1.一种基于深度学习的急流线提取和识别方法，其特征在于，包括以下步骤：S1、对原始Micaps第11类500hPa风场格点数据进行双线性插值处理，得到分辨率为

512*320的格点数据；

S2、根据插值后每个格点数据在U、V方向上风的大小值，计算得到每个格点的风向风速；

S3、根据所述每个格点的风向风速，提取风速大于等于20m/s的格点，并放入集合A中，其余格点放入集合B中，并将集合A中的格点转化成第一图像，将集合B中的格点转化为第二图像；

所述步骤S3包括以下步骤：

S301、根据所述每个格点的风向风速，提取风速大于等于20m/s的格点，并放入集合A中，其余格点放入集合B中；

S302、将分辨率为512*320的格点转换为分辨率为512*320个像素的图像；

S303、将分辨率为512*320个像素的图像分为RBG三个通道，将集合A中所有格点的风速值作为图像RB通道的值，以及将集合A中所有格点的风向偏转角的值作为图片G通道的值，形成第一图像；

S304、将集合B中格点对应的像素点RGB三个通道值均设置为0，形成第二图像；

S4、读取Micaps第14类标注数据，并转化为标注图像作为标签图像数据；

S5、将所述第一图像、第二图像以及标签图像数据作为标签，训练图像分割模型；

所述步骤S5包括以下步骤：

S501、将所述第一图像以及第二图像作为训练数据，将所述标签图像数据作为标签；

S502、将所述训练数据放入Unet网络中进行计算，得到预测结果；

S503、将预测结果与所述标签进行对比，并利用损失函数计算得到损失值；

S504、根据所述损失值，利用梯度下降法调整Unet网络的参数，并进行迭代训练，直至所述损失值收敛，得到图像分割模型；

S6、根据所述图像分割模型，利用基于密度的DBSCAN聚类方法将识别出的所有急流区域，划分为多个急流区域，得到单个急流区域；

S7、搭建BP神经网络，并将所述标签图像数据作为训练数据，将原始Micaps第14类标注数据作为标签，对所述BP神经网络进行训练，得到回归模型；

S8、利用所述回归模型提取所述单个急流区域的急流线，并保存为Micaps第14类标注数据，完成对急流线的提取和识别。

2.根据权利要求1所述的基于深度学习的急流线提取和识别方法，其特征在于，所述步骤S2中每个格点的风向风速的表达式如下：其中，a表示格点的风向风速，v表示格点V方向风力向量，u表示格点U方向风力向量。

3.根据权利要求1所述的基于深度学习的急流线提取和识别方法，其特征在于，所述步骤S303中风向偏转角的计算方法如下：S3031、以O点为中心，在其周围设置8个格点，并将以O点为中心的360°平分为8个方向；

S3032、根据O点的方向，确定其所在的风向区域；

S3033、取O点所在的风向区域左右两侧的区域，组成大扇形区域；

S3034、根据在大扇形区域内的格点和O点，计算得到风向偏转角。

4.根据权利要求3所述的基于深度学习的急流线提取和识别方法，其特征在于，所述步骤S3034中风向偏转角的表达式如下：若|α‑β|>180°，则所述风向偏转角θ为：θ＝180°‑|α‑β|；

若|α‑β|≤180°，则所述风向偏转角θ为：θ＝|α‑β|；

其中，α和β均表示风向角度。