1.一种基于图卷积神经网络的遥感影像地物识别方法，其特征在于，该方法包含以下步骤：

步骤1：取一景遥感影像分别进行相关预处理操作，包括几何校正、大气校正和图像增强，将彩色遥感影像转化为XY坐标下的灰度图像或者CIELAB颜色空间，对其进行简单线性迭代聚类，初始化种子点，生成紧凑、近似均匀的超像素；

步骤2：基于生成的超像素遥感影像图，创建图谱的节点和边，对影像进行提取纹理特征、颜色特征作为图谱输入特征矩阵；

对影像进行提取纹理特征和颜色特征：深度卷积神经网络自动提取遥感影像特征图谱集过程：假定共有K种地物类别卷积神经网络自动提取的特征图谱集形成可表示为其中 其中1≤k≤M表示第k块分块遥感影像,n(1≤k≤N)表示第n个超像素,X＝CNN(·)表示执行深度卷积神经网络；

步骤3：结合集成学习的绝大多数投票机制进行标签制作，若某地物标记得票超过一半，则将超像素预测为该地物类别，否则拒绝标记，进而形成图谱的标签数据集；

步骤4：利用深度卷积神经网络对高分辨率遥感影像特征图谱自动提取，得到关于影像图的节点和边输入数据，形成关于遥感影像特征描述集；

其中，利用深度卷积神经网络对高分辨率遥感影像特征图谱自动提取：基于图卷积神经网络的遥感影像地物识别分类过程；根据全连接卷积神经网络自动提取的特征图谱，假定地物类别总共有K种，则其地物识别过程可由以下几个步骤构成；

步骤4.1：由步骤2生成的遥感影像地物类别特征图谱集 1≤k≤M，联接生成融合的特征图谱，对图卷积神经网络进行训练，并采用留一法执行交叉验证流程，获取图卷积神经网络的地物分类模型训练参数，其中图卷积神经网络层数为2层，并在其后加上自适应注意力机制层，使图中的每个节点可以根据相邻节点的特征，为其分配不同的权值，损失函数选用NLL_LOSS,对输入参数进行log_softmax函数激活，优化函数选用一种自适应学习率的优化方法Adam优化函数进行优化，利用梯度的一阶矩估计和二阶矩估计动态的调整学习率；

步骤4.2：将加上了注意力机制的图卷积神经网络提取的自适应特征描述集及其注意力特征权值进行一次不含注意力机制层的图卷积操作并进行归一化处理，最后依据分类模型确定各个节点所属类别，其公式化描述为Ppre＝GCN(·),其中Opre表示输出所属类别，GCN(·)表示执行图卷积神经网络操作；

步骤4.3、将输出后的结果与真实地物类别进行精度运算，求出相应的Kappa系数，总体精度以及混淆矩阵度量参数，进而判断模型分类效果；

步骤5：基于图卷积神经网络的地物分类模型，具体的是基于遥感影像特征描述集，训练图卷积神经网络模型，获得影像地物分类模型并对测试样本分类。