1.一种基于时序植被遥感影像的湿地要素时空演变监测方法，其特征在于该方法包括如下步骤：步骤(1)：遥感影像预处理；

步骤(2)：利用RIRLS方法去除噪音；

所述RIRLS方法下：

式中： 表示基于RIRLS拟合的Julian日期x的第i个Landsat波段的预测值，x表示儒略日，i表示第i个陆地卫星波段，T表示每年的天数，N表示陆地卫星的年数，a0,i表示第i个陆地卫星波段的总体值的系数，a1,i、b1,i表示第i个陆地卫星波段的年内变化系数，a2,i、b2,i表示第i个陆地卫星波段的年际变化系数；

步骤(3)：构建时间序列堆栈数据集；

步骤(4)：计算光谱指数；

步骤(5)：构建时序光谱变化检测模型；

构建时序光谱变化检测模型是通过运行CCDC算法，通过将谐波回归模型拟合时间系列中的所有光谱波段来逐像素检测光谱变化，当利用RIRLS排除掉异常值之后，利用OLS方法可以更快更准确捕获地表变化，如下式所示；

式中：c1,ix表示第i个陆地卫星波段的年际变化系数；

步骤(6)：时间序列谐波分析；

时间序列谐波分析要是确定谐波的余项值以及几个谐波的振幅和位相，傅里叶序列的数学表达式如下式所示：式中：A0表示谐波的余项，等于序列的平均值；Aj表示各谐波的振幅；θj表示各谐波的初相位；Kj表示各谐波的频率；m表示谐波个数；

步骤(7)：获取季节年内或者年际变化趋势；

经过变化监测之后，每个像素在任何变化前后都有自己的时间序列模型，该模型具有季节性、趋势和断点的分量；

步骤(8)：将监测模型阵列结果转化常规图；

CCDC输出为二维矩阵阵列图像，阵列图像包含模型系数、模型RMSE的多维矩阵以及检测到每个时间段变化的信息，转为常规图像获取湿地要素变化的变量；

步骤(9)：合成任何波段表面反射图像；

步骤(10)：比较预测值和观测值的残差；

比较预测值和观测值的残差是通过CCDC算法，CCDC算法通过设置一定阈值来减少假阳性错误，将线性模型拟合到具有一定的稳定历史时期来发现中断，然后添加新的观测值，并将它们的残差与历史时期的RMSE进行比较；

步骤(11)：确定像素在规定时间内的断点；

获取湿地要素发生变化的断点图像，以分析湿地要素发生变化的时间；步骤(12)：为变化像素提取变化幅度和恢复度量；

利用变化函数以图像格式、以正确的日期格式开始和结束日期、获取湿地要素变化信息的光谱波段以及定义的段列表：最大变化幅度、变化的日期和变化的次数；

步骤(13)：为样本集添加数字和日期属性；

步骤(14)：将时序光谱模型的系数转换为可分类的图像；

在对每个样本点进行预测之前，需要先构建CCDC系数图像进行采样；

步骤(15)：为每个训练样本点添加唯一ID；

步骤(16)：获取每个训练样本点的预测值；

步骤(17)：训练机器学习分类器；

步骤(18)：利用分类模型生成每个时间段的分类图像；

步骤(19)：获得所给定时间的土地覆盖类型图；

分类图像中每个波段的地表覆盖标签对应于每个像素的不同时间段，由此绘制出特定日期之间或者某种类别之间的土地覆盖变化图；

步骤(20)：评价指标和精度评估；

评价指标和精度评估采用制图精度、用户精度、平均精度、Kappa值与总体分类精度5种精度指标来验证模型对湿地要素的分类情况；利用统计模型、辅助数据以及先验知识对变化监测结果和分类结果进行精度评估。