1.一种基于遥感图像的土地利用分类方法，其特征在于，包括：

获取目标城市的遥感图像；

对目标城市的遥感图像进行初步解译，得到图像初步分类结果；初步分类结果包括绿地、水域、空地和建筑用地四个基本类别；

获取目标城市的地图，矢量提取出地图中的轨道交通线路和站点，得到矢量化的轨道交通线路与站点；

针对于待土地利用分类的轨道交通沿线区域，利用矢量化的轨道交通线路与站点对遥感图像进行裁剪，裁剪出轨道交通沿线区域的遥感图像，并且获取到裁剪出的轨道交通沿线区域遥感图像的初步分类结果；

利用Google地球获取轨道交通沿线区域的遥感图像，根据POI类别和从Google地球获取到的遥感图像中的用地类型判别标志针对初步分类结果为建筑用地的轨道交通沿线区域遥感图像进行再次解译，得到最终土地利用分类结果。

2.根据权利要求1所述的基于遥感图像的土地利用分类方法，其特征在于，目标城市的遥感图像通过地理空间数据云网站下载得到，目标城市的遥感图像的分辨率低于利用Google地球获取到的遥感图像的分辨率。

3.根据权利要求1所述的基于遥感图像的土地利用分类方法，其特征在于，获取目标城市的遥感图像，还包括对目标城市的遥感图像进行预处理，预处理包括图像拉伸增强和波段组合，其中，图像拉伸是指调整、变换遥感图像的密度和色调；

波段组合是指针对于经过图像拉伸处理后的遥感图像，对遥感图像进行不同光谱波段的叠加组合。

4.根据权利要求1所述的基于遥感图像的土地利用分类方法，其特征在于，通过机器学习得到的分类器对遥感图像进行初步解译，其中机器学习得到分类器的具体过程如下：获取多个来自不同区域的已知基本类别的遥感图像，作为训练样本，其中，在获取训练样本的过程中，包括对训练样本进行可分离性验证，判断能否用于训练分类器；

选择分类器类型；

获取各训练样本的光谱信息，将各训练样本的光谱信息作为分类器的输入，各训练样本的基本类别作为分类器的输出，对分类器进行训练，得到用于分类遥感图像的分类器。

5.根据权利要求1所述的基于遥感图像的土地利用分类方法，其特征在于，初步解译后还包括分类精度验证步骤：随机获取不同区域的已知基本类别的遥感图像作为验证样本，根据各验证样本对应的基本类别与初步分类结果进行对比，利用混淆矩阵计算Kappa系数，得到分类精度，若分类精度达到第一预设阈值，则结束验证，将当前训练好的分类器作为最终分类器；

若分类精度达不到第一预设阈值，则重新选择多个来自不同区域的已知基本类别的遥感图像作为训练样本对分类器进行重新训练，直到分类的精度达到第一预设阈值。

6.根据权利要求1所述的基于遥感图像的土地利用分类方法，其特征在于，针对于初步解译后的遥感图像进行小斑剔除，具体为：利用Majority分析方法剔除初步解译后的遥感图像中面积小于一定值的图斑。

7.根据权利要求1所述的基于遥感图像的土地利用分类方法，其特征在于，再次解译包括：利用POI类别和从Google地球获取到的轨道交通沿线区域的遥感图像的用地类型判别标志，获取不同用地类型的用地类型图层，其中，每获取到一种用地类型的用地类型图层，将该用地类型图层叠加到初步分类结果为建筑用地的轨道交通沿线区域遥感图像，融合相同用地类型的图斑，得到更新的轨道交通沿线区域遥感图像。

8.根据权利要求1所述的基于遥感图像的土地利用分类方法，其特征在于，再次解译后还包括精度验证步骤：随机选取轨道交通沿线区域内的多个POI类别样本；

根据多个POI类别样本以及经过再次解译后轨道交通沿线区域遥感图像中所分类出的用地类型，利用混淆矩阵计算Kappa系数，得到轨道交通沿线区域遥感图像的分类精度，当轨道交通沿线区域遥感图像的分类精度达到第二预设阈值，则结束验证，轨道交通沿线区域遥感图像所分类出的用地类型为最终土地利用分类结果；

当轨道交通沿线区域遥感图像的分类精度达不到第二预设阈值，则重新进行再次解译，直至轨道交通沿线区域遥感图像的分类精度达到第二预设阈值。

9.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1至8中任一项所述的基于遥感图像的土地利用分类方法。

10.一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1至8中任一项所述的基于遥感图像的土地利用分类方法。