1.一种多任务生成对抗网络的强对流天气临近预报方法，其特征在于，包括步骤：A.获取同一地点历年的多普勒雷达组合反射率图像，将每半小时内的5张多普勒雷达组合反射率图像组合成一个雷达反射率图像样本和一个雷达反射率图像标签；获取历年闪电观测数据，以0时为时间起点，6分钟为时间间隔，将连续时间的闪电观测数据进行时间聚合处理，并将时间聚合后的闪电观测数据映射到指定分辨率的网格中，对网格中的内容进行标记，完成空间聚合，得到时间和空间聚合处理后的闪电密度图像，将每半小时内时空聚合后的5张闪电密度图像组合成一个闪电密度图像样本和一个闪电图像标签；

B.基于所述反射率图像样本、闪电密度图像样本、反射率图像标签以及闪电图像标签训练多任务生成对抗网络的生成器和判别器，所述生成器和所述判别器由两条支路构成，支路一处理所述闪电密度图像样本，用于预测闪电，支路二处理雷达反射率图像样本，用于预测降雨；多任务生成对抗网络的生成器的支路一和支路二由特征提取模块和特征融合模块构成，支路一和支路二的特征提取模块相同，均采用编码器‑时空转换预测器‑解码器架构，编解码器之间采用跳跃连接；编解码器各包括7级，每一级由一个二维卷积、一个BatchNorm和一个激活函数ReLU构成；时空转换预测器采用编码器‑解码器和跳跃连接架构，时空转换预测器中的编解码器各包括8级，每一级由一个Inception模块构成；将支路一和支路二时空转换预测器输出的深度特征图互换，实现多源数据第一级特征融合，多源数据第二级特征融合在特征融合模块的支路一完成，特征融合模块的支路一为注意力门控模块，融合闪电密度图像特征与雷达反射率图像特征；特征融合模块的支路二为空间注意力模块，提高雷达反射率图像特征表征的质量；多任务生成对抗网络判别器的支路一和支路二均采用Patch‑D，所述Patch‑D共有5级，1到4级由一个二维卷积和一个LeakyReLU激活函数构成，第5级由一个二维卷积和一个Sigmoid函数构成，最后将两个判决模块的输出沿通道维相加后作为判别器输出；

C.获取当前的多普勒雷达组合反射率图像及闪电观测数据，将处理后的反射率图像样本及闪电密度图像样本输入训练完毕的多任务生成对抗网络，进行强对流天气临近预报。

2.如权利要求1所述的强对流天气临近预报方法，其特征在于，对所述网格中的内容进行标记，包括：在聚合时间内如果同一网格内映射了n次闪电，则此格点闪电频数记为n，否则标记为0。

3.如权利要求1所述的强对流天气临近预报方法，其特征在于，基于所述反射率图像样本、闪电密度图像样本、反射率图像标签以及闪电标签构建用于训练所述多任务生成对抗网络的数据集，包括：步骤S21: 从输入的反射率图像样本、闪电密度图像样本、反射率图像标签以及闪电图像标签中，以每半小时为时间间隔，获取由5张反射率图像构成的一个反射率图像样本和由

5张闪电密度图像构成的一个闪电密度图像样本，组成待匹配样本对；

步骤S22: 将各个所述待匹配样本对与由5张反射率图像构成的一个反射率图像标签和由5张闪电图像标签构成的一个闪电标签进行匹配，匹配方式为：一个待匹配样本对对应反射率图像标签和闪电标签中以所述待匹配样本对对应的结束时间为起点的标签，构成一个样本‑标签对;步骤S23: 由全部的样本‑标签对组成数据集，再从数据集中以预设的比例划分得到训练集、测试集和验证集。

4.如权利要求1所述的强对流天气临近预报方法，其特征在于，所述多任务生成对抗网络生成器特征提取模块中构成时空转换预测器的每个Inception模块，包括：首先对输入特征进行卷积核为1*1的二维卷积，再对二维卷积输出并行执行卷积核分别为3、5、7和11的二维卷积，同时保持并行输出结果尺寸相同，再将并行输出结果相加，作为每一级Inception模块的输出。

5.如权利要求1所述的强对流天气临近预报方法，其特征在于，所述多任务生成对抗网络生成器特征融合模块中支路一的注意力门控模块首先将支路一和支路二特征提取模块输出的反射率图像特征和闪电特征在通道维进行拼接，再做卷积核为1*1的卷积，再进行Sigmoid操作，将Sigmoid输出与支路二特征提取模块输出的反射率图像特征进行点乘，再将点乘结果与支路一特征提取模块输出的闪电特征相加，完成特征融合，再通过一个1*1的二维卷积和一个Sigmoid模块，作为特征融合模块支路一的输出。

6.如权利要求1所述的强对流天气临近预报方法，其特征在于，所述多任务生成对抗网络生成器特征融合模块中支路二的空间注意力模块将支路二特征提取模块输出的反射率图像特征做卷积核为1*1的卷积，再依次进行BatchNorm和ReLU操作，再进行卷积核为1*1的卷积，再依次进行BatchNorm和Sigmoid操作，再将输出与支路二特征提取模块输出的反射率图像特征进行点积，完成空间特征增强，再通过一个1*1的二维卷积和一个Sigmoid模块，作为特征融合模块支路二的输出。

7.如权利要求1所述的强对流天气临近预报方法，其特征在于，所述多任务生成对抗网络中，训练生成对抗网络所需定义的损失函数包括生成器部分的损失函数和判别器部分的损失函数，生成器的损失函数包括重建损失和对抗损失，重建损失采用L1距离函数，计算生成器的预测输出和真实值之间的L1距离；对抗损失采用二进制交叉熵损失函数，计算当判别器输入为生成器的预测输出时的输出值与1之间的差异度，判别器的损失函数为采用二进制交叉熵损失函数计算的对抗损失，包括2个部分，分别为当判别器输入为真实值时的输出与1之间的差异，和当判别器输入为生成器的预测输出时的输出值与0之间的差异。

8.根据权利要求1‑7任一所述强对流天气临近预报方法的基于多任务生成对抗网络的装置，其特征在于，包括：

数据处理模块：配置为获取同一地点历年的多普勒雷达组合反射率图像，将每半小时内的5张多普勒雷达组合反射率图像组合成一个雷达反射率图像样本和一个雷达反射率图像标签；获取历年闪电观测数据，将连续时间的闪电观测数据以0时为时间起点，6分钟为间隔，进行时间聚合处理，将时间聚合后的闪电观测数据映射到指定分辨率的网格中，对网格中的内容进行标记，完成空间聚合，得到时间和空间聚合处理后的闪电密度图像，将每半小时内的5张时空聚合后的闪电密度图像组合成一个闪电密度图像样本和一个闪电图像标签；

训练模块：配置为基于所述反射率图像样本、闪电密度图像样本、反射率图像标签以及闪电图像标签训练多任务生成对抗网络；

预测模块：配置为获取当前的多普勒雷达组合反射率图像及闪电观测数据，将处理后的反射率图像样本及闪电密度图像样本输入训练完毕的多任务生成对抗网络，进行强对流天气临近预报。

9.一种计算机可读存储介质，其特征在于：存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如权利要求1‑7中任一项所述方法。

10.一种电子设备，其特征在于，所述电子设备，包括：

处理器，用于执行多条指令；

存储器，用于存储多条指令；

其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行如权利要求

1‑7中任一项所述方法。