1.一种基于深度学习并结合地形的风场降尺度方法，其特征在于，包括以下步骤：

(1)采集地面高程数据、低分辨率数值模式预报数据、高分辨率观测数据，并对数据进行预处理，最后构成降尺度数据集；

低分辨率数值模式预报数据，包括纬向风的低分辨率数值模式预报数据和经向风的低分辨率数值模式预报数据，对其进行预处理的方法为：首先对纬向风和经向风的低分辨率数值模式预报数据进行标准化处理，标准化公式为：

其中，M为待标准化的变量矩阵，Mstd为标准化后的结果，mean(M)表示M的平均值，std(M)表示M的标准差；

其次对预报数据在海洋部分赋空值后，对预报数据和观测数据的海洋部分进行最近邻插值，得到预处理后的纬向风和经向风低分辨率数值模式预报数据，以及高分辨率观测数据；

地面高程数据预处理方法为：

首先将采集的地面高程数据分为三份，第一份地面高程数据处理方式为：采用上述标准化公式进行标准化处理；

第二份地面高程数据处理方式为：在x方向进行中央差分，中央差分表达式为：

其中，ei,j代表在(i,j)格点的地面高程数据，ei+1,j代表在(i+1,j)格点的地面高程数据，ei‑1,j代表在(i‑1,j)格点的地面高程数据，i,j代表格点，x为东西方向，θ为纬度；

第三份地面高程数据的处理方式为：在y方向进行中央差分，中央差分表达式为：

其中，y为南北方向；

之后再对第二份x方向中央差分后的地面高程数据和第三份y方向中央差分后的地面高程数据根据上述标准化公式进行标准化处理，并对三份处理后的地面高程数据的海洋部分赋空值和最近邻插值运算，得到三份预处理完成的地面高程数据；

(2)搭建基于矢量的神经网络深度学习降尺度模型；所述模型结构包括辅助信息处理部分、分网络U与分网络V，其中分网络U与分网络V结构相同，均包括特征提取部分和降尺度部分，辅助信息处理部分包括三个结构相同的小网络，分别记为网络I、网络II和网络III，网络I的输入为降尺度数据集中预处理后的第一份地面高程数据，网络II的输入为降尺度数据集中预处理后的第二份地面高程数据，网络III的输入为降尺度数据集中预处理后的第三份地面高程数据；网络I、网络II和网络III的输出进行组合得到两组特征图，记为第一输入和第二输入，第一输入和经向风的低分辨率数值预报数据输入分网络V，第二输入和纬向风的低分辨率数值预报数据输入分网络U；分网络V通过其特征提取部分和降尺度部分对输入数据进行处理后输出高分辨率的经向风预测结果，分网络U通过其特征提取部分和降尺度部分对输入数据进行处理后输出高分辨率的纬向风预测结果；

网络I、网络II和网络III分别对各自的输入数据通过控制卷积运算的参数，使得特征图尺寸逐步减小，网络I输出第一组特征图和第二组特征图，网络II输出第三组特征图和第四组特征图，网络III输出第五组特征图和第六组特征图，第一组特征图记为第一输出I、第一输出II和第一输出III，第二组特征图记为第二输出I、第二输出II和第二输出III，第三组特征图记为第三输出I、第三输出II和第三输出III，第四组特征图记为第四输出I、第四输出II和第四输出III，第五组特征图记为第五输出I、第五输出II和第五输出III，第六组特征图记为第六输出I、第六输出II和第六输出III；

第一输出I、第三输出I和第五输出I组合后经过一次卷积与激活处理得到的特征图，记为第一输入I，第一输出II、第三输出II和第五输出II组合后经过一次卷积与激活处理得到的特征图，记为第一输入II，第一输出III、第三输出III和第五输出III组合后经过一次卷积与激活处理得到的特征图，记为第一输入III；

第二输出I、第四输出I和第六输出I组合后经过一次卷积与激活处理得到的特征图，记为第二输入I，第二输出II、第四输出II和第六输出II组合后经过一次卷积与激活处理得到的特征图，记为第二输入II，第二输出III、第四输出III和第六输出III组合后经过一次卷积与激活处理得到的特征图，记为第二输入III；

第一输入I、第一输入II和第一输入III输入分网络V，第二输入I、第二输入II和第二输入III输入分网络U；

分网络U中特征提取部分的输入包括纬向风的低分辨率数值预报数据、辅助信息处理部分的第二输入II以及第二输入III，纬向风的低分辨率数值预报数据经过卷积与激活处理，并经过下采样处理后与来自辅助信息处理部分的第二输入II组合，之后经过两次下采样与上采样，并且经过两次跳跃连接之后，输出特征图到降尺度部分；降尺度部分接受来自特征提取部分输出的特征图和辅助信息处理部分的第二输入I，采用最近邻插值与卷积相配合的方式进行上采样，最后经一次反标准化运算，输出高分辨率的纬向风预测结果；

分网络V中特征提取部分输入包括经向风的低分辨率数值预报数据、辅助信息处理部分的第一输入II以及第一输入III，经向风的低分辨率数值预报数据经过卷积与激活处理，并经过下采样处理后与来自辅助信息处理部分的第一输入II组合，之后经过两次下采样与上采样，并且经过两次跳跃连接之后，输出特征图到降尺度部分；降尺度部分接受来自特征提取部分输出的特征图和辅助信息处理部分的第一输入I，采用最近邻插值与卷积相配合的方式进行上采样，最后经一次反标准化运算，输出高分辨率的经向风预测结果；

(3)基于降尺度数据集对基于矢量的神经网络深度学习降尺度模型进行训练；

基于矢量的神经网络深度学习降尺度模型的损失函数Lossvector为：

其中，n代表格点，N为格点总数；λ为权重；Lossan为约束预测向量与观测向量角度的部分，代表格点n上1减去预测向量与观测向量之间夹角的余弦值；Lossmn为约束预测向量与观测向量的模的部分，代表格点n上预测向量与观测向量模的差值的绝对值；

Lossmn和Lossan的表达式分别为：

其中，fun为纬向风的预报值，fvn为经向风的预报值，oun为纬向风的观测值，ovn为经向风的观测值；

(4)基于实时低分辨率数值模式预报数据以及高分辨率地面高程数据，通过训练好的模型生成高分辨率降尺度数据。

2.一种基于深度学习并结合地形的风场降尺度系统，其特征在于，包括：

数据集制作单元，用于采集地面高程数据、低分辨率数值模式预报数据、高分辨率观测数据，并对数据进行预处理，最后构成降尺度数据集；

低分辨率数值模式预报数据，包括纬向风的低分辨率数值模式预报数据和经向风的低分辨率数值模式预报数据，对其进行预处理的方法为：首先对纬向风和经向风的低分辨率数值模式预报数据进行标准化处理，标准化公式为：

其中，M为待标准化的变量矩阵，Mstd为标准化后的结果，mean(M)表示M的平均值，std(M)表示M的标准差；

其次对预报数据在海洋部分赋空值后，对预报数据和观测数据的海洋部分进行最近邻插值，得到预处理后的纬向风和经向风低分辨率数值模式预报数据，以及高分辨率观测数据；

地面高程数据预处理方法为：

首先将采集的地面高程数据分为三份，第一份地面高程数据处理方式为：采用上述标准化公式进行标准化处理；

第二份地面高程数据处理方式为：在x方向进行中央差分，中央差分表达式为：

其中，ei,j代表在(i,j)格点的地面高程数据，ei+1,j代表在(i+1,j)格点的地面高程数据，ei‑1,j代表在(i‑1,j)格点的地面高程数据，i,j代表格点，x为东西方向，θ为纬度；

第三份地面高程数据的处理方式为：在y方向进行中央差分，中央差分表达式为：

其中，y为南北方向；

之后再对第二份x方向中央差分后的地面高程数据和第三份y方向中央差分后的地面高程数据根据上述标准化公式进行标准化处理，并对三份处理后的地面高程数据的海洋部分赋空值和最近邻插值运算，得到三份预处理完成的地面高程数据；

模型搭建单元，用于搭建基于矢量的神经网络深度学习降尺度模型；所述模型结构包括辅助信息处理部分、分网络U与分网络V，其中分网络U与分网络V结构相同，均包括特征提取部分和降尺度部分，辅助信息处理部分包括三个结构相同的小网络，分别记为网络I、网络II和网络III，网络I的输入为降尺度数据集中预处理后的第一份地面高程数据，网络II的输入为降尺度数据集中预处理后的第二份地面高程数据，网络III的输入为降尺度数据集中预处理后的第三份地面高程数据；网络I、网络II和网络III的输出进行组合得到两组特征图，记为第一输入和第二输入，第一输入和经向风的低分辨率数值预报数据输入分网络V，第二输入和纬向风的低分辨率数值预报数据输入分网络U；分网络V通过其特征提取部分和降尺度部分对输入数据进行处理后输出高分辨率的经向风预测结果，分网络U通过其特征提取部分和降尺度部分对输入数据进行处理后输出高分辨率的纬向风预测结果；

网络I、网络II和网络III分别对各自的输入数据通过控制卷积运算的参数，使得特征图尺寸逐步减小，网络I输出第一组特征图和第二组特征图，网络II输出第三组特征图和第四组特征图，网络III输出第五组特征图和第六组特征图，第一组特征图记为第一输出I、第一输出II和第一输出III，第二组特征图记为第二输出I、第二输出II和第二输出III，第三组特征图记为第三输出I、第三输出II和第三输出III，第四组特征图记为第四输出I、第四输出II和第四输出III，第五组特征图记为第五输出I、第五输出II和第五输出III，第六组特征图记为第六输出I、第六输出II和第六输出III；

第一输出I、第三输出I和第五输出I组合后经过一次卷积与激活处理得到的特征图，记为第一输入I，第一输出II、第三输出II和第五输出II组合后经过一次卷积与激活处理得到的特征图，记为第一输入II，第一输出III、第三输出III和第五输出III组合后经过一次卷积与激活处理得到的特征图，记为第一输入III；

第二输出I、第四输出I和第六输出I组合后经过一次卷积与激活处理得到的特征图，记为第二输入I，第二输出II、第四输出II和第六输出II组合后经过一次卷积与激活处理得到的特征图，记为第二输入II，第二输出III、第四输出III和第六输出III组合后经过一次卷积与激活处理得到的特征图，记为第二输入III；

第一输入I、第一输入II和第一输入III输入分网络V，第二输入I、第二输入II和第二输入III输入分网络U；

分网络U中特征提取部分的输入包括纬向风的低分辨率数值预报数据、辅助信息处理部分的第二输入II以及第二输入III，纬向风的低分辨率数值预报数据经过卷积与激活处理，并经过下采样处理后与来自辅助信息处理部分的第二输入II组合，之后经过两次下采样与上采样，并且经过两次跳跃连接之后，输出特征图到降尺度部分；降尺度部分接受来自特征提取部分输出的特征图和辅助信息处理部分的第二输入I，采用最近邻插值与卷积相配合的方式进行上采样，最后经一次反标准化运算，输出高分辨率的纬向风预测结果；

分网络V中特征提取部分输入包括经向风的低分辨率数值预报数据、辅助信息处理部分的第一输入II以及第一输入III，经向风的低分辨率数值预报数据经过卷积与激活处理，并经过下采样处理后与来自辅助信息处理部分的第一输入II组合，之后经过两次下采样与上采样，并且经过两次跳跃连接之后，输出特征图到降尺度部分；降尺度部分接受来自特征提取部分输出的特征图和辅助信息处理部分的第一输入I，采用最近邻插值与卷积相配合的方式进行上采样，最后经一次反标准化运算，输出高分辨率的经向风预测结果；

模型训练单元，用于基于降尺度数据集对基于矢量的神经网络深度学习降尺度模型进行训练；

基于矢量的神经网络深度学习降尺度模型的损失函数Lossvector为：

其中，n代表格点，N为格点总数；λ为权重；Lossan为约束预测向量与观测向量角度的部分，代表格点n上1减去预测向量与观测向量之间夹角的余弦值；Lossmn为约束预测向量与观测向量的模的部分，代表格点n上预测向量与观测向量模的差值的绝对值；

Lossmn和Lossan的表达式分别为：

其中，fun为纬向风的预报值，fvn为经向风的预报值，oun为纬向风的观测值，ovn为经向风的观测值；

测试单元，用于基于实时低分辨率数值模式预报数据以及高分辨率地面高程数据，通过训练好的模型生成高分辨率降尺度数据。

3.一种电子设备，其特征在于，所述设备包括：

存储有可执行程序代码的存储器；

与所述存储器耦合的处理器；

所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1所述的基于深度学习并结合地形的风场降尺度方法的步骤。

4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1所述的基于深度学习并结合地形的风场降尺度方法的步骤。