1.一种基于高斯混合模型的遥感时序数据拟合方法，包括以下步骤：

步骤1：获取遥感时序数据；对同一地区的多景遥感影像确定采样点，依次读取各遥感影像在采样点处的NDVI值，并按时间顺序组织成NDVI时序数据；

步骤2：估算概率值；以时间为横轴，NDVI值为纵轴，绘制NDVI时序数据散点图，N个元素的NDVI时序数据，按采集顺序把横轴分割为N-1个区间T，即T为[1,2)，[2,3)，[3,4)，…，[N-

1,N)；分别计算相邻时序点和横轴构成的梯形的面积，再求得各个区间梯形面积占总面积的百分比，以此作为当前区间的概率值进行后续计算；

步骤3：概率值转化；约定一个放大比例M，各个区间的概率值乘以M取整后得到A＝{a1，a2，…，aN}，依次分割各个对应的区间为等间隔子区间t，其中i∈N，1≤i≤N-1；构成新序列t序列，

t序列＝{t[1,2),t[2,3),……,t[N-1,N)}；

步骤4：高斯混合模型参数求解；将新时间序列t序列作为观察数据，求解高斯混合模型(GaussianMixture Model，简称GMM)；高斯混合模型P(x)是概率分布模型，具有如下形式：其中，x是自变量，共有K个一维高斯模型，k为其中的一个；αk是权重系数，为正数且所有系数和为1，即 φ(x|θk)是密度函数，符合高斯分布，θk满足均值和方差为(μk,σk2)；通过Expectation Maximum(EM)算法对高斯混合模型参数进行估计，得到各个单高斯函数及其权重比值，从而组成遥感时序数据的多峰高斯拟合函数。

2.根据权利要求1所述的基于高斯混合模型的遥感时序数据拟合方法，其特征在于以下两个方面：(1)以各区间面积占比作为概率估计值重构序列；(2)采用高斯混合模型对遥感时序数据进行多峰高斯拟合。