准确预测对流初生对于降低强对流灾害导致的人员伤亡和财产损失至关重要。本研究利用暖季期间Himawari-8的8个关注场和地形高度，开发了CIUnet模型实现定时定点的CI（Convective Initiation）概率预测。结果表明：CIUnet模型能够提前30分钟预测CI发生的时间和位置，命中率达到93.3±0.3%，虚警率降至18.3±0.4%。
通过敏感性试验和可解释性分析发现：相比于原始红外通道亮温观测而言，亮温通道差对于CI预测更重要，其中表示对流层低层云顶高度的7.3 μm和10.4 μm的亮温通道差对于CI预测最重要，其次是表示云顶冰晶化的三通道亮温差，且三通道亮温差能够明显降低FAR。加入地形高度能够提高POD，但会导致在复杂地形区域略微高估CI预测，并且CIUnet模型能够有效识别出每个输入变量对于准确预测CI的关键的区域。

对流初生,深度学习,静止卫星,可解释性