1.基于WGAN‑GP网络与光流法的卫星云图预测方法，其特征在于，包括以下步骤：步骤S1：获取历史卫星云图序列数据；

步骤S2：对卫星云图进行直方图均衡化预处理；

步骤S3：对经过预处理的图像，取t张卫星云图序列作为历史数据，第t+1张卫星云图为预测目标；

步骤S4：构建双判别器WGAN‑GP网络，每次训练以t张连续卫星云图序列输入生成器，每相邻两张卫星云图进行计算得到一张光流图，共得到t‑1张光流图，令光流序列经过编码器解码器结构输出预测光流，将预测光流与第t时刻卫星云图融合生成第t+1时刻卫星云图的预测；

步骤S5：将生成卫星云图与真实卫星云图一并输入判别器中训练，空间判别器与时间判别器分别对生成样本与真实样本的空间相似度与时间相似度进行评价，通过多次迭代对抗训练使双判别器WGAN‑GP网络达到纳什均衡；

步骤S6：将历史卫星云图数据输入已训练好的双判别器WGAN‑GP网络生成器得到卫星云图预测图像，将生成的卫星云图预测图像加入序列，迭代地执行生成器算法，得到第t+1至2t张卫星云图预测图像。

2.根据权利要求1所述的基于WGAN‑GP网络与光流法的卫星云图预测方法，其特征在于，所述步骤S2对图像进行直方图均衡化预处理的公式为：其中round()表示对结果取整，cdf(i)表示值为i的像素的累计分布函数，px(i)代表值为i的像素的出现概率，L为灰度级数，v为原始图像像素值，h(v)为进行直方图均衡化操作后的像素值。

3.根据权利要求1所述的基于WGAN‑GP网络与光流法的卫星云图预测方法，其特征在于，所述步骤S4包括以下步骤：步骤S41，对输入生成器的t张连续卫星云图序列，每相邻两张卫星云图进行计算得到一张光流图，共得到t‑1张光流图；

步骤S42，构建双判别器WGAN‑GP网络中的生成器，生成器网络的结构依次有：输入层→光流提取层→三维卷积层1→三维卷积层2→三维卷积层3→三维卷积层4→上采样层1→上采样层2→上采样层3→上采样层4→融合层→输出层，三维卷积层1、三维卷积层2、三维卷积层3、三维卷积层4属于编码器部分，上采样层1、上采样层2、上采样层3、上采样层4属于解码器部分；

步骤S43，构建双判别器WGAN‑GP网络中的判别器，判别器网络包括空间判别器与时间判别器，其中空间判别器网络的结构依次有：输入层→二维卷积层1→二维卷积层2→二维卷积层3→二维卷积层4→全连接层1→全连接层2→全连接层3→输出；

步骤S44，构建双判别器WGAN‑GP网络中的判别器，其中时间判别器网络的结构依次有：输入层→三维卷积层1→三维卷积层2→三维卷积层3→三维卷积层4→全连接层1→全连接层2→全连接层3→输出；

步骤S45，将t‑1张光流图输入到生成器中，通过三维卷积层进行编码处理，再通过上采样层进行解码处理生成第t张光流图的预测；

步骤S46，使用第t张光流图对第t张卫星云图进行重映射处理，生成第t+1张卫星云图的预测，重映射运算的公式为：pt+1(x,y)＝pt(x‑u,y‑v)

其中pt为t时刻位于卫星云图点(x,y)处的像素值，u和v即光流图中的信息，分别代表像素在x方向和y方向上的运动分量。

4.根据权利要求3所述的基于WGAN‑GP网络与光流法的卫星云图预测方法，其特征在于，所述步骤S42中上采样层先使用双线性插值法令特征图大小翻倍，再利用卷积使通道数减半；在三维卷积层1、三维卷积层2和三维卷积层3后加入了三个跳跃连接，分别连接到上采样层1、上采样层2、上采样层3后，将在编码器中经过三维卷积处理的特征图与在解码器中进行上采样后的特征图进行拼接，再传递给下一层作为输入特征图，使解码器能够获得浅层编码器学习到的信息。

5.根据权利要求3所述的基于WGAN‑GP网络与光流法的卫星云图预测方法，其特征在于，所述步骤S42中三维卷积层1的卷积核大小为3×3×3，三维卷积层2,3,4的卷积核大小为2×3×3，三维卷积层4的步长为(1,1,1)，三维卷积层1,2,3的步长为(1,2,2)，填充均为(0,1,1)。

6.根据权利要求3所述的基于WGAN‑GP网络与光流法的卫星云图预测方法，其特征在于，所述步骤S43中卷积层的卷积核大小为3×3，步长为2，填充为1。

7.根据权利要求3所述的基于WGAN‑GP网络与光流法的卫星云图预测方法，其特征在于，所述步骤S44中时间判别器网络的三维卷积层1至三维卷积层3的卷积核大小3×3×3，三维卷积层4的卷积核大小为2×3×3，各层的步长均为(1,2,2)，填充为(0,1,1)。

8.根据权利要求1所述的基于WGAN‑GP网络与光流法的卫星云图预测方法，其特征在于，所述步骤S5中包含以下步骤：步骤S51：固定生成器参数，训练判别器，双判别器WGAN‑GP网络判别器的损失函数为：LD＝LS+LT+LGP

其中，LS为空间判别器损失，LT为时间判别器损失，LGP为梯度惩罚项，LD为判别器最终的损失，m为训练数据批次大小，G()为生成器的输出即卫星云图的预测，xf表示历史卫星云图序列，xr为目标卫星云图，sr表示真实卫星云图序列，即历史卫星云图加上目标卫星云图，sf表示预测卫星云图序列，xp为在生成云图与真实云图之间进行线性插值采样所获样本，sp为在生成云图序列与真实云图序列之间进行线性插值采样所获样本；

步骤S52：使用Adam优化算法更新判别器参数；

步骤S53：固定判别器参数，训练生成器，双判别器WGAN‑GP网络生成器的损失函数为：其中，LG为生成器最终的损失函数，m为训练数据批次大小，xf表示历史卫星云图，sf表示预测卫星云图序列；

步骤S54：使用Adam优化算法更新生成器参数。

9.根据权利要求8所述的基于WGAN‑GP网络与光流法的卫星云图预测方法，其特征在于，所述步骤S52使用以下公式mdω＝β1mdω+(1‑β1)dω

2

vdω＝β2vdω+(1‑β2)(dω)

其中，ω为判别器参数，mdω为对参数梯度的一阶距估计，vdω为对参数梯度的二阶距估计，β1和β2为衰减速率， 和 分别为对mdω和vdω的偏差修正，α为学习率，ε为一个极小常数。