1.一种静止气象卫星热红外数据估算近地面大气温度方法，其特征在于，所述静止气象卫星热红外数据估算近地面大气温度方法包括以下步骤：(1)同步下载收集静止气象卫星的L1b热红外观测亮温、云掩膜和地理位置信息，利用云掩膜得到无云天气下的像元热红外观测亮温数据；

(2)收集与静止气象卫星时空匹配的气象台站数据、数值预报模式资料和归一化植被指数数据，基于MATLAB获取时空匹配的近地面大气温度、静止气象卫星窗区通道热红外观测亮温、卫星观测角、大气可降水量、相对湿度、归一化植被指数和儒略日参数；

(3)利用SPSS20.0开展逐步线性回归分析，分析各预测因子在近地面大气温度估算模型中的贡献，开展近地面大气温度估算模型预测因子的选择；

(4)利用斯图加特神经网络工具箱，构建基于前向多层神经网络的近地面大气温度估算模型；

(5)基于气象台站实测近地面大气温度数据，利用相关系数、均方根误差和偏差参数对模型的精度进行评估分析。

2.如权利要求1所述的静止气象卫星热红外数据估算近地面大气温度方法，其特征在于，所述静止气象卫星热红外数据估算近地面大气温度方法具体包括：(1)根据月份信息和目标地区的经纬度范围信息，下载收集静止气象卫星的L1b辐射产品、云掩膜产品和地理位置信息；基于遥感处理软件ENVI将静止卫星的L1b辐射产品进行预处理，将热红外通道辐射转换为通道热红外观测亮温，提取11μm和12μm通道的热红外观测亮温数据；利用云掩膜产品得到无云天气下的像元热红外观测亮温数据，同时读取对应的地理位置产品，获取晴空像元的经纬度和卫星观测角度信息，构建晴空环境下多像元的11μm和12μm通道的热红外观测亮温、对应的经纬度和卫星观测角数据集；

(2)收集与步骤(1)得到的静止气象卫星数据集时空匹配的气象台站观测数据、美国国家环境预报中心全球预报系统GFS数据、MODIS的16天合成的MOD13A2归一化植被指数的辅助数据集；其中，气象台站观测数据包括近地面大气温度、相对湿度和风速；GFS数据则选取使用其大气可降水量、气压和相对湿度数据；基于wgrib和MATLAB对以上数据进行读取和时空匹配处理，获取与步骤(1)数据时间和空间匹配的近地面大气温度、大气可降水量、相对湿度、归一化植被指数和儒略日的参数数据集；

(3)将步骤(1)和步骤(2)收集的数据集开展逐步线性回归分析，其中近地面大气温度是因变量，11μm和12μm通道热红外观测亮温、大气可降水量、相对湿度、归一化植被指数、儒略日、卫星观测经纬度和卫星观测角是自变量，挑选出对近地面大气温度有显著影响的自变量；具体则是利用SPSS 20.0开展逐步线性回归分析，将自变量逐个的引入到回归模型，每引入一个自变量时，对已经入选的自变量开展逐个的F检验；当已经入选的自变量因为其他变量的引入而不再显著时，从模型中进行剔除；反复进行以上过程，一直到既无显著的自变量可入选模型，同时也没有不显著的变量从回归模型中被剔除为止；根据逐步分析的中间过程分析各自变量在近地面大气温度估算模型中的贡献，进行近地面大气温度估算模型的预测因子选择；

(4)将步骤(3)选择的预测因子作为神经网络模型的输入，近地面大气温度作为神经网络的输出；利用斯图加特神经网络工具箱，构建基于前向多层神经网络的近地面大气温度估算模型；利用以上步骤构建的神经网络模型、模型的输入和输出数据集，对模型进行训练；

(5)基于气象台站实测近地面大气温度数据，利用相关系数、均方根误差和偏差参数对模型的精度进行评估分析；判断误差是否满足精度要求，若满足精度需求则结束训练，否则继续调整各节点的权重进行训练；比较不同节点个数的各神经网络预测精度，选择最优网络作为估算模型；

(6)将卫星热红外数据和辅助数据作为神经网络的输入，基于步骤(5)构建的最优网络实现近地面大气温度的估算。

3.一种处理高时间分辨率静止气象卫星热红外数据的装置，所述装置采用如权利要求

1或2所述的静止气象卫星热红外数据估算近地面大气温度方法处理高时间分辨率静止气象卫星热红外数据。

4.一种静止气象卫星热红外数据估算近地面大气温度的装置，所述装置采用如权利要求1或2所述的静止气象卫星热红外数据估算近地面大气温度方法估算近地面大气温度。