1.一种基于机器学习的气象强对流天气的智能预警方法，其特征在于包括：
利用基于机器学习方法对当前分析区域的气象历史数据进行回朔及数据回推，确定当前定点区域气象灾害预警阀值Y；
接收当前分析区域的实时气象基本数据，所述实时气象基本数据包含闪电定位数据、大气电场数据、自动站气象要素实况数据、气象雷达基数据；
对接收的实时气象基本数据进行分析，通过实时气象基本数据中所含有的定位数据，对强对流天气发生区域进行定位和分区，从而确定该强对流天气预警信息发布区域；
根据获得的实时气象基本数据，综合判断当前分析区域的实时气象综合数据R，并与所述设定的预警阈值Y进行比较，根据比较值大小确定是否进行强对流天气预警；具体步骤如下：
1.1 设定需要分析的区域；根据设定的分析区域，提取已经获得的该区域的实时气象基本数据数据；
1.3分析当前区域的实时雷达回波强度数据，将雷达回波强度数值设置为X1；当前季节时间设置为X2；分析大气场强数据，将其数值设置为X3；分析闪电落点，设置为数据X4；分析当前区域的风力，将其数值设置为X5；分析当前区域降水数据，将其数值设置为X6；
1.4 根据预先设定的权重，分别为：雷达回波强度W1、季节时间W2、大气场强W3、闪电落点W4、风力W5、降水W6，与上述1.3中得到的数据，进行加权计算得到当前分析区域的实时气象综合数据R，其公式为R=X1*W1+ X2*W2+ X3*W3+ X4*W4+ X5*W5+ X6*W6;
1.5 将上述得到的实时气象综合数据R，与设定的预警阈值Y进行比对；当R≥Y时，发出预警信息，否则不发出预警信息；所述预警阈值，是根据各区域气象站的历史数据进行综合判断的，预警阈值的计算方法如下：
分区域按该区域不同历史数据进行机器学习分析；首先，根据历史强对流气象数据，通过机器学习，得到一个强对流天气的预警初始阀值Y；其次根据最近一次或多次强对流气象数据对初始预警初始阀值Y进行人工修正。
2.根据权利要求1所述的基于机器学习的气象强对流天气的智能预警方法，其特征在于所述历史强对流气象数据是指该区域气象站建站以来且有记录的历史气象数据，包括雷雨大风、冰雹、龙卷风、局部强降雨等数据。
3.根据权利要求1所述的基于机器学习的气象强对流天气的智能预警方法，其特征在于，步骤1.5对强对流天气的预警初始阀值Y进行人工修正的过程中，时间越靠后的历史数据，参考价值和权重越大；最接近目前的一次或者若干次强对流天气综合气象参数R超过预警阀值Y并显示有强对流天气发生，如果事实并没有发生，则相应提高阀值，否则降低阀值。
4.根据权利要求1所述的基于机器学习的气象强对流天气的智能预警方法，其特征在于，所述的气象雷达基数据，需要通过雷达外推算法，对该数据进行区域、数据格点化处理；所述雷达外推算法是定量降雨估计、雷达回波追踪、时间外推算法中的一种或者多种；
所述定量降雨估计是透过关系式Z=a*r*b求得；所述关系式中参数Z为雷达发射率，参数r为降雨率，参数a是自动雨量器数据，b是海拔2公里等高雷达反射率，以线性回归法实时校正；所述定量降雨估计，在降雨刚开始或雨量器数据不足的情况下进行估计，a、b 参数采用合符本地气候的默认值；
所述雷达回波追踪采用多尺度光流变分法，以捕捉雨区的多尺度运动；所述多尺度光流变分法为：客观地分析雨区运动的多重尺度，把相关的雷达反射率数据，以不同的分辨率，共分7层级进行光流分析，从低至高分辨率即对应尺度从大至小，逐一解出相应的光流场；
所述时间外推算法主要是采用半拉格朗日平流方案，具体是指：对足量的气象历史数据采用半拉格朗日平流算法，并进行数据内插，计算出该地区在设定时间段的强对流天气的发生概率；所述雷达外推算法在时间外推中，考虑到用户个人化预报服务的需要，只选取首两小时准确度较高的预报资料；
所述数据格点化处理对雷达基数据进行分析，对线性插值或者非线性插值方法得出该区域的格点化数据；所述雷达基数据线性插值方法适用于不受外界特定障碍物影响的区域，得出较准确的格点化数据，否则，根据该区域障碍物影响大小动态调整非线性插值的参数。
5.如权利要求4所述的基于机器学习的气象强对流天气的智能预警方法，其特征在于，所述雷达回波追踪还包括雷达基数据分析，并因此得出雷达回波强度dBZ值，并根据雷达回波的强度及移动趋势对该区域的影响设定相应的参数值X1；所述dBZ值为用来估算降雨和降雪强度及预测冰雹或大风灾害性天气出现的可能性；dBZ值越大降雨或降雪可能性越大，强度也越强；当dBZ值大于或等于40dBZ时，出现雷雨天气的可能性较大，当dBZ值在45dBZ或以上时，出现暴雨、冰雹、大风强对流天气的可能性较大。
6.根据权利要求1所述的基于机器学习的气象强对流天气的智能预警方法，其特征在于，所述季节时间参数的设置方法，是通过机器学习的方法，对该区域历史数据进行分析判断，得出强对流天气不同季节的变化情况，得到大气场强数据数值X2，其中，夏季强对流天气发生频率较高，则相应设定加权数值应占比较高；
所述大气场强数据加权值的设置方法，是根据来自大气电场仪以及用于检验大气电场仪预警信息的雷电监测设备的实时采集数据，生成强对流业务可用的场强数据，最终得到大气场强数据数值X3；
所述闪电落点参数的设置方法，是根据采集来自大气电场仪以及用于检验大气电场仪预警信息的雷电落区的实时数据，对数据库内的各类气象数据进行加工处理，生成强对流业务可用的雷电落区数据，最终得到闪电落点的数值X4；
所述风力数据的设置方法，是根据该区域自动站监测的实时风力数据，根据检测到的风力数据大小最终得到风力数据的数值X5；
所述降水数据的设置方法，是根据该区域自动站监测的实时降水数据，根据检测到的降水数据大小，最终得到降水数据的的数值X6。