1.一种基于长短期记忆神经网络的降雨‑径流时空关系模拟方法，其特征在于：包括以下步骤：

S1：根据河网水系的矢量数据以及其上分布的观测站点，提取出同一河网中各水文站点的汇流关系，得到各站点在河网中的汇流连接路径；

S2：将每个站点抽象成LSTM神经元，多个LSTM神经元构成神经元结构，根据所述各站点在河网中的汇流连接路径构建出对应神经元结构的连接关系，构成基于多层LSTM网络的降雨‑径流时空关系模型；

S3：根据步骤S2的神经元结构，基于Pytorch平台构建所述降雨‑径流时空关系模型，自定义神经元的连接通道，其中多叉输入用一组可反向传导的权重连接；

S4：确定每个LSTM神经元的输入和输出，设置参数，训练降雨‑径流时空关系模型，达到预设精度后，即得到训练好的降雨‑径流时空关系模型；

S5：将实际获得的某区域的降雨数据输入至训练好的降雨‑径流时空关系模型，得到该区域降雨‑径流时空关系模拟结果。

2.如权利要求1所述的一种基于长短期记忆神经网络的降雨‑径流时空关系模拟方法，其特征在于：步骤S2中，所述的神经元结构的横向为按时间展开的信号传输通道，纵向为代表三个站点水文连接的信号传输空间通道。

3.如权利要求1所述的一种基于长短期记忆神经网络的降雨‑径流时空关系模拟方法，其特征在于：步骤S2中，在所述的降雨‑径流时空关系模型中各神经元的输入和信号传递的过程中，每一行代表一个神经元在时间上的展开结构。

4.如权利要求4所述的一种基于长短期记忆神经网络的降雨‑径流时空关系模拟方法，其特征在于：步骤S3中，以t时刻为时间基准，当前层神经元的输入共有三部分：首先，第一部分为变量X_cur[t]，用于表示当前层对应站点的输入数据，即站点的降雨‑径流在t时刻的观测数据；第二部分是当前层经过t‑1时刻即前一时刻的学习后输出的历史信息，包含两个分别代表了神经元中保持的长期记忆和用于调节的短期记忆的变量；

第三部分为前层对应时刻神经单元输出的包含历史径流信息的学习信号，即ht(0)，经过权重变换w与X_cur[t]相连接，权重变换w经过降雨‑径流时空关系模型的训练过程得以确定。

5.如权利要求1所述的一种基于长短期记忆神经网络的降雨‑径流时空关系模拟方法，其特征在于：在所述降雨‑径流时空关系模型中，上游第一个站点，其所对应的是多级LSTM单元的最底层，接受的输入为当前站点的历史径流序列和相关的气象数据；而下游最后一个站点，其所对应的是多级LSTM单元的最高层，是用于计算损失值和误差调节的层，其每个时间步的输出都用于和真实值对比进行误差计算；此外的其他中间层，既有上游也有下游，即既要接收前层的信号作为输入，又要把融合学习后的输出继续向下游传递。

6.如权利要求1所述的一种基于长短期记忆神经网络的降雨‑径流时空关系模拟方法，其特征在于：步骤S4中，所述LSTM神经元的输入为降水数据和上游站点的流量数据，所述LSTM神经元的输出为当前站点的流量数据。

7.如权利要求1所述的一种基于长短期记忆神经网络的降雨‑径流时空关系模拟方法，其特征在于：步骤S4中，所述参数包括输入维数、隐含层节点数和堆叠层数。

8.如权利要求1所述的一种基于长短期记忆神经网络的降雨‑径流时空关系模拟方法，其特征在于：步骤S4中，使用站点观测的降水序列数据和流量序列数据来训练所述降雨‑径流时空关系模型。