1.一种融合陆表环境变量的大气XCO2浓度精细化反演方法，其特征在于，具体步骤如下：

S1、获取研究多源数据区的陆表环境数据，陆表环境数据包括植被结构、植被功能、地形地貌、人为活动四类变量；植被结构包括：植被覆盖度、植被叶面积指数、归一化植被指数，植被功能包括蒸散发、净初级生产力、总初级生产力，地形地貌包括地面高程、地表粗糙度、地表温度，人为活动包括土地利用类型、人为碳排放量和夜间灯光指数，一共12个陆表环境指标；

S2、获取研究区的多源卫星大气XCO2浓度数据，包括GOSAT、OCO‑2、OCO‑3卫星观测XCO2数据；

S3、对陆表环境数据和多源卫星大气XCO2浓度数据先后进行异常值处理、时空匹配、重投影、嵌套重采样统计分析，获得统一时空坐标系下的时间序列数据，并对同一时空坐标系的数据进行空间栅格的划分；

S4、以嵌套重采样的空间栅格为分析尺度，使用地理探测器q统计分析研究区陆表环境指标与XCO2浓度之间的尺度相关关系，比较不同空间栅格下各陆表环境指标与XCO2浓度的尺度关系，找出不同空间栅格下尺度关系变化的关键拐点，此时的空间栅格被视为最佳分析尺度；

S5、在最佳分析尺度下，使用地理探测器q统计分析研究区陆表环境指标与XCO2浓度之间的关系，分别比较各陆表环境指标与XCO2浓度的q值，通过对q值进行显著性检验筛选得到在空间维度相关性强的陆表环境指标；

S6、在最佳分析尺度下，使用皮尔逊相关系数时间序列相关性数量分析方法量化研究区内的陆表环境指标与XCO2浓度之间的时间相关性关系，筛选得到在时间维度相关性强的陆表环境指标；

S7、综合步骤S4‑S6筛选得到的陆表环境指标，构建适合研究区的陆表环境指标体系；

S8、基于卷积神经网络和长短期记忆神经网络CNN‑LSTM构建时空融合模型，结合上述筛选得到的陆表环境指标，对研究区大气XCO2浓度进行精细化反演。

2.根据权利要求1所述的融合陆表环境变量的大气XCO2浓度精细化反演方法，其特征在于S2中，GOSAT卫星XCO2观测数据为空间分辨率2.5°×2.5°的月度数据，OCO‑2和OCO‑3卫星XCO2观测数据为空间分辨率为2.25km×1.29km的16日周期的轨道颗粒数据，且需筛选质量标志为零的数据以获取质量可靠的数据。

3.根据权利要求1所述的融合陆表环境变量的大气XCO2浓度精细化反演方法，其特征在于S3中，多源数据的嵌套重采样需根据研究区范围及尺度设置嵌套空间栅格，嵌套空间栅格的设置表达式如下：其中，grid为空间栅格的大小，gridmax为可以设置的最大空间栅格长度，gridmin为可以设置的最小空间栅格长度，A为研究区面积，通常可设置介于最大空间栅格长度和最小空间栅格长度之间的10层嵌套空间栅格。

4.根据权利要求3所述的融合陆表环境变量的大气XCO2浓度精细化反演方法，其特征在于S4中陆表环境指标与XCO2浓度之间的尺度相关关系的量化，具体步骤包括：a、采用自然断点法对陆表环境数据进行离散化处理，得到陆表环境数据的指标分级；

b、根据嵌套空间栅格的设置，统计不同大小空间栅格下的陆表环境数据与多源卫星XCO2浓度数据的地理探测器q值，公式如下：其中，q为某个陆表环境指标对XCO2浓度时空分异的解释力度，q∈[0,1]，某陆表环境指2

标的q值越大，说明该指标对XCO2浓度的解释力越强；N为研究区内的空间栅格数量；σ为指标方差；h为陆表环境指标分级，L为分级层数，h＝1,2,…,L；

c、统计不同空间栅格下各陆表环境指标与XCO2浓度的q值变化，绘制折线图并找出随着空间栅格大小变化q值变化出现的拐点，拐点所在的空间栅格大小即为最佳分析尺度。

5.根据权利要求1所述的融合陆表环境变量的大气XCO2浓度精细化反演方法，其特征在于S5中陆表环境因子与XCO2浓度之间的空间相关关系的量化关系判断过程为：使用地理探测器模型的q统计方法计算不同陆表环境指标与XCO2浓度的空间相关性，q值的简单变换满足非中心F分布，通过查表可以检验q值是否具有显著性，最后筛选显著性检验通过的陆表环境指标；其中，q值的简单变换公式如下：式中，λ为非中心参数，N为研究区内的空间栅格数量，L为陆表环境指标的分级层数。

6.根据权利要求1所述的融合陆表环境变量的大气XCO2浓度精细化反演方法，其特征在于S6中陆表环境指标与XCO2浓度之间的时间相关关系的量化：在最佳分析尺度下，使用皮尔逊相关系数计算时间序列数据之间的相关程度，计算公式如下：

其中r表示皮尔逊相关系数；Xi和 分别表示陆表环境指标X在时间i时刻的指标值和平均值；Yi和 分别表示大气XCO2浓度在i时刻的浓度值、平均值，r取值范围为[‑1,1]；r是符合自由度为t‑2的t分布，通过查表可以检验12个陆表环境指标与XCO2浓度的皮尔逊相关性是否具有显著性，最后筛选显著性检验通过的陆表环境指标。

7.根据权利要求1所述的融合陆表环境变量的大气XCO2浓度精细化反演方法，其特征在于S7中构建适合研究区的陆表环境指标体系过程为：分别从植被结构、植被功能、地形地貌、人为活动四个方面构建陆表环境指标体系，并使用上述地理探测器q值统计、皮尔逊相关系数方法评价不同指标与大气XCO2浓度的关系，从而构建适合研究区的陆表环境指标体系；由于研究区的不同，各个陆表环境指标与XCO2浓度的关系可能不同，因此筛选得到的陆表环境指标也存在差异，需要针对研究区进行陆表环境指标体系的构建。

8.根据权利要求7所述的融合陆表环境变量的大气XCO2浓度精细化反演方法，其特征在于S8中基于卷积神经网络和长短期记忆网络构建时空融合模型，结合当前适合研究区的陆表环境指标体系进行研究区内大气XCO2浓度的精细化反演，包括数据集制作、设计网络结构、利用均方根误差设定损失函数，损失函数的设定会影响模型权重更新和收敛的速度；具体步骤如下：a.数据集制作：

数据集制作包括陆表环境数据和多源卫星XCO2数据的收集和处理，具体如下：

根据构建出的适合研究区的陆表环境指标体系的内容和指标数量，获取对应的陆表环境数据，收集对应研究区域的GOSAT、OCO‑2、OCO‑3卫星XCO2数据；

对多源数据的处理包括空间配准和数据切割，首先要进行空间数据的配准和对齐，保证各数据在同一时空坐标体系下，然后使用地理数据处理工具对数据进行一定重叠率的滑动切割，其中重叠率可根据数据量需求自行设置；

b.设计网络结构：主体为CNN‑LSTM时空融合模型，包括输入层、卷积神经网络、长短期记忆网络以及输出层，输入层通过合并连接的方式与卷积神经网络，卷积神经网络顺序与长短期记忆网络、输出层连接，其中输入层还通过跳跃连接的方式与长短期记忆网络连接；

其中卷积神经网络包括卷积层、池化层，长短期记忆网络包括全连接层、循环层；

首先设适合研究区的陆表环境指标体系的指标数量为N，使用合并连接将N个陆表环境指标数据和XCO2观测数据进行特征融合，然后依次使用卷积神经网络的卷积层、池化层进行局部空间信息提取，然后使用长短期记忆网络的全连接层和循环层进行时间信息提取，并使用跳跃连接将XCO2观测数据连接到全连接层；最后将循环层连接到XCO2精细化数据输出层；

c.利用均方根误差设定损失函数：

利用均方根误差Mean Squared Loss，MSE设定损失函数，从而衡量时空融合模型对XCO2浓度的估计结果相对于XCO2浓度真实值的变化程度，计算公式如下：其中，f(x)表示时空融合模型对XCO2浓度的估计结果，y表示通过GOSAT、OCO‑2、OCO‑3卫星获取的真实的XCO2浓度值，n表示在数据集制作中滑动切割得到的数据总量。