1.基于深度学习模型的土壤水分反演方法，其特征在于，包括以下步骤：

获取待反演区域的卫星遥感数据，以及同一区域中基于观测点实测的气象数据和土壤水分数据，并预处理；

预处理后的数据基于训练完毕的深度学习模型，分别反演站点尺度和遥感数据像元尺度上的土壤水分值；

在站点尺度和像元尺度中，分别利用反演得到的土壤水分值确定对应的累积分布函数曲线，利用相同的权重，将站点尺度的累积分布函数曲线，映射到像元尺度的累积分布函数曲线上，即以站点累积分布函数曲线为基础，调整遥感卫星土壤水分的累积分布函数曲线，得到调整后的土壤水分值作为最终的土壤水分反演结果；

所述深度学习模型反演站点尺度上的土壤水分值时，通过提取输入数据中的时间序列信息得到时序关系，通过比较模型的预测输出和实际目标值之间的差异，确定站点数据的损失值，获得站点处土壤水分的预测结果并得到累积分布函数曲线；

所述深度学习模型充分考虑时间序列本身的长度，等间隔设置不同节点数量，获得最佳节点数；开展不同时间长度序列的反演实验，确定最优时间长度训练数据。

2.如权利要求1所述的基于深度学习模型的土壤水分反演方法，其特征在于，所述预处理，包括误差消除、归一化和相关性分析中的至少一种。

3.如权利要求1所述的基于深度学习模型的土壤水分反演方法，其特征在于，气象数据以及土壤水分数据通过预处理，以得到的降雨量、光照强度、空气温度、空气湿度、土壤电导率、土壤温度和土壤墒情作为深度学习模型的输入变量。

4.如权利要求1所述的基于深度学习模型的土壤水分反演方法，其特征在于，所述深度学习模型反演像元尺度上的土壤水分值时，通过比较模型的预测输出和实际目标值之间的差异，确定卫星像元尺度上的损失值，获得像元尺度的土壤水分值预测结果并得到累积分布函数曲线。

5.如权利要求1所述的基于深度学习模型的土壤水分反演方法，其特征在于，深度学习模型训练期间，假设遥感卫星数据与土壤水分真值之间满足线性关系，分别在相同尺度和不同尺度下获得土壤水分值并作为真值，确定线性关系中的误差和系数。

6.如权利要求1所述的基于深度学习模型的土壤水分反演方法，其特征在于，深度学习模型训练期间，通过实验方法确定深度学习模型中隐含层节点个数以及隐含层层数，通过测试数据确定均方根误差对应最小的隐含层节点个数。

7.如权利要求1所述的基于深度学习模型的土壤水分反演方法，其特征在于，深度学习模型利用待反演区域中的观测点实测数据和待反演区域的卫星遥感数据，输出待反演区域中未设置观测点区域的土壤水分值。

8.如权利要求1所述的基于深度学习模型的土壤水分反演方法，其特征在于，训练完毕的深度学习模型分别反演站点尺度和遥感数据像元尺度上的土壤水分值，得到对应的累积分布函数曲线，以像元尺度内的所有站点具有相同权重，利用平均方法得到像元尺度内的平均站点数据，利用站点尺度的累积分布函数曲线，确定能够匹配遥感数据像元尺度的累积分布函数曲线。

9.基于深度学习模型的土壤水分反演系统，其特征在于，包括：

多源数据采集模块，被配置为：获取待反演区域的卫星遥感数据，以及同一区域中基于观测点实测的气象数据和土壤水分数据，并预处理；

多尺度反演模块，被配置为：预处理后的数据基于训练完毕的深度学习模型，分别反演站点尺度和遥感数据像元尺度上的土壤水分值；

多尺度反演模块，还被配置为：在站点尺度和像元尺度中，分别利用反演得到的土壤水分值确定对应的累积分布函数曲线，利用相同的权重，将站点尺度的累积分布函数曲线，映射到像元尺度的累积分布函数曲线上，即以站点累积分布函数曲线为基础，调整遥感卫星土壤水分的累积分布函数曲线，得到调整后的土壤水分值作为最终的土壤水分反演结果；

所述深度学习模型反演站点尺度上的土壤水分值时，通过提取输入数据中的时间序列信息得到时序关系，通过比较模型的预测输出和实际目标值之间的差异，确定站点数据的损失值，获得站点处土壤水分的预测结果并得到累积分布函数曲线；

所述深度学习模型充分考虑时间序列本身的长度，等间隔设置不同节点数量，获得最佳节点数；开展不同时间长度序列的反演实验，确定最优时间长度训练数据。