1.一种基于多粒度级联森林网络的云图分类方法，其特征在于包括如下步骤：步骤一、多粒度级联森林网络模型的训练：设定多粒度级联森林网络模型的多粒度扫描层为三种不同粒度尺寸，每种多粒度扫描层包含两个森林；多粒度级联森林网络模型的级联层为L个完全随机森林和L个随机森林，利用已标注的样本(Xi,Yi)，对该多粒度级联森林网络模型进行学习,使用多粒度扫描层进行特征表示，级联层进行有监督学习并输出云类别，得到训练后的网络参数,其中，Xi为一个N×N的图像块，Yi表示Xi对应的云的分类，N满足20≤N≤40，i代表第i个样本，i＝1,2,3,...,p，p为样本总数；

步骤二、卫星云图分类：将卫星图像均匀分成像素为N×N的小块，作为输入数据输入多粒度级联森林网络模型，得到整个网络的特征向量输出，最后，在特征向量的类别概率中取最大的类别概率判定云的种类；所述的多粒度级联森林网络模型包括：多粒度扫描层特征表示部分，用多粒度扫描层来增强数据的特征表示；

多粒度级联森林网络模型的级联层有监督学习部分，是将多粒度扫描层提取的特征向量作为输入，级联层的每个森林输出和原输入数据聚合，再做为下一层的输入，若在增加新的级联后，验证集上估计级联的性能没有显著增加，则训练过程终止；基于多粒度级联理论进行特征分类学习，得到训练后的网络参数。

2.根据权利要求1所述一种基于多粒度级联森林网络的云图分类方法，其特征在于：步骤一的多粒度级联森林网络模型采用三种粒度扫描窗口[W1×W1×3]、[W2×W2×3]、[W3×W3×3]，每一种粒度扫描窗口对已标注的样本(Xi,Yi)进行特征提取，用Wj×Wj尺寸的粒度扫描窗口在N×N大小的图片上以步长为1滑动，从相同大小的窗口提取的特征将用于训练完2

全随机树森林和随机森林，每个森林生成(N‑Wj+1)个三维特征向量，则最后得到2×(N‑Wj+2

1) ×3维特征向量作为多粒度级联森林网络模型中级联层的输入，其中j＝1，2，3。

3.根据权利要求2所述的基于多粒度级联森林网络的云图分类方法，其特征在于：级联层网络对特征向量进行学习并进行云图分类具体步骤如下：步骤a、级联中的每一级接收到由前一级处理的特征信息，并将当前级的处理结果输出给下一级，级联的每个级别包括L个随机森林和L个完全随机森林；

步骤b、每个完全随机森林包含M个完全随机树，通过随机选择一个特征在树的每个节点进行分割实现生长，树一直生长，直到每个叶节点只包含相同类的实例或不超过10个实例；

步骤c、每个随机森林也包含M棵树，通过随机选择 数量的特征作为候选，然后选择具有最佳Gini指数的特征作为分割点，进行划分，d为输入特征的数量；

步骤d、每个森林输出3维的类别概率向量，共2×L个森林输出的2×L×3维向量要和原输入特征向量融合，再做为下一层的输入，若在增加新的级联后，验证集上估计级联的性能没有显著增加，则训练过程终止；

步骤e、经过多个级联森林，输出最终的类别概率向量，对得到2×L个森林输出的类别概率向量求取均值；最后，在类别概率向量中取最大的类别概率为预测结果。

4.根据权利要求1所述一种基于多粒度级联森林网络的云图分类方法，其特征在于：所述多粒度级联森林网络模型输出的云的分类结果包括三种：晴空、薄云和厚云。

5.根据权利要求1所述一种基于多粒度级联森林网络的云图分类方法，其特征在于：所述多粒度级联森林网络模型输出云分类的输出样本设定为对应的三维向量。

6.根据权利要求1所述一种基于多粒度级联森林网络的云图分类方法，其特征在于：多粒度级联森林分类结果是通过类别概率向量来确定，通过对概率最大的值判定来确定是哪种云，并利用厚云和薄云概率值相减来确定重叠部分，其中厚云和薄云的重叠部分，通过以下公式计算出：

|Sh‑Sb|＜0.12

式子中，Sh是代表检测后厚云的概率值，Sb代表检测后薄云的概率值。