卫星云图作为一种至关重要的气象资料,对于天气分析和预报工作起了极大的辅助作用,尤其在一些难以架设观测台站的恶劣条件区域,卫星云图更是宝贵的气象信息来源。设置一定的时效限制,对云图的移动和变化情况加以预测,这一举措能够显著增强卫星云图资料的实用性。目前对云图的预测挑战有两个方面:实际观测到的云团变化,大多是非平稳、非线性和不规则的;同片区域内不同云系变化程度不同,难以用一种模型进行准确描述。针对上述问题,本文基于深度学习对风云4号获取的水汽云图影像进行未来时刻影像的预测研究。主要研究内容分为以下四个部分:(1)搭建神经网络,实现对云图未来时刻的预测。风云4号卫星提供了时间间隔为1小的海量水汽云图影像,将为期一个月的720张影像经过分组、裁切、正交组合后创建时序数据集。实验表明,基础GAN网络预测模型能够较为准确的预测未来下一个时刻的影像,多层GAN网络预测提高了预测精度,延长了预测的时效性。(2)基于样本图像特征改进模型目标优化函数。分析训练样本与预测样本图像特征的差异,统计两者之间对比度、熵值以及形状信息等灰度共生矩阵特征值信息,并据此改进模型结构。改进后的基于残差多尺度预测模型,其功能由关注点移动的轨迹预测,转为更适合于关注纹理形状特征的云图预测。经过实验得出,改进后预测图像与真实图像之间相似度极高。(3)实现预测结果的超分辨率重建。为了解决预测生成的图像分辨率较低、细节缺失问题,搭建超分辨率生成式对抗网络模型,以恢复更精细的纹理细节。实验结果表明,超分辨率操作对于基础GAN预测模型和GLCM约束的预测模型所得预测结果作用微小,但是可以明显提升多层GAN网络的预测精度。(4)对预测精度和超分辨率精度进行评估,利用PSNR和SSIM两个特征值分析预测影像与真实影像的相似度。首先对比三个网络对未来第一个时刻预测的精确程度,其次对比三个网络在后续序列的预测过程中,模型预测能力的时效性问题,最后还分析了超分辨率过程对预测结果的影响。