1.融合多源数据的SAR海面有效波高深度学习反演方法，其特征在于，具体为：

对浮标数据预处理，获取浮标观测的海浪有效波高数据；

获取干涉宽幅模式下收集的双极化单视复数SAR数据；

对SAR数据进行预处理，将有效波高数据作为SAR数据的标签；构建训练集、测试集与验证集；

获取与SAR数据对应的辅助数据，辅助数据包括风速、风向数据，降水数据以及OCN数据；构建相应的训练集、测试集与验证集；

构建融合多源数据的SAR有效波高深度学习反演模型，采用SAR数据训练集和辅助数据训练集对融合多源数据的SAR有效波高深度学习反演模型进行训练，并采用测试集和验证集对训练后的模型进行测试和验证，得到最终的有效波高反演结果；

融合多源数据的SAR有效波高深度学习反演模型将预处理后的SAR数据输入至第一3D卷积层，在第一3D卷积层中引入双分支的信息增强注意力模块，将OCN数据输入至第二3D卷积层，将双分支的信息增强注意力模块的输出和第二3D卷积层的输出输入至交互注意力的Transformer中进行特征融合；将交互注意力的Transformer的输出输入至特征关系推理模块中，将辅助数据通过全连接层之后输入至特征关系推理模块中；特征关系推理模块输出最终的有效波高反演结果；

交互注意力的Transformer为双分支结构，包括SAR分支和OCN分支，其中每一个分支均包含一个嵌入层、一个交互注意力Transformer模块和一个常规的Transformer模块；嵌入层将输入进行放缩，并按照预定尺寸分别划分为多个小块，使用展平层将这些小块展平为一维向量，并在所有的向量头部加上位置编码；两个嵌入层将两个输入放缩到同一大小；交互注意力Transformer模块包括一个交互注意力多头自注意力模块和多层感知机，交互注意力多头自注意力模块将嵌入层的输出映射为查询Q、键K和值V向量；SAR分支中的键K向量和值V向量 作为OCN分支交互注意力Transformer模块的输入，OCN分支中的键K向量 和值V向量 作为SAR分支中交互注意力Transformer模块的输入，具体为：；

；

其中， 为SAR分支中交互注意力多头自注意力模块的输出， 为OCN分支中交互注意力多头自注意力模块的输出， 表示多头注意力； 为SAR分支中的查询Q向量， 为OCN分支中的查询Q向量；

将嵌入层的输出和交互注意力多头自注意力模块的输出相加经过层归一化后送入多层感知机；将多层感知机的输出和层归一化后的结果相加后再次进行层归一化处理后送入常规的Transformer模块。

2.根据权利要求1所述的融合多源数据的SAR海面有效波高深度学习反演方法，其特征在于，浮标数据预处理具体为：首先查看每组数据中的最大值、最小值和中位数，剔除其中的异常值；然后若相邻时间或者位置之间的观测数据变化值超过预设的范围，则认定为数据异常，剔除异常数据，将浪级分为三级，设置第一、第二、第三波高区间，位于第一波高区间的为小浪，位于第二波高区间的为中浪，位于第三波高区间的为大浪；若浮标数据中观测的浪级和实际波高所属浪级不一致，则认定为异常数据并剔除；对剔除异常数据后的浮标数据进行归一化处理。

3.根据权利要求1所述的融合多源数据的SAR海面有效波高深度学习反演方法，其特征在于，对SAR数据进行预处理包括：轨道矫正、辐射定标、脉冲带修正、成极化矩阵、多视、地形校正、海陆掩膜处理以及裁剪和通道合成；

所述轨道矫正具体为：从轨道文件服务器下载精确的轨道参数值，并替换掉SAR数据中自带的轨道参数值；

所述辐射定标具体为：通过绝对定标建立SAR数据与地面目标后向散射系数之间的关系，具体公式如下：；

其中， 为雷达后向散射系数，i,j分别为SAR数据中的像元坐标， 为灰度值，为定标参数；

成极化矩阵具体为：采用如下公式将VV极化、VH极化通道的SAR数据，生成协方差矩阵 ：；

其中， ， ，

， ；E(.)表示期望值， 、 分别代

表VV、VH极化的SAR数据矩阵； ， 分别代表了VV极化、VH极化通道的SAR后向散射强度；

和 为中间参数矩阵；

地形校正具体为：利用航天飞机雷达地形测量任务数字高程模型，基于地表的三维信息，计算SAR数据中每个像素的真实地理位置，消除因地表地形起伏引起的几何畸变和辐射亮度失真，确保SAR数据与地理位置精确对齐；

裁剪和通道合成具体为：以浮标的经纬度为中心，在SAR数据中裁剪出256×256大小的子块，该子块仅对应一个预处理后的浮标数据，基于子块，将矩阵 和 以及入射角数据分别作为RGB图像的R、G、B三通道；并把该三通道合并为RGB图像，得到最终的预处理后的SAR数据。

4.根据权利要求3所述的融合多源数据的SAR海面有效波高深度学习反演方法，其特征在于，获取时间分辨率为0.5h，空间分辨率为0.1°×0.1°，并且与浮标数据时间差距在0.5h以内的降水数据；获取OCN二级产品中的风速谱和风向谱，以裁剪后的SAR数据的时空间为基准，将风速谱、风向谱分别裁剪并生成10×10大小的灰度图；获取10m的u方向上的风分量u、10m的v方向上的风分量v，时间分辨率为1h，空间分辨率为0.25°×0.25°；对u、v进行风合成，得到海面10m风速、风向数据，具体风合成公式为：；

其中， 为以正北方向为基准的风向数据，也即最终合成后的风向数据，（‑1）是反转方向， 代表以正东方向为基准的风向数据：。

5.根据权利要求1所述的融合多源数据的SAR海面有效波高深度学习反演方法，其特征在于，所述双分支的信息增强注意力模块沿着通道维度将输入分割为G个子特征，并对这些G个子特征分别进行横向全局平均池化和纵向全局平均池化；

；

；

其中， 为横向全局平均池化得到的张量， 为纵向全局平均池化得到的张量，H为输入的高度；W为输入的宽度， 为第g个子特征；g=1,2,…, G;将 和 拼接，并将拼接后的结果输入至1×1卷积，将1×1卷积的输出分解为两个向量后分别输入至两个非线性sigmoid函数，将两个非线性sigmoid函数的输出和G个子特征进行重加权，从而缓解过拟合；将重加权的结果依次进行组归一化和全局平均池化操作，将G个子特征输入至3×3卷积，并对3×3卷积的结果进行全局平均池化操作，将两个全局平均池化操作的结果相加，并对相加后的结果进行softmax归一化操作，将3×3卷积的结果和softmax归一化操作的结果进行矩阵相乘；然后经过一个Sigmoid激活函数，将Sigmoid激活函数的输出与G个子特征进行重加权计算，将最后的重加权计算后的结果与原始输入相加。

6.根据权利要求1所述的融合多源数据的SAR海面有效波高深度学习反演方法，其特征在于，所述特征关系推理模块包括第一～第三两层双向长短期记忆网络，交互注意力的Transformer的SAR分支的输出输入至第一两层双向长短期记忆网络，交互注意力的Transformer的 分支的输出输入至第二两层双向长短期记忆网络，通过全连接层的辅助数据输入至第三两层双向长短期记忆网络；两层双向长短期记忆网络在同一时间同时按照输入序列正向和反向两个方向处理数据，将特征关系推理模块的输出经过全连接层后得到最终的有效波高反演结果。

7.根据权利要求6所述的融合多源数据的SAR海面有效波高深度学习反演方法，其特征在于，采用麻雀优化算法对双向长短期记忆网络中隐含层神经元个数，嵌入层中分割的分块数量，交互注意力多头自注意力模块中自注意力头个数，初始学习率和学习率调整因子进行全局优化。

8.根据权利要求7所述的融合多源数据的SAR海面有效波高深度学习反演方法，其特征在于，首先采用折射反向学习策略初始化麻雀优化算法个体，生成一组模型参数并构建模型，其次采用正余弦策略对发现者位置进行更新：；

其中， 表示第i只麻雀在第t+1次迭代中的位置信息， 表示第i只麻雀在第t次迭代中的位置信息， 为随机数， 为当前最优解；

最后，在群体觅食过程中采用柯西变异策略计算跟随者位置：

；

其中， 为第i只麻雀在第t+1次迭代中的第j个参数信息； 为第t次迭代时第i只麻雀的参数最优解， 为标准柯西分布函数。