1.基于深度学习的独栋建筑物屋顶信息提取方法，其特征在于，包括以下处理步骤：
2.根据权利要求1中所述的基于深度学习的独栋建筑物屋顶信息提取方法，其特征在于，在步骤s2中的所述用于识别屋顶和背景的深度神经网络模型基于u-net架构所构建，所述用于识别屋顶和背景的深度神经网络模型包括特征提取网络以及解码器；特征提取网络由4层编码器构成，编码器由若干mscan模块和下采样模块组成，解码器由特征融合模块和上采样模块组成。
3.根据权利要求2中所述的基于深度学习的独栋建筑物屋顶信息提取方法，其特征在于，所述用于识别屋顶和背景的深度神经网络模型中的特征提取网络，由四个解码器依次堆叠组成，分别为第一层编码器、第二层编码器、第三层编码器和第四层编码器，每一层解码器都连接着对应的解码器；其中，第一层编码器和第二层编码器分别由3个mscan模块构成，第三层编码器由12个mscan模块构成，第四层编码器由3个mscan模块构成；当四个编码器对地图遥感图像特征提取完成后，由四个解码器将提取出的特征逐步还原到地图遥感图像大小，每一层解码器的输入为该解码器所连接的编码器的输出与上一层解码器的输出相叠加。
4.根据权利要求3中所述的基于深度学习的独栋建筑物屋顶信息提取方法，其特征在于，所述mscan模块由两个标准化层、一个注意力机制层和一个前馈网络组成，输入特征图首先经过第一个标准化层，然后经过注意力机制层得到输出后特征图，输出后特征图再与第一个标准化层输入相加，进行残差连接得到带有注意力分布的特征图，带有注意力分布的特征图再依次经过第二个标准化层和前馈传播网络，进一步提取特征，具体过程为：
5.根据权利要求4中所述的基于深度学习的独栋建筑物屋顶信息提取方法，其特征在于，所述注意力机制层包括一个5×5的卷积以及3个并行的大内核条状卷积。
6.根据权利要求2中所述的基于深度学习的独栋建筑物屋顶信息提取方法，其特征在于，所述解码器只包含一个3×3卷积。
7.根据权利要求1中所述的基于深度学习的独栋建筑物屋顶信息提取方法，其特征在于，在步骤s2中，构建的用于识别屋顶和背景的深度神经网络模型所用数据集包括多个256×256分辨率大小的图片，使用labelme软件对屋顶区域进行人工标注划分为屋顶以及背景，按8：2的比例随机划分为训练集和验证集。
8.根据权利要求1中所述的基于深度学习的独栋建筑物屋顶信息提取方法，其特征在于，在步骤s4中，通过用于识别屋顶和背景的深度神经网络模型，对地图遥感图像进行处理，获得仅有屋顶和背景的二值化图像，将仅有屋顶和背景的二值化图像输入至轮廓检测算法中，得到地图遥感图像中每一个屋顶的轮廓，根据独栋的位置信息，以二值化图像的左上角为坐标原点，利用代码遍历图像中所有屋顶轮廓线，找出每一个轮廓线对应的x，y坐标的最大值和最小值，通过判断输入位置信息是否分别满足x，y坐标在某一个轮廓线x，y坐标最大值和最小值之间来确定该独栋建筑属于哪一个轮廓线。
9.根据权利要求1中所述的基于深度学习的独栋建筑物屋顶信息提取方法，其特征在于，在步骤s7中，得到独栋建筑屋顶部分像素点个数后，根据地图分辨率，即一个像素点对应实际面积大小计算屋顶面积；具体公式为：屋顶面积＝独栋建筑屋顶部分像素点个数*地图分辨率。
10.基于深度学习的独栋建筑物屋顶信息提取系统，其特征在于，包括：