1.一种长时间依赖建模与跨分支融合的海温预测方法，其特征在于，包括：对获取到的海温时序图像数据进行归一化处理，得到标准化的海温时序图像序列；

将所述标准化的海温时序图像序列输入到训练好的多尺度海温预测模型中：利用深度卷积编码器对所述标准化的海温时序图像序列进行空间特征编码，得到多层次空间特征；

对所述多层次空间特征进行二维离散小波分解，得到低频近似表示、水平奇异特征、垂直奇异特征和对角边缘特征；

将所述多层次空间特征、低频近似表示、水平奇异特征、垂直奇异特征和对角边缘特征输入到小波注意力模块中，得到短期时序增强特征；

将所述多层次空间特征和低频近似表示输入到ConvLSTM模块中，得到高频动态增强特征；

将所述短期时序增强特征和高频动态增强特征输入到跨分支注意力融合模块，得到融合特征；

将所述融合特征线性投影后输入到Informer时序编码器，得到时序依赖增强特征；

将所述时序依赖增强特征输入到解码器，得到预测结果；

所述将所述多层次空间特征、低频近似表示、水平奇异特征、垂直奇异特征和对角边缘特征输入到小波注意力模块中，得到短期时序增强特征，包括：将 时刻的多层次空间特征 和 时刻的短期时序增强特征 输入到重置门，得到 时刻重置门的输出 ；

将 时刻的多层次空间特征 和 时刻的短期时序增强特征 输入到更新门，得到 时刻更新门的输出 ；

根据所述 时刻重置门的输出 和 时刻的多层次空间特征 ，生成 时刻候选激活状态 ；

根据所述 时刻候选激活状态 和 时刻更新门的输出 ，生成 时刻门控时序增强特征 ；

利用1×1卷积对低频近似表示 、水平奇异特征 、垂直奇异特征 和对角边缘特征 进行通道扩展，得到扩展后的低频近似表示 、水平奇异特征 、垂直奇异特征和对角边缘特征 ；

将所述 时刻门控时序增强特征 、扩展后的低频近似表示 、水平奇异特征 、垂直奇异特征 和对角边缘特征 沿通道维度拼接，得到 时刻综合特征表示 ；

将所述 时刻综合特征表示 输入到小波自注意力算子进行空间频域联合表示学习，得到 时刻的短期时序增强特征 。

2.根据权利要求1所述的长时间依赖建模与跨分支融合的海温预测方法，其特征在于，所述标准化的海温时序图像序列通过如下公式得到：，

其中， 为海温时序图像数据的均值， 为海温时序图像数据的方差， 表示海温时序图像数据， 表示标准化的海温时序图像序列。

3.根据权利要求1所述的长时间依赖建模与跨分支融合的海温预测方法，其特征在于，所述深度卷积编码器包括顺序连接的输入层、多个卷积块和输出层；

每个所述卷积块包括顺序连接的卷积层、归一化层与非线性激活层。

4.根据权利要求1所述的长时间依赖建模与跨分支融合的海温预测方法，其特征在于，所述 时刻重置门的输出 通过如下公式得到：，

其中， 表示重置门的可训练权重矩阵，表示Sigmoid激活函数；

所述 时刻更新门的输出 通过如下公式得到：，

其中， 表示更新门的可训练权重矩阵；

所述 时刻候选激活状态 通过如下公式得到：，

其中， 表示用于生成候选激活状态的可训练权重矩阵， 表示双曲正切函数；

所述 时刻门控时序增强特征 通过如下公式得到：；

所述 时刻综合特征表示 通过如下公式得到：，

其中， 表示拼接函数；

所述 时刻的短期时序增强特征 通过如下公式得到：，

其中， 表示小波自注意力算子。

5.根据权利要求1所述的长时间依赖建模与跨分支融合的海温预测方法，其特征在于，所述将所述多层次空间特征和低频近似表示输入到ConvLSTM模块中，得到高频动态增强特征，包括：对所述多层次空间特征和低频近似表示进行差分操作，得到显式残差特征；

将所述显式残差特征输入卷积长短时记忆网络ConvLSTM进行时序建模，得到高频动态增强特征；

所述显式残差特征通过如下公式得到：

，

其中， 表示 时刻的多层次空间特征， 表示 时刻的低频近似表示， 表示 时刻的显式残差特征；

所述高频动态增强特征通过如下公式得到：，

其中， 表示 时刻的高频动态增强特征， 表示 时刻的高频动态增强特征。

6.根据权利要求1所述的长时间依赖建模与跨分支融合的海温预测方法，其特征在于，所述将所述短期时序增强特征和高频动态增强特征输入到跨分支注意力融合模块，得到融合特征，包括：利用三个独立的1×1卷积核将短期时序增强特征投影成查询向量 、键向量 和值向量 ；

利用三个独立的1×1卷积核将高频动态增强特征投影成查询向量 、键向量 和值向量 ；

对查询向量 、键向量 和值向量 进行跨分支注意力计算，得到注意力聚合特征；

对所述注意力聚合特征 进行线性变化后与短期时序增强特征进行残差连接，得到小波分支查询ConvLSTM分支输出 ；

对键向量 和值向量 和查询向量 进行跨分支注意力计算，得到注意力聚合特征；

对所述注意力聚合特征 进行线性变化后与高频动态增强特征进行残差连接，得到ConvLSTM分支查询小波分支输出 ；

对所述小波查询残差输出 和残差查询小波输出 进行自适应加权融合，得到融合特征 ；

所述小波查询残差输出 通过如下公式得到：，

，

其中，T表示转置， 表示softmax激活函数， 表示第一线性变换矩阵， 表示短期时序增强特征，表示缩放因子；

所述残差查询小波输出 通过如下公式得到：，

，

其中， 表示第二线性变换矩阵， 表示高频动态增强特征；

所述融合特征 通过如下公式得到：

，

，

其中， 表示自适应权重， 表示Sigmoid激活函数， 表示多层感知机网络，表示全局平均池化算子。

7.根据权利要求1所述的长时间依赖建模与跨分支融合的海温预测方法，其特征在于，所述时序依赖增强序列通过如下公式得到：，

，

其中， 表示融合特征， 表示线性投影， 表示融合特征的序列长度， 表示线性投影后 时刻的融合特征， 表示Informer时序编码器的输入， 表示Informer时序编码器， 表示时序依赖增强特征， 表示 时刻的时序依赖增强特征。

8.根据权利要求1所述的长时间依赖建模与跨分支融合的海温预测方法，其特征在于，所述预测结果通过如下公式得到：，

其中， 表示解码器， 表示 时刻的预测结果， 表示 时刻的时序依赖增强特征。

9.一种长时间依赖建模与跨分支融合的海温预测系统，其特征在于，包括：归一化模块，用于：对获取到的海温时序图像数据进行归一化处理，得到标准化的海温时序图像序列；

多尺度海温预测模块，用于：将所述标准化的海温时序图像序列输入到训练好的多尺度海温预测模型中：利用深度卷积编码器对所述标准化的海温时序图像序列进行空间特征编码，得到多层次空间特征；

对所述多层次空间特征进行二维离散小波分解，得到低频近似表示、水平奇异特征、垂直奇异特征和对角边缘特征；

将所述多层次空间特征、低频近似表示、水平奇异特征、垂直奇异特征和对角边缘特征输入到小波注意力模块中，得到短期时序增强特征；

将所述多层次空间特征和低频近似表示输入到ConvLSTM模块中，得到高频动态增强特征；

将所述短期时序增强特征和高频动态增强特征输入到跨分支注意力融合模块，得到融合特征；

将所述融合特征线性投影后输入到Informer时序编码器，得到时序依赖增强特征；

将所述时序依赖增强特征输入到解码器，得到预测结果；

所述将所述多层次空间特征、低频近似表示、水平奇异特征、垂直奇异特征和对角边缘特征输入到小波注意力模块中，得到短期时序增强特征，包括：将 时刻的多层次空间特征 和 时刻的短期时序增强特征 输入到重置门，得到 时刻重置门的输出 ；

将 时刻的多层次空间特征 和 时刻的短期时序增强特征 输入到更新门，得到 时刻更新门的输出 ；

根据所述 时刻重置门的输出 和 时刻的多层次空间特征 ，生成 时刻候选激活状态 ；

根据所述 时刻候选激活状态 和 时刻更新门的输出 ，生成 时刻门控时序增强特征 ；

利用1×1卷积对低频近似表示 、水平奇异特征 、垂直奇异特征 和对角边缘特征 进行通道扩展，得到扩展后的低频近似表示 、水平奇异特征 、垂直奇异特征和对角边缘特征 ；

将所述 时刻门控时序增强特征 、扩展后的低频近似表示 、水平奇异特征 、垂直奇异特征 和对角边缘特征 沿通道维度拼接，得到 时刻综合特征表示 ；

将所述 时刻综合特征表示 输入到小波自注意力算子进行空间频域联合表示学习，得到 时刻的短期时序增强特征 。