1.一种双流Swin Transformer的遥感场景分类方法，其特征在于，包含以下步骤：H×W×C

S1：处理原始遥感影像X∈R ，其中H、W、C分别是图像的高度、宽度和通道数，将图像进行灰度处理，生成单通道灰度图G；

S2：通过可导的Sobel算子，将生成横轴和纵轴的边缘图像Gx和Gy，与灰度图G在通道维度连接，形成一张三通道的边缘图像T(i)=Concat(G, Gx, Gy)，其中Concat代表串联连接；

S3：将原始遥感图像T和边缘图像T(i)划分为图像块，其中n指的一张图像的图像块数目，T={x1, x2… xn}，

T(i)={x1, x2… xn}；

S4：将原始图像块和边缘图像块分别送入两流的Swin Transformer去分别提取特征，两流的Transformer均具有相同结构，并且它们之间的参数各自单独学习，Swin Transformer对边缘图像提取的特征较为特殊，既含有原始的影像信息，又含有边缘的强调信息；

S5：经过Swin Transformer提取的原始特征和边缘特征分别为F1和F2，经过以下形式进行融合：F’=FC(Concat(F1,F2))

其中Concat代表串联连接，FC代表全连接，F’代表融合特征；

S6：将融合特征F’送入softmax分类器，进行最终的预测。

2.根据权利要求1所述的一种具有可导Sobel算子的双流Swin Transformer遥感场景分类方法，其特征在于，所述步骤S2采用了可导的Sobel算子，将算子置入卷积核中，通过卷积操作完成边缘提取，卷积核能够在网络的反向传播过程中更新参数，以实现Sobel算子值的自适应学习。

3.根据权利要求1所述的一种具有可导Sobel算子的双流Swin Transformer遥感场景分类方法，其特征在于，所述步骤S5融合特征的同时，也对损失函数进行了重新设计，引入了辅助损失函数，通过权重系数λ控制两个损失函数的平衡，公式为：L=λLF+(1‑λ)LF1

其中LF和LF1分别是特征F’和F1的交叉熵损失函数，L是最终的损失函数。