1.一種基于注意力機制卷積神經(jīng)網(wǎng)絡(luò)的雷暴大風識別方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的雷暴大風識別方法，其特征在于，所述步驟1中，樣本集的構(gòu)建步驟如下：
3.根據(jù)權(quán)利要求1所述的雷暴大風識別方法，其特征在于，一個樣本中的雷達反射率圖和雷達徑向速度圖根據(jù)一個體掃周期內(nèi)獲取的雷達數(shù)據(jù)點構(gòu)建生成；按經(jīng)緯度將雷達組合反射率映射到二維空間網(wǎng)格中，得到雷達反射率圖；將有效徑向速度映射到二維空間網(wǎng)格中，得到雷達徑向速度圖；雷達組合反射率為相同經(jīng)緯度對應(yīng)的10個高度層中反射率最大值，即經(jīng)緯度坐標為(lon，lat)處的組合反射率refc(lon，lat)為：
4.根據(jù)權(quán)利要求2所述的雷暴大風識別方法，其特征在于，步驟s13中，對雷達反射率圖進行二值化處理，設(shè)定閾值為20dbz，即對于雷達反射率圖中組合反射率超過20dbz的像素值設(shè)為255，其余像素值設(shè)為0；
5.根據(jù)權(quán)利要求3所述的雷暴大風識別方法，其特征在于，各高度層處的反射率和徑向速度采用三線性插值法得到，具體步驟為：
6.根據(jù)權(quán)利要求1所述的雷暴大風識別方法，其特征在于，所述識別模型采用基于注意力機制和卷積神經(jīng)網(wǎng)絡(luò)，包括編碼器(100)、解碼器(200)和壓縮激勵模塊(300)；
7.根據(jù)權(quán)利要求1所述的雷暴大風識別方法，其特征在于，所述訓練集對識別模型進行訓練，訓練的損失函數(shù)lhl由多分類交叉熵損失函數(shù)和平均絕對誤差損失函數(shù)的加權(quán)和組成，即為：
8.一種基于注意力機制卷積神經(jīng)網(wǎng)絡(luò)的雷暴大風識別系統(tǒng)，其特征在于，包括：
9.一種計算機可讀取存儲介質(zhì)，其上存儲有計算機指令，其特征在于，所述計算機指令運行時執(zhí)行權(quán)利要求1-7中任一項所述的雷暴大風識別方法。
10.一種電子設(shè)備，其特征在于，包括處理器及存儲介質(zhì)，所述存儲介質(zhì)為權(quán)利要求9所述的計算機可讀取存儲介質(zhì)；所述處理器加載并執(zhí)行所述存儲介質(zhì)中的指令及數(shù)據(jù)用于實現(xiàn)權(quán)利要求1-7中任一項所述的雷暴大風識別方法。