1.一种基于多气象要素的短临降水集合预报及降尺度方法，其特征在于，包括以下步骤：（1）收集自动气象站逐10分钟站点观测数据；生成格点场数据；具体如下：对站点观测数据进行数据质控，剔除无效数据，填补缺测数据，并利用反距离加权插值方法生成格点场数据；其中，站点观测数据包括：10分钟累计降水、2m气温、10m风场和相对湿度；剔除无效数据，填补缺测数据，并利用反距离加权插值方法生成格点场数据，包括以下步骤：（11）对收集的自动气象站站点数据进行质控，监测气象要素异常值与无效值；若出现异常值，则用前一时刻有效值替代；

（12）利用反距离加权插值方法将站点数据插值为格点数据，公式如下：

；其中， ；

其中， 为待插值站点的气象要素观测值， 为所取待插值点周边最近点的个数，为周边第 个站点， 为站点 的气象要素观测值， 为对应的反距离权重， 为站点 到待插值站点的欧式距离；

（2）基于格点场数据，建立用于深度学习模型训练的标准气象序列数据集，并进行归一化处理；包括以下步骤：（21）在样本集中滑动截取连续K个时刻的多气象要素场序列，作为一次样本x滑动步长为逐10分钟，每个序列样本X中包含上述收集的所有气象要素变量包括：10分钟累计降水、

2m气温、10m风场和相对湿度；

（22）利用最大最小归一化，对序列样本进行归一化，公式如下：

；

其中， 和 分别为原始序列样本集中的最大值与最小值， 为归一化之后的序列样本；

（3）构建耦合卷积神经网络‑循环神经网络‑对抗生成神经网络的深度学习模型，利用标准气象序列数据集针对降水进行训练，并通过在网络中增加噪声，生成集合预报；包括以下步骤：（31）耦合卷积神经网络‑循环神经网络‑对抗生成神经网络的深度学习模型包含生成器和判别器；其中，生成器由多组U‑Net拼接而成；输入不同预报步长的气象序列，并通过U‑Net的“编码‑反编码”过程，学习气象场不同尺度的空间信息，生成未来的降水预报；

判别器由一组3‑D卷积网络模块组成，输入为生成器得到的网络预报或者真实的观测数据；判别器判断生成器的预报是否足够真实，即与实况是否足够相似；

（32）在构建步骤（31）中的网络基础上，在对抗生成神经网络中生成器的LSTM模块增加一组随机的高斯噪声 ，对原始网络模型训练进行初始场的扰动，利用相同的训练策略对网络进行学习，并通过更改输入噪声的随机种子，生成若干组集合成员预报；

（4）利用超分辨率对生成的降水预报进行降尺度，获得高时空分辨率的短临降水集合预报；包括以下步骤：（41）建立高分辨率‑低分辨率降水观测数据集，其中低分辨率降水观测即为步骤（1）后得到的格点数据，高分辨率数据则来自国家气象局发布的融合降水产品；

（42）构建针对降水降尺度的超分辨率模型；具体如下：超分辨率模型由线性映射模块和U‑Net模块构成；网络输入包括3组数据，分别为低分辨率的降水观测、低分辨率的地形高程以及高分辨率的地形高程；其中，首先利用双线性插值，将低分辨率的降水观测与地形高程插值至与目标高分辨率降水观测相同的空间分辨率，然后将插值后的降水观测和地形高程，以及高分辨率的地形高程作为U‑Net模块的输入，最后输出高分辨率的降水观测模拟；

（43）将步骤（42）训练得到的降尺度模型应用于步骤（32）生成的低分辨率短临降水集合预报成员，得到高分辨率的集合预报。

2.一种根据权利要求1所述的基于多气象要素的短临降水集合预报及降尺度方法的系统，其特征在于，包括：格点场数据模块：用于收集自动气象站逐10分钟站点观测数据；生成格点场数据预处理模块：用于基于格点场数据，建立用于深度学习模型训练的标准气象序列数据集，并进行归一化处理；

集合预报模块：用于构建耦合卷积神经网络‑循环神经网络‑对抗生成神经网络的深度学习模型，利用标准气象序列数据集针对降水进行训练，并通过在网络中增加噪声，生成集合预报；

短临降水预报模块：用于利用超分辨率对生成的降水预报进行降尺度，获得高时空分辨率的短临降水集合预报。

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多气象要素的短临降水集合预报及降尺度方法中的步骤。

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多气象要素的短临降水集合预报及降尺度方法中的步骤。