1.一种基于数字图像的大气参数反演观测方法，其特征在于，包括以下具体步骤：步骤1，对卫星、航拍及相机等设备获取到的图像进行RGB转换，并对转换后的RGB分量图像进行去噪、归一化预处理，转化为HSI分量图像；同时，实时监测大气参数，所述大气参数包括风速、温度、湿度、PM2.5和PM10，得到大气参数向量fk；

步骤2，在HSI分量图像中分别提取峰值信噪比、对比度、空间频率三种全局特征F2,F2＝(fPSNR,fCR,fSF)，式中，fPSNR,fCR,fSF分别为峰值信噪比、对比度、空间频率的对应值；

步骤3，利用标准正态分布函数作为权值对对HSI分量图像加权，实现对HSI分量图像的分块处理，并对各分块区域图像提取平均方向特征、饱和度特征和平均强度特征；利用BoVW模型实现特征向量聚类，并通过计算欧式距离为特征向量加权，最终获得整幅图像的局部特征向量F1,；

步骤4,建立AlexNet深度学习网络模型，设T1＝F1,T2＝{F2,fk}，将T1，T2同时送入AlexNet网络模型中进行并行训练学习，输出训练学习后的模型大气参数；

步骤5，将模型大气参数与实测数据进行误差分析，根据更新准则进行网络参数迭代更新，最终实现大气参数反演；

步骤6，获取实景图像，通过所述大气参数反演观测模型直接得到大气参数。

2.根据权利要求1所述的基于数字图像的大气参数反演观测方法，其特征在于，步骤3中，利用BoVW模型实现特征向量聚类的具体步骤为：步骤3.1，通过式(1)的K-Means聚类算法对提取的局部多特征向量完成聚类，实现特征的筛选及分类，使特征表达更具代表性和目标性，式中：m为视觉词典大小、i为归类个数、μ为聚类中心、X为待聚类集合、j为聚类中心个数；

步骤3.2，通过式(2)进行平均池化操作，实现局部多特征向量的聚合，保证向量长度统一；

式中：M为局部多特征向量个数；scj为编码后的矩阵中的元素；

步骤3.3，特征向量加权，设图像的中心坐标为(x0,y0)，第k(k＝1,2…,9)个分块区域图像的中心坐标为(xk,yk)，则坐标点的坐标距离为：确定第k(k＝1,2…,9)个分块区域图像的加权特征向量：F1(k)＝zj(k)×φ(Xk),(k＝1,2…,

9)；得到整幅图像的局部特征向量F1，即F1(k)的集合。

3.根据权利要求1所述的基于数字图像的大气参数反演观测方法，其特征在于，步骤4中所述AlexNet深度学习网络模型具体学习流程为：步骤4.1：输入层，在完成步骤1、步骤2和步骤3的数据初始化后，利用AlexNet深度学习网络可多GPU同步训练的特性，将T1，T2同时送入AlexNet深度学习网络进行多GPU同步并行训练；

步骤4.2：隐藏层，由卷积层、池化层和激活函数组成，T1，T2通过五层卷积、两层池化实现图像特征的进一步提取及降采样处理，并通过ReLu激活函数提高网络各层之间的非线性关系；

步骤4.3：全连接层，对经过隐藏层处理后的特征进行综合拟合，并对数据进行DropOut处理；

步骤4.4：输出层，大气参数的向量输出函数为：

式中：Wk为权重系数，Φj为神经单元输出向量，θk为偏移量。

4.根据权利要求1所述的基于数字图像的大气参数反演观测方法，其特征在于，步骤5中的误差分析采用最小均方误差，其公式定义如下：

5.根据权利要求1所述的基于数字图像的大气参数反演观测方法，其特征在于，步骤5中的更新准则为：wi+1＝wi+vi+1                 (6)式中：i是迭代指数，v是动力变量，ε是学习率， 是目标关于w对wi的导数在第i批样例上的平均值。