1.一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法，其特征在于，包括：

步骤1：基于云计算平台获取研究区在研究期内所有可使用的Landsat 7ETM+、Landsat 

8OLI和Sentinel‑2A/B MSI卫星影像；

步骤2：对步骤1中所述卫星影像进行预处理，包括：去云处理和波段协调，得到卫星影像数据集；

步骤3：基于所述卫星影像数据集，计算归一化植被指数NDVI、地表水分指数LSWI、增强型植被指数EVI和改进归一化差异水体指数mNDWI，基于上述四个指数对土地覆被进行分类来获得耕地掩膜；

步骤4：对NDVI和LSWI时间序列进行处理，包括：计算每10天NDVI的最大值和LSWI的平均值作为该10天的观测值；在缺失10天的观测值的地区，根据10天前、后的观测值进行线性插值；使用Savitzky‑Golay滤波对NDVI时间序列进行平滑处理；

步骤5：在步骤4处理后的NDVI时间序列中迭代寻找所有峰值和低谷，包括：识别NDVI时间序列中的局部最大值为峰值、局部最小值为低谷；去除NDVI小于0.6的峰值和LSWI大于0的低谷；将获得的峰值发生的日期SDP和低谷发生的日期以月、日、年的形式储存到每个像元中；

步骤6：根据步骤4处理后的NDVI时间序列，结合步骤5中获得的低谷发生的日期计算NDVI的最大变化率，确定植被生长周期中的播种期SOS和收获期EOS；

步骤7：根据步骤5中获取的峰值发生的日期SDP和步骤6中获取的SOS，计算植被快速绿化期NDVI的增长速率GUS；

步骤8：根据步骤6获取的SOS和EOS，计算植被完整生长周期时间跨度GSL；

步骤9：采集越冬作物和其他植被的样本，通过NDVI时间序列提取越冬作物与其他植被在不同物候期的物候差异，获取用于分类的物候指标，所述物候指标包括SOS、SDP、EOS、GUS和GSL；

步骤10：通过设定物候指标阈值，在像素尺度上对研究区耕地进行分类，获取越冬作物种植面积图。

2.根据权利要求1所述的一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法，其特征在于，对所述卫星影像进行预处理包括：利用FMask算法对所述卫星影像进行观测值提取，去除云、云阴影、卷云和冰/雪覆盖的观测值；再利用最小二乘法将Landsat 7ETM+和Sentinel‑2A/B MSI的波段反射率协调至Landsat 8OLI标准，获得可相互比对的卫星影像数据集。

3.根据权利要求1所述的一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法，其特征在于，所述基于上述四个指数对土地覆被进行分类来获得耕地掩膜包括：

将Freq(LSWI>0、EVI>0.2)>50％且NDVI_median>0.7的像素分类为常绿森林，其中Freq(LSWI>0、EVI>0.2)为LSWI>0且EVI>0.2的影像数量占一年所有影像数量的百分比，NDVI_median为11月1日至12月31日NDVI中位值；将Freq(LSWI>0、EVI>0.2)>50％且NDVI_max>0.5的像素分类为落叶森林，其中，NDVI_max为4月10日至5月20日NDVI最大值；将Freq(LSWI<0)>90％的像素分类为不透水面；将Freq(EVI<0.1)>80％，且mNDWI>NDVI或mNDWI>EVI的像素分类为水体；将除以上4种类型之外的土地覆被类型归类为耕地。

4.根据权利要求1所述的一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法，其特征在于，所述步骤5中，识别峰值和低谷的方法为：识别NDVI时间序列中的局部最大值为峰值，识别NDVI时间序列中的局部最小值为低谷，如果某个时间的NDVI值高于该时间之前和之后的NDVI值，则将其定义为峰值，如果某个时间的NDVI值低于该时间之前和之后的NDVI值，则将其定义为低谷。

5.根据权利要求1所述的一种云计算平台下基于多源全时相卫星影像的越冬作物种植面积识别方法，其特征在于，所述步骤10包括：设定物候指标阈值：2600.001和200

250，在像素尺度上对研究区耕地进行分类，以获取越冬作物种植面积图。