1.一种针对不同淡水资源类型的SAR遥感精细识别方法，其特征在于，包括：S1、对全年SAR影像数据进行预处理，获取时间序列SAR后向散射系数数据；

S2、对时间序列SAR后向散射系数数据进行时域滤波；

S3、对时域滤波后的时间序列SAR后向散射系数数据进行最大值合成和最小值合成，生成最大值合成影像和最小值合成影像；

S4、将最大值合成影像和最小值合成影像进行多尺度分割，生成影像的同质单元对象；

S5、选取淡水资源类型和非淡水资源类型的样本点；所述淡水资源类型包括河流、湖泊、池塘和养殖塘，所述非淡水资源类型包括建筑和林草地；

S6、依托数字高程模型DEM数据、最大值合成影像和最小值合成影像，采用阈值分割法提取淡水资源类型的最大范围和最小范围；

S7、合并淡水资源类型最小范围内相邻的同质单元对象，并计算每个同质单元对象的矩形拟合度、椭圆拟合度和面积；

S8、构建基于SAR提取淡水资源类型的决策树算法模型，得到不同淡水资源类型的提取结果。

2.根据权利要求1所述的针对不同淡水资源类型的SAR遥感精细识别方法，其特征在于，S1中，所述SAR影像数据为Sentinel‑1卫星SAR影像，波段为C波段，极化方式为VH极化。

3.根据权利要求2所述的针对不同淡水资源类型的SAR遥感精细识别方法，其特征在于，S1中，所述预处理包括：辐射定标、多普勒地形校正、均值滤波和分贝化。

4.根据权利要求3所述的针对不同淡水资源类型的SAR遥感精细识别方法，其特征在于，S2中，所述时域滤波采用的是Savitzky‑Golay滤波方法，Savitzky‑Golay滤波涉及的两个关键参数为多项式拟合次数和拟合窗口长度，其值分别为3和3。

5.根据权利要求4所述的针对不同淡水资源类型的SAR遥感精细识别方法，其特征在于，S4中，多尺度分割的参数尺度、形状、紧凑度分别为5‑10、0.1‑0.5、0.1‑0.5，最大值合成影像和最小值合成影像的权重分别为1和1。

6.根据权利要求5所述的针对不同淡水资源类型的SAR遥感精细识别方法，其特征在于，S5中，依据实地调研、无人机影像和高空间分辨率谷歌地球影像，确定淡水资源类型样本点的数量，其中，河流、湖泊、池塘和养殖塘的样本点数量相等；并确定非淡水资源类型样本点的数量，其中，建筑和林草地的样本点数量相等。

7.根据权利要求6所述的针对不同淡水资源类型的SAR遥感精细识别方法，其特征在于，S6中，数字高程模型DEM数据为ALOS‑12.5米DEM数据。

8.根据权利要求7所述的针对不同淡水资源类型的SAR遥感精细识别方法，其特征在于，S6包括：S601、利用数字高程模型DEM数据计算坡度，坡度计算公式如下：

坡度＝arctan(高程差/水平距离)

S602、计算S5中选取的淡水资源类型和非淡水资源类型样本点在最大值合成影像中对应像元的像元值，并制作箱线图，确定最佳阈值T1，提取淡水资源类型最小范围；

S603、计算S5中选取的淡水资源类型和非淡水资源类型样本点在最小值合成影像中对应像元的像元值，并制作箱线图，确定最佳阈值T2，提取淡水资源类型最大范围；

S604、确定非淡水资源类型样本点的后向散射系数的下四分位数和淡水资源类型样本点的后向散射系数的上四分位数的均值为区分淡水资源类型和非淡水资源类型的最佳阈值。

9.一种基于SAR提取淡水资源类型的决策树算法模型，其特征在于，由权利要求1至8任一所述SAR遥感精细识别方法构建。

10.根据权利要求9所述的基于SAR提取淡水资源类型的决策树算法模型，其特征在于，所述决策树算法模型具有矩形拟合度的阈值T3和椭圆拟合度的阈值T4，矩形拟合度的阈值T3和椭圆拟合度的阈值T4的确定方式为：计算采集的河流、湖泊、水塘和养殖塘的样本点的矩形拟合度和椭圆拟合度，并制作箱线图；确定河流样本点矩形拟合度的最大值和湖泊、水塘和养殖塘样本点矩形拟合度的最小值的均值为矩形拟合度的阈值T3；确定河流样本点椭圆拟合度的最大值和湖泊、水塘和养殖塘样本点椭圆拟合度的最小值的均值为椭圆拟合度的阈值T4。