1.一种基于多尺度机制和注意力机制的遥感图像时空融合方法，其特征在于，包括以下步骤：S1、分别将t0和t1时刻的高时间、低空间分辨率图像和t0时刻的低时间、高空间分辨率图像输入第一、第二卷积神经网络；

S2、融合步骤S1中两类图像在三个不同尺度上的特征图；

S3、将融合结果输入注意力机制，包括以下子步骤，

S3.1、对输入的特征图在通道维度进行赋值，对特征图的每一个特征图赋予不同的权值；

S3.2、在通道维度对特征图进行赋值后，对特征图的特征信息进行赋值；

S4、将包含权值的特征图输入全连接层，进行重建图像，最后得到t1时刻的高空间分辨率图像；

所述步骤S1具体包括以下子步骤：

S1.1、对t0和t1两个时刻的高时间、低空间分辨率图像作差，得到它们的残差图像，低空间分辨率图像的大小为a×a，然后将得到的残差图像输入第一卷积神经网络；

S1.2、将t0时刻的低时间、高空间分辨率图像输入第二卷积神经网络，高空间分辨率图像的大小为16a×16a；

S1.3、第一卷积神经网络和第二卷积神经网络是并行的结构，分别使用卷积层提取两类图像在三个不同尺度上的特征图，三个不同尺度分别为4a×4a，8a×8a和16a×16a；

所述步骤S1的第一卷积神经网络由卷积层和反卷积层构成，而第二卷积神经网络由卷积层和池化层构成，第一卷积神经网络用于对输入图像进行上采样，第二卷积神经网络用于将输入图像下采样；因为两类输入图像的尺度差异，这样的网络结构可以将两类遥感图像投影到同一尺度，也便于提取图像更丰富的特征信息；

所述步骤S2具体包括以下步骤：

S2.1、选择输出两个并行网络中的三个特征图，这三个特征图分别包含图像在不同尺度上的特征信息；

S2.2、分别对相同尺度上的两类特征图进行融合，得到三个融合后的特征图；

S2.3、将三个融合后的特征图重新采样到统一尺度，再对它们进行融合，最后得到一个融合结果；

所述步骤S2的低空间分辨率图像的三个特征图分别表示为fi(M12)，i＝1，2，3，高空间分辨率图像L1的三个特征图分别表示为fi(L1)，i＝1，2，3，当i值相同时，表示两类图像的特征图在同一尺度，分别对同一尺度的特征图进行融合得到Fi，再对Fi重新处理到同一尺度，对Fi进行融合得到最终的融合结果F，它们的融合过程为：Fi＝fi(M12)+fi(L1)

F＝F1+F2+F3。

2.根据权利要求1所述的一种基于多尺度机制和注意力机制的遥感图像时空融合方法，其特征在于，所述步骤S1的t0时刻的低空间分辨率图像M1和t1时刻的低空间分辨率图像M2的残差图像M12计算公式为：M12＝M2‑M1。

3.根据权利要求1所述的一种基于多尺度机制和注意力机制的遥感图像时空融合方法，其特征在于，所述S3将融合结果输入注意力机制，包括以下子步骤，S3.1、使用通道注意力机制对输入的特征图在通道维度进行赋值，其主要通过卷积层对特征图的通道进行缩放，然后使用Sigmoid函数对特征图的通道赋予不同的权值；

S3.2、在通道维度对特征图进行赋值后，使用空间注意力机制对特征图的上的房屋、河流和农田等特征信息进行赋值，在这一步同样使用Sigmoid函数对特征图进行赋值，特征图的权重值在网络迭代过程中会不断调整，直至网络收敛。

4.根据权利要求3所述的一种基于多尺度机制和注意力机制的遥感图像时空融合方法，其特征在于，所述步骤S3的注意力机制由通道注意力机制和空间注意力机制构成，目的是让包括河流、房屋和农田在内的一些关键区域得到重点学习；其中，通道注意力机制是通过缩放特征图的通道，使用Sigmoid函数每一个通道赋予不同的权重，从而增强对关键通道的注意力，而空间注意力机制是对特征图上的特征信息进行赋值，聚焦于特征图上的重要信息，特征图上的权重值都是在网络迭代中逐步更新，在网络收敛后，Sigmoid函数对特征图赋予的权重值才能最终确定。

5.根据权利要求4所述的一种基于多尺度机制和注意力机制的遥感图像时空融合方法，其特征在于，所述步骤S4是通过两个全连接层进行图像重建，控制输出特征图通道数，最终得到的结果图像的通道数与输入图像相同，即预测的t1时刻的高空间分辨率图像。