1.一种融合雨量站、监控图像和数值天气预报的实时降雨场同化方法，其特征在于，确定待研究区域范围，其中设有若干监控视频点、地面雨量站，并针对该区域内某场降雨事件、搜集数值天气预报中的网格降雨预报数据，所述方法包括以下步骤：步骤1，分解监控图像，获得降雨层

将由监控视频点获得的监控图像分解为背景层B、降雨层R和噪声层N；

其中，背景层代表图像的主体；降雨层代表雨滴；噪声层代表由于包括风或亮度变化在内的因素所导致的图像随机扰动；

步骤2，从监控图像降雨层中提取雨滴信息，估计降雨强度S201，建立降雨强度I与降雨图像Z(·)中雨滴数量d、雨滴大小s的函数关系，具体的：I＝f(Z(d,s))

其中，f(·)表示降雨强度与降雨图像之间的非线性关系；

S202，采用深度学习模型，建立步骤S201中函数I＝f(Z(d,s))的求解模型；以公开开源的海量图像数据集为预训练输入，得到深度学习模型的参数值；

S203，以步骤1获得的降雨层R为输入，验证步骤S202中确定的深度学习模型，并对其参数取值进行微调，最终得到适用的深度学习模型的参数值；

S204，采用步骤S203中确定的深度学习模型，以监控视频点实时拍摄的监控图像为输入，获得待研究区域监控视频点的实时降雨强度；

步骤3，建立基于监控图像的降雨空间场

选定降雨空间场的空间分辨率，采用降雨空间插值方法，将步骤2获得的点状分布的监控视频点的实时降雨强度数据进行空间插值，得到基于监控图像的降雨空间场数据Ω1；

步骤4，建立基于地面雨量站的降雨空间场

选用与步骤3相同的空间分辨率，同样采用降雨空间插值方法，将点状分布的雨量站降雨强度数据进行空间插值，得到基于雨量站的降雨空间场数据Ω2；

步骤5，融合监控图像与雨量站的降雨场同化

采用贝叶斯融合方法，将步骤3、4中获得的两种独立源降雨空间场数据Ω1和Ω2进行数据同化，得到同化后新的降雨空间场数据Ω1+2；

贝叶斯融合方法的具体方法为：

S501：分别计算基于监控图像的降雨空间场数据Ω1和基于雨量站的降雨空间场数据Ω2的概率密度函数，以基于雨量站的降雨空间场数据Ω2的概率密度函数为基准，采用概率密度函数匹配技术，消除基于监控图像的降雨空间场数据Ω1的系统误差，得到数据精度校正后的降雨空间场数据S502：采用动态贝叶斯模型平均技术，将步骤S501中的两种降雨空间场数据Ω2和 进行融合，得到同化后新的降雨空间场数据Ω1+2；

步骤6，融合雨量站、监控图像和数值天气预报信息的降雨场同化S601，选定针对待研究场次降雨事件的数值天气预报中的网格降水预报数据，将其数据空间分辨率处理成与降雨空间场数据Ω1和Ω2的空间分辨率一致，记为Ω3；

S602，采用贝叶斯融合方法，将不同来源的两种降雨空间场数据Ω1+2和Ω3进行数据同化，得到同化后新的降雨空间场数据Ω1+2+3，从而得到融合雨量站、监控图像和数值天气预报三种独立源的实时降雨场同化数据。

2.根据权利要求1所述的融合雨量站、监控图像和数值天气预报的实时降雨场同化方法，其特征在于，步骤1中，所述分解监控图像的具体方法包括以下步骤：h×w

S101：将监控图像源数据视为二维矩阵X∈R ，具体的：X＝B+R+N

h×w h×w h×w

其中，B∈R 、R∈R 和N∈R 分别背景层、降雨层和噪声层，h、w分别为图像的高和宽；

h×w

S102：采用矩阵低秩分解理论，分解求得步骤S101中的降雨层R∈R ，即处理后的雨滴属性矩阵。