1.基于多源数据融合的卫星XCO2预测方法，其特征在于，包括如下步骤：步骤1，构建数据集，包括历史XCO2数据 和辅助变量 ；

步骤2，构建预测模型用于预测XCO2数据，所述预测模型的输入数据为历史XCO2数据和辅助变量 ；

所述预测模型表示为：

；

其中， 表示历史XCO2数据在过去 个时间步的数据，具有 个特征， 表示辅助变量在过去 个时间步的数据，具有 个特征， 是预测出的XCO2数据在未来 个时间步的预测值；

所述预测模型对输入数据处理的过程如下：

步骤2.1，对历史XCO2数据 按时间维度进行均值归一化处理，得到 ；

步骤2.2，采用一维卷积对 进行滑动聚合，通过加权平均周围时间点的数据来提取局部特征，将卷积结果与输入序列 进行残差连接，得到输出结果 ，作为目标特征的信息；

所述一维卷积使用了零填充，所述一维卷积的卷积核大小为 ；

步骤2.3，对辅助变量 采用通道注意力ECA机制，通过全局平均池化与自适应一维卷积生成通道权重，经过通道加权的特征张量被重新排列回其原始形状，得到ECA模块的输出结果，加权后的辅助特征 ；

步骤2.4，将步骤2.2的输出结果 与加权后的辅助特征 进行交叉注意力融合，得到包含辅助变量信息的目标变量 ；

步骤2.5，对所述包含辅助变量信息的目标变量 进行预测，得到最终的预测结果；

步骤3，利用数据集对所述预测模型进行训练，得到训练好的预测模型，利用所述训练好的预测模型对 XCO2数据进行预测。

2.根据权利要求1所述基于多源数据融合的卫星XCO2预测方法，其特征在于，所述辅助变量包括气象数据、环境因子、人为因素、社会经济、空间特征；

所述气象数据包括相对湿度RH、温度TEM、U型风和V型风；

所述环境因子包括植被覆盖、地面高程、土地覆盖情况；

所述植被覆盖具体为采用归一化植被指数NDVI；

所述空间特征包括纬度、经度和空间平均，所述空间平均是指区域内的平均XCO2浓度。

3.根据权利要求1所述基于多源数据融合的卫星XCO2预测方法，其特征在于，所述步骤

2.3具体如下：

采用通道注意力机制对输入的辅助特征 进行转置操作得到 ，再对每个通道应用全局平均池化GAP，计算每个通道在时间序列维度上的平均值；

采用一维卷积操作作用于通道维度，计算每个通道的加权系数，以根据特征的重要性动态调整辅助特征的权重；

卷积核通过自适应地建模不同通道的特征重要性，动态生成每个通道的注意力权重；

卷积核的大小为 ，同时采用 填充，以确保输入和输出的通道维度一致；

；

其中 和 是可学习的参数，用于控制卷积核大小， 表示距离最近的奇数；同时，被约束为奇数，以确保对称性；

在卷积操作之后，生成的通道权重会通过Sigmoid激活函数进行处理，将权重值映射到[0, 1]的范围内；然后，通过逐元素乘法，使得权重较大的通道特征得到增强，而权重较小的通道特征被抑制，从而突出模型需要关注的重要特征；最后，经过通道加权的特征张量会被重新排列回其原始形状，得到ECA模块的输出结果 。

4.根据权利要求1所述基于多源数据融合的卫星XCO2预测方法，其特征在于，所述步骤

2.4具体如下：

对 和 进行维度映射，扩展其特征空间，得到映射后的目标特征和辅助特征 ， 是嵌入维度；

将映射后的目标特征序列 被用作查询向量Query，映射后的辅助特征序列则作为键向量Key和值向量Value，表示如下：；

；

；

其中， ，  和  是可学习的线性变换矩阵，分别用于将目标变量和辅助变量映射到查询、键和值空间；

将查询 ，键 和值 划分为多个注意力头，每个注意力头的维度为 ： ；

其中，是注意力头的数量，得到新的表示 ；

计算每个注意力头的注意力分数，并转化成概率分布，得到注意力权重，对值 进行加权求和，得到每个头的输出，表示为：；

其中， 是键的转置， 是用于缩放的因子；

将每个注意力头的输出拼接，再经过线性层映射，得到包含辅助变量信息的目标变量。

5.根据权利要求3所述基于多源数据融合的卫星XCO2预测方法，其特征在于，步骤2.5具体如下：将所述包含辅助变量信息的目标变量 视为已知周期 的单变量时间序列 ，对所述包含辅助变量信息的目标变量 ，按照预设周期下采样成多个子序列，每个子序列包含完整周期信息；

采用时域卷积网络TCN模型独立地对每个子序列进行预测，得到对每个子序列的预测结果，合并所述子序列的预测结果，并通过周期性上采样操作，将所述预测结果映射为目标预测步长 ，从而生成最终的预测结果 。

6.根据权利要求5所述基于多源数据融合的卫星XCO2预测方法，其特征在于，所述时域卷积网络TCN模型包括四个级联的TCN_Block；

每个TCN_Block结构相同，均包括：扩张因果卷积、层归一化、激活函数、Dropout以及残差连接。

7.根据权利要求6所述基于多源数据融合的卫星XCO2预测方法，其特征在于，在所述TCN_Block中，卷积核元素间插入间隔，对于给定扩张因子 和卷积核大小 ，扩张卷积的计算公式表示为公式：；

其中， 是在时刻 处的输出， 是卷积核的第 个权重， 表示对历史时刻 的因果访问， 是扩张因子，控制卷积核元素间的采样间隔；

对于每个时间步 ，层归一化的计算由以下公式表示：；

其中， 是归一化后的输出， 是时间步 处的原始输入， 是所有时间步的均值， 是所有时间步的标准差，和 是可学习的缩放因子和偏置项，用于调整归一化后的输出；

在层归一化之后，使用ReLU激活函数来增加非线性变换，并在激活函数后引入了Dropout层；

所述残差连接中增加1×1卷积。

8.基于多源数据融合的卫星XCO2预测系统，其特征在于，包括：数据处理模块，用于对多源数据进行清洗、填补缺失值、使用双线性插值统一时空分辨率、以及归一化处理；所述多源数据包括历史XCO2数据 和辅助变量 ；

预测模型，对数据处理后的历史XCO2数据 和辅助变量 进行XCO2预测；

所述预测模型包括混合注意力模块和预测模块；

所述混合注意力模块集成了通道注意力ECA机制与交叉注意力机制，采用所述通道注意力ECA机制对辅助变量 进行特征增强；采用交叉注意力机制将历史XCO2数据 与增强后的辅助变量 进行特征融合，得到包含辅助变量信息的目标变量 ；

预测模块，对所述包含辅助变量信息的目标变量 按预设周期进行下采样生成多个子序列，采用时域卷积网络TCN独立地对每个子序列进行预测，合并所述子序列的预测结果，并进行周期上采样，通过全连接层映射为最终XCO2预测值。