1.一种长时间序列高精度植被指数改进算法，其特征在于，包括如下步骤：

S1，收集目标区域MODIS遥感影像及GIMMS遥感影像，并对收集的遥感影像进行预处理；

S2，利用所述S1步骤中MODIS遥感影像包含的遥感影像质量评价层，将MODIS遥感影像的像元筛选为可用像元和缺失像元两种；

S3，将所述S2步骤中的MODIS遥感影像的可用像元和缺失像元细分为有效像元和异常像元；

S4，对所述S3步骤中的MODIS遥感影像的异常像元进行四维时空插补，并将插补后的像元和所述S3步骤中所述的有效像元进行合并；

S5，根据所述S1步骤中预处理得到的GIMMS遥感影像以及所述S4步骤中合并后的MODIS遥感影像进行遥感影像的时间维度分类，分为重叠期和预测期；

S6，对S5步骤中时间维度分类后的预测期遥感影像进行多源数据重构建模及检验；

S7，根据所述S6步骤中重构建模后的遥感影像以及所述S5步骤处理中重叠期的遥感影像数据合并，并建立影像数据的回归关系，得到长时间序列高精度的植被绿度变化趋势及变化指数。

2.如权利要求1所述的一种长时间序列高精度植被指数改进算法，其特征在于：在所述S1步骤中，所述MODIS遥感影像为空间分辨率为1公里的MOD13A2产品数据，时间分辨率为16天，时间覆盖范围是2002-2015年；所述的GIMMS遥感影像为空间分辨率8公里的GIMMS NDVI3g产品数据，时间分辨率为15天，时间覆盖范围是1982-2015年；所述的预处理包括遥感影像数据拼接、投影转换、最大值合成法等，处理预处理后的MODIS遥感影像及GIMMS遥感影像的时间分辨率均为月，空间分辨率和时间覆盖范围不变。

3.如权利要求1所述的一种长时间序列高精度植被指数改进算法，其特征在于，在所述S2步骤中，所述的遥感影像质量评价层为MOD13A2产品数据自带的QA(QualityAssessment)层，该层根据MODIS遥感影像可靠指数(良好、混合、云雪像元)，将MOD13A2产品数据的像元分为空值像元、良好像元、混合像元、冰雪像元，以及云像元这五类；所述的像元筛选将QA层中的良好像元及混合像元归并为可用像元，将空值像元、冰雪像元以及云像元归并为缺失像元。

4.如权利要求1所述的一种长时间序列高精度植被指数改进算法，其特征在于，在所述S3步骤中，所述的异常像元主要由两部分组成，一部分来自可用像元中的混合像元，另一部分来自缺失像元；可用像元中的混合像元通过傅里叶时间序列分析法得到，该方法将各像元位置的时域信号转换到频率域，并从频率域中挖掘出各像元位置信号频谱的变化规律和周期，发现信号频谱中突变点对应的时间点与像元值，从而实现混合像元的提取。

5.如权利要求1所述的一种长时间序列高精度植被指数改进算法，其特征在于，在所述S4步骤中，四维时空插补及合并的具体过程为：首先，用λ1、λ2、λ3和λ4定义经度、纬度、日和年四个维度，从而划分四维动态窗口；其次，利用划分好的四维动态窗口，结合所述S3步骤中有效像元的个数，将异常像元进行时空子数据集划分；再次，利用线性分位数回归的方法，结合所述S3步骤中有效像元，对所述S3步骤中的异常像元进行预测，得到异常像元对应栅格上的预测像元；最后，将预测像元和所述S3步骤中有效像元合并，从而得到目标区域完整有效的MODIS遥感影像。在四维时空插补及合并的具体过程中，四维动态窗口的大小主要由以下标准进行评估：时空子数据集中，每景影像中的有效像元不得少于4个，并且每个像元时间序列上的有效值不得少于5个；满足了以上标准后，进行下一步，否则将通过扩大λ1和λ3的值，将时空子数据集的空间逐步增大，直到满足以上标准。在四维时空插补及合并的具体过程中，线性分位数回归的方法是将所述S3步骤中有效像元对应的像元值作因变量，将子数据集中像元的截距和秩作为因变量，对异常像元进行预测。

6.如权利要求1所述的一种长时间序列高精度植被指数改进算法，其特征在于：在所述S5步骤中，重叠期指2002-2015年，预测期指1982-2001年；为了方便后续建模及验证，将重叠期中最靠近预测期的年份2002年划入预测期进行预测，即实际采用的预测期为1982-

2002年，实际采用的重叠期为2003-2015，并将2002年选定为验证年份。

7.如权利要求1所述的一种长时间序列高精度植被指数改进算法，其特征在于：在所述S6步骤中，所述的多源数据重构建模过程为：首先，在重叠期的遥感影像中，将2003-2015年

1公里空间分辨率的MODIS NDVI影像的像元值作为预测域，将2003-2015年8公里空间分辨率的GIMMS NDVI影像的像元值位于响应域；然后，利用预测域像元值与响应域像元值的空间分布特征，建立预测域与响应域像元值之间的经验正交遥相关模型；最后，对1982-2002年8公里空间分辨率的GIMMS NDVI影像的像元值进行空间样条插值，得到1982-2002年1公里空间分辨率的NDVI像元值；所述的检验是通过对比验证年分2002年对应的MODIS遥感影2

像的像元值与多源数据重构建模后的像元值，依靠决定系数(R)和均方根误差(RMSE)这两个指标决定多源数据重构建模精度。

8.如权利要求1所述的一种长时间序列高精度植被指数改进算法，其特征在于：在所述S7步骤中，所述的数据合并是指将预测期1982-2002年重构的1公里空间分辨率的NDVI影像以及S5步骤中所述的重叠期2003-2015年的1公里空间分辨率的MODIS NDVI进行合并，从而得到1982-2015年1公里空间分辨率的NDVI影像数据；所述的回归关系是通过最小二乘回归分析，以时间序列上各像元点对应像元值为回归方程的因变量，以像元时间为回归方程的自变量，以回归方程的回归系数为绿度变化指数。