1.一种极轨气象卫星热红外遥感数据反演气温方法，其特征在于，包括以下步骤：步骤一：获取极轨卫星观测数据，匹配形成数据集；

步骤二、将所述数据集分成有云的数据和晴空的数据；

步骤三：利用逐步线性回归方法对所述有云的数据和晴空的数据中的变量进行变量分析，以筛选出影响气温模型构建的重要变量来作为气温反演模型的输入变量；

步骤四：采用极端梯度提升算法，将筛选出的有云的数据作为云天的数据集构建云天反演模型；将筛选出的晴空的数据作为晴天的数据集构建晴空反演模型；

步骤五：利用所述云天反演模型或晴空反演模型获得极轨气象卫星反演气温的估算结果；

步骤六：对所述估算结果的精度进行评估；

步骤七：根据评估结果确定极轨气象卫星反演的气温；

所述步骤四包括：利用极端梯度提升算法建立气温反演模型依赖于极轨卫星观测热红外亮温、数值预报模式资料，将极轨卫星观测热红外亮温、数值预报模式资料，数字高程模型，台站海拔高度作为机器学习模型的输入变量，将实际台站气温作为输出变量，分别建立

3种数据集，即训练集、验证集和测试数据集；机器学习算法会在训练集上训练XGB模型，建立基于极轨气象卫星热红外亮温数据反演云天条件和晴空下的近地面气温模型。

2.根据权利要求1所述的极轨气象卫星热红外遥感数据反演气温方法，其特征在于，所述极轨卫星观测数据包括：极轨卫星观测热红外亮温、数值预报模式资料、数字高程模型、台站气温数据、和台站高度数据。

3.根据权利要求2所述的极轨气象卫星热红外遥感数据反演气温方法，其特征在于，所述数值预报模式资料包括：如数值预报模式资料预报气温和高度数据。

4.根据权利要求1所述的极轨气象卫星热红外遥感数据反演气温方法，其特征在于，步骤二中所述将所述数据集分成有云的数据和晴空的数据包括：将所述数据集通过L2云检测，建立近地面气温反演数据集，该数据集包括云的数据和晴空的数据。

5.根据权利要求1所述的极轨气象卫星热红外遥感数据反演气温方法，其特征在于，所述步骤四包括：将所述数据集作为机器学习模型的输入变量，将实际台站气温作为输出变量，分别建立训练集、验证集和测试数据集；

所述训练集用于建立云天反演模型或晴空反演模型；所述验证集评估模型的性能和调整模型参数；所述测试数据集用于评估模型的精度。

6.根据权利要求5所述的极轨气象卫星热红外遥感数据反演气温方法，其特征在于，所述评估模型的精度包括：利用模型估算的气温与相同时间实际台站测得的气温进行对比，计算误差对模型进行精度评估：Ta是模型反演的气温值，Tsta是气象台站实测得的气温，N是所选用的样本个数；RMSE为均方根误差，其能够反映出反演的台站气温的精确度。