1.一种基于FY‑3MWRI数据反演陆表温度降尺度的方法，其特征在于，包括以下步骤：

步骤1：基于10km空间尺度的FY‑3MWRIL1B反演LST，建立LST空间过程的层次模型，其建立公式为：

Z(s)＝Y(s)+ε(s)                     (1)，2

其中，Y(s)表示潜在的真实LST空间过程，ε(s)为均值为0，方差为σ的空间高斯白噪声；

步骤2：基于步骤1建立的层次模型，采用稳健固定阶数克里格空间插值模型进行LST空间过程估计，估计公式为：

其中， 是在位置s0上的空间估计， 为位置s0上空间趋势的估计，S(s0)为局部空间奇函数，K为r×r的协方差矩阵，∑是来自于观测数据Z的大小为n×n的协方差矩阵；

步骤3：针对观测数据，建立10km FY‑3 MWRI L1B反演LST和1km FY‑3 VIRR LST日产品的融合降尺度模型，模型的结构为以下公式：其中，VIRRi，j为1km FY‑3 VIRR LST日产品；FYm，n为10km FY‑3 MWRI L1B反演LST；N表示正态分布； 为正态分布的均值； 为正态分布的方差，均被视为随机变量；i、j、m、n分别为相应空间尺度下像元的行列号；

步骤4：以公式(6)中的 作为层次链接参数来描述LST空间结构；

步骤5：将方差 作为参数集合，其先验采用共轭先验；

步骤6：将1km FY‑3 VIRR LST日产品和10km YF‑3 MWRI L1B反演LST作为输入数据，输入到步骤3所建立的融合降尺度模型，通过Gibbs sampling，从完全条件概率分布中抽样，生成马尔科夫链，通过迭代，最终估计出模型参数 即为融合降尺度后的1km LST产品。

2.根据权利要求1所述的一种基于FY‑3MWRI数据反演地表温度降尺度的方法，其特征在于，步骤1所述的LST空间过程Y(s)依据下式进行模拟：Y(s)＝μ(s)+υ(s)             (7)，其中，μ(s)和υ(s)分别为大尺度空间趋势和细尺度空间变异；

式(7)中的μ(s)由线性均值结构模拟，模拟公式如下：μ(s)＝T(s)′β                      (8)，式(8)中的T(s)′是p维的已知协变量的矢量，β为待估系数；

式(7)中的υ(s)由空间随机效应模型模拟，模拟公式如下：υ(s)＝s(s)′η                   (9)，其中，S(s)′是r维的局部空间基函数矢量，η是一个0均值的高斯随机效应模型。