1.一种基于改进卷积神经网络的多源卫星有效波高融合方法，其特征在于，包括以下步骤：（1）构建多源卫星有效波高沿轨逐日数据集并进行预处理；多源卫星有效波高沿轨逐日数据集包括：多源卫星高度计有效波高数据、浮标实测有效波高数据、ERA5逐日有效波高数据；预处理具体如下：先利用浮标实测资料校准多源卫星有效波高和ERA5有效波高；再将多源沿轨有效波高融合数据进行格点化处理，得到缺测位置；

（2）基于多源卫星有效波高沿轨逐日数据集，提取对应真实值和缺测值位置，构建对应位置的mask掩码数据集，构建基于ERA5的有效波高数据的训练集；包括如下步骤：（21）首先，根据卫星数据选出适当的ERA5数据，然后，调整ERA5波高数据使其与卫星观测数据时空场保持一致即网格点一一对应；最后，对ERA5数据进行距平方差归一化处理，构成训练集；标准化公式为：；

其中，X为每月的海浪波高数据， 表示X标准化后的结果， 表示X的平均值， 表示X的标准差；

其中，适当的ERA5数据为确定好分辨率，时间、空间场范围的数据；

（22）构建训练集对应的mask掩码数据集，将与ERA5数据一一对应的卫星观测数据进行再处理，将数据集中的真实值替换为1，缺测值替换为0；

（3）搭建改进的深度学习模型RA‑PUNet，包括：部分卷积层、注意力机制结构Attention block和残差网络结构Residual block；包括如下步骤：（31）对于需要建立的数据，输入变量为当前地区的波高数据集，输出变量为当前地区初步长时间序列有效波高数据集；

（32）搭建深度学习模型RA‑PUNet包括：部分卷积层、注意力机制结构Attention block和残差网络结构Residual block；具体如下：部分卷积层是将原始卷积神经网络的卷积层进行替换，将卷积操作分为了部分卷积和掩码更新两部分，部分卷积对卷积范围内至少含有一个真实值的地区进行卷积，计算公式如下：；

T

其中，W为卷积核，X为输入值，M为对应的mask掩码， 代表卷积范围内真实值个数的影响，为哈达玛积即矩阵对应位置相乘；

掩码更新为对卷积范围内至少含有一个真实值的地区进行更新，结果更新为1，否则为

0，计算公式如下：

；

残差网络结构包括直接映射部分和残差部分；每次卷积操作后，将得到的值与卷积操作前的值相加作为下一神经元的输入量，计算公式如下：；

其中， 为下一神经元的输入值， 为当前神经元的输入值， ’为1×1卷积操作，为 卷积后的值；

注意力机制是对跳跃连接后的数据进行注意力加权处理；

（33）将均方差误差MSE作为损失函数；

（4）基于步骤（2）的训练集，mask掩码数据集和RA‑PUNet模型进行训练；调整模型结构及参数，训练得到最精确的建立波高场；调整模型结构及参数包括：学习率，batch‑size，最大迭代次数；

（5）基于多源卫星高度计有效波高数据，建立出无缺测的海面有效波高融合数据集；包括以下步骤：（51）收集目标时空场的波高数据，并构建mask掩码数据集，输入的数据集中的缺测值用当月的波高的均值进行填充，共同组成输入变量；

（52）基于输入变量和训练好的模型得到未去归一化的融合数据集，结合对应时间的波高场的平均值去归一化得到最终的自主可控、精度一致的分辨率多源逐日有效波高融合数据集。