1.一种基于深度学习的欧亚地区冷锋自动识别方法，其特征在于，包括如下步骤：S1、下载850hPa下的温度、风场数据，从中随机挑选欧亚地区5年内对应时次的数据，利用数值锋面分析方法，制作冷锋标签数据，具体步骤如下：S101、GrADS将下载的850hPa温度、风场数据资料转换成二进制格式，并按年、月储存获得气象参数；

S102、根据气象参数，使用分辨率为0.25°×0.25°的ERA‑5再分析资料，在经纬度范围为10°～70°N、0～160°E的区域内，计算热锋面参数，具体公式如下：‑11 2

其中，τ为850hPa的温度值；选择|TFP|≤2×10 K/m区域作为锋区；

S103、计算温度平流，具体公式如下：

其中u、v为850hPa的纬向水平风、经向水平风，为u、v的复合风，x为纬向，y为经向，T为

850hPa的温度用Fortran编程软件进行五点平滑100次后的温度值；在所述锋区内选择的区域为冷锋锋区；

‑11 2

S104、在选定的冷锋锋区中，满足|TFP|≤2×10 K/m 、 的分辨率为0.25°×0.25°格点作为第一初选点，2.5°×2.5°所在的范围为一个大格点，第一初选点在一个大格点中的总个数占大格点中所有小格点总数的比例设为第一密度，将第一密度大于0.05的大格点设为第二初选点，获得完整锋区，将完整锋区中第二初选点位于东侧和南侧的格点保留定义为锋区的暖边界，保留暖边界第二初选点中位于东侧和南侧的第一初选点，得到初始锋面复选点；

S105、将初始冷锋标签上的每个点分别向东、南、西、北四个方向扩展2个网格点，得到加粗后的初始冷锋标签，将初始冷锋数据集的初始冷锋经纬度输出为文本格式，即为冷锋标签数据；

S2、根据步骤S1中欧亚地区5年内对应时次的温度、风场数据，计算温度平流，绘制含有温度和温度平流信息的RGB图像；

S3、将冷锋标签数据和RGB图像作为训练数据集，对深度学习模型Mask R‑CNN进行训练；

S4、利用步骤S1下载的温度、风场数据，计算任意时次的温度和温度平流，并绘制成RGB图像，输入到训练完成的Mask R‑CNN模型中，实现自动识别冷锋。

2.根据权利要求1所述的基于深度学习的欧亚地区冷锋自动识别方法，其特征在于，步骤S2中，绘制含有温度和温度平流信息的RGB图像的具体步骤如下：S201、根据步骤S103中的公式，计算850hPa的温度平流；

S202、将850hPa的温度和温度平流分别进行灰度处理，灰度处理的公式为：*

其中，对850hPa的温度进行灰度处理时，x是灰度处理后的温度，xmin是温度的最小值，*xmax是温度的最大值；对850hPa的温度平流进行灰度处理时，x 是灰度处理后的温度平流，xmin是温度平流的最小值，xmax是温度平流的最大值；RGB图像像素取值为0‑255；

S203、分别将灰度处理后的850hPa温度和温度平流作为RGB图像的R、G通道，绘制欧亚地区的RGB图像。

3.根据权利要求1所述的基于深度学习的欧亚地区冷锋自动识别方法，其特征在于，步骤S3中，对深度学习模型Mask R‑CNN进行训练时，具体参数设置如下：GPU数量1；单GPU处理图片数量2；分类为背景、冷锋；图片高度281；宽度640；RPN anchor步长为8，16，32，64，128；

训练每张图的ROIS数32；epoch数44；单次epoch迭代训练数10000；交叉验证步数5000；可信度阈值80％。