1.一种基于雷达时序观测的农作物抽穗期识别方法，其特征在于，通过指标计算获得去极化指数，通过谐波分解实现时序去极化指数的周期性参数提取，通过权重分析确定时序去极化指数的主导周期性分量，通过波峰探测对农作物抽穗期进行识别，结合土地利用产品实现农作物抽穗期制图；

所述基于雷达时序观测的农作物抽穗期识别方法具体步骤包括：S1，指标计算：

获取年度雷达时序观测的VH和VV极化数据，使用下式进行去极化指数计算：VH/10 VH/10 VV/10

DI＝10 /(10 +10 )

S2，谐波分解：

对于时序去极化指数D[t]，t为归一化年积日，使用下式进行谐波分解：a代表时序均值，Ai代表第i阶余弦项幅度， 代表第i阶余弦项相位；使用最小二乘拟合获得a、Ai和 的值；

S3，权重分析：

第i阶余弦项的权重Wi定义为下式：

三个余弦项的权重最大值WMax为：

当第i阶余弦项的权重Wi等于三个余弦项的权重最大值WMax时，即：Wi＝WMax

主导周期性分量为第i阶余弦项；

S4，波峰探测：

第1阶余弦项有1个波峰，波峰日期C1由下式计算：第2阶余弦项有2个波峰，波峰日期C2a和C2b由下式计算：第3阶余弦项有3个波峰，波峰日期C3a,C3b和C3c由下式计算：S5，农作物抽穗期制图：

获取土地利用产品，提取耕地区域；在耕地区域逐像素确定主导周期性分量，进而确定波峰数量和日期；逐月份地判断耕地是否处于农作物抽穗期，实现农作物抽穗期制图。

2.如权利要求1所述的基于雷达时序观测的农作物抽穗期识别方法，其特征在于，S3中，谐波分解将时序DI视为常数分量与三个阶次余弦分量的合成，则时序DI中的每个波峰都是三个阶次余弦分量的波峰的合成；波峰的局部趋势近似表达为波谷到波峰的斜率，该斜率在余弦分量中表示为幅度和阶次i的比值，代表着余弦分量的权重，拥有最大权重的余弦分量描述了时序DI的主导周期性。

3.如权利要求1所述的基于雷达时序观测的农作物抽穗期识别方法，其特征在于，S4中，余弦分量的波峰位置取决于相位和阶次i，余弦分量的中心点日期为 该日期对应第

2阶余弦分量的波峰，对应第1阶和第3阶余弦分量的波谷；以中心点日期为初始点，以余弦分量的半周期整数倍为间隔，通过步进运算获得其余波峰的日期。

4.如权利要求1所述的基于雷达时序观测的农作物抽穗期识别方法，其特征在于，S5中，农作物抽穗期识别的前提是获知确定耕地区域，通过逐像素地进行指标计算、谐波分解、权重分析和波峰探测，获取耕地区域的农作物抽穗期；为了更好地展示农作物抽穗期的时间分布特点，采取逐月份制图策略，识别耕地像素是否处于农作物抽穗期。

5.一种应用如权利要求1～4任意一项所述基于雷达时序观测的农作物抽穗期识别方法的基于雷达时序观测的农作物抽穗期识别系统，其特征在于，包括：指标计算模块：用于获取年度雷达时序观测的VH和VV极化数据，进行去极化指数计算；

谐波分解模块：用于对时序去极化指数进行谐波分解；

权重分析模块：用于进行权重分析；

波峰探测模块：用于进行3阶余弦项的波峰探测；

农作物抽穗期制图模块：用于获取土地利用产品，提取耕地区域；在耕地区域逐像素确定主导周期性分量，进而确定波峰数量和日期；逐月份地判断耕地是否处于农作物抽穗期，实现农作物抽穗期制图。

6.一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求1～4任意一项所述的基于雷达时序观测的农作物抽穗期识别方法的步骤。

7.一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求1～4任意一项所述的基于雷达时序观测的农作物抽穗期识别方法的步骤。