1.一种基于图神经网络的大气温度廓线反演方法，其特征在于，包括：

S1、采集GIIRS长波红外辐射数据、ERA5温度廓线数据以及探空站点的观测数据，对这三类数据进行预处理，分别得到GIIRS亮温数据、预处理后的ERA5温度廓线数据以及预处理后的探空站点观测数据；对GIIRS亮温数据和预处理后的ERA5温度廓线数据构成的数据集按照设定的比例进行划分，得到训练数据集、验证数据集、测试数据集；

S2、构建空间图反演网络，该网络包括特征提取器、图结构构建单元、动态邻接学习器和特征聚合器；利用训练数据集、验证数据集、测试数据集对空间图反演网络进行训练，得到训练后的空间图反演网络；

S3、将GIIRS亮温数据及其坐标输入到训练后的空间图反演网络中，经过特征提取器的处理，得到包括位置上下文信息的深层特征；具体为：特征提取器包括空间坐标编码器、三层完全连接层、ReLU层、批量归一化层和Dropout层；

提取GIIRS亮温数据的空间坐标信息，得到坐标P；

将GIIRS亮温数据及其坐标输入到特征提取器中，利用空间坐标编码器对GIIRS亮温数[1] [2]据的坐标进行处理，提取该坐标的经度分量P 和纬度分量P ，在对数空间中划分S个尺度，设定第s个尺度对应的频率参数为 对不同尺度下坐标的分量进行正弦变换和余弦变换，具体公式为：[v]

其中，CEs,v表示第s个尺度下坐标第v个分量的位置编码；P 表示坐标的分量，v＝1,2；

βmin表示最小波长；βmax表示最大波长；r表示最大波长和最小波长的比值，对于坐标，均包括经度和纬度的信息，则坐标分量的位置编码表示为：CEs(P,βmin,βmax)＝[CEs,1(P,βmin,βmax),CEs,2(P,βmin,βmax)]其中，CEs表示第s个尺度下坐标分量的位置编码；CEs,1表示第s个尺度下坐标第1个分量的位置编码，即第s个尺度下坐标经度分量的位置编码；CEs,2表示第s个尺度下坐标第2个分量的位置编码，即第s个尺度下坐标纬度分量的位置编码；

S个尺度下坐标分量的位置编码构成坐标的位置编码，具体公式为：

CE(P,βmin,βmax)＝Concat(CE0(P,βmin,βmax),…,CES‑1(P,βmin,βmax))其中，CES‑1表示第S‑1个尺度下坐标分量的位置编码，Concat表示拼接操作，CE表示坐标的位置编码；

将坐标的位置编码映射到相应的特征维度，得到空间嵌入向量，具体公式为：

其中，SCEemb表示空间嵌入向量， 表示可学习的权值参数为θPE的全连接层；

将空间嵌入向量与GIIRS亮温数据进行拼接，拼接后的数据依次经过三层完全连接层、ReLU层、批量归一化层和Dropout层的处理，得到包括位置上下文信息的深层特征；

S4、步骤S3的深层特征经过图结构构建单元的处理，得到图结构；

S5、步骤S3的深层特征以及图结构的边经过动态邻接学习器的处理，得到深度特征和掩码向量；基于掩码向量，得到邻接矩阵；将邻接矩阵和深度特征共同输入到特征聚合器中，得到大气温度廓线。

2.根据权利要求1所述的基于图神经网络的大气温度廓线反演方法，其特征在于，步骤S1中，利用普朗克反函数将GIIRS长波红外辐射数据转化为初始GIIRS亮温数据，具体公式为：其中，T表示黑体温度；v′表示波数；L表示黑体辐射；c1表示第一辐射常数；c2表示第二辐射常数；

对初始GIIRS亮温数据、ERA5温度廓线数据以及探空站点的观测数据进行时空匹配，将时间差异在1小时窗口内的初始GIIRS亮温数据、ERA5温度廓线数据以及探空站点的观测数据视为时间匹配成功；利用最邻近原则对初始GIIRS亮温数据与探空站点的观测数据进行空间匹配，剔除相距超过0.2°的数据，完成空间匹配；以初始GIIRS亮温数据为基准，利用双线性插值法将ERA5温度廓线数据插值到每个GIIRS像元的中心位置上，实现ERA5温度廓线数据和初始GIIRS亮温数据在空间上的对齐，完成空间匹配；

基于GIIRS L2业务化产品的云掩码属性，保留晴空条件下的时空匹配后的初始GIIRS亮温数据；对晴空条件下的时空匹配后的初始GIIRS亮温数据、时空匹配后的ERA5温度廓线数据以及时空匹配后的探空站点的观测数据进行归一化处理，得到GIIRS亮温数据、预处理后的ERA5温度廓线数据以及预处理后的探空站点观测数据。

3.根据权利要求1所述的基于图神经网络的大气温度廓线反演方法，其特征在于，三层完全连接层的神经元个数分别是512、1024、512。

4.根据权利要求1所述的基于图神经网络的大气温度廓线反演方法，其特征在于，步骤S4中，使用半正矢公式计算两两深层特征之间的距离，用1减去取逆后的距离得到深层特征之间的初始权重，选择大小在前k个的初始权重作为图结构的边，将深层特征作为图结构的节点，完成图结构的构建。

5.根据权利要求4所述的基于图神经网络的大气温度廓线反演方法，其特征在于，步骤S5中，动态邻接学习器包括三层完全连接层；

N×d

将深层特征X∈R 通过第一完全连接层映射到高维潜在空间，得到深度特征，具体公式为：H＝fembed(X)

N×d′ ′

其中，H表示深度特征，H∈R ，N表示深层特征的总数，d表示深层特征的特征维度，d表示深度特征的特征维度，fembed表示第一全连接层；

设定每个图结构节点存在k个邻居节点，将该图结构节点的深度特征分别与每个邻居节点的深度特征作差，得到两个节点在特征空间的相对差异，将该相对差异输入到第二全连接层中，得到两个节点之间的潜在关联强度，具体公式为：euv_pi＝σ(fscore(Hup‑Hvi))

其中，euv_pi表示第p个图结构节点与其第i个邻居节点之间的潜在关联强度，σ表示Sigmoid函数，fscore表示评分函数，Hup表示第p个图结构节点的深度特征，Hvi表示第i个邻居节点的深度特征，i＝1,2,…,k；

将图结构节点与其邻居节点的潜在关联强度进行拼接，得到特征得分矩阵E，将E在特征维度进行累加，得到软邻居预算，具体公式为：其中，Kp表示第p个图结构节点的软邻居预算，fdegree表示度函数学习器，N(i)表示邻居节点的集合，Ageo[i,p]表示第i个邻居节点与第p个图结构节点的地理连接权重，E[i,p]表示第i个邻居节点对第p个图结构节点的信息贡献程度；

将软邻居预算输入到第三全连接层中，提取图结构节点的k个邻居节点的特征得分，并将该特征得分降序排列，得到掩码向量，具体公式为：其中，mp表示第p个图结构节点掩码向量，tanh表示正切函数，w表示超参数，t表示索引序列，t＝[0,1,…,k‑1]；

将降序排列的特征得分与掩码向量逐元素相乘，将相乘后的结果恢复到原始的邻居顺序，得到第p个图结构节点的邻接向量ap；将所有图结构节点的邻接向量进行堆叠，得到邻′接矩阵A；

′

将邻接矩阵A和深度特征共同输入到包括两层SAGEConv层的特征聚合器中，基于邻接′矩阵A ，深度特征经过第一层SAGEConv的处理，输出的结果与深度特征相加后再经过第二层SAGEConv的处理，得到节点表示向量，将该节点表示向量的维度进行反归一化后，得到大气温度廓线。

6.应用于权利要求1所述的基于图神经网络的大气温度廓线反演方法的系统，其特征在于，包括：数据预处理模块，用于采集GIIRS长波红外辐射数据、ERA5温度廓线数据以及探空站点的观测数据，对这三类数据进行预处理，分别得到GIIRS亮温数据、预处理后的ERA5温度廓线数据以及预处理后的探空站点观测数据；对GIIRS亮温数据和预处理后的ERA5温度廓线数据构成的数据集按照设定的比例进行划分，得到训练数据集、验证数据集、测试数据集；

网络训练模块，用于构建空间图反演网络，该网络包括特征提取器、图结构构建单元、动态邻接学习器和特征聚合器；利用训练数据集、验证数据集、测试数据集对空间图反演网络进行训练，得到训练后的空间图反演网络；

深层特征获取模块，用于将GIIRS亮温数据及其坐标输入到训练后的空间图反演网络中，经过特征提取器的处理，得到包括位置上下文信息的深层特征；

图结构构建模块，用于深层特征获取模块的深层特征经过图结构构建单元的处理，得到图结构；

大气温度廓线获取模块，用于深层特征获取模块的深层特征以及图结构的边经过动态邻接学习器的处理，得到深度特征和掩码向量；基于掩码向量，得到邻接矩阵；将邻接矩阵和深度特征共同输入到特征聚合器中，得到大气温度廓线。

7.一种电子设备，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，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述基于图神经网络的大气温度廓线反演方法的步骤。

8.一种计算机可读的存储介质，所述计算机可读的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运行时执行权利要求1至5中任一项所述的基于图神经网络的大气温度廓线反演方法。