1.一种基于多尺度注意力残差块和sadeWOA算法的降水数据降尺度方法，其特征在于，包括如下步骤：步骤1、获取气象数据和地形数据，提取目标区域的降水信息，得到原始低分辨率数据，并对数据进行预处理，划分为训练集和测试集；

步骤2、利用通道注意力块、空间注意力块及跳跃连接构建多尺度注意力残差块，将输入的低分辨率数据经过卷积层进行特征提取后进入多尺度注意力残差块，先通过通道注意力块筛选重要通道，再通过空间注意力块定位关键空间位置，得到低分辨率特征图；

步骤3、构建上采样模块，输入低分辨率特征图，采取亚像素卷积方法将输入特征图的通道维度转换为空间维度，并增加卷积层以减少图像的块状伪影；

步骤4、构建地形数据融合层，融入地形数据增强特征表示；

步骤5、构建TERAN模型，基于步骤2多尺度注意力残差块、步骤3上采样模块和步骤4地形数据融合层构建地形增强残差注意力网络，对输入的原始低分辨率数据进行降尺度处理；

步骤6、使用训练集和sadeWOA算法优化TERAN模型超参数，包括：多尺度残差块层数、学习率、跳跃连接开关，训练TERAN模型寻找性能最佳组，利用训练后的TERAN模型处理低分辨率的数据，生成高分辨率的降水数据，包括如下子步骤：步骤601、初始化参数：设置最大迭代次数 ，鲸鱼种群大小 ，搜索空间下界 和上界，随机初始化鲸鱼种群，使用均匀分布在搜索空间范围内的随机数 确定每个个体初始位置 ；设置变异因子随迭代递减、交叉概率随迭代递增，并计算初始适应度；

步骤602、包围猎物阶段，计算系数向量 和 ，公式如下：；

；

更新鲸鱼位置，公式如下：

；

；

其中，参数 是用于控制算法收敛过程的系数，为当前迭代次数， 是当前解的位置，是当前最优解的位置， 为新位置，为中间变量；

步骤603、生成随机概率数p：

若p＜0.5进行收缩包围，使用包围猎物阶段的 ，通过降低 值实现收缩包围；

若p≥0.5进行螺旋更新，公式如下：

；

；

其中，为常数，用于定义对数螺线的形状，为 之间的随机数， 表示最优个体与第i个个体之间的距离；

步骤604、进行变异操作，公式如下：

；

其中， 为随机选择种群中的个体索引，表示变异因子；

进行二项式交叉：对每个维度进行操作，将变异个体与父代个体进行交叉，选择更优解，公式如下：；

其中，参数 ，参数 用于确保至少一个维度更新， 为交叉概率， 表示变异后的个体；

步骤605、更新边界约束：

；

若 或 ，则将 设为边界值，计算新位置适应度：；

若 小于第i个个体的适应度，则更新：

；

其中， 函数表示 限制在[ ]，函数表示适应度函数， 表示每个个体当前的适应度值；

步骤606、返回步骤602，循环直到迭代次数结束，并更新全局最优解：；

步骤607、将得到最优超参数组合应用到TERAN模型，输入低分辨率降水数据得到高分辨率降水数据，并输出。

2.根据权利要求1所述的基于多尺度注意力残差块和sadeWOA算法的降水数据降尺度方法，其特征在于，步骤1中所述气象数据，包括：从ERA5数据集中提取目标区域的降水信息作为低分辨率数据，输入多尺度注意力残差块；

从CHIRPS数据集中提取目标区域的降水信息作为高分辨率真值数据；

所述地形数据，从SRTMDEMUTM高程数据中获取，提取目标区域的高程信息。

3.根据权利要求1所述的基于多尺度注意力残差块和sadeWOA算法的降水数据降尺度方法，其特征在于，步骤1中对数据进行预处理，包括如下子步骤：步骤101、裁剪并对齐目标区域的气象数据和地形数据，以统一经纬度范围，形成初始数据集；

步骤102、基于初始数据集，对降水数据和地形海拔数据应用loglp变换归一化，公式如下：；

其中，、 分别表示归一化前、后的初始数据集数据。

4.根据权利要求1所述的基于多尺度注意力残差块和sadeWOA算法的降水数据降尺度方法，其特征在于，步骤2中，构建多尺度注意力残差块，包括如下子步骤：步骤201、将原始低分辨率数据经过卷积层生成特征图 ，输入通道注意力块，通过全局最大池化、全局平均池化和MLP，生成一个一维注意力图，聚焦降水相关的关键特征；

以此类推，在第层多尺度残差注意力块，输入的特征图 通过通道注意力块得到一维注意力图：， ；

其中， 分别表示输入特征图的宽、高、通道数， 表示逐元素相乘；

步骤202、在第i层多尺度残差注意力块，将 输入空间注意力块，通过一对通道最大池化和平均池化，结合卷积层，生成一个二维注意力图 ，以强调重要的空间位置，再将 得精炼特征图；

步骤203、将输入的特征图 通过跳跃连接与精炼特征图逐元素相加，得到第i层多尺度注意力残差块的输出特征图 ：；

其中， 表示逐元素相加；输出特征图 通过两个卷积层得到 进入第i+1层多尺度注意力残差块。

5.根据权利要求4所述的基于多尺度注意力残差块和sadeWOA算法的降水数据降尺度方法，其特征在于，步骤3构建上采样模块，包括如下子步骤：步骤301、将低分辨率特征图输入一个滤波器为 、卷积核尺寸为3×3、步长为1、填充设为SAME的卷积层，通过卷积操作对输入图像进行特征提取，生成具有 个通道的低分辨率卷积特征图，尺寸变换如下：；

其中，C为通道数、为放大系数；

步骤302、低分辨率卷积特征图经过子像素卷积层通过一个周期性重排操作，将低分辨率特征图中的每个大小为 的像素块重新排列为高分辨率图像中的一个像素，子像素卷积层的输出 表示为：；

其中， 为输入子像素卷积层的低分辨率卷积特征图， 、 分别表示最终函数和上一层函数， 为上采样滤波器， 为偏置， 为亚像素重排操作；

低分辨率卷积特征图尺寸的变换表示为：

；

步骤303、在子像素卷积层的输出后附加一个卷积核大小为3×3、滤波器数量为64、步长为1、零填充的卷积层，减少输出图像的块状伪影，得到优化后的卷积特征图。

6.根据权利要求5所述的基于多尺度注意力残差块和sadeWOA算法的降水数据降尺度方法，其特征在于，所述亚像素重排操作，表示为：；

其中， 为输出图像中位置坐标，为输出图像的通道索引， 函数表示 除以的余数，为输入张量。

7.根据权利要求5所述的基于多尺度注意力残差块和sadeWOA算法的降水数据降尺度方法，其特征在于，步骤4构建地形数据融合层，包括如下子步骤：步骤401、基于步骤1、2、3构建主网络特征图，得到优化后的卷积特征图的形状，确定批次大小；

步骤402、将预处理后的地形数据扩展到与主网络特征图相同的批次大小；

步骤403、将地形信息作为额外通道融入到特征图中，沿通道维度拼接主网络特征图和地形数据，得到拼接后新的特征图，新的特征图相较于主网络特征图通道数增加1。

8.根据权利要求6所述的基于多尺度注意力残差块和sadeWOA算法的降水数据降尺度方法，其特征在于，步骤5所述构建TERAN模型，包括如下子步骤：步骤501、输入层：输入原始低分辨率数据 和地形数据 ；

步骤502、特征处理层：先经过一个卷积核数量为64，卷积核尺寸为3×3，步长为1，零填充，激活函数为ReLU函数的卷积层，再放置多尺度注意力残差块，且再每隔2个卷积层放置一个多尺度注意力残差块，以此类推，循环放置M层多尺度注意力残差块；

步骤503、特征融合层：将主网络提取的特征图为 与每个多尺度残差注意力块的特征图、 ...沿通道维度相加，得到特征图 ；

步骤504、调整 的通道数，与 逐元素相加，表示为： ，再使用ReLU激活函数对特征图进行非线性变换。

9.根据权利要求1所述的基于多尺度注意力残差块和sadeWOA算法的降水数据降尺度方法，其特征在于，所述步骤601中，使用均匀分布在搜索空间范围内的随机数 确定每个个体初始位置，公式如下：；

设置变异因子 随迭代递减，公式如下：

；

设置交叉概率 随迭代递增，公式如下：

。