1.一种基于深度学习的地理信息的识别方法，其特征在于，包括以下步骤：

步骤S1：获取区域多源遥感图像集；对区域多源遥感图像集进行时空对齐，生成标准区域多源空间对齐图像集和标准区域多源空间对齐图像集；将标准区域多源空间对齐图像集和标准区域多源时间对齐图像集进行图像融合，生成区域地理融合图像；

步骤S2：对区域地理融合图像进行环境干扰去除，生成区域地理干扰去除图像；对区域地理干扰去除图像进行多维特征融合，生成区域地理融合特征图；利用自动编码器对区域地理融合特征图进行地理高维重建，生成高精度区域地理特征图谱；

步骤S3：对区域地理融合图像进行区域地理动态变化捕捉，生成区域地理动态变化信息数据；根据区域地理动态变化信息数据对区域地理融合图像进行动态地物区域标记，生成区域地理动态地物变化区域；根据区域地理动态地物变化区域对高精度区域地理特征图谱进行地物精准分类标注，生成区域地物分类图谱；

步骤S4：基于区域地物分类图谱和高精度区域地理特征图谱进行深度估计，生成区域地理信息深度图；对区域地理信息深度图进行地形仿真，生成区域地理仿真地形模型；对区域地理仿真地形模型进行智能地理环境分析预测，生成区域地理环境预测数据；

步骤S1包括以下步骤：

步骤S11：获取区域多源遥感图像集；

步骤S12：对区域多源遥感图像集进行图像预处理，生成标准区域多源遥感图像集，其中图像预处理包括图像像素亮度增强、图像灰度变换和图像平滑；

步骤S13：对标准区域多源遥感图像集进行空间对齐，生成标准区域多源空间对齐图像集；

步骤S14：对标准区域多源遥感图像集进行图像时间序列对齐，生成标准区域多源时间对齐图像集；将标准区域多源空间对齐图像集和标准区域多源时间对齐图像集进行图像融合，生成区域地理融合图像；

步骤S2包括以下步骤：

步骤S21：对区域地理融合图像进行图像环境干扰识别，生成区域地理环境干扰识别数据；基于区域地理环境干扰识别数据对区域地理融合图像进行图像干扰去除，生成区域地理干扰去除图像；

步骤S22：对区域地理干扰去除图像进行图像边缘检测，生成区域地理图像边缘检测数据；根据区域地理图像边缘检测数据对区域地理干扰去除图像进行地物边缘特征分割，生成区域地理边缘特征图；

步骤S23：对区域地理边缘特征图进行区域地理纹理特征分析，生成区域地理纹理特征数据；根据区域地理纹理特征数据对区域地理边缘特征图进行图像纹理分割，生成区域地理纹理特征图；

步骤S24：利用图卷积网络对区域地理边缘特征图和区域地理纹理特征图进行特征融合，生成区域地理融合特征图；利用自动编码器对区域地理融合特征图进行地理高维重建，生成高精度区域地理特征图谱；

步骤S21包括以下步骤：

步骤S211：对区域地理融合图像进行图像分层，生成区域地理融合图像层级数据；

步骤S212：根据区域地理融合图像层级数据对区域地理融合图像进行频域分离，生成区域地理层级频域信息数据；

步骤S213：对区域地理层级频域信息数据进行区域地理层级光谱分析，生成区域地理图像层级光谱分析数据；通过区域地理图像层级光谱分析数据对区域地理融合图像进行干扰目标区域分割，生成干扰目标区域分割数据；

步骤S214：对区域地理融合图像进行图像结构属性分析，生成区域地理图像属性分析数据；根据区域地理图像属性分析数据对区域地理融合图像进行有效目标区域分割，生成有效目标区域分割数据；

步骤S215：基于干扰目标区域分割数据和有效目标区域分割数据进行二值掩膜重构，生成区域地理环境干扰识别数据；基于区域地理环境干扰识别数据对区域地理融合图像进行图像差分，生成图像干扰异同数据；根据图像干扰异同数据对区域地理融合图像进行干扰区域去除，生成区域地理干扰去除图像；

其中，利用自动编码器对区域地理融合特征图进行地理高维重建包括：

对区域地理融合图像进行多层次分解，生成多模态和多分辨率的区域地理特征图谱，其中多层次分解包括空间分辨率分解、地物分类分解和时空特征分解；

利用自编码器中的编码器对区域地理特征图谱进行低维数据编码，生成区域地理特征低维隐变量数据；基于自编码器中的解码器对区域地理特征低维隐变量数据进行区域地理特征增强，从而生成高精度区域地理特征图谱；

步骤S3包括以下步骤：

步骤S31：对区域地理融合图像进行区域地理动态变化捕捉，生成区域地理动态变化信息数据；

步骤S32：根据区域地理动态变化信息数据对区域地理融合图像进行图像区域变化率计算，得到图像区域变化率数据；

步骤S33：将图像区域变化率数据和预设的图像变化阈值进行对比，当图像区域变化率数据大于或等于预设的图像变化阈值时，则将图像区域变化率数据所对应的区域地理融合图像进行动态地物区域标记，生成区域地理动态地物变化区域；

步骤S34：当图像区域变化率数据小于预设的图像变化阈值时，则将图像区域变化率数据所对应的区域地理融合图像进行静态地物区域标记，生成区域地理静态地物变化区域并剔除；对区域地理动态地物变化区域进行地物语义分割，生成区域地理动态地物语义分割数据；

步骤S35：利用区域地理动态地物语义分割数据对高精度区域地理特征图谱进行地物精准分类标注，生成区域地物分类图谱；

步骤S31包括以下步骤：

步骤S311：对区域地理融合图像进行变化时间戳确认，得到区域地理图像变化时间戳；

步骤S312：利用区域地理图像变化时间戳对区域地理融合图像进行图像像素特征提取，生成图像像素特征数据；

步骤S313：对图像像素特征数据进行运动轨迹光流分析，生成区域地理像素运动坐标数据；根据区域地理像素运动坐标数据对图像像素特征数据进行像素相邻时间戳运动特征对比，生成区域地理图像像素变化数据；

步骤S314：基于预设的标准网格大小对区域地理融合图像进行区域划分，生成地理区域网格划分数据；通过区域地理图像像素变化数据对地理区域网格划分数据进行区域动态像素变化监测，生成区域地理动态变化信息数据；

步骤S4包括以下步骤：

步骤S41：基于区域地物分类图谱和高精度区域地理特征图谱进行深度估计，生成区域地理信息深度图；

步骤S42：对区域地理信息深度图进行三维点云转换，生成区域地理三维点云数据；对区域地理三维点云数据进行网格重建，生成区域地理三维网格模型；

步骤S43：对区域地理三维网格模型进行纹理映射，生成区域地理纹理化三维模型；对区域地理纹理化三维模型进行地形仿真，生成区域地理仿真地形模型；

步骤S44：对区域地理仿真地形模型进行智能地理环境分析预测，生成区域地理环境预测数据；

步骤S44包括以下步骤：

步骤S441：根据区域地理仿真地形模型进行区域地理信息收集，得到区域地理信息数据；

步骤S442：将区域地理信息数据进行数据集划分，生成模型训练集和模型测试集；通过随机森林算法对模型训练集进行模型训练，生成区域地理环境训练模型；利用模型测试集对区域地理环境训练模型进行模型测试迭代，从而生成区域地理环境预测模型；

步骤S443：将区域地理信息数据导入至区域地理环境预测模型中进行智能地理环境分析预测，生成区域地理环境预测数据。

2.一种基于深度学习的地理信息的识别系统，其特征在于，用于执行如权利要求1所述的基于深度学习的地理信息的识别方法，该基于深度学习的地理信息的识别系统包括：图像融合模块，用于获取区域多源遥感图像集；对区域多源遥感图像集进行时空对齐，生成标准区域多源空间对齐图像集和标准区域多源空间对齐图像集；将标准区域多源空间对齐图像集和标准区域多源时间对齐图像集进行图像融合，生成区域地理融合图像；

地理高维重建模块，用于对区域地理融合图像进行环境干扰去除，生成区域地理干扰去除图像；对区域地理干扰去除图像进行多维特征融合，生成区域地理融合特征图；利用自动编码器对区域地理融合特征图进行地理高维重建，生成高精度区域地理特征图谱；

地物标注模块，用于对区域地理融合图像进行区域地理动态变化捕捉，生成区域地理动态变化信息数据；根据区域地理动态变化信息数据对区域地理融合图像进行动态地物区域标记，生成区域地理动态地物变化区域；根据区域地理动态地物变化区域对高精度区域地理特征图谱进行地物精准分类标注，生成区域地物分类图谱；

智能预测模块，用于基于区域地物分类图谱和高精度区域地理特征图谱进行深度估计，生成区域地理信息深度图；对区域地理信息深度图进行地形仿真，生成区域地理仿真地形模型；对区域地理仿真地形模型进行智能地理环境分析预测，生成区域地理环境预测数据。