1.基于深度學習的對流性大風短時預報方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于深度學習的對流性大風短時預報方法，其特征在于，s1中，依據地形特征數據將若干待測區域進行分類，分類組別包括風速減緩型地形、風速增強型地形和風速影響忽略型地形。
3.根據權利要求2所述的基于深度學習的對流性大風短時預報方法，其特征在于，分類分組按照以下描述進行：地形特征數據收集處理后基本包括峽谷山口、平原、湖泊海洋、丘陵盆地、城市工業區和河谷河道，以峽谷山口和河谷河道為風速增強型地形，平原和湖泊海洋為風速影響忽略型地形，城市工業區和丘陵盆地為風速減緩型地形。
4.根據權利要求3所述的基于深度學習的對流性大風短時預報方法，其特征在于，s1中，各區域的氣壓數據的收集主要層次包括：850hpa、700hpa和500hpa。
5.根據權利要求4所述的基于深度學習的對流性大風短時預報方法，其特征在于，s1中，對數據進行預處理具體包括去除重復數據和無效數據，對于缺失值，采用插值法或均值替代法進行填補，對于異常值，則進行單獨識別并修正。
6.根據權利要求5所述的基于深度學習的對流性大風短時預報方法，其特征在于，s2中，對深度學習模型的構建與訓練，收集歷史數據中對流性大風從某一待測區域的任意預測點抵達相鄰待測區域的任意預測點時間以及大風強度作為檢驗矯正數據。
7.根據權利要求6所述的基于深度學習的對流性大風短時預報方法，其特征在于，s3中，對流性大風的短時預報中需要播報大風抵達各區域的時間，通過如下公式計算各區域對流性大風抵達的時間：
8.根據權利要求7所述的基于深度學習的對流性大風短時預報方法，其特征在于，基于深度學習模型所計算出各區域的對流性大風位移速度vn，風速減緩型地形區域的vn大于17.5m/s即需要進行對流性大風預報，風速影響忽略型地形區域vn大于17.0m/s即需要進行對流性大風預報，風速增強型地形區域vn大于16.5m/s即需要進行對流性大風預報。
9.根據權利要求8所述的基于深度學習的對流性大風短時預報方法，其特征在于，s5中，對數據的篩選具體為，篩選出風速大于等于15m/s的觀測數據，并在篩選出的風速數據中，使用閾值分割法提取出所有連通的風速大于閾值的區域，將這些區域標記為潛在的大風區。
10.基于深度學習的對流性大風短時預報系統，基于權利要求1-9中任意一項所述的對流性大風短時預報方法運行，其特征在于，包括：