1.一种基于遥感影像和深度学习超分算法的湿地精细化制图方法，其特征在于：包括以下步骤：

S1、获取研究区域空间分辨率在1m及以下的高分辨率遥感影像、空间分辨率在1m以上的低分辨率遥感影像以及土地覆盖数据集，对高分辨率遥感影像进行辐射校正，对低分辨率遥感影像进行大气校正，得到研究区高分辨率遥感影像数据与低分辨率遥感影像数据；

提取土地覆盖数据集中的湿地信息，与低分辨率遥感影像配准，生成低分辨率湿地数据集LR_LR；

S2、根据高分辨率遥感影像数据，结合研究区地理环境特征进行目视解译，对湿地区域进行标注，生成高分辨率湿地样本；

S3、将高分辨率湿地样本与低分辨率遥感影像配对生成高分辨率湿地数据集LR_HR，并将该高分辨率湿地数据集LR_HR划分为LR_HR训练集和LR_HR验证集；

S4、构建湿地精细化制图模型，湿地精细化制图模型包括超分模块和语义分割模块，超分模块设为基于卷积块注意力模块的卷积变换超分网络，语义分割模块设为基于Scharr卷积和快速傅里叶卷积的U‑Net架构；将低分辨率湿地数据集LR_LR与LR_HR训练集输入基于卷积块注意力模块的卷积变换超分网络，通过卷积层进行浅层特征提取、深层特征提取和图像特征重建，实现影像特征维度扩展，将低分辨率遥感影像提升为高分辨率遥感影像；

S5、使用基于Scharr卷积和快速傅里叶卷积的U‑Net架构对上一步骤中得到的超分特征进行语义分割，生成高分辨率湿地预测置信度图；并对低分辨率湿地数据集LR_LR的分割结果添加平均池化层，生成低分辨率湿地预测置信度图；

S6、对高分辨率湿地预测置信度图计算高分辨率损失，利用低分辨率湿地预测置信度图计算空间泛化损失，通过同一位置的时间表示相似性来计算时间对比损失；

S7、将上一步骤中的三种损失加权组合得到总损失函数，更新湿地精细化制图模型参数，形成时空感知学习，并通过LR_HR验证集评估湿地精细化制图模型，选取最佳评估指标对应的湿地精细化制图模型作为最优模型；

S8、将上一步骤中训练得到的最优模型应用于新的低分辨率遥感影像，以扩展方式进行湿地精细化制图；

步骤S6中，计算高分辨率损失具体包括以下部分步骤：

S6.1、计算交叉熵损失，公式如下：

式中， 表示由基于Scharr卷积和快速傅里叶卷积的U‑Net架构生成的高分辨率湿地预测置信度图，Ph表示真实的高分辨率湿地标签图；

S6.2、计算Focal Tversky损失，公式如下：

式中，α和β表示用于控制假阳性和假阴性之间的权重；λ表示焦点参数，用于调节困难样本的权重；ε为常数；

S6.3、高分辨率损失表示为交叉熵损失和Focal Tversky损失的加权和：

式中，γ表示用于控制交叉熵损失和Focal Tversky损失相对权重的权重因子，Lce表示交叉熵损失值，Lft表示Focal Tversky损失值，LHR表示高分辨率损失值；

步骤S6中，空间泛化损失通过Kullback‑Leibler散度进行解释，公式为：

式中，LSG表示空间泛化损失，DKL(P‖Q)表示Kullback‑Leibler散度，P(x)表示从LR_HR训练集中统计得到的分布，Q(x)表示湿地精细化制图模型根据预测结果 计算得到的分布，x表示随机变量的取值，μ和σ分别表示从LR_HR训练集中统计得到的均值和标准差，和 分别表示湿地精细化制图模型根据 计算得到的均值和标准差， 表示湿地精细化制图模型基于低分辨率湿地数据集LR_LR构建的低分辨率特征图Pl与低分辨率特征图的预测结果 计算得到的交叉熵损失。

2.根据权利要求1所述的基于遥感影像和深度学习超分算法的湿地精细化制图方法，其特征在于：所述步骤S4中，基于卷积块注意力模块的卷积变换超分网络包括浅层特征提取模块、深层特征提取模块以及图像特征重建模块，将卷积块注意力模块嵌入深层特征提取模块中，即在每个基本残差块结构后嵌入卷积块注意力模块，卷积块注意力模块包括通道注意力模块和空间注意力模块，两者分别在通道维度和空间维度上对特征图进行加权；

C×H×W C×H×W

对输入的低分辨率遥感影像X∈R ，R 表示一个具有C个通道且每个通道的大小为高度H和宽度W的张量，其中每个元素是一个实数值，浅层特征提取模块利用一个3×3卷积层将低分辨率遥感影像映射到潜在特征空间得到浅层特征；浅层特征经过两个基本残差块结构和卷积块注意力模块，并在之后添加一个3×3卷积层，得到深层特征；将深层特征与浅层特征进行跳跃相加组合，通过包含3×3卷积层和Pixel Shuffle层的上采样层进行特征重建，Pixel Shuffle层将每个像素的多个通道重新排列成一个子块，使特征图重新排列C×rH×rW为X∈R ，图像的H和W均放大r倍，得到对应高分辨率遥感影像输出。

3.根据权利要求2所述的基于遥感影像和深度学习超分算法的湿地精细化制图方法，C×H×W

其特征在于：所述通道注意力模块中，输入特征图F∈R 时，将特征图F在空间维度上进行平均池化，得到特征向量F1，公式如下：C×1×1

式中，特征向量F1∈R ,c∈{1,...,C}；F(c,i,j)表示特征图F第c个通道在位置（i,j）上的值；特征向量F1通过稀疏卷积，并经过Sigmoid函数映射到[0,1]，公式如下：式中， 表示特征向量F1经过稀疏卷积得到的特征向量；f(x)表示Sigmoid激活函数；x表示 中的每一个元素；Wc表示得到通道注意力权重向量，将得到的权重向量Wc与输入特征F相乘，得到经过通道注意力加权后的特征向量F2，公式如下：C×H×W

式中，特征向量F2∈R ， 表示逐像素相乘运算符。

4.根据权利要求3所述的基于遥感影像和深度学习超分算法的湿地精细化制图方法，其特征在于：所述空间注意力模块中，对通道注意力模块得到的特征图F2分别进行最大池化和平均池化，使特征图在通道维度上进行压缩，得到两个尺寸为1×H×W的特征图F3和F4，其中最大池化得到的特征图F3保留了每个空间位置上的最大特征值，平均池化得到的特征图F4保留了每个空间位置的平均特征值，公式如下：式中，i∈{1,...,H}，j∈{1,...,W}，特征图F3每个像素是对应空间位置上各通道的平均值，特征图F4每个像素是对应空间位置上各通道的最大值；将特征图F3和特征图F4在通道维度上进行拼接，得到特征图F5，公式如下：

2×H×W

式中，特征图F5∈R ， 表示在特定维度上进行连接合并的运算符；接着对特征图F5

1×H×W

进行7×7卷积操作，学习空间位置之间的关系，得到特征图F6∈R ，即F6=Conv7×7(F5)；最后通过Sigmoid函数映射到[0,1]，得到空间注意力权重图Ws，并将得到的权重Ws与通道注意C×H×W力模块得到的特征图F2相乘，得到经过空间注意力加权后的特征图F7∈R 。

5.根据权利要求1所述的基于遥感影像和深度学习超分算法的湿地精细化制图方法，其特征在于：所述步骤S5中，基于Scharr卷积和快速傅里叶卷积的U‑Net架构中的每个编码器和解码器由两个卷积模块组成；编码器的第一层为由卷积层、批归一化层以及ReLU激活函数层构成的CBR层，第二层由基于Scharr卷积和快速傅里叶卷积的并行结构组成，Scharr卷积捕捉局部边缘细节，之后经过CBR层对边缘特征进行整合优化；通过两次快速傅里叶卷积‑CBR层在频域挖掘全局上下文信息，并将两个并行结构的结果相加后通过CBR层优化，接着连接全局平均池化层和多层感知机；在全局平均池化后，额外添加全连接层，将提取到的d特征映射成一个向量z∈R作为时间表示，表示当前图像与时间相关的全局信息，其中d表示维度；每个编码器以最大池化层结束，实现下采样。

6.根据权利要求5所述的基于遥感影像和深度学习超分算法的湿地精细化制图方法，其特征在于：所述解码器进行解码时，首先通过上采样逐步恢复图像的空间分辨率，利用跳跃连接将编码器的特征与解码器的特征拼接；然后，使用Scharr卷积增强边缘信息，并通过快速傅里叶卷积提取全局上下文信息；每一层经过批归一化和ReLU激活函数处理；将最终上采样层替换为反卷积层，通过Sigmoid激活函数生成高分辨率湿地预测置信度图 ；将高分辨率湿地预测置信度图 输入平均池化层进行下采样，获得低分辨率湿地预测置信度图。

7.根据权利要求1所述的基于遥感影像和深度学习超分算法的湿地精细化制图方法，其特征在于：所述步骤S6中，时间对比损失为同一位置时间序列表示的z和 的相似性，温度参数随着训练步数t逐渐衰减，衰减公式如下：式中，τ0表示初始温度，k表示衰减因子；采用信息噪声对比估计作为相似性度量，其公式如下：

式中，LTC表示时间对比损失值；z表示图像在某一时刻的特征向量； 为与z在同一位置不同时刻的特征向量；τ表示动态温度超参数，用于控制相似度的敏感度，随着训练进行而衰减；mj表示负样本的表示向量，代表与图像和对应图像无关的其他图像的特征表示；N表示负样本的数量。

8.根据权利要求1所述的基于遥感影像和深度学习超分算法的湿地精细化制图方法，其特征在于：所述步骤S8中，扩展式精细化湿地制图将低分辨率遥感影像扩展为包含整数个相互有重叠的滑动窗口，通过创建H×W滑动窗口来提取图像块；在移动过程中，每次移动与前一次移动区域重叠t个像素，将得到的H×W图像块输入湿地精细化制图模型，得到湿地的Sigmoid置信度，通过计算每个像素重叠区域的最大值，将置信度图拼接回一个完整的图像，并使用阈值区分湿地像素和背景像素。