1.一种深度学习驱动的电磁数据城市岩溶探测方法，其特征在于，具体步骤为：

步骤一、调查当前城市地下的地质背景信息：先获取当前城市地下的地质分布情况，包括地层种类及位置，并分别确定各种类地层的平均厚度，同时确定各种类地层的电导率数值及已探明的充水溶洞的电导率；

步骤二、生成包含溶洞的电导率模型：根据步骤一获得各地层种类的分布情况，确定电导率模型的模拟探测区域，接着采用层状介质的循环生成策略，从而获得平均厚度与上述各种类地层厚度一致且生成多样化的多层介质电导率模型；每层电导率模型分别对应一种地层；最后在每层电导率模型中均采用溶洞生成方案，从而在每层电导率模型内随机生成孔径大小不等且近似圆形的溶洞，完成包含溶洞的电导率模型建立；

步骤三、生成溶洞样本集：根据步骤二中生成的包含大量溶洞的电导率模型，使用一维层状介质的瞬变电磁感应方式合成每层电导率模型内不同溶洞样本各自对应的电磁响应数据；

步骤四、对电磁响应数据进行特征增强：针对电磁响应信号的衰减特性，采用数据变换与梯度组合的方式对步骤三获取的电磁响应数据进行特征增强，具体过程为：其中数据变换与梯度组合进行数据处理的公式如下：

D＝Grad(Log(d))

其中，D表示进行特征增强后的电磁响应数据，d表示步骤三获取的电磁响应数据，Log表示取对数运算，Grad表示梯度运算；

步骤五、训练深度学习网络模型：根据步骤二和步骤四中得到的多样化电导率模型及其电磁响应数据，形成训练数据对集合，并开展数据归一化；然后构建深度学习网络模型，其包括输入层、隐藏层和输出层，并采用适当的激活函数和优化算法并结合数据归一化后的训练数据对集合，对深度学习网络模型进行训练，达到训练次数后，完成深度学习网络模型训练；

步骤六、根据实际电磁数据实时识别地下溶洞情况：采用电磁拖曳式探测装置对当前城市进行地下溶洞探测，从而实时采集地下反射的电磁数据，对采集的电磁数据进行预处理后输入步骤五训练后的深度学习网络模型，深度学习网络模型根据该电磁数据的特征，对应输出包含溶洞信息的预测电导率模型，最终根据预测电导率模型实时确定地下溶洞情况。

2.根据权利要求1所述深度学习驱动的电磁数据城市岩溶探测方法，其特征在于，所述步骤二中采用层状介质的循环生成策略及采用溶洞生成方案建立包含溶洞的电导率模型的具体规则为：①采用层状介质的循环生成策略得到每层电导率模型的界面生成公式如下：

其中ai(i＝0,1,2，…4)表示各个项的系数，x表示模型沿着水平方向的坐标轴；y1与y2表示界面的弯曲程度，y3表示界面的倾斜和深度；对于每个特定界面，深度a0是随机生成与层平均深度为均值的随机常数，从而保证电导率模型的多样性；

②溶洞生成公式如下：

其中x和z分别表示模型沿着水平和垂直方向的坐标轴，x0和z0分别为溶洞的大致中心位置，其位置是在地层中随机产生，R表示允许的最大陷落柱尺寸，Random表示随机常数在一个R之内的随机数rad，NormalInteger表示产生一个高斯分布的随机数，c表示方差；通过上述公式，从而生成包含溶洞的电导率模型。

3.根据权利要求1所述深度学习驱动的电磁数据城市岩溶探测方法，其特征在于，所述步骤六中预处理包括数据去噪和数据归一化。

4.根据权利要求1所述深度学习驱动的电磁数据城市岩溶探测方法，其特征在于，所述步骤五中激活函数采用Relu和Sigmoid组合函数，优化算法采用Adam优化方法。