1.一种基于不确定性量化的遥感场景识别方法，其特征在于，所述方法包括以下步骤：获取数据集，所述数据集包含作为源样本的遥感图像；

构造由多个结构相同但初始参数不同的神经网络，将所述数据集输入多个所述神经网络，以得到不确定性映射向量；

构建遥感图像识别网络，采用批量训练方法，将所述数据集输入至遥感图像识别网络进行训练，得到特征映射；

对所述不确定性映射向量进行二值化处理得到掩码向量，对掩码向量和特征映射做点积操作，得到具有高置信度的特征向量；

确定所述特征向量的损失函数，基于所述损失函数对遥感图像识别网络进行训练，得到场景识别模型；

获取待识别的遥感图像，将所述遥感图像输入所述场景识别模型，得到所述遥感图像的场景类别。

2.根据权利要求1所述的一种基于不确定性量化的遥感场景识别方法，其特征在于，所述构造由多个结构相同但初始参数不同的神经网络，将所述数据集输入多个所述神经网络，以得到不确定性映射向量，包括：构造K个结构相同但参数不同的神经网络 ， ，每个神经网络都含有特征提取模块和分类模块；

将所述数据集构建为训练集 和测试集 ，在训练过程中，采用批量训练的方法，将所述训练集 按批量大小 分为多个批次的输入数据依次输入神经网络 中进行训练，对于每一批次的输入数据 获取由神经网络 的特征提取模块输出的特征映射 ，在经过分类模块后，得到特征映射 对应的预测结果分类结果 ；

确定预测结果分类结果的概率分布，基于所述概率分布得到模型分类损失 ；

将所述测试集 按批量大小 分为多个批次的测试数据依次输入神经网络 中进行训练，对于每一批次的测试数据 ，基于所述模型分类损失获取K个由特征提取模块输出的全局特征映射 ，使用以下公式计算测试数据 的不确定性映射向量 ：

3.根据权利要求2所述的一种基于不确定性量化的遥感场景识别方法，其特征在于，所述基于所述概率分布得到模型分类损失 包括：采用以下公式计算得到模型分类损失 ：

其中， 为数据的真实概率分布， 为模型

预测的概率分布。

4.根据权利要求3所述的一种基于不确定性量化的遥感场景识别方法，其特征在于，所述构建遥感图像识别网络，采用批量训练方法，将所述数据集输入至遥感图像识别网络进行训练，得到特征映射，包括：构建具有特征层和分类层的遥感图像识别网络 ，将训练集 组成三元组，采用批量训练方法，将训练集 按照批量大小 分为多个批次的测试数据依次输入至遥感图像识别网络 进行训练，每一个输入 经过特征层后均可得到对应图像的特征映射， 。

5.根据权利要求4所述的一种基于不确定性量化的遥感场景识别方法，其特征在于，所述对所述不确定性映射向量进行二值化处理得到掩码向量，对掩码向量和特征映射做点积操作，得到具有高置信度的特征向量，包括：将不确定性映射向量 设立一个阈值 进行二值化后，得到掩码向量 ；具体地，若不确定性映射向量中的像素灰度值小于阈值 则全为0，若大于阈值 则全为255；

采用公式 将掩码向量 与图像特征映射 做点积操作，得到具有高置信度的特征向量 。

6.根据权利要求5所述的一种基于不确定性量化的遥感场景识别方法，其特征在于，所述确定所述特征向量的损失函数，基于所述损失函数对遥感图像识别网络进行训练，得到场景识别模型，包括：对特征向量 计算三元组损失函数 ，基于标签平滑损失函数 和三元组损失函数 确定损失函数 ，其中：

其中， 为源样本的标签， 为平滑因子， 是从高斯分布中随机采样的值；

分别表示组成三元组的源样本、负样本和正样本的高维特征向量， 分别代表正样本对和负样本对的欧式距离， 代表三元组损失的间距阈值， 代表取正值；

使用SGD算法对遥感图像识别网络进行训练，直至确定最小化损失函数的参数，得到场景识别模型。

7.一种基于不确定性量化的遥感场景识别系统，其特征在于，所述系统包括：至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1至6任一项所述的基于不确定性量化的遥感场景识别方法。

8.一种计算机可读存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令用于执行如权利要求1至6中任意一项所述的基于不确定性量化的遥感场景识别方法。