1.一种基于深度学习的温度廓线反演方法，其特征在于，包括如下步骤：

步骤1、采集GIIRS长波通道亮温数据、探空观测数据和ERA5温度廓线数据，并调整数据在时空上的匹配，得到调整后的数据；

步骤2、基于调整后的数据，构建深度学习训练样本，对探空观测数据进行线性内插处理，将1 1000hpa气压层缺测数据使用ERA5温度廓线数据代替，并对深度学习训练样本中的~数值进行归一化处理；

步骤3、基于深度学习训练样本，构建温度廓线反演模型，以GIIRS长波通道亮温数据作为输入，温度廓线数据作为输出，设定损失函数，对温度廓线反演模型进行训练，得到训练完成的温度廓线反演模型。

2.根据权利要求1所述的一种基于深度学习的温度廓线反演方法，其特征在于，步骤1具体为：采集GIIRS长波通道亮温数据、探空观测数据和ERA5温度廓线数据，将探空站点经纬度与FY‑4A/GIIRS的长波红外观测视场经纬度采用距离阈值法匹配，公式定义如下：其中 和 分别表示GIIRS观测视场经纬度， 和 分别表示探空站点

经纬度，R表示地球半径，提取匹配成功的GIIRS长波通道亮温数据和探空观测数据，并收集最近邻的ERA5温度廓线数据。

3.根据权利要求1所述的一种基于深度学习的温度廓线反演方法，其特征在于，步骤2中，所述对深度学习训练样本中的数值进行归一化处理，具体为：采用的方法均为最大最小归一化法，公式如下：其中，Min表示样本中的最小值，包括GIIRS长波通道亮温数据中亮温最小值和标签数据中的温度最小值，Max则对应二者中的最大值。

4.根据权利要求1所述的一种基于深度学习的温度廓线反演方法，其特征在于，步骤3具体包括如下步骤：步骤3.1、GIIRS长波通道亮温数据为原始输入数据，经过通道注意力模块，其包含两层

1×7卷积，同时设置与原始输入维度相同的向量X=[1,0,0,1.....1],1和0分别表示先验选取的温度廓线反演敏感通道和不敏感通道，基于通达权重函数峰值方法可挑选敏感的反演敏感通道信息，原始输入经通道注意力模块输出的参数与该向量计算交叉熵损失并优化参数经过sigmoid激活函数操作后与原始输入进行点乘运算，该过程可表示由下列公式表示：其中F表示输入数据， 表示卷积核为1×7的卷积运算， 表示sigmoid函数， 表示点乘运算， 表示ReLU函数， 表示可学习的权值参数， 表示经过注意力机制增强后的数据特征；

步骤3.2、经过特征提取模块，一共包含4个阶段，每个阶段包含2个残差模块和一层池化操作，每个阶段输出的特征图通道分别设置为64，128，256，512，卷积核大小均设置为1×

3，每个残差模块包含2个卷积层和一层残差连接操作，同时每一层卷积操作后均使用经过BN层最后使用ReLU作为激活函数输出增加非线性映射能力，计算反演输出和标签集损失时优化反演模型的损失函数，最后提取的特征经过两层完全连接层输出温度廓线。

5.根据权利要求4所述的一种基于深度学习的温度廓线反演方法，其特征在于，步骤

3.2中，所述计算反演输出和标签集损失时优化反演模型的损失函数具体为：分别计算温度廓线反演模型输出与探空观测数据和ERA5温度廓线数据的损失，并赋予两部分损失不同的权重，以提高反演模型精度，模型整体损失函数如下所示：其中， 、 分别表示温度廓线反演模型输出与ERA5温度廓线数据和探空观测数据的损失， 表示通道注意力模块的损失， 和 分别表示不同的权重。

6.一种计算机装置/设备/系统，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求 1 所述方法的步骤。

7.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求 1 所述方法的步骤。

8.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求 1 所述方法的步骤。