1.一种用于遥感影像的神经网络模型预训练方法，其特征在于，包括：将观测地点的遥感影像按照时间排序得到包括原始值的时间序列；所述原始值包括观测地点的原始光谱值和对应的时间信息；

对时间序列添加环境模拟噪声，得到包括观测值的观测时间序列；

将观测时间序列中的光谱值和对应的时间信息转换为向量后进行组合，形成观测编码向量，将观测编码向量输入至神经网络模型，获取观测编码向量对应的隐藏状态向量；

将观测值对应的隐藏状态向量映射至原始光谱值的维度得到预测光谱值，基于预测光谱值与对应的原始光谱值之间的误差，对神经网络模型进行训练；

训练完毕后，将带有标签的遥感影像时间序列输入神经网络模型进行学习。

2.根据权利要求1所述的用于遥感影像的神经网络模型预训练方法，其特征在于，所述将观测地点的遥感影像按照时间排序得到包括原始值的时间序列，包括：对观测地点的遥感影像进行逐像素提取得到原始光谱值，并结合对应的时间信息作为观测地点的原始值，将原始值按照时间排序得到时间序列；

对原始值的原始光谱信息进行噪声剔除处理和标准化。

3.根据权利要求2所述的用于遥感影像的神经网络模型预训练方法，其特征在于，所述对时间序列添加环境模拟噪声，得到包括观测值的观测时间序列，包括：挑选时间序列中预设部分的原始值作为观测值，将所述预设部分的原始光谱值分别添加正噪声和负噪声后得到的光谱值，作为观测值的观测光谱值。

4.根据权利要求3所述的用于遥感影像的神经网络模型预训练方法，其特征在于，所述将观测时间序列中的光谱值和对应的时间信息转换为向量后进行组合，形成观测编码向量，包括：将光谱值采用以下公式映射为K维向量：

Qi=ciW，

其中，ci表示按照观测时间序列排序的第i个光谱值，Qi表示映射得到的第i个光谱值编码向量，W表示可训练的变换矩阵；

将时间信息采用以下公式编码为P维向量：

，

其中，ti表示按照观测时间排序的第i个观测值对应的时间信息，Ti 表示编码得到的第i个时间信息编码向量，Ti (p)表示Ti的第p维元素，k为自然数，k的数值由p的数值计算而来；

将光谱值编码向量Qi和时间信息编码向量Ti按照以下任意一种公式进行组合得到观测编码向量：Zi=Qi+Ti；Zi= [Qi,Ti ]，

其中，Zi表示第i个观测编码向量。

5.根据权利要求4所述的用于遥感影像的神经网络模型预训练方法，其特征在于，所述将观测编码向量输入至神经网络模型，获取观测编码向量对应的隐藏状态向量，包括：将得到的观测编码向量序列输入至神经网络模型，在所述神经网络模型学习观测编码向量序列全部光谱值和时间信息后，得到观测编码向量对应的隐藏状态向量；所述神经网络模型为双向循环神经网络。

6.根据权利要求5所述的用于遥感影像的神经网络模型预训练方法，其特征在于，所述基于预测光谱值与对应的原始光谱值之间的误差，对神经网络模型进行训练，包括：采用以下公式计算预测光谱值与对应的原始光谱值之间的误差，并作为损失函数用于训练神经网络模型：，

其中，oj表示添加环境模拟噪声的观测光谱值对应的第j个原始光谱值， 表示第j个原始光谱值对应的预测光谱值，N表示添加环境模拟噪声的原始光谱值的数量；

通过最小化损失函数MSELoss，更新神经网络模型的模型参数，当满足训练停止条件时停止训练。

7.根据权利要求6所述的用于遥感影像的神经网络模型预训练方法，其特征在于，所述训练完毕后，将带有标签的遥感影像时间序列输入神经网络模型进行学习，包括：将经过预训练的神经网络模型的模型参数作为初始值，将带有任意标签的任意观测地点的遥感影像时间序列作为学习样本，输入神经网络模型，对所有模型参数进行更新。

8.一种用于遥感影像的神经网络模型预训练装置，其特征在于，包括：提取单元、自监督单元、预测单元、训练单元和学习单元，其中：所述提取单元，用于将观测地点的遥感影像按照时间排序得到包括原始值的时间序列；所述原始值包括观测地点的原始光谱值和对应的时间信息；

所述自监督单元，用于对时间序列添加环境模拟噪声，得到包括观测值的观测时间序列；

所述预测单元，用于将观测时间序列中的光谱值和对应的时间信息转换为向量后进行组合，形成观测编码向量，将观测编码向量输入至神经网络模型，获取观测编码向量对应的隐藏状态向量；

所述训练单元，用于将观测值对应的隐藏状态向量映射至原始光谱值的维度得到预测光谱值，基于预测光谱值与对应的原始光谱值之间的误差，对神经网络模型进行训练；

所述学习单元，用于训练完毕后，将带有标签的遥感影像输入神经网络模型进行学习。

9.根据权利要求8所述的用于遥感影像的神经网络模型预训练装置，其特征在于，所述自监督单元，用于挑选时间序列中预设部分的原始值作为观测值，将所述预设部分的原始光谱值分别添加正噪声和负噪声后得到的光谱值，作为观测值的观测光谱值。