1.基于深度学习的遥感图像处理方法，其特征在于，所述方法包括：基于第一区域的第一遥感图像，所述第一区域包括多个第二区域，所述第二区域为地图中的最小区域单位；按照使用类型将第一区域划分为多个第一类区域，得到每个第一类区域的第二遥感图像，包括：基于第一区域的第一遥感图像，获取对应的多个第二区域中每个第二区域的建筑信息；所述建筑信息包括所述第二区域中建筑的分布信息和属性信息；

基于每个第二区域的属性信息，对所述多个第二区域进行分类，得到多个第一分类集合；

针对每个第一分类集合，基于每个第二区域的分布信息，对所述第一分类集合中的第二区域进行分类，得到第二分类集合；

针对每个第二分类集合，将所述第二分类集合中相邻的第二区域拼接为一个第一类区域，得到至少一个第一类区域和对应的第二遥感图像；

所述第一类区域的使用类型包括生活区域、绿化区域和工业区域；

基于每个第二遥感图像，确定对应的第一地表反射率；

利用所述第一地表反射率和第一模型，反演对应的气溶胶光学厚度AOD，得到对应的第一AOD；

利用所述第一AOD和第二模型，确定对应第一类区域的PM2.5数值，得到对应的第一PM2.5信息；其中，所述第一模型和所述第二模型基于深度神经网络训练得到；

基于每个第一PM2.5信息，对所有第二遥感图像进行云去除处理，得到第三遥感图像，包括：针对每个第二遥感图像，利用薄云最优变化HOT算法和所述第二遥感图像，生成对应的HOT图；

基于所述HOT图和对应的第一PM2.5信息，确定所述第二遥感图像中的云层厚度，得到对应的云层厚度信息；

基于所述云层厚度信息，对所述第二遥感图像进行云去除处理，得到所述第二遥感图像的去云图像；

基于每个第二遥感图像的去云图像，生成第三遥感图像；

所述基于所述HOT图和对应的第一PM2.5信息，确定所述第二遥感图像中的云层厚度，得到对应的云层厚度信息，包括：基于所述第一PM2.5信息，判断对应第一类区域的PM2.5浓度是否超过浓度阈值；

在所述第一类区域PM2.5浓度超过浓度阈值的情况下，基于所述第一PM2.5信息，调整所述HOT图中晴空线的参数信息；

基于调整后的HOT图，确定对应第二遥感图像中的云层厚度，得到对应的云层厚度信息；

所述晴空线的参数信息包括斜率和截距，所述基于所述第一PM2.5信息，调整所述HOT图中晴空线的参数信息，表示为：kadjust=kbase×(1‑α×C)；（1）；

badjuste=bbase+β×C；（2）；

其中，kadjusted和badjusted分别表示根据PM2.5浓度调整后的晴空线斜率和截距；kbase和bbase分别表示晴空线的基准斜率和基准截距，即在没有PM2.5影响或PM2.5浓度低于预设最小值时晴空线的斜率和截距；α和β表示调整系数；C表示PM2.5的浓度值。

2.根据权利要求1所述的方法，其特征在于，所述基于每个第一PM2.5信息，对所有第二遥感图像进行云去除处理，得到第三遥感图像，包括：针对每个第二遥感图像，利用第三模型和对应的第一PM2.5信息，去除所述第二遥感图像中的薄云特征；

对每个去除薄云特征的第二遥感图像进行拼接处理，得到第三遥感图像。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取多个遥感图像组，构建第一训练样本集；所述遥感图像对包括同一区域的带云遥感图像和在不同PM2.5浓度下的无云遥感图像；

基于所述第一训练样本集，训练条件生成对抗网络CGAN或U‑Net，构建第三模型；所述第三模型用于基于输入的带云遥感图像和对应PM2.5信息生成对应的无云遥感图像。

4.根据权利要求1所述的方法，其特征在于，所述分布信息包括布局信息、密度信息和高度信息；所述针对每个第一分类集合，基于每个第二区域的分布信息，对所述第一分类集合中的第二区域进行分类，得到第二分类集合，包括：针对所述第一分类集合中每个第二区域，基于所述第二区域分布信息中的布局信息，确定所述第二区域的布局对AOD的第一影响度；

基于所述第二区域分布信息中的密度信息，确定所述第二区域的密度对AOD的第二影响度；

基于所述第二区域分布信息中的高度信息，确定所述第二区域的建筑高度对AOD的第三影响度；

对所述第一影响度、所述第二影响度和所述第三影响度进行加权求和，得到所述第二区域的建筑影响度；

基于每个第二区域的建筑影响度，对所述第一分类集合中的第二区域进行分类，得到第二分类集合。

5.一种基于深度学习的遥感图像处理系统，其特征在于，所述系统包括：分类单元，用于基于第一区域的第一遥感图像，按照使用类型将第一区域划分为多个第一类区域，得到每个第一类区域的第二遥感图像；所述第一类区域的使用类型包括生活区域、绿化区域和工业区域；

计算单元，用于基于每个第二遥感图像，确定对应的第一地表反射率；

第一反演单元，用于利用所述第一地表反射率和第一模型，反演对应的AOD，得到对应的第一AOD；

第二反演单元，用于利用所述第一AOD和第二模型，确定对应第一类区域的PM2.5数值，得到对应的第一PM2.5信息；其中，所述第一模型和所述第二模型基于深度神经网络训练得到；

处理单元，用于基于每个第一PM2.5信息，对所有第二遥感图像进行云去除处理，得到第三遥感图像，具体为：针对每个第二遥感图像，利用薄云最优变化HOT算法和所述第二遥感图像，生成对应的HOT图；

基于所述HOT图和对应的第一PM2.5信息，确定所述第二遥感图像中的云层厚度，得到对应的云层厚度信息；

基于所述云层厚度信息，对所述第二遥感图像进行云去除处理，得到所述第二遥感图像的去云图像；

基于每个第二遥感图像的去云图像，生成第三遥感图像；

所述基于所述HOT图和对应的第一PM2.5信息，确定所述第二遥感图像中的云层厚度，得到对应的云层厚度信息，包括：基于所述第一PM2.5信息，判断对应第一类区域的PM2.5浓度是否超过浓度阈值；

在所述第一类区域PM2.5浓度超过浓度阈值的情况下，基于所述第一PM2.5信息，调整所述HOT图中晴空线的参数信息；

基于调整后的HOT图，确定对应第二遥感图像中的云层厚度，得到对应的云层厚度信息；

所述晴空线的参数信息包括斜率和截距，所述基于所述第一PM2.5信息，调整所述HOT图中晴空线的参数信息，表示为：kadjust=kbase×(1‑α×C)；（1）；

badjuste=bbase+β×C；（2）；

其中，kadjusted和badjusted分别表示根据PM2.5浓度调整后的晴空线斜率和截距；kbase和bbase分别表示晴空线的基准斜率和基准截距，即在没有PM2.5影响或PM2.5浓度低于预设最小值时晴空线的斜率和截距；α和β表示调整系数；C表示PM2.5的浓度值。