1.一种用于土壤湿度反演的深度学习框架，其特征在于，包括ResNet34编码器、解码器和ViT模块；

ResNet34编码器捕获输入图像的多尺度和分层特征，并能够随着图层的逐渐加深来学习复杂的特征，最终形成用于遥感图像分析的多尺度特征图；解码器遵循自下而上的方式，对最低分辨率的特征图进行上采样开始，并结合ViT模块来获取特征中的编码器特征图细节；ViT模块提取多尺度空间土壤湿度特征并捕获长程依赖关系。

2.根据权利要求1所述的一种用于土壤湿度反演的深度学习框架，其特征在于，所述ResNet34编码器中设置有残差块，来随着图层的进展来学习复杂的特征。

3.根据权利要求1所述的一种用于土壤湿度反演的深度学习框架，其特征在于，所述ViT模块包括：LN层：用于对输入特征图进行归一化，减少特征缩放影响；

MSA层：以计算输入特征图中不同元素之间的注意力权重，同时聚焦输入特征图的各个部分，并生成多组注意力权重，允许框架提取多尺度空间SM特征，并捕获输入数据不同部分之间的长程依赖关系；

以及，通道MLP层：包括多个全连接层和非线性激活函数，使框架从输入数据中学习复杂和抽象的特征。

4.根据权利要求3所述的一种用于土壤湿度反演的深度学习框架，其特征在于，所述ViT模块表示为：其中，LN（ ）表示对输入特征图进行归一化，MLP（ ）表示多层感知器，由两层线性层构i i−1成，MSA（ ）表示多头注意力机制；Y  和Y  是第i个和（i−1）个ViT模块的输出。

5.根据权利要求4所述的一种用于土壤湿度反演的深度学习框架，其特征在于，所述通道MLP层表示为：其中， w、y 和 b 分别表示权重、输入和偏差。

6.根据权利要求5所述的一种用于土壤湿度反演的深度学习框架，其特征在于，所述MSA层表示为：其中，Q、K和V分别是特征图查询、键和值，Hj是第j个头，W是可学习参数矩阵；Concat（·）表示矩阵拼接操作；Qj、Kj、Vj分别表示第j个头的查询、键、值矩阵，在通道维度上按n除以Q，K，V得到；d表示query和key的维度。

7.一种地球遥感观测系统，其特征在于，包括权利要求1‑6任一项所述的一种用于土壤湿度反演的深度学习框架。

8.权利要求1‑6任一项所述的一种用于土壤湿度反演的深度学习框架在土壤湿度反演中的应用。