1.一种雷暴识别方法，其特征在于，包括以下步骤：

获取具有时间连续性的雷达基数据；

根据所述雷达基数据构建雷暴的时空序列数据；具体为：通过时空序列网络从所述雷达基数据获取与雷暴相关的空间序列和时间序列；通过所述雷暴相关的空间序列与时间序列对应得到雷暴的时空序列数据；

从所述时空序列数据中，提取时空特征；具体为：将时空序列数据通过算法编码后得到对应描述时空特征的张量数据，利用RECALL机制加强长时中重要记忆传递的循环时空记忆单元Attention‑C LSTM构建时空特征的提取器；其中，引入RECALL机制后时间信息传递的计算过程如公式：

；

并利用Softmax函数对重要的时空特征增加影响权重；其中，输入为 的信息传递部分是对长时记忆进行回溯的RECALL机制；通过一个栅极控制的自关注模块使当前的时间记忆状态Ct与该时刻前的所有历史记录进行交互，遗忘门 首先与一系列历史时刻的记忆状态相乘，通过Softmax函数输出一个等维度矩阵，矩阵中的数值为0～1之间的概率，其对应维度中数值之和为1，每个维度矩阵值相当于一组权重，再将该权重与之前的一系列时刻的记忆状态相乘；该过程过滤了值为0的信息，获取了值为1的全部信息以及0～1间的次要信息，即利用Softmax给予过去时间记忆一个影响权重来描述其影响程度；通过对过去总体信息进行选择后与短期依赖 结合，利用LayerNorm把信息整合，进一步保证数据特征分布的稳定性；

将时空特征进行融合；在具体进行融合时，通过特征提取器进行特征提取后获取一组时序张量数据，对时序张量数据进行解码分类前，将改组时序特征整合为一个综合的时空特征，设计融合架构；搭建时序注意力机制Time‑attention，对时空特征融合进行优化；

融合架构首先对各时序张量数据在通道维度进行拼接，利用平均池化与最大池化结合的注意力模型进一步聚合数据拼接信息；注意力模型的输入F 表示编码器输出的各张量数据的拼接矩阵，Favg和Fmax分别表示平均池化操作和最大池化操作，F分别经过平均池化和最大池化得到两个注意力描述数据；将两组注意力描述数据分别输入一个两层卷积神经网络结构，两层结构中激活函数为Relu；得到的两个特征相加并融入sigmoid函数中得到权重系数Q， Q具体的计算公式为：式中W0和W1是卷积滤波器,对特征进行提取；最后将权重系数Q与原时空特征矩阵F相乘即可得到重要时空特征Z；

通过特征识别算法识别融合后的特征，并判断有无雷暴，以及雷暴强度等级。

2.根据权利要求1所述的雷暴识别方法，其特征在于，所述通过特征识别算法识别融合后的特征，并判断有无雷暴，以及雷暴强度等级，具体为：通过卷积神经网络进行特征解码，识别出是否存在雷暴，以及雷暴的强度等级。

3.一种雷暴识别系统，其特征在于，包括：

信息采集单元，用于获取具有时间连续性的雷达基数据；

数据处理单元，用于根据所述雷达基数据构建雷暴的时空序列数据；

根据所述雷达基数据构建雷暴的时空序列数据；具体为：通过时空序列网络从所述雷达基数据获取与雷暴相关的空间序列和时间序列；通过所述雷暴相关的空间序列与时间序列对应得到雷暴的时空序列数据；

从所述时空序列数据中，提取时空特征；具体为：将时空序列数据通过算法编码后得到对应描述时空特征的张量数据，利用RECALL机制加强长时中重要记忆传递的循环时空记忆单元Attention‑C LSTM构建时空特征的提取器；其中，引入RECALL机制后时间信息传递的计算过程如公式：

；

并利用Softmax函数对重要的时空特征增加影响权重；其中，输入为 的信息传递部分是对长时记忆进行回溯的RECALL机制；通过一个栅极控制的自关注模块使当前的时间记忆状态 与该时刻前的所有历史记录进行交互，遗忘门 首先与一系列历史时刻的记忆状态相乘，通过Softmax函数输出一个等维度矩阵，矩阵中的数值为0～1之间的概率，其对应维度中数值之和为1，每个维度矩阵值相当于一组权重，再将该权重与之前的一系列时刻的记忆状态相乘；该过程过滤了值为0的信息，获取了值为1的全部信息以及0‑1间的次要信息，即利用Softmax给予过去时间记忆一个影响权重来描述其影响程度；通过对过去总体信息进行选择后与短期依赖 结合，利用LayerNorm把信息整合，进一步保证数据特征分布的稳定性；将时空特征进行融合；在具体进行融合时，通过特征提取器进行特征提取后获取一组时序张量数据，对时序张量数据进行解码分类前，将改组时序特征整合为一个综合的时空特征，设计融合架构；搭建时序注意力机制Time‑attention，对时空特征融合进行优化；

融合架构首先对各时序张量数据在通道维度进行拼接，利用平均池化与最大池化结合的注意力模型进一步聚合数据拼接信息；注意力模型的输入F 表示编码器输出的各张量数据的拼接矩阵，Favg和Fmax分别表示平均池化操作和最大池化操作，F分别经过平均池化和最大池化得到两个注意力描述数据；将两组注意力描述数据分别输入一个两层卷积神经网络结构，两层结构中激活函数为Relu；得到的两个特征相加并融入sigmoid函数中得到权重系数Q， Q具体的计算公式为：式中W0和W1是卷积滤波器,对特征进行提取；最后将权重系数Q与原时空特征矩阵F相乘即可得到重要时空特征Z；

通过特征识别算法识别融合后的特征，并判断有无雷暴，以及雷暴强度等级。

4.根据权利要求3所述的雷暴识别系统，其特征在于，所述数据处理单元还用于将时空序列数据通过算法编码后得到对应描述时空特征的张量数据。