下：；

将所有M(x,y)=1的连续区域内的格点赋值为原始降水场中相应格点的值即可得到重构场 ，公式如下：；

（123）对识别出来的降水对象进行空间属性的计算，即质心位置、面积大小、长宽比；轴角，并将所识别的空间属性作为原始降水观测对应的真值标签；其中，长宽比包括：短轴与长轴的比、圆形对象的长宽比为1.0，否则<1；轴角为主轴从x轴以逆时针旋转的度数；

（13）利用YOLOv5建立降水场与对应降水对象空间属性的映射模型；具体如下：利用MODE计算得到的降水对象属性真值与由YOLO‑V5识别得到的预测值之间的误差；利用欧氏距离作为基于YOLO‑V5降水属性识别模型的损失函数；通过基于深度学习模型的优化方法对模型进行训练，得到高准确率的从降水场识别降水对象及其属性的深度学习模型；

GAN订正模块：用于建立基于GAN的降水预报订正模型；包括：（21）建立多元气象预报因子与对应降水实测数据集；

（22）气象要素数据预处理，包括降水相关变量取对数、最大最小归一化、缺测值处理；

（23）利用U‑Net模型建立多元气象预报因子与降水变量之间的数值模式释用模型，对应损失函数为 ，公式如下：；

其中， 是U‑Net模型得到的降水预报场， 是对应的降水观测场；

（24）将建立的U‑Net作为基于GAN的数值模式释用模型中的生成器，并选用卷积网络作为判别器得到相应的降水预报，对应的损失函数 ，公式如下：；

其中，为 的权重常数系数； 表示GAN的损失函数，公式如下：；

O‑GAN订正模块：用于建立基于GAN 且融合降水空间特征的强降水订正模型O‑GAN；包括：（31）利用步骤（1）中训练稳定的YOLO‑v5降水属性识别模型，分别提取步骤（2）中GAN生成器降水预测以及对应实测降水的降水属性，建立基于降水对象的损失函数 ，公式如下：；

其中， 训练的YOLO‑v5模型识别预测降水场的降水对象属性； 表示对应实测降水的降水属性；

（32）构建 “点对点”误差、降水数据分布误差以及强降水空间特征的整体相似度的混合损失函数，建立融合降水空间特征的深度学习预报模型；混合损失函数公式如下：；

其中， 和 分别为 和 的权重常数系数；

降水预报模块：用于将测试期的数值模式预报数据代入模型O‑GAN，生成后处理之后的降水预报。

3.一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1任一项所述的一种基于深度学习的强降水空间整体相似度的降水预报订正方法中的步骤。

4.一种存储介质，存储有计算机程序，其特征在于，所述计算机程序被设计为运行时实现根据权利要求1任一项所述的一种基于深度学习的强降水空间整体相似度的降水预报订正方法中的步骤。