1.一种基于深度学习的可见光合成云图海上强对流云团识别方法，其特征在于，包括以下步骤：（1）收集FY‑4B AGRI静止气象卫星数据，通过对数据预处理为等积投影的数据形式；

（2）将预处理后的资料划分为反射与红外波段，反射波段合成云图用于构建数据集，红外波段用于辅助识别对流云，在采用红外‑水汽通道差法获取粗对流区域后根据人工目视解读剔除误判区域与新增漏判区域，得到对应时次的强对流云团数据集，划分训练集与测试集；

（3）构建一个基于U‑Net网络的神经网络模型用于在反射波段合成云图上识别对流云，通过设置的网络层数在卷积过程中扩大感受野，根据输入的反射波段合成云图与对应的数据标签训练数据集；

（4）建立预测模型，能够读取上述模型训练的权重参数，将测试集中反射波段合成云图输入模型后，得到强对流云团预测结果。

2.根据权利要求1所述的一种基于深度学习的可见光合成云图海上强对流云团识别方法，其特征在于，所述步骤1具体为：（1.1）收集全圆盘标称投影AGRI数据，数据中包含反射波段与红外波段数据；对数据进行辐射定标，分别读取数据集中数据文件与校正文件，将反射波段数据由原始DN值校正为反射率 ，将红外通道数据由原始DN值校正为亮度温度；

（1.2）将经过辐射定标后的全圆盘数据进行集和地理插值为等经纬度数据，划定插值到等经纬度数据范围为105°E—160°E，0°—60°N，空间分辨率为0.04°；

（1.3）为消除卫星观测时存在的误差，对等经纬度数据进行中值滤波，采用中值滤波函数对AGRI第1、2、3、9、13通道的数据文件进行中值滤波，窗口大小设置为3×3，中值滤波函数为：；

其中 和 代表数据灰度值，S代表模板窗口；

最后将数据转化为等积投影，空间分辨率为4KM。

3.根据权利要求1所述的一种基于深度学习的可见光合成云图海上强对流云团识别方法，其特征在于，所述步骤2具体为：（2.1）对AGRI第1、2、3通道的数据进行优化的线性拉伸算法，计算每个波段累计直方图

2.5%和97.5%对应的像元值，分别赋予a和b，计算最大拉伸值c和最小拉伸值d，计算公式如下：；

；

在数据图像中，大于c的部分赋值255，小于d的部分赋值0，介于c和d之间的像元值采用如下公式进行计算：；

其中data为经过优化的线性拉伸算法后得到的图像，拉伸后的图像值介于0‑255之间；

对经过优化的线性拉伸的通道进行彩色合成，中心通道为0.47um的数据赋予蓝光波段，0.825um的数据赋予绿光波段，0.65um的数据赋予红光波段，得到反射通道的彩色合成图像；

（2.2）构建对应反射通道的彩色合成图像标签数据，对AGRI中心通道为6.25um，10.8um的数据相减得到BTD，设置一个阈值Threshold1，使得BTD图像上像素大于Threshold1的部分标记为255，代表为对流云，小于Threshold1的部分标记为0，代表非对流云，得到二值图，对二值图中对流云区域执行闭运算，得到对流云粗提取结果，之后根据反射通道的合成图像根据人工目视解译剔除误判为对流云的区域，新增漏判的对流云区域。

4.根据权利要求1所述的一种基于深度学习的可见光合成云图海上强对流云团识别方法，其特征在于，所述步骤3具体为：（3.1）构建深度学习网络模型，所采用的海上强对流识别模型基于U‑Net结构，包括编码和解码过程，层数设置为5层，其中：下采样过程是编码过程，定义下采样操作为输入图像后连续经过两次卷积操作，两次卷积中卷积核大小设置为3×3，padding大小设置为1，每次卷积后紧接标准化模块与ReLU线性激活函数，保留层数为1‑4的特征图传输给同层次上采样过程，下采样过程采用单次卷积代替，使得单次卷积过程得到的特征图与下采样特征图具有相同的大小；

上采样过程是解码过程，上采样过程中采用双线性插值法恢复到同层次下采样过程中的特征图大小，并连接同层次下采样过程的特征图，特征图通道数翻倍，对得到的特征图进行两次卷积操作，两次卷积中卷积核大小设置为3×3，padding大小设置为1，每次卷积后紧接标准化模块与ReLU线性激活函数，特征图连接操作仅适用于1‑4层；

所述U‑Net模型中损失函数BCELoss满足下式：

；

其中L代表样本标签，P代表预测值；

（3.2）将数据传入深度学习网络进行训练，保存模型得到的权重系数。

5.根据权利要求1所述的一种基于深度学习的可见光合成云图海上强对流云团识别方法，其特征在于，所述步骤4具体为：（4.1）建立预测模型，将测试集反射通道合成图像传入模型后得到二值图像，1代表对流云，0代表非对流云，对预测图像与真值图像分别采用Canny算子监测边缘，Canny算子计算式如下所示： ；

代表处理后的像素灰度值， 代表输入图像；最后分别将模型预测结果与真值结果叠加在彩色合成云图上，得到海上强对流云团监测结果。

6.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1‑5中任一项所述的一种基于深度学习的可见光合成云图海上强对流云团识别方法。

7.一种计算机设备，包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1‑5中任一项所述的一种基于深度学习的可见光合成云图海上强对流云团识别方法。