1.基于隐式自回归时空通道聚合策略的卫星云图预测方法，其特征在于，包括以下步骤：步骤1，建立基于隐式自回归时空通道聚合策略IASCACP网络模型；

步骤2，对所述IASCACP网络模型执行隐式自回归训练策略，得到训练好的IASCACP网络模型；

步骤3，采用训练好的IASCACP网络模型进行卫星云图预测；

步骤1中，所述IASCACP网络模型包括编码器、预测器和解码器；

T×C×H×W

将长度为n，t时刻下的序列图像xt‑n+1:t输入编码器中，xt‑n+1:t∈R ，其中T、C、H和W分别表示序列图像的帧长、通道数、高和宽；R为所有时序图像；

设t时刻下的回环帧序列为 则t时刻下的预测帧为

IASCACP网络模型的预测流程表示为：

其中E、P和D分别表示编码器，预测器和解码器；S为位置编码函数，Mask为掩码器，Concat为堆叠操作；

步骤1中，所述解码器是隐式自回归编解码器，包括位置编码模块PE、时空细化模块STR和掩码模块；所述解码器还包括预测帧输出端口，在预测帧输出端口引入真实映射模块TM，所述真实映射模块TM用于对预测帧投影特征向量；

步骤1中，所述时空细化模块STR对解码帧进行细化；预测帧与标签帧计算损失的同时，通过真实映射模块TM转换为回环帧序列，回环帧序列再经过掩码后与输入帧一起来预测下一帧；

模型训练时，在训练阶段将真实的未来帧填充进回环帧序列，在验证阶段将预测帧填充进回环帧序列；

步骤1中，所述掩码模块用于在训练阶段随机屏蔽回环帧序列中的冗余信息，提供不完整的上下文时空序列信息。

2.根据权利要求1所述的方法，其特征在于，步骤1中，所述IASCACP网络模型中处理的帧序列包括观察帧序列、回环帧序列与掩码帧序列；

所述观察帧序列为输入序列经过编码器得到的结果，观察帧序列的步长随时间的增加而保持不变，始终具有相同的编码值；

所述回环帧序列初始全填充为零张量，随着时间步长的推进，预测帧逐渐输出，经过真实映射模块TM后填充到回环帧序列中；

所述回环帧序列再经过掩码器Mask得到掩码帧序列；

所述掩码帧序列与观测帧序列经过堆叠后得到堆叠后的序列，所述位置编码模块PE用于建模所述堆叠后的序列中的位置关系并增强序列间的时空相关性；

所述掩码帧序列与观测帧序列经过堆叠后与位置编码模块PE生成的数据组合，然后输出到预测器，学习时空趋势变化，再利用解码器解码得到当前预测帧。

3.根据权利要求2所述的方法，其特征在于，步骤2包括：设定输入帧为x，真实未来帧为y，通过隐式自回归编解码器后得到：Qo,Qf＝E(xi),E(yi)

Mask＝Mg(t)

Qm＝Mask×Qf

其中， 为目标预测帧长度，Qo为观测帧序列，Qf为回环帧序列，S(·)为编码模块PE中的位置编码器，xi为第i帧观测帧，yi为第i帧回环帧，random()为随机选取函数，t为从时间序列中选取的随机时间点；Qm表示掩码序列； 表示预测值；

掩码器函数Mg(t)表示为：

其中Index(Qf)表示回环帧序列的序号。

4.根据权利要求3所述的方法，其特征在于，步骤2中，预测器使用Nt个时空通道聚合器SCA堆叠学习云图序列的动态变化趋势；

所述时空通道聚合器SCA包括时空聚合器SA与通道聚合器CA；

所述时空聚合器SA包括特征分解模块FD与多阶交互门MIG；

所述时空聚合器SA公式化表示为：

SA(X)＝X+MIG1(FD1(Norm(X)))                    (4)其中，Norm(X)为归一化，FD1为特征提取函数，MIG1为迁移学习函数，X为输入的特征图；

所述特征分解模块FD公式化表示为：

Y＝Conv1×1(X)

Z＝GELU(Y+β⊙(Y‑GAP(Y)))                     (5)其中Conv1×1(·)表示1*1卷积，GAP(·)表示全局平均池化，Y为输出特征图，GELU为激C×1活函数，Z为最终输出，⊙表示逐元素相乘，β为初始值为零的缩放因子，β∈R 。

5.根据权利要求4所述的方法，其特征在于，步骤2中，所述多阶交互门MIG包含两个分支，分别为选通门分支Fg(·)和上下文分支Gg(·)；在多阶交互门MIG的上下文分支中集成了两个以上深度卷积DConv来编码多阶时空特征；使用三个尺寸的动态卷积DConv，膨胀比dC×HW∈{1,2,3}，并行捕获低、中、高阶相互作用特征；给定多阶交互门MIG的输入特征Xin∈R ，经过5×5、膨胀比为1的动态卷积DConv5×5,d＝1获取低阶相互作用信息后，输出特征沿着通道维度分解为三组输出Xl、Xm和Xh， 其中Cl、Cm、Ch表示三个不同的通道数，Cl+Cm+Ch＝C；Xm,Xh分别输入给DConv5×5,d＝2，DConv7×7,d＝3编码得到中阶上下文信息Ym和高阶上下文信息Yh；最后Xl,Ym,Yh拼接形成多阶上下文特征YC＝Concat(Xl,Ym,Yh)；为了聚合多阶上下文特征，分别在选通门分支与上下文分支的输出端加入SiLU激活函数，多阶交互门MIG公式化为：MIG(X)＝Conv1×1(SiLU(Conv1×1(X))⊙SiLU(Conv1×1(YC)))         (6)。

6.根据权利要求5所述的方法，其特征在于，步骤2中，在时空聚合器SA输出端引入了一个通道聚合器CA，用于在高维隐藏空间中进行自适应通道再分配，消除信道中的信息冗余；

整体结构公式为：

Y1＝GELU(DConv3×3(Conv1×1(Norm(X1))))Z1＝Conv1×1(CA(Y1))+X1           (7)对其中的通道聚合函数CA(·)，利用一条分支来减少通道投影，将输入特征Xin转换为C×HW 1×HWXr，以收集和重新分配通道信息；Xr表示转换后的特征图；Xin∈R ，Xr∈R ；

通道聚合函数CA(·)公式为：

CA(Xin)＝Xin+α⊙(Xin‑GELU(Xr))                   (8)其中，α为初始值为零的通道尺度因子。