1.一种多任务持续学习的跨海域热带气旋强度估计方法，其特征在于，所述跨海域热带气旋强度估计方法包括以下步骤：对多个海域的GridSat卫星数据进行采集和数据裁剪，标注最大持续风速和最低气压后构建训练集和测试集；

构建热带气旋强度估计模型，热带气旋强度估计模型包括相互连接的海域聚合残差模块和风‑压任务模块，将红外通道和水汽通道拼接后的单帧热带气旋图像作为热带气旋强度估计模型的输入，将神经网络回归得到的最大持续风速和最低气压值作为热带气旋强度估计模型的输出；所述海域聚合残差模块作为多任务学习中的硬参数共享部分，包括域共享层和多个域特定层，所述域共享层用于提取所有海域图像中的共有特征；域特定层与海域ID相对应，每个域特定层用于分别提取一个海域的独有特征；所述风‑压任务模块包括域特定层；

分别采用训练集和测试集对热带气旋强度估计模型进行训练和测试；

输入单帧的红外水汽数据和指定的海域ID至训练完成的热带气旋强度估计模型，输出对应的最大持续风速值；

对多个海域的GridSat卫星数据进行采集和数据裁剪的过程包括以下步骤：对标签数据进行线性插值，使其在时间维度上匹配红外通道和水汽通道的原始图像数据；

对标签数据进行筛选，保留同时含有最大持续风速和最低气压这两个值的标签数据，采用筛选好的标签数据筛选原始图像数据；

将筛选得到的原始图像数据中的气旋中心上下左右扩展64个像素点后进行裁剪，组成

128×128的图像；

将裁剪后的红外通道和水汽通道的图像数据拼接构成输入图像；

所述域共享层以ResNet34作为骨干网络，包括依次连接的卷积层、池化层、跳连接层、批归一化层和激活函数；所述域特定层以平行残差适应器作为骨干网络，由卷积层、Batch Normalization层和跳连接特定层组成，所述域特定层的跳连接特定层是可学习的超参数，通过使每一个海域学习独有的跳连接参数来控制整个网络的参数，以体现不同海域之间的差异性；

所述海域聚合残差模块用于从输入的双通道图像中提取高层语义特征，提取的提取高层语义特征包含所有海域的共有特征和每一个海域的独有特征；所述海域聚合残差模块由全部的域共享层和部分域特定层构成，具体包括卷积层、注意力通道、第一卷积共享层、第一跳连接特定层、第一BN特定层、第二卷积共享层、第二跳连接特定层、第二BN特定层和ReLU层；

所述卷积层对输入的双通道图像进行特征提取，并采用共享的注意力通道学习不同通道对于强度估计的重要性；所述卷积层提取得到的特征输入到第一特定跳连接层和第一卷积共享层，以分别提取得到当前海域更深层次的特有特征和共有特征，并由第一BN特定层将参数归一化得到当前海域的初始独有特征和之前所学海域的共有特征；

所述第二卷积共享层、第二跳连接特定层对第一BN特定层归一化后得到的当前海域的初始独有特征和之前所学海域的共有特征做进一步的深层特征提取，并由第二BN层再次归一化后，将归一化后得到的当前海域的特征输送至激活函数ReLU层，得到输入的双通道图像中包含的当前海域的高层语义信；

所述跨海域热带气旋强度估计方法还包括以下步骤：

将风‑ 压模块 将输出 的两个 强度估计 值 和标签 yt做 回归损 失将当前海域的数据分别输入到前t‑1个旧模型中得到估计结果作为伪标签 将所有的伪标签 分别和第t阶段的模型的估计值 做蒸馏损失通过两者的损失和Lreg+LKD以更新域特定层和域共享层；

式中，0≤i≤t‑1。