1.一种基于协方差矩阵与DCN‑LSTM模型的大气温度廓线生成方法，其特征在于，包括以下步骤：（1）获取ATMS遥感数据与对应日期的ERA5再分析资料，并对ATMS数据进行预处理；

（2）对ATMS与ERA5数据进行时空匹配处理，并统计各参数的最大值与最小值，进行归一化处理；

（3）对ERA5温度廓线数据的平均值进行统计，获得平均值数据集，并利用该数据集计算各气压层间的协方差，获得协方差矩阵即背景协方差矩阵B；

（4）以归一化后的ERA5温度廓线数据作为真值，以归一化后的ATMS亮温、角度和地理定位信息作为输入，构建数据集，并将数据集按M：N的比例切分为测试样本与训练样本；

（5）构建引入协方差矩阵的DCN‑LSTM网络模型，并对该模型进行训练，通过计算全新的损失函数，利用反向传播算法对模型的参数进行优化；包括以下步骤：（51）DCN‑LSTM模型第一层为输入层，输入维度是17280×28；模型主体分为编码器结构与解码器结构，DNN模型作为编码器，LSTM模型作为解码器；

（52）DNN模型包含3个隐含层，第一层隐含层的输入维度是17280×28，隐含层后连接LeakyReLU激活函数与Dropout函数，输出的数据维度是17280×64；随后的2个隐含层均以前一层的输出作为输入，并且均包含LeakyReLU激活函数与Dropout函数；第二层的输出维度是17280×128，第三层的输出维度是17280×256；经过DNN特征提取后，数据大小为17280×256；

（53）利用一个1D CNN层连接DNN编码器与LSTM解码器，1D CNN层输入维度是17280×

256，输出维度是17280×512，层后连接LeakyReLU激活函数；1D CNN层的卷积核大小设为3，边缘填充大小（Padding Size）设为1，卷积核步长设为1；

（54）LSTM模块作为模型的解码器，LSTM模块同样包含3个隐含层，每一层包含512个LSTM神经元；数据经过LSTM解码后，维度不变；

（55）模型最后以一个全连接层作为输出层，调整输出维度为17280×37，并以ReLU作为激活函数，获得模拟的大气温度廓线；

（56）设计模型损失函数，包括两部分，公式如下：

；

其中，

；

；

其中，w为缩放系数，控制 与 的数量级； 代表MAE误差，y代表ERA5温度数据， 代表DCN‑LSTM模型的生成值；   代表y的协方差矩阵， 代表 的协方差矩阵；

（6）通过测试样本验证模型精度；若不满足预设精度，返回步骤（5）重新调优，若满足预设精度，则训练后的模型即为目标模型。

2.根据权利要求1所述的一种基于协方差矩阵与DCN‑LSTM模型的大气温度廓线生成方法，其特征在于，所述步骤（1）中，ERA5再分析资料包括：1000hpa至1hpa间的37层大气高度下的温度信息；ATMS数据预处理包括：亮温观测的定标处理，并提取观测角度信息，包括卫星天顶角、卫星方位角、太阳天顶角与太阳方位角，提取地理定位信息包括经度和纬度。

3.根据权利要求1所述的一种基于协方差矩阵与DCN‑LSTM模型的大气温度廓线生成方法，其特征在于，所述步骤（2）中，对各参数统计最大值与统计最小值，进行归一化处理；公式如下：；

其中，C代表数据集中的参数， 和 分别是统计获得的最大值与最小值； 是归一化后的参数。

4.根据权利要求1所述的一种基于协方差矩阵与DCN‑LSTM模型的大气温度廓线生成方法，其特征在于，所述步骤（3）中，协方差矩阵B为是37×37维度的对称矩阵，对角线为1。

5.根据权利要求1所述的一种基于协方差矩阵与DCN‑LSTM模型的大气温度廓线生成方法，其特征在于，所述步骤（4）中，获取训练样本后，以17280个样本为一组输入至网络模型中进行训练即Batch_Size=17280。

6.一种基于协方差矩阵与DCN‑LSTM模型的大气温度廓线生成系统，其特征在于，包括：数据获取模块：用于获取ATMS遥感数据与对应日期的ERA5再分析资料，并对ATMS数据进行预处理；

匹配模块：用于对ATMS与ERA5数据进行时空匹配处理，并统计各参数的最大值与最小值，进行归一化处理；

协方差矩阵模块：用于对ERA5温度廓线数据的平均值进行统计，获得平均值数据集，并利用该数据集计算各气压层间的协方差，获得协方差矩阵即背景协方差矩阵B；

构建数据集模块：用于以归一化后的ERA5温度廓线数据作为真值，以归一化后的ATMS亮温、角度和地理定位信息作为输入，构建数据集，并将数据集按1：9的比例切分为测试样本与训练样本；

DCN‑LSTM模块：用于构建引入协方差矩阵的DCN‑LSTM网络模型，并对该模型进行训练，通过计算全新的损失函数，利用反向传播算法对模型的参数进行优化；包括以下步骤：（51）DCN‑LSTM模型第一层为输入层，输入维度是17280×28；模型主体分为编码器结构与解码器结构，DNN模型作为编码器，LSTM模型作为解码器；

（52）DNN模型包含3个隐含层，第一层隐含层的输入维度是17280×28，隐含层后连接LeakyReLU激活函数与Dropout函数，输出的数据维度是17280×64；随后的2个隐含层均以前一层的输出作为输入，并且均包含LeakyReLU激活函数与Dropout函数；第二层的输出维度是17280×128，第三层的输出维度是17280×256；经过DNN特征提取后，数据大小为17280×256；

（53）利用一个1D CNN层连接DNN编码器与LSTM解码器，1D CNN层输入维度是17280×

256，输出维度是17280×512，层后连接LeakyReLU激活函数；1D CNN层的卷积核大小设为3，边缘填充大小（Padding Size）设为1，卷积核步长设为1；

（54）LSTM模块作为模型的解码器，LSTM模块同样包含3个隐含层，每一层包含512个LSTM神经元；数据经过LSTM解码后，维度不变；

（55）模型最后以一个全连接层作为输出层，调整输出维度为17280×37，并以ReLU作为激活函数，获得模拟的大气温度廓线；

（56）设计模型损失函数，包括两部分，公式如下：

；

其中，

；

；

其中，w为缩放系数，控制 与 的数量级； 代表MAE误差，y代表ERA5温度数据， 代表DCN‑LSTM模型的生成值；   代表y的协方差矩阵， 代表 的协方差矩阵；

调优模块：用于通过测试样本验证模型精度；若不满足预设精度，返回DCN‑LSTM模块重新调优，若满足预设精度，则训练后的模型即为目标模型。

7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1‑6中任一项所述的一种基于协方差矩阵与DCN‑LSTM模型的大气温度廓线生成方法。

8.一种计算机存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现根据权利要求1‑6中任一项所述的一种基于协方差矩阵与DCN‑LSTM模型的大气温度廓线生成方法。