1.一种遥感影像水体提取方法，其特征在于，包括：获取多个第一遥感图像样本，并根据所述第一遥感图像样本的光谱信息生成所述第一遥感图像样本对应的第一水体图像；其中，所述第一水体图像用于指示所述第一遥感图像样本中的水体部分；

至少根据所述第一遥感图像样本与对应的所述第一水体图像对预设的神经网络模型进行训练，以确定所述神经网络模型的损失函数；其中，所述损失函数根据全局损失与局部损失确定，所述局部损失函数由像素级的交叉熵损失以及像素块的对比损失构成；

通过所述神经网络模型对目标遥感图像进行识别，以生成所述遥感图像对应的目标水体图像；其中，所述目标水体图像用于指示所述目标遥感图像中的水体部分；

所述损失函数包括：

；

其中， 表示所述全局损失， 表示所述局部损失；表示加权系数；

所述全局损失 由以下公式得到：

；

；

；

其中， 表示全局风格特征， 表示通过所有的第一遥感图像样本与所有的第二遥感图像样本构建的训练样本集合中第i个样本， 表示所述神经网络模型的编码器， 和分别表示第一遥感图像样本与所述第二遥感图像样本对应特征图的通道级均值和通道级方差；

表示同一第一遥感图像样本所对应的两个不同的第二遥感图像样本之间的相似度量化结果； 与 分别表示所述第一遥感图像样本的全局特征向量，以及同一个所述第一遥感图像样本所对应的所述第二遥感图像样本的全局特征向量； 与 由以下公式得到：；

表示对所述神经网络模型输出的特征图 进行投影， 表示投影；

N表示所有样本的总数， 为与样本 类别不一致的其余任一样本；

所述局部损失 由以下公式得到：

；

其中， 表示像素级的交叉熵损失， 表示像素块对比损失；

所述 由以下公示得到：

；

；

其中， 表示所述第一遥感图像样本或所述第二遥感图像样本中的第I个像素的交叉熵损失，表示所述第一遥感图像样本或所述第二遥感图像样本的类别值；yc表示所述神经网络模型输出的非归一化得分向量，softmax（yc）表示最大软归一化函数；

所述 根据以像素I为中心，5*5的邻域像素组成的像素块计算获得，所述 由以下公式得到：其中， 和 分别表示像素I的正样本和负样本； 表示像素块内25个像素的点积均值， 和 分别表示正、负样本在所述神经网络模型的空间嵌入特征集合；表示加权常量。

2.根据权利要求1所述的方法，其特征在于，所述根据所述第一遥感图像样本的光谱信息生成所述第一遥感图像样本对应的第一水体图像，包括：根据所述第一遥感图像样本的光谱信息计算所述第一遥感图像样本对应的归一化水体指数；其中，所述光谱信息包括以下至少之一：绿光波段、近红外波段、中红外波段；

根据所述归一化水体指数对所述第一遥感图像样本对应的指数特征图进行处理，以得到所述第一遥感图像样本对应的水体提取结果；

根据所述水体提取结果得到所述第一水体图像；

所述根据所述水体提取结果得到所述第一水体图像，包括：对于水体提取结果进行剪裁以得到预设尺寸的图像切片；

对所述图像切片中的独立像素进行聚类，根据聚类结果消除所述图像切片中的空洞区域，以得到所述第一水体图像。

3.根据权利要求2所述的方法，其特征在于，所述根据所述第一遥感图像样本的光谱信息计算所述第一遥感图像样本对应的归一化水体指数，包括：在所述第一遥感图像样本包括近红外波段的情形下，根据以下公式计算归一化水体指数NDWI：；

其中，所述 表示所述第一遥感图像样本的绿光波段信息，所述 表示所述第一遥感图像样本的近红外波段信息；

在所述第一遥感图像样本包括中红外波段的情形下，根据以下公式计算归一化水体指数MNDWI：；

其中，所述 表示所述第一遥感图像样本的绿光波段信息，所述 表示所述第一遥感图像样本的中红外波段信息。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述至少根据所述第一遥感图像样本与对应的所述第一水体图像对预设的神经网络模型进行训练之前，还包括：根据所述第一遥感图像样本得到多个第二遥感图像样本；其中，所述第二遥感图像样本包括以下至少之一：所述第一遥感图像样本进行季节变化处理后的图像、所述第一遥感图像样本进行裁剪、放大/缩小、平移、错切、镜像和旋转任一项处理后的图像；

根据所述第二遥感图像样本的光谱信息生成所述第二遥感图像样本对应的第二水体图像；其中，所述第二水体图像用于指示所述第二遥感图像样本中的水体部分；

所述至少根据所述第一遥感图像样本与对应的所述第一水体图像对预设的神经网络模型进行训练，包括：根据所述第一遥感图像样本与对应的所述第一水体图像，以及所述第二遥感图像样本与对应的所述第二水体图像对所述神经网络模型进行训练。

5.根据权利要求4所述的方法，其特征在于，所述根据所述第一遥感图像样本与对应的所述第一水体图像，以及所述第二遥感图像样本与对应的所述第二水体图像对所述神经网络模型进行训练，包括：S1，将所述第一遥感图像样本与所述第二遥感图像样本输入至所述神经网络模型，根据所述神经网络模型得到输出结果；

S2，根据所述输出结果与所述第一水体图像或所述第二水体图像确定所述神经网络模型的损失值；

S3，根据所述损失值调整所述神经网络模型的损失函数；

迭代执行上述S1至S3，直至所述损失值收敛至预设阈值以完成所述神经网络模型的训练。

6.根据权利要求1所述的方法，其特征在于，所述局部损失 计算过程中，每一所述第一遥感图像样本和所述第二遥感图像样本中根据高斯分布选取40至60个像素点作为计算对象。

7.根据权利要求1至3任一项所述的方法，其特征在于，所述通过所述神经网络模型对目标遥感图像进行识别，包括：将位于所述神经网络模型末端的映射层去除，并将修改后的所述神经网络模型与OCRNet解码器连接，以对于所述目标遥感图像进行识别。

8.一种遥感影像水体提取的交互方法，其特征在于，包括：响应于用户所选择的目标对象，向所述用户提供所述目标对象对应的目标水体图像；

其中，所述目标水体图像是根据权利要求1至7任一项所述的遥感影像水体提取方法对所述对象所包括的目标遥感图像进行识别生成的。

9.根据权利要求8所述的方法，其特征在于，所述目标对象包括目标遥感图像和/或目标区域，所述目标区域包括多个所述目标遥感图像构成；

所述方法还包括：

通过gdal库对所述目标水体图像进行矢量计算，以生成geojson矢量图；

将所述geojson矢量图按照预设编码转化为字符串，并根据gRPC协议将字符串发送至前端页面。