1.一种基于集成学习方法和二维小波变换的海冰粗糙度反演方法，其特征在于，包括以下步骤：步骤1：获取目标区域内目标时段中包含海冰的SAR图像，对每幅SAR图像进行数据预处理，得到在空间上均匀的分贝化的后向散射系数图像，即为二维空间SAR图像 为图像中像素点的坐标向量；

步骤2：获取目标区域内目标时段中所有海冰足印点数据，通过对每个足印点计算距离其最近的预设数量足印点的高程标准差，得到每个足印点的海冰实际粗糙度；

步骤3：针对每幅二维空间SAR图像 作复数二维连续小波变换，获得每幅二维空间SAR图像 中每个像素点的复数小波系数 其中φ为每个像素点的小波旋转角，a为每个像素点中复数小波变换的尺度参数，为每个像素点中复数小波变换的平移参数；

步骤4：通过对各幅SAR图像中的每个像素点遍历所有尺度参数和旋转角参数，获得复数小波系数最大模对应的尺度参数am和旋转角参数φm，am和φm构成海冰的空间信息，其中|·|表示取模；

步骤5：将目标区域内目标时段内的SAR图像原始信息和海冰空间特征信息以及对应的海冰实际粗糙度在空间上进行匹配，构建包含以上信息的总数据集；

步骤6：将SAR图像原始信息和海冰空间特征信息作为输入，对应的海冰预测粗糙度作为模型输出，利用训练集对Adaboost回归学习器进行训练，得到训练完成的基于Adaboost回归的海冰粗糙度反演模型；

步骤7：通过步骤6得到的回归模型对测试集进行预测，得到测试集的海冰预测粗糙度并进行模型初步评价、真实性检验和深入评估。

2.如权利要求1所述的基于集成学习方法和二维小波变换的海冰粗糙度反演方法，其特征在于，步骤3所述的复数二维连续小波变换中，复数小波系数的计算公式如下列方程所示；

和 以及r‑φ的公式如下所示：

其中，cψ为使方程满足归一化条件的常数， 为空间频率， 为小波函数ψ的二维傅里叶变换函数的共轭， 为空间图像s(x)的二维傅里叶变换；尺度参数a取为1～32，旋转角φ在0～2π间隔 取值。

3.如权利要求2所述的基于集成学习方法和二维小波变换的海冰粗糙度反演方法，其特征在于，步骤3所述的复数二维连续小波变换中，小波母函数为二维柯西小波函数，其进行二维傅里叶变换后的结果为：其中，ωx是x方向的频率、ωy是y方向的频率、A是小波函数的伸缩参数、α为二维柯西小波函数定义域所在凸锥的半开角。

4.如权利要求1所述的基于集成学习方法和二维小波变换的海冰粗糙度反演方法，其特征在于，步骤1所述的SAR图像的数据预处理依次包括以下步骤：轨道校正、热噪声去除、辐射定标、相干斑滤波、分贝化、二维线性插值。

5.如权利要求1所述的基于集成学习方法和二维小波变换的海冰粗糙度反演方法，其特征在于，步骤5将获得的所述总数据集的所有样本随机打乱，并以7:3的比例分成训练集和测试集。

6.如权利要求1所述的基于集成学习方法和二维小波变换的海冰粗糙度反演方法，其特征在于，步骤7所述模型初步评价为利用测试集的实际粗糙度与预测粗糙度计算模型评价指标初步对模型进行评价，各指标计算公式如下所示：2

其中，R 为决定系数、MAE为平均绝对误差、RMSE为均方根误差、MAPE为平均绝对百分比误差，yi是真实值、 是预测值、是真实值的平均值、N是样本个数。