雷暴大风是京津冀地区暖季常见的一种灾害性强对流天气，对其准确预报具有重要意义。目前，雷暴大风的预报主要依赖于基于阵风系数的传统方法，预报准确率较低，已有的人工智能预报方法使用数据也较为单一。本文基于北京城市气象研究院（IUM）的多源长时间序列格点预报数据，采用深度学习方法，在京津冀地区开展雷暴大风的预报方法研究。首先，基于雷达反射率因子、闪电位置和自动气象站（AWS）小时极大风速，提出了一种次公里级（500米）网格分辨率的雷暴大风格点判断标准，并依据此标准筛选出2021至2023年期间34个雷暴大风日。然后，在TransUnet基础之上，融合子像素卷积和通道注意力机制，提出雷暴大风TransUnet（TG-TransUnet）模型，将雷暴大风的预报问题转化为深度学习中的“图像到图像”问题，实现了雷暴大风未来1至6小时的短时临近预报。试验结果分析表明，TG-TransUnet模型对于雷暴大风预报效果最好。
 

雷暴大风, 深度学习, 天气预报, 卷积神经网络, transformer