1.一种基于深度学习和物理信息生成极端降水样本数据的方法，其特征在于，包括如下步骤：

步骤1、采集目的地区的气象数据，并对气象数据进行预处理，得到预处理后的数据；

步骤2、通过引入判别器和生成器构建深度卷积生成对抗网络模型DCGAN；

步骤3、在生成器中添加物理约束；

步骤3具体为：物理约束具体包括地形效应、湿度增强、热动力学效应、动态效应和后处理卷积；

所述地形效应包括降水增强和风场调整；降水增强基于地形高度的非线性效应，结合平均湿度即850hPa和1000hPa的相对湿度来增加降水量；风场调整中地形阻挡减弱低层纬向风速，模拟实际地形对风的摩擦和减速作用；

所述湿度增强通过总湿度即850hPa和1000hPa相对湿度的和来计算一个非线性增强因子，调整低层和高层湿度值，增强湿气集中区域的特征；并结合卷积网络moisture_enhancer对湿度分布进行调整，并通过可学习的尺度参数moisture_scale控制湿度对降水的贡献；

所述热动力学效应根据CAPE和湿度的分布，增强CAPE值，模拟对流活动对热力场的正反馈；通过计算最大垂直速度 ，并结合湿度来增加降水量，反映热动力学对降水的驱动作用；使用卷积网络thermal_enhancer调整热力分布，并通过可学习的参数thermal_scale调节热动力学效应的大小；

所述动态效应根据风速梯度计算收敛和涡度，调整低层风场，模拟动态过程对风的反馈；基于收敛、涡度和散度的综合效应，增加降水量，反映动力学对降水的触发和增强；通过卷积网络dynamic_enhancer优化风场和涡度分布，使用可学习的参数控制动态效应的强度；

所述后处理卷积通过平滑和特征融合，使所有变量的空间分布均匀；

步骤4、以预处理后的数据为输入，生成的极端降水样本数据为输出，训练深度卷积生成对抗网络模型DCGAN；

步骤5、基于训练后的模型，用于生成极端降水样本数据。

2.根据权利要求1所述的一种基于深度学习和物理信息生成极端降水样本数据的方法，其特征在于，步骤1中，所述气象数据包括降水、CAPE、整层可降水、800hpa散度、1000hpa散度、800hpa涡度、1000hpa涡度、800hpaU风场、1000hpaU风场、800hpaV风场、1000hpaV风场、800hpa湿度和1000hpa湿度。

3.根据权利要求1所述的一种基于深度学习和物理信息生成极端降水样本数据的方法，其特征在于，步骤1中，所述预处理具体为：将气象数据进行维度转换和时间序列整合，将NetCDF格式转换为npy格式，然后筛选出小时降水量大于等于20mm的时间序列；采集高程数据，并通过最近邻插值方法统一高程数据与气象数据的空间网格，然后通过广播处理匹配时间维度将高程数据扩展为与气象数据相同的时间‑纬度‑经度三维结构；采用Min‑Max归一化将数据映射到[0,1]区间，公式为：；

其中， 是气象数据， 和 分别是气象数据的最小值和最大值， 是归一

化后的数据。

4.根据权利要求2所述的一种基于深度学习和物理信息生成极端降水样本数据的方法，其特征在于，步骤2中，所述判别器具体为：以64为基础通道数，输入通道数为1，即降水，通过逐步下采样的卷积操作实现对输入样本真实性的判别；判别器网络由5个卷积块构成，且所有卷积层均采用谱归一化处理；第一层卷积采用3×3kernel、stride=1和padding=1，将输入映射为64通道的32×32特征图，随后通过LeakyReLU激活函数引入非线性；接下来的三层卷积均采用stride=2实现下采样，通道数依次翻倍至128、256、512，特征图尺寸则相应减半为16×16、8×8、4×4；第五层卷积采用无padding的3×3kernel，将4×4特征图压缩至

2×2，最终通过展平操作和线性层输出单通道值，并经 Sigmoid激活映射至[0,1]区间，完成对样本真实性的概率判断。

5.根据权利要求1所述的一种基于深度学习和物理信息生成极端降水样本数据的方法，其特征在于，步骤2中，所述生成器具体为：生成器将100维噪声向量映射为13通道的输入样本，采用上采样+卷积的组合替代转置卷积；噪声向量首先通过全连接层映射为维度等于基础通道数4×4的特征向量，随后特征向量被重塑为4×4的特征图；进入卷积块序列后，生成器网络通过三次最近邻上采样逐步扩大特征图尺寸：第一次上采样后，特征图从4×4扩展至8×8，随后通过3×3卷积保持通道数不变；第二次上采样将特征图扩展至16×16，卷积层将通道数从基础通道数减半；第三次上采样将特征图扩展至32×32，最终通过3×3卷积将通道数调整为目标输出的13通道，完成从噪声到样本的生成过程。

6.根据权利要求1所述的一种基于深度学习和物理信息生成极端降水样本数据的方法，其特征在于，步骤4具体为：在训练配置方面，设置训练轮次，优化器均采用Adam，学习率为2e‑4，动量参数betas为(0.5, 0.999)；学习率调度采用StepLR，每100轮将学习率衰减为原来的0.5；生成器训练频率G_TRAIN_FREQ设为2，即判别器训练1次后，生成器训练2次；损失函数使用二分类交叉熵损失，损失L的计算公式：；

其中， 是真实标签，取值为0或1； 是模型预测的概率输出，范围在[0,1]区间；

通过BCELoss衡量判别器预测的概率分布与真实标签分布之间的差异；

然后进行生成与筛选流程，经过DCGAN的训练过程，得到生成极端降水数据的生成器模型，利用训练好的生成器模型，生成并筛选符合特定条件的样本。

7.根据权利要求6所述的一种基于深度学习和物理信息生成极端降水样本数据的方法，其特征在于，所述生成与筛选流程具体为：首先加载训练得到的生成器模型并设为评估模式，将每小时超过30mm定义为极端降水，通过对随机噪声处理生成数据，对降水通道数据反归一化后计算最大值，反归一化公式：；

其中， 是归一化后的数据， 是气象数据， 和 分别是气象数据的最小

值和最大值；若超过阈值则判定为有效样本并保存，直到收集到目标数量；最终将有效样本保存为特定数组。

8.一种计算机装置，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1所述方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1所述方法的步骤。