1.一种基于BP神经网络的沿海漂浮着落垃圾体量反演方法，其特征在于，所述方法包括以下步骤：

S1：获取遥感影像并做好预处理；

S2：随机选取并创建“垃圾样本点”和“非垃圾样本点”；

S3：提取样本点光谱信息；

S4：创建归一化垃圾指数；

S5：计算垃圾覆盖度；

S6：在垃圾条带上设立剖面和站点；

S7：提取站点的垃圾覆盖度、测量距离；

S8：实地测量站点垃圾的厚度和密度；

S9：训练BP神经网络模型；

S10：提取垃圾条带上所有的覆盖度，测量距离；

S11：使用BP神经网络反演所有点的厚度；

S12：根据反演结果计算垃圾体量；

S13：验证反演的精度。

2.根据权利要求1所述的基于BP神经网络的沿海漂浮着落垃圾体量反演方法，其特征在于，S1具体如下：获取一景包含高亮度垃圾条带的遥感影像并做好预处理；

S2具体如下：将遥感影像导入ArcGIS软件，在垃圾条带上随机选取并创建大于等于50个“垃圾样本点”，在垃圾条带以外区域的图像上随机创建大于等于50个“非垃圾样本点”。

3.根据权利要求2所述的基于BP神经网络的沿海漂浮着落垃圾体量反演方法，其特征在于，S3提取样本点光谱信息为在ArcGIS平台上将“垃圾样本点”和“非垃圾样本点”的光谱信息提取出来；

S4创建归一化垃圾指数为探寻样本点光谱信息中各波段数值的联系，用其中的特征波段建立一个归一化的垃圾指数A。

4.根据权利要求3所述的基于BP神经网络的沿海漂浮着落垃圾体量反演方法，其特征在于，S5：计算垃圾覆盖度为使用该指数和覆盖度计算公式(fv＝(A‑A0)/(AV‑A0))，在ENVI软件平台上计算遥感影像的垃圾覆盖度；其中，fv为垃圾覆盖度，A为归一化垃圾指数，A0为非垃圾覆盖部分的归一化指数A的值，AV为垃圾覆盖部分的归一化指数A的值，通常分别取某遥感影像归一化垃圾指数统计直方图中频率为5％和95％的A值作为A0和AV的值；

S6：在垃圾条带上设立剖面和站点；使用ArcGIS软件在垃圾条带上每隔固定距离设立一个垂直海岸线的剖面，并在每个剖面上设置三个站点，一号站点离陆地最近，三号站点离海洋最近，二号站点位于剖面的中点。

5.根据权利要求4所述的基于BP神经网络的沿海漂浮着落垃圾体量反演方法，其特征在于，S7为在ArcGIS平台上将所有站点的垃圾覆盖度值提取出来，并测量出二、三号站点与一号站点之间的距离x；

S8为实地测量所设站点处垃圾的厚度d和密度。

6.根据权利要求5所述的基于BP神经网络的沿海漂浮着落垃圾体量反演方法，其特征在于，S9：将测量得到的距离x值和计算所得的垃圾覆盖度fv值作为输入数据，将实地测量所得的垃圾厚度d作为输出数据，使用MATLAB软件中的神经网络工具进行训练，多次调整参数以提高精度，将精度最高的BP神经网络模型作为最终的反演模型进行导出。

7.根据权利要求6所述的基于BP神经网络的沿海漂浮着落垃圾体量反演方法，其特征在于，S10：在ArcGIS平台上，于垃圾条带范围里随机生成若干密集的点，提取出这些点的垃圾覆盖度fv值，并测量这些点距离垃圾条带近陆一侧的距离x；

S11：将这些点的fv值和x值输入BP神经网络模型，即可得到BP神经网络预测的厚度d’；

S12：根据反演结果计算垃圾体量。

8.根据权利要求6所述的基于BP神经网络的沿海漂浮着落垃圾体量反演方法，其特征在于，S13：选取若干随机生成的点并实地测量这些点处垃圾的厚度，与BP神经网络的预测值进行对比以确定精度是否符合要求。