1.一种基于直方图聚类的高时空归一化植被指数NDVI的融合模型，其特征在于，包括：S1，获取t0时刻的高空间分辨率NDVI数据HSt0，并对高空间分辨率NDVI数据进行高斯滤波处理，根据局部直方图特征，获取分类图1；

S2，基于S1的结果，采用线性混合模型对t0与tp时刻下获取的低空间分辨率NDVI数据进行上采样，获得不同时刻下与HSt0同等分辨率的HSu0和HSup；

S3，基于S2的结果，将HSt0、HSu0和HSup作为输入数据，利用线性混合模型初次预测tp时刻下高空间分辨率NDVI数据，记为HStp1；

S4，根据HSt0与HStp1的局部直方图特征，生成分类图2；

S5，基于S4的结果，将HSt0、HSu0和HSup作为输入数据，利用线性混合模型再次预测tp时刻下高空间分辨率NDVI数据，记为HStp2；

S6，基于不同新粗像元的大小，进行多次HStp2的预测，然后求算术平均值，最终生成tp时刻的高分辨率NDVI；

其中，HSu0表示t0时刻低空间分辨率NDVI数据上采样产生的HSt0同等分辨率数据；

HSup表示tp时刻低空间分辨率NDVI数据上采样产生的HSt0同等分辨率数据。

2.根据权利要求1所述的一种基于直方图聚类的高时空归一化植被指数NDVI的融合模型，其特征在于，采用线性混合模型对t0与tp时刻下获取的低空间分辨率NDVI数据进行上采样，具体包括：S101：提取每个混合像元内各类别的丰度，得到类别丰度图；

S102：根据粗像元NDVI值等于该像元内各类别NDVI值与其丰度的线性组合原理，对LSt0和LStp分别构建两个相同的高低分辨率NDVI值线性混合模型；

S103：采用最小二乘方法对LSt0和LStp分别构建的高低分辨率NDVI值线性混合模型进行求解，生成不同时刻下与HSt0同等分辨率的HSu0和HSup。

3.根据权利要求2所述的一种基于直方图聚类的高时空归一化植被指数NDVI的融合模型，其特征在于，S101中丰度计算公式如下：式中，fl(xi,yi)为混合像元(xi,yi)中l类别的丰度，Ql为混合像元(xi,yi)中l类别的像元数，wmix为混合像元的宽度。

4.根据权利要求3所述的一种基于直方图聚类的高时空归一化植被指数NDVI的融合模型，其特征在于，S102中构建NDVI值线性混合模型如下：式中，NDVIC(xi,yi)为粗像元在(xi,yi)处的像元值，此处粗像元是基于HSu0和HSup按预定数量细像元组成的新粗像元；l为分类数，fl(xi,yi)为l类别在粗像元(xi,yi)内的丰度，NDVIF,C为l类别高分辨率像元NDVI的值。

5.根据权利要求1所述的一种基于直方图聚类的高时空归一化植被指数NDVI的融合模型，其特征在于：根据HSt0与HStp1的局部直方图特征，生成分类图2，具体包括：S201：基于HSt0，采用3*3移动窗口构建16维局部直方图特征，生成分类图1；

S202：获得HStp1后，采用3*3移动窗口构建16维局部直方图特征；

S203：将构建的两张16维局部直方图特征组合扩张成32维的局部直方图特征，生成分类图2。

6.根据权利要求4所述的一种基于直方图聚类的高时空归一化植被指数NDVI的融合模型，其特征在于：步骤S3与S5分别利用分类图1与分类图2求解线性混合模型生成HStp1与HStp2，具体包括：S301：利用丰度计算公式，根据分类图1提取每个粗像元内各类别的丰度，得到类别丰度图1，用于预测HStp1；

S302：利用丰度计算公式，根据分类图2提取每个粗像元内各类别的丰度，得到类别丰度图2，用于预测HStp2；

S303：粗像元(xi,yi)的NDVI短期增量ΔNDVIC(xi,yi)能够通过NDVIC,tp(xi,yi)和NDVIC,t0(xi,yi)进行估算，计算公式如下：ΔNDVIC(xi,yi)＝NDVIC,tp(xi,yi)-NDVIC,t0(xi,yi)式中，ΔNDVIC(xi,yi)为粗像元在(xi,yi)处t0至tp时间内NDVI的增量，此处粗像元是基于HSu0和HSup数据按预定数量细像元组成的新粗像元，NDVIC,tp(xi,yi)为tp时刻的粗像元NDVI值，NDVIC,t0(xi,yi)为t0时刻的粗像元NDVI值；

S304：根据空间相似性、时间相似性和线性混合理论，低空间分辨率NDVI粗像元的NDVI增量ΔNDVIC(xi,yi)是高空间分辨率NDVI精细像元NDVI增量的线性叠加，粗象元与细像元NDVI短期增量之间的关系式如下：式中，ΔNDVIC(xi,yi)为粗像元(xi,yi)从t0至tp时间内NDVI的增量，l为分类数，fl(xi,yi)为l类别在粗像元(xi,yi)内的丰度，ΔNDVIF,l为粗像元(xi,yi)处l类别细像元从t0至tp时间内NDVI的增量；

S305：采用最小二乘法对S304中线性混合模型求解，分别获得预测HStp1与HStp2的ΔNDVIF,l；

S306：粗像元(xi,yi)处l类别在tp时刻的细像元NDVI预测值能够通过ΔNDVIF,l(xi,yi)和 获得，分别生成HStp1和HStp2；公式如下，式中， 为粗像元(xi,yi)内的l类别细像元在tp时刻的NDVI预测值，ΔNDVIF,l(xi,yi)为粗像元(xi,yi)内的l类别细像元从t0至tp时间内的NDVI增量，粗像元(xi,yi)内的l类别细像元在t0时刻的NDVI值。

7.根据权利要求1所述的一种基于直方图聚类的高时空归一化植被指数NDVI的融合模型，其特征在于，基于不同新粗像元的大小，进行多次HStp2的预测，然后求算术平均值，最终生成tp时刻的高分辨率NDVI，包括如下步骤：S401：根据粗像元宽度确定新粗像元的大小及变化；

S402：当粗像元宽度的输入值为k(其中k≥3)，细像元大小为30m时，新粗像元大小有3个值，分辨率分别为k*30m、(k+2)*30m和(k+4)*30m；

S403：采用新粗像元大小的3个值分别进行3次预测，从而获得3个平行的HStp2数据，分别记为 和 最终tp时刻的高分辨率NDVI预测结果的计算公式如下：式中，NDVIF,tp为最终tp时刻的高分辨率NDVI预测结果， 和 分别代表3个平行的HStP2。