1.一种基于多尺度特征感知神经网络的积雪深度预测方法，其特征在于，包括如下步骤：步骤1，获取积雪观测气象站附近的卫星图像，并对卫星图像进行预处理，将预处理后的卫星图像按比例划分为训练集和测试集；

步骤2，搭建基于多尺度特征感知能力的深度神经网络模型，利用训练集对深度神经网络模型进行训练；其中深度神经网络模型包括编码器和解码器，编码器包括多尺度特征提取单元、多尺度特征聚合单元和多尺度特征融合单元，解码器包括全连接单元，通过多尺度特征提取单元和多尺度特征聚合单元提取不同尺度图像特征，通过多尺度特征融合单元融合不同层次图像特征；

多尺度特征提取单元为三分支卷积网络结构，且其中两个分支内部残差单元下采样顺序设置为互反；多尺度特征聚合单元包括空洞卷积层、二维卷积层以及平均池化层；多尺度特征融合单元为双分支卷积网络结构；

步骤3，将测试集数据输入至训练之后的深度神经网络模型，实现积雪深度的预测；

步骤2中搭建基于多尺度特征感知能力的深度神经网络模型，利用训练集对深度神经网络模型进行训练的过程包括：构建多尺度特征提取单元，将三分支卷积网络结构的三个分支分别记为branch1、branch2和branch3，将积雪图片分别输入至branch1、branch2和branch3中；

在branch1分支中，对输入特征进行残差块ResNet操作4次，获得该分支提取的图像特征；

在branch2分支中，对输入特征进行残差块ResNet操作4次，获得该分支提取的图像特征；

在branch3中，首先将branch1和branch2中第2次卷积操作的图像特征进行拼接；然后，再通过残差块ResNet卷积操作2次后，获得该分支提取的图像特征；

步骤2中搭建基于多尺度特征感知能力的深度神经网络模型，利用训练集对深度神经网络模型进行训练的过程还包括：构建多尺度特征聚合单元，包括5个MSFAA块，每个MSFAA块中包括三个核为3×3空洞卷积层、一个核为1×1二维卷积层以及核为2×2的平均池化层；

将branch1、branch2、branch3三个分支获得的图像特征分别送入3个MSFAA块，3个MSFAA块分别标记为MSFAA‑1、MSFAA‑2及MSFAA‑3；然后将branch1中第2次卷积后获得的特征图像送入第四个MSFAA块，该MSFAA块记为MSFAA‑1‑1，将branch2中第2次卷积后获得的特征图像送入第5个MSFAA块，该MSFAA块记为MSFAA‑2‑1；

将MSFAA‑1、MSFAA‑2、MSFAA‑3获得的图像特征相加得到特征FH；将MSFAA‑1‑1、MSFAA‑

2‑1获得的图像特征相加得到特征FL；

步骤2中搭建基于多尺度特征感知能力的深度神经网络模型，利用训练集对深度神经网络模型进行训练的过程还包括：构建多尺度特征融合单元，其中双分支卷积网络结构分别记为HLF‑L和HLF‑H；

在HLF‑L分支中，包括两个子分支结构，在第一条子分支结构中，将特征FL通过核为3×

3的卷积操作，以及空洞率为2的深度可分离卷积操作后，再通过sigmoid激活层得到图像特征HLF‑L‑1；在另一条分支结构中，将特征FL通过核为3×3的卷积操作，以及跨度为2的池化操作后，再最后通过sigmoid激活层得到图像特征HLF‑L‑2；

在HLF‑H分支中，包括两个子分支结构，在第一条子分支中，将特征FH通过核为3×3的卷积操作，以及空洞率为2的深度可分离卷积操作后，得到图像特征HLF‑H‑1；在另一条分支中，将特征FH通过核为3×3，以及空洞率为2的深度可分离卷积操作后，再通过双线性插值法采样得到图像特征HLF‑H‑2；

将图像特征HLF‑H‑1与HLF‑L‑2进行加权操作，并通过双线性插值法得到特征F1‑HL；

将图像特征HLF‑H‑2与HLF‑L‑1进行加权操作，并通过双线性插值法得到特征F2‑HL；

将图像特征F1‑HL和F2‑HL进行相加，获得融合不同尺度图像信息的特征FHL；

对图像特征FHL进行核为1×1的二维卷积操作，得到图像特征F1；

对图像特征F1进行核为3×3的二维卷积操作2次，以及空洞率为4的空洞卷积操作1次，得到图像特征F2；

将图像特征F1与F2跨层融合，获得网络最终提取的图像特征F。

2.根据权利要求1所述的一种基于多尺度特征感知神经网络的积雪深度预测方法，其特征在于，步骤2中搭建基于多尺度特征感知能力的深度神经网络模型，利用训练集对深度神经网络模型进行训练的过程还包括：构建全连接层，将图像特征F进行自适应全局平均池化操作后得到的图像特征输入至全连接层中，全连接层的最后一层为单个神经元，输出积雪深度的估计值。