1.一种基于无人机微波遥感和深度学习的农业干旱监测预测系统，其特征在于，包含：微波遥感数据融合子系统，用于通过无人机搭载多频段微波传感器，同步获取极化散射矩阵和干涉相干性数据；基于作物生长阶段动态调整特征权重；通过时序配准消除无人机航带间几何偏差，并融合多时相数据构建三维干旱特征场；

深度干旱诊断子系统，用于将三维干旱特征场输入时空卷积网络，在空域提取农田斑块级异常，在时域捕捉干旱演变模式；

干旱响应子系统，用于基于时空卷积网络的诊断结果划分干旱等级，并反向定位关键致旱因子；结合农田物联网数据，生成差异化灌溉方案；将实际灌溉效果与预测结果比对，自动修正时空卷积网络的干旱判定阈值；

深度干旱诊断子系统包含结构化解析模块和空域异常检测模块；

结构化解析模块，用于将三维干旱特征场作为时空卷积网络的输入数据，三维干旱特征场的空间维度已时序配准保证地理坐标一致性，时间维度按作物生长阶段动态加权，特征维度整合多频段散射与干涉参数；

空域异常检测模块，用于在农田空间网格上滑动分析窗口，提取窗口内各像元的微波特征统计量，量化局部区域的特征离散程度；

空域异常检测模块，包含：

窗口空间约束分析子模块，用于基于三维干旱特征场已配准的空间维度，在农田网格上设置固定尺寸的矩形分析窗口，矩形分析窗口大小根据作物种植密度和微波传感器分辨率确定；

多特征同步提取子模块，用于在每个矩形分析窗口内，并行计算中心趋势量、离散程度量及极值差异量三类统计量；

自适应归一化子模块，用于参照时间维度的作物生长阶段动态权重，对三类统计量进行营养生长期、生殖生长期及成熟期的阶段特异性校正；

复合离散指数构建子模块，用于将校正后的统计量通过线性组合生成局部离散指数；

利用相邻矩形分析窗口的离散指数进行空间一致性检验，标记离散指数突变的孤立矩形分析窗口为可疑区域，对连续三个矩形分析窗口以上呈现梯度变化的区域保留原始离散指数，结合历史农情数据，排除农机作业轨迹的干扰；

多特征同步提取子模块，包含：

数据切片与窗口加载单元，用于基于已配准的三维干旱特征场，每个矩形分析窗口从空间维度提取对应的后向散射强度矩阵、相干系数矩阵及极化散射矩阵；对窗口内所有像元的后向散射强度值执行算术平均运算，生成中心趋势量；

离散程度量计算单元，用于同步分析窗口内相干系数的标准差；

极值差异量计算单元，用于分解极化散射矩阵的特征值，取最大与最小特征值的代数差；中心趋势量用于生成散射均值稳定性因子，离散程度量与极值差异量分别绑定生长阶段权重和频段系数，确保后续线性组合时各参数的时空一致性。

2.如权利要求1所述的基于无人机微波遥感和深度学习的农业干旱监测预测系统，其特征在于，微波遥感数据融合子系统，包含：微波数据采集处理模块，用于采集多频段微波传感器的C、L及X波段数据，分别记录极化散射矩阵和干涉相干性信息，不同频段数据时空对齐；对C、L及X波段数据进行辐射定标；

通过定位系统校正航带间几何偏移；

自适应特征提取模块，用于结合历史农情数据将监测区域划分为苗期、拔节期、抽穗期及成熟期关键阶段，按照关键阶段进行动态权重分配；

时序配准模块，用于以首期C、L及X波段数据为基准，通过特征点匹配逐期对齐C、L及X波段数据，消除无人机航向偏移与姿态波动影响；对配准后的C、L及X波段数据计算时序相干性，剔除异常值；将各期校正后的微波特征按时间序列堆叠，形成的三维干旱特征场。

3.如权利要求2所述的基于无人机微波遥感和深度学习的农业干旱监测预测系统，其特征在于，自适应特征提取模块中，苗期：侧重表层土壤水分，C波段高分辨率数据主导；拔节至抽穗期：增强植被结构参数，L波段穿透性数据主导，结合InSAR监测作物高度变化；成熟期：平衡土壤‑植被混合信号，X波段提供细节纹理。

4.如权利要求2所述的基于无人机微波遥感和深度学习的农业干旱监测预测系统，其特征在于，时序配准模块，包含：特征点匹配子模块，用于利用监测区域内的自然特征，在各期C、L及X波段数据中识别对应特征点，计算空间偏移量，逐期调整C、L、X波段数据的几何位置；

时序相干性计算子模块，用于在配准后的各期C、L、X波段数据上，计算同一空间位置的干涉相干性，评估不同时间点数据的稳定性；若某期C、L及X波段数据的相干性显著低于阈值，则判定为异常值并剔除；

微波特征标准化子模块，用于对经过配准和异常值剔除的各期C、L及X波段数据，提取关键微波特征，并按作物生长阶段进行归一化处理；

特征场构建子模块，用于将各期标准化后的微波特征按时间顺序堆叠，形成空间、时间、特征的三维数据场。

5.如权利要求4所述的基于无人机微波遥感和深度学习的农业干旱监测预测系统，其特征在于，其中，空间维度保持校正后的地理坐标一致性，确保同一位置在不同时间点的数据可对比；时间维度按作物生长阶段动态调整权重，反映不同物候期的干旱特征变化；特征维度整合多频段微波参数，形成综合干旱指标。

6.如权利要求1所述的基于无人机微波遥感和深度学习的农业干旱监测预测系统，其特征在于，深度干旱诊断子系统，还包含：时域模式捕捉模块，用于对三维干旱特征场沿时间轴切片，在空域异常斑块位置提取时序特征曲线，通过滑动平均抑制高频噪声，凸显干旱趋势性变化；

阶段转折点检测模块，用于根据作物生长阶段划分，分析时序特征曲线斜率变化与曲率极值，识别干旱加速期或缓解期；建立前期干旱特征与后期演变的统计关联，预测干旱连锁反应路径。

7.如权利要求6所述的基于无人机微波遥感和深度学习的农业干旱监测预测系统，其特征在于，空域异常检测模块用于对比同一生长阶段内相邻农田斑块的特征统计量，若某斑块特征偏离周边区域阈值范围，则标记为潜在干旱异常区；结合历史农情数据排除非干旱因素干扰，确认干旱相关异常斑块。

8.如权利要求1所述的基于无人机微波遥感和深度学习的农业干旱监测预测系统，其特征在于，其中，极值差异量：极化散射矩阵最大特征值与最小特征值的差值；

营养生长期：放大相干系数的离散程度贡献；生殖生长期：增强极化特征极值差异的权重；成熟期：侧重后向散射强度的中心趋势变化。

9.如权利要求1所述的基于无人机微波遥感和深度学习的农业干旱监测预测系统，其特征在于，干旱响应子系统，包含：时空特征解码模块，用于将时空卷积网络输出的诊断结果分解为空间维度的农田斑块异常分布和时序维度的干旱演变趋势；基于时空卷积网络各层特征的梯度响应，量化极化散射矩阵、相干系数及后向散射强度对诊断结果的贡献度，识别主导干旱判别的核心特征；

干旱等级动态划分模块，用于根据农田斑块异常强度的空间连续性，将区域划分为轻度、中度和重度干旱等级；结合历史干旱事件库，对当前干旱演变模式匹配相似模式的历史等级标签，修正初步划分结果；

致旱因子反向溯源模块，用于极化特征主导区，若极化散射矩阵特征值的异常贡献度超过阈值，定位至植被结构变异或土壤表层裂隙；相干性主导区，相干系数离散异常高时，关联冠层覆盖不均或根系吸水差异；时序相干性持续下降则指示土壤持水能力退化；散射强度主导区，后向散射均值突变区域绑定至表层土壤含水量骤降或农机作业干扰；

阈值自适应修正模块，用于将实际灌溉后的特征场变化与预测结果比对，针对误判区域调整时空卷积网络的干旱敏感度阈值；根据致旱因子定位准确率，动态更新特征‑因子关联映射的权重。