1.基于注意力的多尺度残差U‑Net的海洋中尺度涡旋检测方法，其特征在于，包括以下步骤：

（1）获取时间分辨率为1d，空间分辨率为0.25°的海平面异常数据SLA，选取时间分辨率为一维数据，空间分辨率为0.25°的海表面温度数据SST，选取基于卫星高度计的海洋涡旋识别追踪数据集；

（2）对基于卫星高度计的海洋涡旋识别追踪数据集制作涡旋标签，时间分辨率为一维数据；对海平面异常数据和海表面温度数据进行归一化处理；

（3）对得到的归一化结果进行拼接；遍历涡旋标签数据，根据预设的区域对涡旋标签进行数组截取，得到涡旋标签数据集；

（4）构建双交叉多尺度特征融合网络模型即DCA‑PRUNet模型并进行训练；其中，将涡旋数据集作为训练集，将海平面异常数据SLA和海表面温度数据SST作为测试集；具体如下：DCA‑PRUNet检测模型由编码器、解码器和跳跃连接组成；编码器包括残差模块、金字塔分割注意力模块和最大池化；跳跃连接由双交叉注意力模块组成；解码器包括转置卷积、残差模型和金字塔分割注意力模块；包括以下步骤：（41）编码：残差模块包括残差路径和核大小为1×1的卷积块组成；其中，残差路径由两组核大小为3×3的卷积层和ReLU激活函数构成；具体如下：将处理后的涡旋数据集输入两层3×3的卷积层后，得到通道数为64的特征图，利用1×1的卷积对输入进行升维后，与残差路径结果进行求和，再经过ReLU激活函数得到经过处理后的特征图；将残差学习模块得到的特征图输入金字塔分割注意力模块中，金字塔分割注意力模块用于获取不同尺度的空间信息；包括分组拼接模块即SPC模块、压缩激励模块即SE模块和层；具体如下：SPC模块将经过残差模块处理的特征图等分为4个子块，在每个子块上利用多尺度卷积以提取不同尺度特征的空间信息后，进行拼接获得整个特征图的空间信息；SE模块用于获得不同通道特征图的注意力权重，包括压缩和激励模块；将不同通道特征图的注意力权重通过层归一化后，进行拼接，得到整个通道注意向量权重；将获得整个特征图的空间信息与得到的整个通道注意向量权重相乘，得到经过金字塔分割注意力模块处理后的特征图；利用步长为2，核大小为2×2的最大池化对得到的特征图进行下采样，得到特征图的大小变为原来的一半；

（42）跳跃连接：将金字塔分割注意力模块的输出作为输入，通过通道交叉注意力获取4个编码块通道的依赖关系并进行拼接操作；通过空间交叉注意力获取4个编码块空间的依赖关系并进行拼接操作；再经过批归一化层和GeLU激活函数层，连接到对应的解码器；

（43）解码：将经过跳跃连接处理后的特征图输入2×2的转置卷积进行上采样，上采样后，特征图的大小加倍，与来自同阶段的编码器特征图按通道进行拼接，得到通道数为2C的特征图；将特征图输入到残差模块、金字塔分割注意力模块中进行特征学习，最终特征图大小恢复为C，其中，C表示通道数，为64；

（5）将测试集输入最优的DCA‑PRUNet模型中进行性能测试，得到测试结果，将测试结果与涡旋标签进行对比得到评价指标。

2.根据权利要求1所述的基于注意力的多尺度残差U‑Net的海洋中尺度涡旋检测方法，其特征在于，步骤（2）中，涡旋标签经纬度范围为‑90° 90°，‑180°180°，像素点所对应的~ ~矩阵范围为[180/0.25，360/0.25]，即[720，1440]。

3.根据权利要求2所述的基于注意力的多尺度残差U‑Net的海洋中尺度涡旋检测方法，其特征在于，步骤（2）中，制作涡旋标签具体如下：首先，去除数据集中涡旋轮廓信息为空的涡旋，并提取涡旋的种类和轮廓经纬度信息；其次，构建全零矩阵包括内部区域和边缘区域；其中利用射线法查找涡旋内部信息；利用最近匹配原则确定内部边缘信息；若为反气涡旋则为1；若为气旋涡则为2；根据涡旋内部信息和边缘信息得到标签。

4.根据权利要求1所述的基于注意力的多尺度残差U‑Net的海洋中尺度涡旋检测方法，其特征在于，步骤（3）中，对SLA和SST以天为单位进行拼接。