1.一种基于稀疏对应和深度神经网络的短临降水预测方法，其特征在于：具体包括以下步骤：

(1)图像可视化：将雷达回波图中的反射率因子转换为灰度图像，使得气象目标可视化；

(2)Fast特征检测：对可视化的的气象目标图像利用Fast做特征检测；具体包括如下子步骤：A.对步骤(1)中得到的可视化图像上的固定半径上的像素进行分割测试，将待测点作为中心像素点，周围16个像素作为邻域灰度值的点，利用图像的空间连续性，将中心像素点分别与水平、垂直方向上的四个邻域点作比较，符合阈值判断条件即为特征点，否则为非特征点，需去除；

阈值判断的条件公式为：

其中参数t为阈值，Il为邻域的灰度值，I0为中心像素值，类别参数ws，S＝{1，2，3}，表示与邻域灰度值相比下的亮度类别，若w1和w3的总数量大于等于3，则认为该点是特征点；

B.去除大量非特征点之后，特征点依次照亮度程度分为三类，并依次利用熵值来对特征点的不确定性总量进行量化，同时，为每个特征点设一个布尔类型的变量，用来表示是否为角点，对像素集合I分类的不确定性用经验熵H(I)来表示，则经验熵H(I)表示为：其中p表示角点数目， 表示非角点数目，由此可得出信息增益：H(I)‑H(w1)‑H(w2)‑H(w3)，之后选取含有最大信息增益的灰度像素进行分割；

C.定义角点响应函数为：

把每一个特征点与邻域像素差值的绝对值之和作为量化值，再与相邻角点进行比较来去除响应值较小的角点；

(3)SIFT匹配:进行了Fast特征点检测后，利用SIFT进行描述和匹配，为每一个特征点赋予一个基准方向；

(4)计算全局矢量：基于泰勒冻结假设计算出每个特征点单位时间内的移动速度和方向，进而描绘出全局运动矢量；

(5)预测雷达回波图像、统计云团特征和时空方向特征：计算出全局矢量后，根据泰勒冻结假设以及利用插值法推算运动轨迹京东雷达回波图像预测，并对云团特征和时空方向特征进行统计；

(6)Inception v3回归：构建Inception v3模型，并将局部雷达图像输入到Inception v3模型中提取特征，最后得到输出，即得到预测的降水量。

2.根据权利要求1所述的一种基于稀疏对应和深度神经网络的短临降水预测方法，其特征在于：所述步骤(3)中SIFT匹配的具体方法为：利用差商代替导数，计算特征点的梯度值和方向，所述梯度值的计算公式为：所述特征点的方向的计算公式为：

对每个特征点建立一个描述符用来做匹配操作，使用特征点尺度空间内4x4邻域窗口方向的梯度信息，构建128维的相量特征，形成SIFT特征描述向量，所述描述向量中包含了局部云团的结构隐藏特征，根据表征向量的相似程度，对相邻两帧的雷达回波图像进行特征点匹配。

3.根据权利要求1所述的一种基于稀疏对应和深度神经网络的短临降水预测方法，其特征在于：所述步骤(4)中计算全局矢量的方法为：假设在固定观测点对湍流的观测结果等同于同一时段沿着平均风向上其他观测点的观测结果，该云团湍流在短时间内是满足泰勒冻结假设的，这与光流法的假设条件之一，即空间一致性很相似，利用特征点匹配可以计算出，在t时刻和t+1时刻雷达回波图像中每个特征点的相对位移，根据泰勒冻结假设可得在这一时段内云团的运动速度是保持不变的，计算出每个特征点单位时间内的移动速度与方向，进而描绘出全局运动矢量。

4.根据权利要求1所述的一种基于稀疏对应和深度神经网络的短临降水预测方法，其特征在于：所述步骤(5)中预测雷达回波图像的具体方法为：由于目标站点中心大多数情况下不会是特征点，则需要利用插值法来推算运动轨迹，令F(x0,t)为x0点在t时刻的回波强度，根据平均对流速度不变性，得到以下公式：上述公式中速度U可以通过特征点偏移量除以时间来计算，即

然后进行近邻外推，所述近邻外推的过程为：在观测中心点周围利用欧氏距离找寻一个最近的特征点作为速度匹配点，之后沿着该时刻速度矢量的反方向进行移动，每移动完一个Δt时间后重新匹配速度点，即重复做近邻差值，直到时间累积到需要预测的时间长度为止，插值结束后，以轨迹末端为中心，观测范围为面积截取图像作为预测的雷达回波图像。

5.根据权利要求1所述的一种基于稀疏对应和深度神经网络的短临降水预测方法，其特征在于：所述步骤(5)中统计云团特征和时空方向特征的具体方法为：云团特征包括形状特征和风速方向，利用SIFT描述子的直方图进行量化得到云团形状特征，根据特征点相对位移除以时间得到云团的风速方向；时空方向特征主要包括云团覆盖率以及反射率的极大值、均值和方差，所述云团覆盖率以及反射率的极大值、均值和方差均根据像素灰度值进行统计。

6.根据权利要求1所述的一种基于稀疏对应和深度神经网络的短临降水预测方法，其特征在于：所述步骤(6)中Inception v3回归的具体步骤为：A.构建Inception v3模型，所述Inception v3模型包括三个并行模块和两个全连接层，两个全连接层分别为FCN1全连接层和FCN2全连接层，第一个模块包含尺寸为1x1和3x3的卷积层以及一个池化层，第二个模块只包含1x1的卷积层和一个池化层，第三个模块包含尺寸为3x1和1x3的卷积层以及一个池化层，所述池化层均采用步长为2的最大池化；

B.将局部雷达图像输入到三个并行模块中提取特征，通过维度拼接后传入到FCN1全连接层；

C.由于回归与分类的不同，即分类是离散的而回归是连续的，则对FCN1的输出利用Relu函数进行非线性处理，再输入到FCN2全连接层中融合，得到输出。

7.根据权利要求6所述的一种基于稀疏对应和深度神经网络的短临降水预测方法，其特征在于：在所述Inception v3回归步骤中，将损失函数定义为如下公式：利用交叉验证作为训练、验证的策略，根据线性回归中的衡量标准，选择将均方误差RMSE、平均绝对误差MAE和拟合度R‑Squared作为检测模型得分的标准，所述方误差RMSE、平均绝对误差MAE和拟合度R‑Squared的公式分别为：其中，输出y的下标有三种表示形式：train、label、test，分别表示训练过程的输出、样本标签和测试输出。