1.一种基于SAR与光学遥感时序数据的树种分类方法，其特征在于，包括：预先选择研究区域内的部分林班作为训练区域，其余林班作为验证区域数据；

对光学遥感影像数据和SAR影像数据预处理后，采集训练区域的光学遥感影像时序数据和SAR影像时序数据，并分别进行SAR影像与光学遥感影像的特征提取，以获得时序变化特征；

对所述时序变化特征进行聚类分析，建立树种分类体系；

根据多特征的决策树模型以及树种分类体系构建单分类时序特征指数或多分类特征指数的决策规则，并根据所述决策规则对预定地区的树种逐级分类，以获得树种决策树分类模型；

根据所述验证数据对所述树种决策树分类模型的结果进行验证以及精度的评价，并根据精度评价结果调整决策树阈值，以更新树种决策树分类模型；

根据所述更新后的所述树种决策树分类模型提取树种分布图。

2.根据权利要求1所述的基于SAR与光学遥感时序数据的树种决策树分类方法，其特征在于，所述SAR数据预处理包括辐射定标、斑噪去除、地形辐射校正、影像裁剪和镶嵌处理；

所述光学数据预处理包括辐射定标、大气校正、影像裁剪和镶嵌处理。

3.根据权利要求1所述的基于SAR与光学遥感时序数据的树种决策树分类方法，其特征在于，所述SAR和光学遥感时序数据为一个年度的多时相数据，数据的时间覆盖范围为全年

12个月份所有季相。

4.根据权利要求1所述的基于SAR与光学遥感时序数据的树种决策树分类方法，其特征在于，所述辐射定标，根据传感器头文件信息(增益和偏移)进行传感器定标，将DN值图像转换为辐射亮度图像，公式如下：L＝DN/a+L0；其中，L为传感器所接受到的辐射亮度，a为绝对定标系数增益，DN为像元灰度值；L0为偏移量。

5.根据权利要求1所述的基于SAR与光学遥感时序数据的树种决策树分类方法，其特征在于，对所述光学遥感影像数据和SAR影像数据预处理后，分别进行SAR影像与光学遥感影像的特征提取，以获得时序变化特征，具体为：根据归一化植被指数和后向散射系数，构建训练数据时序变化特征数据库，并根据不同的训练数据，统计训练数据时序特征；其中，对大气校正后的光学遥感影像计算反映植被生长状态，以获得归一化植被指数NDVI；其中，对辐射定标后的SAR数据的VV和VH极化方式下的后向散射系数σVV和σVH。

6.根据权利要求5所述的基于SAR与光学遥感时序数据的树种决策树分类方法，其特征在于，归一化植被指数时序特征包括平均值、标准差、变化率、峰值以及拐点；VV极化后向散射系数σVV时序特征包括平均值、标准差、变化率、峰值以及拐点等；VH极化后向散射系数σVH时序特征包括平均值、标准差、变化率、峰值以及拐点。

7.一种基于SAR与光学遥感时序数据的树种决策树分类装置，其特征在于，包括：采集模块，用于预先选择研究区域内的部分林班作为训练数据，其余林班作为验证数据，并根据训练数据采集光学遥感影像数据和SAR影像时序数据特征；

特征提取模块，用于对所述光学遥感影像数据和SAR影像数据预处理后，分别对训练区域进行SAR影像与光学遥感影像的特征提取，以获得时序变化特征；

聚类分析模块，用于对所述时序变化特征进行聚类分析，建立树种分类体系；

构建模块，用于根据多特征的决策树模型以及树种分类体系构建单分类时序特征指数或多分类特征指数的决策规则，并根据所述决策规则对预定地区的树种逐级分类，以获得树种决策树分类模型；

验证模块，用于根据所述验证数据对所述树种决策树分类模型的结果进行验证以及精度的评价，并根据精度评价结果调整决策树阈值，以更新树种决策树分类模型；

提取模块，用于根据所述更新后的所述树种决策树分类模型提取树种分布图。

8.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置由所述处理执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述基于SAR与光学遥感时序数据的树种决策树分类的方法。