1.一种增强型时空卷积GRACE数据时序插补方法，其特征在于，包括：

获取重力恢复与气候试验卫星GRACE时间序列数据和环境时间序列数据；

对所述GRACE时间序列数据和环境时间序列数据进行分解，得到所述GRACE时间序列数据的趋势分量和去趋势分量，以及所述环境时间序列数据的趋势分量和去趋势分量；

将所述GRACE时间序列数据的去趋势分量和所述环境时间序列数据的去趋势分量输入至预先构建的增强型空间‑时间卷积序列到序列网络ESTConvS2S模型，得到所述ESTConvS2S模型输出的所述GRACE时间序列数据的空缺值对应的去趋势分量预测值；

基于所述GRACE时间序列数据的趋势分量和所述去趋势分量预测值，得到重建后的GRACE时间序列数据，确定陆地水储量异常TWSA时间序列预测值；

其中，所述ESTConvS2S模型是基于样本GRACE时间序列数据的样本去趋势分量和样本环境时间序列数据的样本去趋势分量，以及所述样本GRACE时间序列数据对应的去趋势分量标签训练得到的。

2.根据权利要求1所述的增强型时空卷积GRACE数据时序插补方法，其特征在于，所述ESTConvS2S模型包括时间模块、空间模块、特征融合模块和预测模块；

对应地，所述将所述GRACE时间序列数据的去趋势分量和所述环境时间序列数据的去趋势分量输入至预先构建的增强型空间‑时间卷积序列到序列网络ESTConvS2S模型，得到所述ESTConvS2S模型输出的所述GRACE时间序列数据的空缺值对应的去趋势分量预测值，包括：将所述GRACE时间序列数据的去趋势分量和所述环境时间序列数据的去趋势分量输入至所述时间模块，得到所述时间模块输出的时间特征图；

将所述GRACE时间序列数据的去趋势分量和所述环境时间序列数据的去趋势分量输入至所述空间模块，得到所述空间模块输出的空间特征图；

将所述时间特征图和空间特征图输入至所述特征融合模块，得到所述特征融合模块输出的时空特征图；

将所述时空特征图输入至所述预测模块，得到所述预测模块输出的所述GRACE时间序列数据的空缺值对应的去趋势分量预测值。

3.根据权利要求2所述的增强型时空卷积GRACE数据时序插补方法，其特征在于，所述时间模块包括因子分解卷积层、注意力模块、全连接层和池化层；所述空间模块包括空洞卷积层和卷积注意力模块CBAM，所述CBAM包括通道注意力模块和空间注意力模块；所述特征融合模块包括拼接层、合并卷积层和正则化层。

4.根据权利要求3所述的增强型时空卷积GRACE数据时序插补方法，其特征在于，所述时间模块的表达式为：其中， 表示所述时间模块的输入数据经过第l层时间卷积处理后的时间特征图，Kt是时间卷积核，FactorizedConv3D表示所述因子分解卷积层， 表示注意力特征图，SE表示所述注意力模块，Sigmoid函数表示权重，FC为所述全连接层，GlobalAveragePooling为所述池化层， 表示最终的时间特征图，BatchNorm表示标准化，ReLU和LeakyReLU为激活函数。

5.根据权利要求3所述的增强型时空卷积GRACE数据时序插补方法，其特征在于，所述空间模块的表达式为：其中， 表示所述空间模块的输入数据经过第l层空间空洞卷积处理后的空间特征图， 表示所述空间模块的输入数据经过第l‑1层空间空洞卷积处理后的特征图，Ks是空洞卷积核，dilation_rate为空洞率，DilatedConv3D表示所述空洞卷积层， 表示通道注意力特征图，CA表示所述通道注意力模块， 表示空间注意力特征图，SA表示所述空间注意力模块， 表示最终的空间特征图，BatchNorm表示标准化，LeakyReLU为激活函数。

6.根据权利要求3所述的基于增强型时空卷积的时间序列数据插补方法，其特征在于，所述特征融合模块的表达式如下：Mfinal＝Conv3D(Dropout(M)，Kmerge)

其中，M表示时间特征图 与空间特征图 拼接后得到的初始时空特征

图，Concat表示所述拼接层，Mfinal表示最终的时空特征图，Conv3D表示所述合并卷积层，Dropout(M)表示正则化后的初始时空特征图，Dropout表示所述正则化层，Kmerge为合并卷积核。

7.根据权利要求2‑6任一项所述的增强型时空卷积GRACE数据时序插补方法，其特征在于，所述基于所述GRACE时间序列数据的趋势分量和所述去趋势分量预测值，得到重建后的GRACE时间序列数据，确定陆地水储量异常TWSA时间序列预测值，包括：基于所述去趋势分量预测值，对所述GRACE时间序列数据进行插补，得到插补后的GRACE时间序列数据的去趋势分量；

基于所述插补后的GRACE时间序列数据的去趋势分量，以及所述GRACE时间序列数据的趋势分量，对所述GRACE时间序列数据进行重建，得到重建后的GRACE时间序列数据；

基于所述重建后的GRACE时间序列数据，确定所述陆地水储量异常TWSA时间序列预测值。

8.根据权利要求1所述的增强型时空卷积GRACE数据时序插补方法，其特征在于，所述ESTConvS2S模型的确定过程包括：对所述样本GRACE时间序列数据和样本环境时间序列数据进行分解，得到所述样本GRACE时间序列数据的样本去趋势分量，以及所述样本环境时间序列数据的样本去趋势分量；

确定所述样本GRACE时间序列数据对应的去趋势分量标签；

基于所述GRACE时间序列数据的样本去趋势分量和样本环境时间序列数据的样本去趋势分量，以及所述样本GRACE时间序列数据对应的去趋势分量标签，训练所述初始ESTConvS2S模型；

对所述初始ESTConvS2S模型的参数进行迭代优化，得到所述ESTConvS2S模型。

9.一种增强型时空卷积GRACE数据时序插补装置，其特征在于，包括：获取单元，用于获取重力恢复与气候试验卫星GRACE时间序列数据和环境时间序列数据；分解单元，用于对所述GRACE时间序列数据和环境时间序列数据进行分解，得到所述GRACE时间序列数据的趋势分量和去趋势分量，以及所述环境时间序列数据的趋势分量和去趋势分量；

第一预测单元，用于将所述GRACE时间序列数据的去趋势分量和所述环境时间序列数据的去趋势分量输入至预先构建的增强型空间‑时间卷积序列到序列网络ESTConvS2S模型，得到所述ESTConvS2S模型输出的所述GRACE时间序列数据的空缺值对应的去趋势分量预测值；

第二预测单元，用于基于所述GRACE时间序列数据的趋势分量和所述去趋势分量预测值，得到重建后的GRACE时间序列数据，确定陆地水储量异常TWSA时间序列预测值；

其中，所述ESTConvS2S模型是基于样本GRACE时间序列数据的样本去趋势分量和样本环境时间序列数据的样本去趋势分量，以及所述样本GRACE时间序列数据对应的去趋势分量标签训练得到的。

10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述的增强型时空卷积GRACE数据时序插补方法。