1.一种基于深度学习的降水强度估计方法，其特征在于，包括以下步骤：步骤1：根据历史降水资料，分别获取气象卫星数据和降水数据；

步骤2：根据获取的气象卫星数据，将所需要的估计地区从中裁剪出来；并校正气象卫星数据且将其保存为数组的形式；

步骤3：根据获取的降水数据，利用重采样函数重采样至所需的空间分辨率下，并对其进行分类，根据不同时间的降水量的比例关系计算得到不同等级的降水强度关系，获得不同等级的降水强度标签；

步骤4：将降水强度标签转换成只有背景及不同等级降水强度的单通道图像，并切割大小，分别作为降水强度估计模型的输入与标签；

步骤5：建立基于深度学习的降水强度估计模型；

步骤6：设置模型的超参数、总训练次数、学习率、动量参数、权重衰减参数，经过反复调整和对比试验得到最佳参数，以得到最佳降水强度估计模型；

步骤7：将训练好的最佳降水强度估计模型应用测试新的气象卫星数据，对于新的气象卫星数据先切割大小并分别预测，预测完成后得到各自的降水强度估计结果再拼接生成一张完整的降水强度估计结果；

步骤8：将生成的降水强度估计结果，叠加到带有shp地形的文件上。

2.根据权利要求1所述基于深度学习的降水强度估计方法，其特征在于：所述步骤1中分别在风云卫星遥感数据服务网获取气象卫星数据，及在NASA官网获取降水数据。

3.根据权利要求1所述基于深度学习的降水强度估计方法，其特征在于：所述步骤5中，建立基于深度学习的降水强度估计模型由编码层、中间层、解码层组成，其中编码层由一个

5*5的卷积层、一个3*3的卷积层、四个残差模块和深度可分离卷积模块组成；中间层由空间金字塔卷积和注意力机制模块组成；解码层由一个降维的1*1的卷积层、四个反卷积层和一个具有分类作用的1*1的卷积层组成。

4.根据权利要求3所述基于深度学习的降水强度估计方法，其特征在于：所述空间金字塔卷积由一个1*1的卷积层和三个3*3的空洞卷积层组成；所述注意力机制模块：由特征矩阵经过一个2*2的卷积层、归一化和激活函数，再与初始特征矩阵相乘组成。