La intensificación rápida (RI) en el desarrollo de ciclones tropicales (TC) es una de las tareas más difíciles y desafiantes en la predicción meteorológica. Además de las simulaciones numéricas dinámicas, las técnicas comúnmente utilizadas para el análisis y la predicción de RI (así como de los cambios en la intensidad de TC) son el análisis compuesto y los modelos estadísticos basados en características derivadas del análisis compuesto. Se ha acumulado un gran número de características seleccionadas y predeterminadas relacionadas con el cambio de intensidad de TC y RI por parte de los científicos del dominio, como las que se encuentran en la base de datos SHIPS (Esquema de Predicción de Intensidad de Huracanes Estadísticos) de uso común. Además, se siguen añadiendo nuevas características con nuevos algoritmos y/o conjuntos de datos recién disponibles. Sin embargo, hay muy pocos marcos unificados para destilar sistemáticamente características de una fuente de datos integral. Un sistema unificado de inteligencia artificial (IA) fue desarrollado para derivar características de los centros de TC, y aquí, ampliamos ese sistema a condiciones ambientales a gran escala. En este estudio, implementamos un algoritmo de aprendizaje profundo, la red neuronal convolucional (CNN), en los datos de reanálisis ERA-Interim del Centro Europeo para Pronósticos Meteorológicos a Medio Plazo (ECMWF) e identificamos y refinamos potencialmente nuevas características relevantes para RI, como la humedad específica en el este o noreste, la vorticidad y el viento horizontal en el norte y sur en relación con los centros de TC, así como el ozono a gran altitud que podría ayudar en la predicción y comprensión de la ocurrencia de RI basada en la red de aprendizaje profundo (denominada TCNET en este estudio). Al combinar las características recién derivadas y las características de la base de datos SHIPS, el rendimiento de la predicción de RI puede mejorarse en un 43%, 23% y 30% en términos de Kappa, probabilidad de detección (POD) y tasa de falsas alarmas (FAR) en comparación con el mismo modelo de clasificación moderno pero solo con las entradas de SHIPS.