1.一种基于多时相Sentinel‑2数据的大豆种植区提取方法，其特征在于：该方法包括下列顺序的步骤：

(1)获取Sentinel‑2影像数据和辅助数据，对Sentinel‑2影像数据和辅助数据进行预处理，得到研究区的影像；

(2)采用决策树的方法，将研究区的影像内的非农作物像元进行剔除，得到研究区的植被总体分布；

(3)基于经过步骤(1)预处理之后的Sentinel‑2影像数据，生成所有特征的集合，将植被指数、纹理特征、微波特征、Sentinel‑1IW GRD级数据以及经过步骤(1)预处理之后的Sentinel‑2影像数据融合在一起，利用研究区的植被总体分布对融合后的数据进行掩膜，得到掩膜后的所有特征的集合；

(4)对掩膜后的所有特征的集合进行特征优选，筛选出各个分类器对应的最佳特征子集，通过分类结果，选出最佳分类器；

(5)通过获取的最佳分类器和该分类器对应的最佳特征子集，组成大豆最佳提取模型，并对大豆最佳提取模型的大豆提取效果进行评估，并得到该研究区内的大豆最佳制图效果。

2.根据权利要求1所述的基于多时相Sentinel‑2数据的大豆种植区提取方法，其特征在于：在步骤(1)中，所述Sentinel‑2影像数据为通过在欧空局哥白尼数据中下载6幅L2A级的Sentinel‑2影像数据，分别为2019年8月18日、2019年8月28日和2019年9月7日；所述辅助数据包括Sentinel‑1IW GRD级数据、Planet验证数据、矢量数据、地表覆盖图和统计年鉴；

所述预处理包括：对Sentinel‑2影像数据，将其所有的波段运用双线性内插法重采样为

10m，将得到的10个分辨率为10m的波段，导出为ENVI格式，并用ENVI软件进行波段合成、镶嵌、裁剪以及进行反射率的计算，获得研究区的影像；针对辅助数据中的Sentinel‑1IW GRD级数据，通过SNAP软件中的Graph Builder流程化工具，分别进行热噪声去除、轨道校正、辐射定标、相干斑滤波、地形校正和分贝化，对得到的结果进行镶嵌与裁剪，获得研究区的影像。

3.根据权利要求1所述的基于多时相Sentinel‑2数据的大豆种植区提取方法，其特征在于：所述步骤(2)具体是指：通过归一化建筑指数NDBI、改进的归一化水体指数MNDWI、Sentinel‑2影像数据的B8波段以及FROM‑GLC10文件构建决策树，通过决策树依次剔除研究区的影像中的建筑、道路、水体和裸土；所述归一化建筑指数NDBI的表达式为：NDBI＝(B11‑B8)/(B11+B8)

式中，B8为近红外波段反射率值，B11为短波红外波段反射率值；

所述改进的归一化水体指数MNDWI是在归一化差异指数NDWI的基础上对其波长组合方式进行改进，其表达式为：MNDWI＝(B3‑B11)/(B3+B11)

式中，B3为绿波段反射率值，B11为短波红外波段反射率值；

所述B8波段为Sentinel‑2影像数据自带的10m近红外波段；

所述将研究区的影像内的非农作物像元进行剔除是指通过决策树对将研究区的影像内的非农作物像元进行掩膜，得到研究区的植被总体分布。

4.根据权利要求1所述的基于多时相Sentinel‑2数据的大豆种植区提取方法，其特征在于：在步骤(3)中，所有特征的集合包括植被指数、纹理特征、微波特征、Sentinel‑1 IW GRD级数据以及经过步骤(1)预处理之后的Sentinel‑2影像数据；所述植被指数是波段间的线性或者非线性之间组合，反映植被的活性辐射值以及植被的丰富度，分别选取Sentinel‑

2影像数据的三个时相的EVI、MTCI、NDVIre2、REP、SAVI的植被指数、8月18日与8月28日相互融合后得到的植被指数、8月28日与9月7日相互融合后得到的植被指数，共计得到25个植被指数；所述纹理特征为在ENVI软件中运用灰度共生矩阵，使用3×3的窗口分别提取Sentinel‑2影像数据的三个时相的8个纹理特征，分别为是均值、方差、对比度、二阶矩、同质性、信息熵、相关性、异质性、8月18日与8月28日对应的纹理特征相减、8月28日与9月7日对应的纹理特征相减，一共得到四十个纹理特征，随机筛选保留8个纹理特征；通过Sentinel‑1 IW GRD级数据得到VV、VH两种极化方式的数据，在两种数据的基础上进行代数运算，分别得到Sentinel‑2影像数据的三个时相的VH+VV、VH‑VV、VH×VV、VH/VV，共计得到

30个微波特征，然后随机筛选Sentinel‑2影像数据的三个时相的VH、VV、VH+VV特征，得到共计9个微波特征。

5.根据权利要求1所述的基于多时相Sentinel‑2数据的大豆种植区提取方法，其特征在于：所述步骤(4)具体是指：通过ENVI软件，对研究区的地物样本进行标注，选取Sentinel‑2影像数据的三个时相的特征，以及各个时相相互融合后而生成的特征，随机筛选85个特征，对于这85个特征采用ReliefF算法进行特征优选，进而得到所有特征权重的排序图，ReliefF算法的公式如下：式中，H(x)为样本x同类最邻近样本点；M)x)为表示与样本x异类最邻近样本点；θ为假设间隔，即在保持样本分类不变的情况下，决策面能够移动的最大距离；

进行最佳特征子集的筛选，采用序列前向选择法，利用与分类器耦合的方式，首先按照特征权重顺序，依次将特征加入到分类器当中，每一次加入一个特征以后就给出一个总体分类精度OA，直到将85个特征全部输入完毕，绘制出总体分类精度曲线；通过总体分类精度曲线判断，若随着特征的加入总体分类精度一直增加则保留该特征，当特征的加入总体分类精度下降，则剔除该特征，当精度达到最大值时剔除后面所有的特征，最终筛选出最佳特征子集；通过随机森林、BP神经网络、支持向量机SVM三种分类器以及各自对应的最佳特征子集最终生成大豆分类结果图；运用planet影像对各个样方中的大豆进行分类，作为样方中的真实大豆真实分布图，对三种分类器的分类结果进行验证，通过kappa系数为依据判断最佳分类器，kappa系数越高代表着分类结果越高；

所述kappa系数的计算公式如下：

式中，N表示像元总数，m是类别数，xkk是混淆矩阵对角线上的像元个数，xk+和x+k分别是第k行和第k列的像元总数。

6.根据权利要求1所述的基于多时相Sentinel‑2数据的大豆种植区提取方法，其特征在于：在步骤(5)中，所述对大豆最佳提取模型的大豆提取效果进行评估具体是指通过以下两种方法进行评估：(6a)将经过步骤(1)预处理之后的Sentinel‑2影像数据输入到最佳分类器中，得到分类结果，运用3m分辨率的planet影像对分类结果进行验证，生成混淆矩阵和kappa系数；

(6b)将最佳特征子集输入到最佳分类器中，得到分类结果，运用3m分辨率的planet影像对分类结果进行验证，生成混淆矩阵和kappa系数；

所述混淆矩阵包括采用总体精度OA、制图精度PA和用户精度UA，所述总体精度OA为像元被正确分类的个数与总共的类别个数的比值；所述制图精度PA为假设像元真实为N类，分类器将所有像元归为N类的概率；所述用户精度UA为分类器将像元判定为N类时，对应的真实像元为N类的概率；

通过步骤(6a)和步骤(6b)得到的kappa系数来检验大豆最佳提取模型的分类效果，kappa系数越高，表示大豆最佳提取模型的分类效果越好，通过大豆最佳提取模型得到研究区内的大豆最佳制图效果。