1.一种基于海量微波遥感卫星数据的再生稻遥感监测方法，其特征在于，包括以下步骤：S1，获取海量微波遥感卫星数据；

S2，对步骤S1中获取的海量微波遥感卫星数据进行处理，得到其分割结果数据；

S3，利用步骤S2中的分割结果数据，得到其水稻空间分布结果数据；

S4，利用步骤S2中的水稻空间分布结果，得到其再生稻空间分布结果数据；

在步骤S3中利用分割结果数据，得到水稻空间分布结果数据的方法为：利用分割结果数据时间序列、年度最大NDVI和年度最大NDWI进行SPRI计算，得到其水稻空间分布；

SPRI的计算方法为：

其中，f(D)为衡量作物的后向散射动态范围与水稻的接近程度；

e为自然底数；

v表示通过百分位策略提取的年度最大后向散射强度；

w表示通过百分位策略提取的年度最小后向散射强度；

D表示后向散射强度差值；

p2表示作物生长期内局部最大后向散射强度；

p1表示作物生长期内局部最小后向散射强度；

其中，f(W)为量化作物生长期局部最小后向散射强度与水的接近程度；

W为第一自变量，也表示第一概率值；

p1表示作物生长期内局部最小后向散射强度；

v表示通过百分位策略提取的年度最大后向散射强度；

w表示通过百分位策略提取的年度最小后向散射强度；

其中，f(V)为量化作物生长期局部最大后向散射强度与植被的接近程度；

V为第二自变量，也表示第二概率值；

p2表示作物生长期内局部最大后向散射强度；

w表示通过百分位策略提取的年度最小后向散射强度；

v表示通过百分位策略提取的年度最大后向散射强度；

SPRI＝f(D)×f(W)×f(V)    3.9)其中，SPRI表示基于合成孔径雷达的水稻指数；

f(D)为衡量作物的后向散射动态范围与水稻的接近程度；

f(W)为量化作物生长期内局部最小后向散射强度与水的接近程度；

f(V)为量化作物生长期内局部最大后向散射强度与植被的接近程度；

在步骤S4中利用水稻空间分布结果，得到再生稻空间分布结果数据的方法为：获取再生稻第一函数f(T)；

利用分割结果数据时间序列与再生稻样本点结合以获取再生稻时间序列曲线，从而确定再生稻第二函数f(P)；根据再生稻第一函数f(T)和再生稻第二函数f(P)得到其SRRI；

再利用水稻空间分布结果数据，得到再生稻空间分布结果数据；

SRRI的计算方法为：

其中，f(T)表示用于衡量作物生长周期与实际再生稻再生季平均生长周期的接近程度；

e为自然底数；

T为作物生长周期；

其中，f(P)用于衡量作物具有再生稻留茬期特征的概率；

P为第三自变量，也表示第三概率值；

p0表示作物生长期内局部最小后向散射强度，且该值出现时间晚于p1；

p1表示作物生长期内局部最小后向散射强度；

p12等于p1和p2上四分位的后向散射强度；

p2表示作物生长期内局部最大后向散射强度；

SRRI＝f(T)×f(P)    3.12)其中，SRRI表示基于合成孔径雷达的再生稻指数；

f(T)用于衡量作物生长周期与实际再生稻再生季平均生长周期的接近程度；

f(P)用于衡量作物具有再生稻留茬期特征的概率。

2.根据权利要求1所述的基于海量微波遥感卫星数据的再生稻遥感监测方法，其特征在于，在步骤S2中对获取的海量微波遥感卫星数据进行处理，得到其分割结果数据的方法为：对获取的海量微波遥感卫星数据进行去云处理，对云处理后的海量微波遥感卫星数据进行边缘检测处理，对边缘检测处理后的数据进行分割处理，分割处理后得到分割结果数据。

3.根据权利要求2所述的基于海量微波遥感卫星数据的再生稻遥感监测方法，其特征在于，边缘检测处理方法采用Canny边缘检测方法；

分割处理的方法为多尺度分割、大规模均值漂移分割和分水岭分割之一或者任意组合方法。

4.根据权利要求3所述的基于海量微波遥感卫星数据的再生稻遥感监测方法，其特征在于，多尺度分割方法包括：hcolor＝∑cωc×σc    3.1)其中，hcolor为光谱异质性；

c为图层数；

ωc为图层的权重；

σc是每一图层的标准差；

其中，hsmoothnesa为光滑度因子；

l为分割区域的周长；

b是最小外接矩阵的周长；

其中，hcompactness为紧致度因子；

l为分割区域的周长；

n是面积；

hshape＝ωsmoothness×hsmoothness×ωcompactness×hcompactness    3.4)其中，hshape为形状异质性；

ωsmoothness为光滑度因子权重；

hsmoothness表示光滑度因子；

ωcompactness为紧致度因子权重；

hcompactness为紧致度因子；

f＝ω×hcolor+(1‑ω)×hshape    3.5)其中，f为影像对象的异质性指数；

ω是光谱异质性权重；

hcolor为光谱异质性；

hshape为形状异质性。

5.根据权利要求3所述的基于海量微波遥感卫星数据的再生稻遥感监测方法，其特征在于，分割处理的方法采用分水岭分割方法。

6.根据权利要求1所述的基于海量微波遥感卫星数据的再生稻遥感监测方法，其特征在于，还包括评价指标，所述评价指标包括总体精度、用户精度、生产者精度、F1分数、Kappa值、AUC值之一或者任意组合；

其中，TP是被正确分类的正样本量；

TN是被正确分类的负样本量；

M表示样本总量；

其中，TP是被正确分类的正样本量；

FP是被错误分类为正样本的负样本量；

TP是被正确分类的正样本量；

FN是被错误分类为负样本的正样本量；

其中，F1分数是用户精度和生产者精度之间的调和平均值；

其中，Kappa是评价分类结果一致性和信度的指标；

pe表示偶然一致性；

2

pe＝[(TP+FN)×(TP+FP)+(FP+TN)×(FN+TN)]/M，其中，pe表示偶然一致性；

TP是被正确分类的正样本量；

FN是被错误分类为负样本的正样本量；

FP是被错误分类为正样本的负样本量；

TN是被正确分类的负样本量；

M表示样本总量；

其中，AUC表示ROC曲线下的面积；

M表示样本总量；

Xp+1和Xp表示相邻两个点的假阳性率；

Yp+1和Yp表示相邻两个点的真阳性率；

还包括为了保障再生稻遥感监测方法的安全性，防止在传输过程中再生稻遥感监测方法的泄露，还包括以下步骤：S5，将再生稻遥感监测方法进行加密，加密后通过U盘、移动硬盘或者网络进行数据的传输；

S6，需要使用再生稻遥感监测方法时，对其加密的再生稻遥感监测方法进行解密进行使用。