1.一种基于深度学习的气象大数据融合方法，其特征在于，所述气象大数据融合方法包括以下步骤：S1，从多个数据源获取气象数据，对多个数据源的气象数据进行预处理，构建得到多源气象数据样本；

S2，以RDN网络作为原始超分模型，结合数据源的特性和数据融合需求，对原始超分模型的输入输出部分进行优化；结合所有数据源的气象数据特征，在优化后的原始超分模型中增加相应的第一特征提取模块，增加的第一特征提取模块中并行加入有可形变卷积，用于充分提取气象数据的遥相关特征；根据不同气候变量的原始分辨率，以最大化信息保留效率为约束，选取相应的超分倍数，得到优化后的超分辨率模块；

S3，采用聚焦式注意力机制构建时空注意力模块，根据不同气候变量的周期性特点，选择相应的时间步长；所述时空注意力模块用于计算多源气象数据的注意力分布，根据注意力分布计算注意力加权平均值，再根据注意力加权平均值得到气象数据的局部特征；

S4，结合优化后的超分模型和时空注意力模块，构建得到气象数据融合模型；超分模型包括第二特征提取模块和超分变率模块，通过在第二特征提取模块中引入时空注意力模块，来提取气象数据的非局地特征和时间特征；以气候变量的分辨率最小为损失函数，采用多源气象数据样本对气象数据融合模型进行训练；所述气象数据融合模型包括依次连接的输入模块、特征提取模块、时空注意力模块、超分辨率模块、加法模块和输出模块；所述输入模块用于将t时刻前后指定时间范围内的气象数据样本按时序排列后，一方面导入特征提取模块进行局地特征提取，再通过时空注意力模块来提取气象数据的非局地和时间特征、将这些特征经过超分辨率模块和加法模块处理后发送至输出模块，由输出模块统一融合成第t时刻的融合气象数据；

S5，将采集到的多个数据源的实时气象数据导入训练完成的气象数据融合模型，得到高分辨率的融合气象数据。

2.根据权利要求1所述的基于深度学习的气象大数据融合方法，其特征在于，步骤S1中，从多个数据源获取气象数据，对多个数据源的气象数据进行预处理，构建得到多源气象数据样本的过程包括以下子步骤：S11，针对不同气候参数，对所有数据源的气象数据进行单位统一处理；

S12，对统一单位后的气象数据进行归一化处理；

S13，利用归一化后的气象数据构建训练样本，将其按照一定比例划分为训练集、测试集、验证集，生成多源气象数据样本数据集。

3.根据权利要求2所述的基于深度学习的气象大数据融合方法，其特征在于，步骤S12中，采用最大最小值归一化或者Z值归一化对统一单位后的气象数据进行归一化处理。

4.根据权利要求1所述的基于深度学习的气象大数据融合方法，其特征在于，步骤S2中，结合数据源的特性和数据融合需求，对原始超分模型的输入输出部分进行优化的过程包括以下子步骤：以RDN网络作为原始超分模型，对原始超分模型的输入输出部分进行优化，将输入通道扩充为N个，将输出通道缩减为1个；N为数据源的个数。

5.根据权利要求1所述的基于深度学习的气象大数据融合方法，其特征在于，步骤S2中，所述特征提取模块包括8个重复残差结构的卷积网络和并列的8个重复残差结构的可形变卷积网络。

6.根据权利要求1所述的基于深度学习的气象大数据融合方法，其特征在于，步骤S3中，采用聚焦式注意力机制构建时空注意力模块的过程包括以下步骤：S31，用 来表示K组输入信息，引入查询向量q来表示对 个输入气象数据的融合过程更加重要的信息；通过打分函数计算每一个气象数据和查询向量之间的相关关系；使用注意力变量 来表示所选信息的索引位置；

S32，计算给定q和X，计算第k个气象数据的注意力分布概率 ：

其中 为注意力打分函数： ，D为输入向量的数据纬度；注意力分布

为第k个输入的气象数据受关注的程度；

S33，根据下述注意力函数公式计算得到气象数据注意力分布加权平均：

；

S34，根据 返回的特征图结果得到局部关注特征， 返回的特征图结果

在0‑1之间，越接近于1的代表该区域对最终数据融合结果影响越大。

7.根据权利要求1所述的基于深度学习的气象大数据融合方法，其特征在于，所述时空注意力模型首先在每个时刻都计算与参考帧之间的相似度，得到每个时刻特征图的注意力特征图，其次在空间上与参考帧进行乘积操作，调整不同时刻影响在数据融合任务中的所占权重比重，再次将所提取到的特征图进行融合，最后通过金字塔结构在不同尺度获取空间注意力特征图，经过上采样得到经过时空注意力机制的特征图。