1.一种基于Sentinel‑1、2影像的大豆种植区识别方法，其特征在于，包括以下步骤：

11)Sentinel‑1、2影像的获取和预处理：获取大豆生长季内Sentinel‑2卫星影像，进行预处理后计算5个植被指数并选择5个原始波段；获取大豆生长季内Sentinel‑1影像，并进行预处理后选择2个原始波段；分别对所选的植被指数及原始波段进行耕地掩膜处理；

12)时间序列特征提取：利用2阶线性谐波模型提取大豆生长季内掩膜后的Sentinel‑2卫星影像的5个取植被指数及5个原始波段的时间序列特征，作为Sentinel‑2候选时间序列特征；利用2阶线性谐波模型提取大豆生长季内掩膜后的Sentinel‑1卫星影像的2个原始波段的时间序列特征，作为Sentinel‑1候选时间序列特征；汇总Sentinel‑2和Sentinel‑1所有候选时间序列特征，得到时间序列特征；

13)支持向量机模型的构建：构建支持向量机分类模型；

14)优选特征子集确定：构建随机森林分类模型，利用随机森林分类模型计算所有时间序列特征的重要性得分；分别计算Sentinel‑2和Sentinel‑1候选时间序列特征中每两个候选特征之间的斯皮尔曼相关系数，按照时间序列特征的重要性降序去除斯皮尔曼相关系数大于0.5或小于‑0.5的候选特征，得到优选特征子集；

15)大豆种植区识别：将优选特征子集输入支持向量机分类模型训练，得到分类结果并提取出大豆种植区。

2.根据权利要求1所述的基于Sentinel‑1、2影像的大豆种植区识别方法，其特征在于，所述Sentinel‑1、2影像的获取和预处理包括以下步骤：

21)在GlobeLand30网站下载30m空间分辨率的土地覆盖数据，在ArcGIS软件中进行镶嵌及剪裁，然后利用ArcGIS软件中提取工具获得耕地数据，并上传至GEE云计算平台；

22)在GEE云计算平台中调用大豆生长季内所有的Sentinel‑2卫星大气底端反射率数据，利用质量控制QA60波段将云量限制在10％以内，并将所有波段值除以10000得到各个波段反射率值；

23)计算大豆生长季内Sentinel‑2卫星影像的增强型植被指数EVI、归一化植被指数NDVI、归一化耕作指数NDTI、归一化差值衰变指数NDSVI、红边位置指数REPI，共5个植被指数；

并选择大豆生长季内Sentinel‑2卫星影像的红边1、红边2、红边3、短波红外1和短波红外2，共5个原始波段；

利用耕地数据对大豆生长季内Sentinel‑2卫星影像的5个植被指数和5个原始波段进行耕地掩膜，其中Sentinel‑2卫星影像的植被指数计算公式如下所示：其中，Red、Blue、NIR分别是Sentinel‑2的红光、蓝光和近红外波段反射率值；

其中，NIR和Red分别是Sentinel‑2的近红外和红光波段反射率值；

其中，SWIR1和SWIR2分别是Sentinel‑2的短波红外1和短波红外2波段反射率值；

其中，SWIR1和Red分别是Sentinel‑2的短波红外1和红光波段反射率值；

其中，Red是Sentinel‑2的红光波段反射率值，RE1、RE2和RE3是Sentinel‑2的三个红边波段即红边1、红边2、红边3波段反射率值；

24)在GEE云计算平台中调用大豆生长季内所有的Sentinel‑1卫星Level‑1地距影像数据，成像方式为干涉测量宽幅模式，利用Sentinel‑1工具箱进行预处理；选择Sentinel‑1卫星影像的VV、VH波段，共2个原始波段；利用耕地数据对大豆生长季内Sentinel‑1卫星影像的2个原始波段进行掩膜处理。

3.根据权利要求1所述的基于Sentinel‑1、2影像的大豆种植区识别方法，其特征在于，所述时间序列特征提取包括以下步骤：

31)利用2阶线性谐波模型提取大豆生长季内掩膜后的Sentinel‑2卫星影像的5个植被指数和5个原始波段的时间序列特征；利用2阶线性谐波模型提取大豆生长季内掩膜后的Sentinel‑1卫星影像的2个原始波段的时间序列特征；其中，2阶线性谐波模型计算公式如下：f(t)＝b+C1cos(3πt)+D1sin(3πt)+C2cos(6πt)+D2sin(6πt)，其中，f(t)是第t时刻分别拟合的Sentinel‑2卫星影像的5个植被指数和5个原始波段值以及Sentinel‑1卫星影像的2个原始波段值，b是常数项，C1、C2、D1、D2是余弦函数和正弦函数的系数，t是一年中的一天，取相位和振幅作为各个时间序列特征输入，其中振幅1定义为二维矢量[C1，D1]的长度，振幅2定义为二维矢量[C2，D2]的长度，相位1定义为二维矢量[C1，D1]的角度，相位2定义为二维矢量[C2，D2]的角度；

32)汇总Sentinel‑2和Sentinel‑1所有候选时间序列特征，得到时间序列特征，其中汇总的计算公式如下所示：VI＝VI1.addBands(VI2).addBands(VI3)…addBands(VIx)其中，VI1表示第一个候选时间序列特征，VIx表示为最后一个候选时间特征，.addBands()为添加特征的函数。

4.根据权利要求1所述的基于Sentinel‑1、2影像的大豆种植区识别方法，其特征在于，所述支持向量机模型的构建包括以下步骤：

41)在GEE云计算平台中调用支持向量机分类模型，选择核函数类型及其参数；

42)设定核函数类型选择线性核函数，cost设置为1，其他参数保持默认值。

5.根据权利要求1所述的基于Sentinel‑1、2影像的大豆种植区识别方法，其特征在于，所述优选特征子集确定包括以下步骤：

51)在GEE云计算平台中调用随机森林分类模型，设置的参数包括：决策树的数量、最大特征数、决策树深度、叶子节点最少样本数、节点划分的最小样本数，其中将决策树的数量设置为300，其他参数保持默认值；

52)将时间序列特征输入随机森林分类模型进行训练，其步骤如下：

521)基于时间序列特征集，采用随机且有放回地抽样Bagging方法产生每棵决策树的训练子集；

522)设定随机森林由多棵CART决策树组成，CART决策树采用基尼Gini系数选择最优特征；其具体步骤如下：

5221)对于特征X，根据某一属性值将其划分为两个子集，计算该属性值进行节点划分得到的基尼值，基尼值的计算公式如下所示：其中，k表示类别个数，pk样本属于第k类的概率；

5222)计算每个特征的基尼系数，选择基尼系数最小的特征X进行节点划分，基尼系数Gini(D,X)的计算公式如下所示：其中，D表示给定样本集合，D1和D2是将D划分成的两个子集；

5223)遍历特征X的所有属性值，选择基尼系数最小的属性值作为特征X的最优划分节点值；

5224)不断遍历这棵树的特征子集，重复步骤5221)和步骤5222)直至所有的特征都被选择完毕或子数据集都属于同一类；

53)利用explain函数计算随机森林训练过程中所有时间序列特征的重要性得分，其中，重要性得分的计算步骤如下所示：

531)每个特征基尼指数GIm的计算公式为：

其中，k表示类别个数，pmk表示节点m中类别k所占的比例；

532)计算特征Xj在节点m的重要性 即节点m分枝前后的基尼指数变化量的计算公式如下：

其中，GIl和GIr分别表示分枝后两个新节点的基尼指数；

533)计算特征Xj在第i颗树的重要性 其计算公式如下：其中，n表示为决策树的棵树，集合M表示特征Xj在决策树i中出现的节点，m为M中的某个节点；

534)计算特征Xj最终的重要性得分，其计算公式如下：

其中，c表示特征的数量；

54)在GEE云计算平台中调用ee.Reducer.spearmansCorrelation()算法，分别计算Sentinel‑2和Sentinel‑1候选时间序列特征中每两个候选特征之间的斯皮尔曼相关系数，斯皮尔曼相关系数的计算公式如下所示：其中，分子为两个序列之间的误差之和，反映两个候选特征之间的差异；分母为与序列长度相关的一个常数；

计算过程为：对于维度为n的两个候选特征X和Y，Xi、Yi分别表示它们对应的第i(1≤i≤n)个特征值；对X和Y按照升序或降序的相同方式进行排列，得到新的序列x、y，其中，元素xi为Xi在X中的排行、yi为Yi在Y中的排行，获得差分集合di＝xi－yi，最后代入公式求解；

55)令优选特征子集从空集开始，按时间序列特征重要性分数降序的顺序，首先将最重要的候选特征添加进特征子集中，从第二重要的候选特征开始，查看其与优选特征子集中已含特征之间的斯皮尔曼相关系数，若与优选特征子集中已含特征的相关系数大于0.5或小于‑0.5，则舍弃当前候选特征，以此类推直至最后一个候选特征，最终得到优选特征子集。

6.根据权利要求1所述的基于Sentinel‑1、2影像的大豆种植区识别方法，其特征在于，所述大豆种植区识别包括以下步骤：

61)将优选特征子集输入支持向量机模型进行训练，其中训练具体步骤如下：

611)令 表示将样本x映射后的特征向量，构造在特征空间中划分超平面所对应的模型f(x)表示为：T

其中，w为法向量，b为位移项；

2

612)计算超平面最大间隔，将||w||最小化：

其中， 为最小化函数，s.t.为该最小化函数中参数w、b的约束条件，m为样本数量，yi为某一样本对应的类别；

2

该公式表示在约束条件 下求||w||最小的参

数对w、b；

613)构造线性核函数：

其中，k(xi,xj)为线性核函数，xi,xj为所选取的样本值， 是第i个样本映射后的特征向量， 是第j个样本映射后的特征向量；

614)构建拉格朗日函数：

其中，w和b为模型的参数，α＝(α1；α2；…；αm)为拉格朗日乘子，m为样本数量，yi为某第i个样本对应的类别， 是第i个样本映射后的特征向量；

615)利用拉格朗日乘子法，求对偶问题：

其中，α＝(α1；α2；…；αm)为拉格朗日乘子，m为样本数量，yi,yi为样本类别，k(xi,xj)为线性核函数， 为最小化函数， 为该最小化函数中α的约束条件；

616)得到最优的超平面F(x)

其中，αi为拉格朗日乘子，k(xi,xj)为线性核函数，m为样本数量，b是参数；

62)利用最优的超平面将分类样本分布在这个平面的两侧，得到最终分类结果；

63)利用eq()函数提取分类结果中的大豆种植区。