1.一种云团分类方法，其特征在于，包括：

(1)引入运动历史图像理论MHI，获取并更新运动历史图像，识别云图视频中的云层；

(2)使用云层特征点改进的MHI，实现不同云图的分类，分类结果包括晴空、局部有云和全部为云；

(3)将云图灰度化，然后引入灰度共存矩阵和逆差矩评价步骤(2)中云图局部有云和全部为云的分类结果是否准确，如准确，则利用逆差矩计算得到的值对云团进行分类；如不准确，执行步骤(4)；

(4)更新局部增强的运动历史图像，重复步骤(2)至(3)；

步骤(1)包括：

MHI通过帧间差分法得到t时刻与t‑1时刻图像帧位置(x,y)处的二值差分图，即运动历史图像D(x,y,t)：其中，A(x,y,t)为二值差分距离，表达公式为A(x,y,t)＝|B(x,y,t)‑B(x,y,t±Δ)|，B(x,y,t)是图像序列t时刻、坐标为(x,y)像素位置的强度值，Δ表示时间变化量；ξ为阈值，表示二值差分图生成时对场景变化的敏感程度；

MHI更新运动历史图像D(x,y,t)：

其中，(x,y)为像素点坐标，t为时间，在地基云图的视频数据中表示视频的帧数；持续时间τ表示运动的时间范围；Hτ(x,y,t‑1)表示在t‑1时刻的运动的时间范围；δ是衰减参数；

通过不同时刻t的像素点坐标(x,y)，实现对云图视频中云层的识别；

步骤(2)包括：

通过帧减法获得更新后的运动历史图像D(x,y,t)，感知掩码M(x,y,t)由检测到云层特征时生成，表达式如下：其中，L是一组云层坐标；W表示围绕云层坐标的像素坐标；α为权重；dM(L,P)为曼哈顿距离；

云层坐标具有最高的权重，而其周围像素的权重较低，同时它们与相应云层坐标的距离成正比；通过计算云层坐标的权重值以及云层周围像素的权重值，对不同云图进行分类；

步骤(3)包括：

灰度共存矩阵公式为：

g(i,j)＝#{f(x1,z1)＝i,f(x2,z2)＝j|(x1,x2),(x2,z2)∈M×N}  (4)其中，g为灰度共存矩阵，i,j为坐标索引；f为图像；(x1,z1)、(x2,z2)、(x1,x2)、(x2,z2)表示图像坐标点；M×N表示图像范围；

逆差矩公式为：

其中，IDM为逆差矩；

步骤(4)包括：

获取增强差分图像E(x,y,t)，表达公式如下：E(x,y,t)＝M(x,y,t)·D(x,y,t)  (6)对增强的差分图像进行二值化，更新运动历史图像D(x,y,t)：更新运动历史图像MHI(x,y,t)，得到新的运动历史图像：

2.根据权利要求1所述的云团分类方法，其特征在于，衰减参数δ取值为1。

3.根据权利要求1所述的云团分类方法，其特征在于，步骤(3)中，云团分类结果包括块状云、薄云、厚云、卷云和层云。

4.一种云演化趋势预测方法，其特征在于，包括：(1)根据权利要求1至3中任一项所述的云团分类方法，获取云团分类结果；

(2)构建能够捕获瞬态变化和实现运动趋势累计的MotionGRU单元；

(3)将MotionGRU单元嵌入现有GRU预测模型的层间，同时在层与层之间加入MotionHighway进行连接，得到增强GRU模型；

(4)利用增强GRU模型对云演化趋势进行预测。

5.根据权利要求4所述的云演化趋势预测方法，其特征在于，步骤(2)中，MotionGRU单元的设计过程如以下公式所示：其中，F′t表示当前的瞬态变量，Transient(·)是瞬态变化学习器， 表示运动滤波器从前一个时刻捕获到的瞬态变量， 表示最后一个预测单元的输入；t表示时间步长，l∈{1,…,L}表示当前层；L表示层级上限；

表示当前的趋势动量，Trend(·)是趋势动量更新器， 表示前一时刻的趋势动量；

表示每个像素位置在相邻状态之间的转换，为运动滤波器；

表示位置滤波器，Broadcast(·)是一种点乘运算，σ是sigmoid函数，Whm表示预测单元的权重值，*表示卷积算子；

H′t表示图像映射后的位置信息，⊙表示阿达玛乘积，Warp(·)表示图像映射；

gt表示更新门，W1×1表示输入权重，concat(·)表示连接操作，Dec(·)表示解码器，表示t时刻的坐标位置信息；

表示输出云层预测信息， 表示t‑1时刻的坐标位置信息。

6.根据权利要求5所述的云演化趋势预测方法，其特征在于，步骤(3)中，将MotionGRU单元嵌入现有GRU预测模型的层间，同时在层与层之间加入MotionHighway进行连接，得到增强GRU模型，公式如下所示：其中， 为t时刻l层的输入； 表示预测单元的隐藏状态； 表示t时刻的趋势累计量；

公式(18)表示MotionHighway，outt为预测单元的输出门。