1.一种基于图掩码自编码器的遥感图像自监督学习方法，其特征在于，包括：使用主成分分析法对遥感图像数据进行降维，获得降维后的遥感图像数据；

将降维后的遥感图像数据输入到预训练的图卷积编码器中，进行遥感图像节点样本的特征提取，获得遥感图像特征矩阵；

将遥感图像特征矩阵输入到监督学习分类器中，获得遥感图像数据分类结果；

其中，所述图卷积编码器的训练方法包括：使用主成分分析法对遥感图像数据进行降维，并基于降维后的遥感图像数据构建具备节点和边的全集图数据，设置自监督学习训练迭代轮次；

基于构建的全集图数据，使用图随机掩码创建被掩码边集和剩余边集，基于节点全集和剩余边集数据构建扰动图数据；

将被掩码边集作为正样本标签边集，对全集图数据进行负采样获得负样本标签边集，得到正负样本标签边集；

将扰动图数据输入到图卷积编码器中，获得各层始末节点隐藏向量表示；

基于各层始末节点隐藏向量表示，获得待预测边各层始末节点隐藏向量；

将待预测边各层始末节点隐藏向量输入到交叉关联解码器中，获得待预测边的向量表示；

将待预测边的向量表示输入到多层感知机，获得边的预测结果，并将边的预测结果与正负样本标签边集进行比对计算正负样本损失之和；

按照设置的自监督学习训练迭代轮次对图卷积编码器与交叉关联解码器进行训练，基于得到的正负样本损失之和，通过反向传播与梯度下降算法对图卷积编码器与交叉关联解码器的网络参数进行训练更新；

获得各层始末节点隐藏向量表示的方法包括：将扰动图数据输入到图卷积编码器中，获得各层节点隐藏向量表示：；

式中， 为经过 层图卷积神经网络层编码后的第 层节点隐藏向量，其中； 为第 层的图卷积神经网络层，其中 ； 为所设定的图卷积层层数； ， 为节点个数， 为隐藏向量维度； 为剩余边集； 为所有节点的特征向量组成的节点特征矩阵；

获得边的预测结果并计算正负样本损失之和的方法包括：将待预测边的向量表示输入多层感知机，获得待预测边存在性的边的预测结果：；

式中， 表示边的预测结果，和 分别为待预测边的始、末节点； 表示多层感知机， 为待预测边的向量表示；

将边的预测结果与标签正负样本进行比对计算正负样本损失之和：；

式中 ， 为损 失函 数， 为 网络 参数 ， 为相似 度 函数 ，其 中为正损失， 为负损失，总损失 为正负样本损失之和； 为自监督训练的正样本标签边集， 为负样本标签边集。

2.根据权利要求1所述的方法，其特征在于，构建具备节点和边的全集图数据的方法包括：使用主成分分析法将宽为 ，高为 ，通道数为 的遥感图像 的通道数C降维至P，降维后的遥感图像数据为 ；

将每一个像素点作为图的节点，所有像素点构成节点全集 ；

逐节点连接欧式距离不大于设定的欧式距离的节点，构成邻接关联边全集 ；

构造具备节点和边的全集图数据为 。

3.根据权利要求1所述的方法，其特征在于，获得扰动图数据的方法包括：对边全集进行图随机掩码，得到被掩码的边集 ；其中， 为图随机掩码操作， 为掩码率；能够得到未被掩码的剩余边集 ，剩余边集与节点全集组成扰动图 ，其中， 为剩余边集， 为节点全集， 为邻接关联边全集。

4.根据权利要求1所述的方法，其特征在于，正负样本标签边集的构建方法包括：将被掩码的边集作为正样本标签边集 ， ，其中 为被掩码的边集；

对全集图数据进行负采样构造随机边，创建负样本标签集 ， ，其中 为全集图数据， 为负采样操作；

将 作为自监督训练的正样本标签边集， 为负样本标签边集。

5.根据权利要求1所述的方法，其特征在于，获得待预测边的向量表示的方法包括：待预测边 的始末节点隐藏向量为 ，其中， ，和 分别为待预测边的始、末节点；

将待预测边各层始末节点隐藏向量输入到交叉关联解码器中，得到待预测边的向量表示：；

式中， 为待预测边 的向量表示；为元素积，为向量拼接， 为待预测边各层始节点隐藏向量， 为待预测边各层末节点隐藏向量， ， 为所设定的图卷积层层数。

6.根据权利要求1所述的方法，其特征在于，基于得到的正负样本损失之和，对图卷积编码器与交叉关联解码器的网络参数进行训练更新的方法包括：使用损失函数通过反向传播与梯度下降算法对图卷积编码器与交叉关联解码器的网络参数进行训练更新：；

式中， 为更新后的网络参数， 为更新前的网络参数， 为学习率， 为损失函数的梯度。

7.一种计算机存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至6任一项所述的基于图掩码自编码器的遥感图像自监督学习方法。