1.一种基于体积雷达数据的3D卷积神经网络雷暴识别方法，其特征在于，所述方法包括以下步骤：步骤A，获取原始雷达体扫数据，通过线性内插法将原始雷达体扫数据转化为对应层数的雷达反射率图像，灰度化所有层的雷达反射率图像，将灰度化后的图像按照层数顺序组合到一起并保存为雷达体积数据文件，将雷达体积数据文件作为训练数据，构建得到体积雷达数据集；

步骤B，获取与原始雷达体扫数据的时间、地区均对应的地闪定位数据，根据地闪定位数据的经纬度坐标对体积雷达数据集进行标注，作为体积雷达数据集的标签；

步骤C，基于3D卷积神经网络构建得到雷暴识别模型，采用体积雷达数据集及其标签训练雷暴识别模型的网络权重；

步骤D，将待识别的雷达体扫数据进行与步骤A中相同的转换过程后输入训练完成的雷暴识别模型，输出雷达体扫数据覆盖范围内雷暴影响区域的位置；

步骤B进一步包括：

将对应地区栅格化，根据地闪定位数据中记录的经纬度坐标将地闪发生地点定位至对应的栅格，清除孤立的地闪定位；

将分布密集度大于预设密集度阈值的地闪区域与其周围一定距离内的栅格标注为雷暴影响区域，结合体积雷达数据集将标注扩展到三维空间中，为雷暴影响区域中的数据设置标签，完成数据集标签的生成；

步骤C中，所述雷暴识别模型包括输入模块、大内核特征提取模块、编码器模块、解码器模块和输出模块；

所述输入模块对于体积雷达数据集中的第i组数据Vi，随机提取一个大小为H×W×D的子体Pi作为大内核特征提取模块的输入，子体Pi的通道数C＝1；

所述大内核特征提取模块计算得到子体Pi的特征向量Z，并将其作为编码器模块的输入：Z＝GN(Conv(Pi))；

式中，Conv(·)表示一次3D卷积操作，卷积核大小为7，步长为2，填充为3；GN(·)表示组归一化操作，特征向量Z的大小为 通道数扩展为C＝48；

所述编码器模块包括依次连接的四层编码器，每层编码器均包括相互连接的卷积模块和全局特征挖掘模块；其中，第i层编码器的计算公式为：Z′i＝Conv Block(Zi‑1)；

Zi＝GFE(Z′i)；

其中，Zi‑1为上一层编码器的输出，Conv Block(·)为卷积模块，Z′i是第i层编码器中卷积模块的输出结果，GFE(·)表示基于自注意力机制和卷积的全局特征挖掘模块的输出函数，Zi是第i层编码器的输出；

所述解码器模块包括依次连接的五层解码器，

每层解码器将对应层数的编码器的输出与上一层解码器的输出拼接作为输入，每层解码器中包含一个卷积模块；最后一层解码器输出的特征依次通过一个1×1×1大小的卷积层和一个softmax函数来获得雷暴识别模型最终的输出；

所述卷积模块均包括依次连接的第一卷积块、第二卷积块和下采样块；所述第一卷积块和第二卷积块均包括依次连接的深度卷积单元、第一逐点卷积通道、第一组归一化单元、第一激活单元、第二卷积通道和第一融合单元；

所述第一卷积块的计算公式：

所述第二卷积块的计算公式为：

其中， 和 分别是第一卷积块和第二卷积块的深度卷积单元的输出， 和 是第一卷积块和第二卷积块的第一逐点卷积通道的输出，GN(·)、GELU(·)、DWC(·)、DCS(·)分别表示组归一化函数、GELU激活函数、深度卷积函数和逐点卷积函数；

l+1

所述下采样块对第二卷积块输出的特征图z 进行下采样，获得卷积模块的输出 其l+1中，下采样块通过一次卷积操作将特征图z 的长宽高缩小为原来的一半，通道数变为原来的两倍；

所述全局特征挖掘模块包括第二组归一化单元、多头自注意力单元、第一卷积单元、拼接单元、第二卷积单元、第二激活单元和第二融合单元；

所述第二组归一化单元对卷积模块的输出特征进行组归一化，组归一化结果分别输入至多头自注意力单元和第一卷积单元，提取得到局部特征Z1和全局特征Z2：Z1＝Conv(GN(Z′i))；

i

Z2＝MSA(GN(Zi))；

式中MSA(·)表示为多头自注意力机制；

所述拼接单元将局部特征Z1和全局特征Z2进行拼接后，输入至第二卷积单元进行一次卷积核大小为1的3D卷积操作，完成局部特征Z1和全局特征Z2的融合，获得融合之后的特征向量Z″i，公式为：Z″i＝Conv(Concat(Z1,Z2))；

将融合之后的特征向量Z″i输入到第二激活单元中，采用第二融合单元将第二激活单元的输出特征与全局特征挖掘模块的输入特征相融合以获得全局特征挖掘模块的输出特征向量Zi：Zi＝GELU(Z″i)+Z′i；

式中，GELU(·)是激活函数。

2.一种基于体积雷达数据的3D卷积神经网络雷暴识别系统，其特征在于，所述系统包括：体积雷达数据集处理模块，用于获取原始雷达体扫数据，通过线性内插法将原始雷达体扫数据转化为对应层数的雷达反射率图像，灰度化所有层的雷达反射率图像，将灰度化后的图像按照层数顺序组合到一起并保存为雷达体积数据文件，将雷达体积数据文件作为训练数据，构建得到体积雷达数据集；

标签处理模块，用于获取与原始雷达体扫数据的时间、地区均对应的地闪定位数据，根据地闪定位数据的经纬度坐标对体积雷达数据集进行标注，作为体积雷达数据集的标签；

雷暴识别模型构建模块，用于基于3D卷积神经网络构建得到雷暴识别模型，并采用体积雷达数据集及其标签训练雷暴识别模型的网络权重；

所述雷暴识别模型用于对输入的待识别的雷达体扫数据进行识别以得到不同区域的雷暴发生概率，生成雷暴识别结果；

所述标签处理模块包括格栅定位单元、定位数据筛选单元、定位数据记录单元和体积标记单元；

所述格栅定位单元用于将对应地区栅格化；

所述定位数据筛选单元用于清除孤立的地闪定位；

所述定位数据记录单元根据地闪定位数据中记录的经纬度坐标将地闪发生地点定位至对应的栅格；

所述体积标记单元将分布密集度大于预设密集度阈值的地闪区域标注为雷暴高危区域，按照距离远近将雷暴高危区域的周围地区分别标注为雷暴中危区域、雷暴低危区域，结合体积雷达数据集完成标签的生成；

所述雷暴识别模型包括输入模块、大内核特征提取模块、编码器模块、解码器模块和输出模块；

所述输入模块对于体积雷达数据集中的第i组数据Vi，随机提取一个大小为H×W×D的子体Pi作为大内核特征提取模块的输入，子体Pi的通道数C＝1；

所述大内核特征提取模块计算得到子体Pi的特征向量Z，并将其作为编码器模块的输入：Z＝GN(Conv(Pi))；

式中，Conv(·)表示一次3D卷积操作，卷积核大小为7，步长为2，填充为3；GN(·)表示组归一化操作，特征向量Z的大小为 通道数扩展为C＝48；

所述编码器模块包括依次连接的四层编码器，每层编码器均包括相互连接的卷积模块和全局特征挖掘模块；其中，第i层编码器的计算公式为：Z′i＝Conv Block(Zi‑1)；

Zi＝GFE(Z′i)；

其中，Zi‑1为上一层编码器的输出，Conv Block(·)为卷积模块，Z′i是第i层编码器中卷积模块的输出结果，GFE(·)表示基于自注意力机制和卷积的全局特征挖掘模块的输出函数，Zi是第i层编码器的输出；

所述解码器模块包括依次连接的五层解码器，每层解码器将对应层数的编码器的输出与上一层解码器的输出拼接作为输入，每层解码器中包含一个卷积模块；最后一层解码器输出的特征依次通过一个1×1×1大小的卷积层和一个softmax函数来获得雷暴识别模型最终的输出；

所述卷积模块均包括依次连接的第一卷积块、第二卷积块和下采样块；所述第一卷积块和第二卷积块均包括依次连接的深度卷积单元、第一逐点卷积通道、第一组归一化单元、第一激活单元、第二卷积通道和第一融合单元；

所述第一卷积块的计算公式：

所述第二卷积块的计算公式为：

其中，和 分别是第一卷积块和第二卷积块的深度卷积单元的输出， 和 是第一卷积块和第二卷积块的第一逐点卷积通道的输出，GN(·)、GELU(·)、DWC(·)、DCS(·)分别表示组归一化函数、GELU激活函数、深度卷积函数和逐点卷积函数；

l+1

所述下采样块对第二卷积块输出的特征图2 进行下采样，获得卷积模块的输出 其l+1中，下采样块通过一次卷积操作将特征图2 的长宽高缩小为原来的一半，通道数变为原来的两倍；

所述全局特征挖掘模块包括第二组归一化单元、多头自注意力单元、第一卷积单元、拼接单元、第二卷积单元、第二激活单元和第二融合单元；

所述第二组归一化单元对卷积模块的输出特征进行组归一化，组归一化结果分别输入至多头自注意力单元和第一卷积单元，提取得到局部特征Z1和全局特征Z2：Z1＝Conv(GN(Z′i))；

Z2＝MSA(GN(Z′i))；

式中MSA(·)表示为多头自注意力机制；

所述拼接单元将局部特征Z1和全局特征Z2进行拼接后，输入至第二卷积单元进行一次卷积核大小为1的3D卷积操作，完成局部特征Z1和全局特征Z2的融合，获得融合之后的特征向量Z″i，公式为：Z″i＝Conv(Concat(Z1,Z2))；

将融合之后的特征向量Z″i输入到第二激活单元中，采用第二融合单元将第二激活单元的输出特征与全局特征挖掘模块的输入特征相融合以获得全局特征挖掘模块的输出特征向量Zi：Zi＝GELU(Z″i)+Z′i；

式中，GELU(·)是激活函数。