涉及权利要求数量10：其中独权5项，从权-5项
1.一种农作物全生长季多光谱遥感时间序列影像近实时重建方法，其特征在于，包括：
获取目标地物类型的历史时序遥感影像光谱数据；
根据所述历史时序遥感影像光谱数据，采用地物变化检测算法和谐波函数拟合算法，构建目标地物类型的全生长季的光谱参考曲线；
基于所述光谱参考曲线，构建目标地物类型的全生长季的植被指数参考曲线；
根据植被指数参考曲线和近实时植被指数数据，利用扩展卡尔曼滤波算法，进行植被指数的重建，获得植被指数重建结果；
根据光谱参考曲线、近实时遥感影像光谱数据和植被指数重建结果，利用扩展卡尔曼滤波算法，进行遥感影像光谱数据重建，获得遥感影像光谱数据重建结果。
2.根据权利要求1所述的农作物全生长季多光谱遥感时间序列影像近实时重建方法，其特征在于，根据所述历史时序遥感影像光谱数据，采用地物变化检测算法和谐波函数拟合算法，构建目标地物类型的全生长季的光谱参考曲线，具体包括：
采用地物变化检测算法，在历史时序遥感影像光谱数据中选取满足稳定性和可信度条件的全生长季的时序遥感影像光谱数据，作为目标时序遥感影像光谱数据；
采用谐波函数拟合算法，对目标时序遥感影像光谱数据进行拟合，得到所述光谱参考曲线。
3.根据权利要求2所述的农作物全生长季多光谱遥感时间序列影像近实时重建方法，其特征在于，采用地物变化检测算法，在历史时序遥感影像光谱数据中选取满足稳定性和可信度条件的全生长季的时序遥感影像光谱数据，作为目标时序遥感影像光谱数据，具体包括：
按照目标地物类型的全生长季将所述历史时序遥感影像光谱数据划分为多个时间段的时序遥感影像光谱数据；
对每个时间段的时序遥感影像光谱数据进行变化量分析，获得每个时间段的时序遥感影像光谱数据的变化向量；所述变化向量包括：变化幅度、变化方向和变化时间；
确定变化向量满足预设变化条件的时间段的时序遥感影像光谱数据作为目标时序遥感影像光谱数据；所述预设变化条件为变化幅度在幅度预设范围内，变化方向在方向预设范围内，变化时间在时间预设范围内。
4.根据权利要求2所述的农作物全生长季多光谱遥感时间序列影像近实时重建方法，其特征在于，采用谐波函数拟合算法，对目标时序遥感影像光谱数据进行拟合，得到所述光谱参考曲线，具体包括：
令n的数值为1，并将目标时序遥感影像光谱数据初始化为第0次更新后的时序遥感影像光谱数据；
对第n‑1次更新后的时序遥感影像光谱数据进行最小二次方拟合，得到第n次拟合得到的拟合曲线；
将第n‑1次更新后的时序遥感影像光谱数据与第n次拟合得到的拟合曲线进行比较，去除相对于第n次拟合得到的拟合曲线的偏离距离大于距离阈值的遥感影像光谱数据，获得第n次更新后的时序遥感影像光谱数据，令n的数值增加1，返回“对第n‑1次更新后的时序遥感影像光谱数据进行最小二次方拟合，得到第n次拟合得到的拟合曲线”的步骤，直到目标时序遥感影像光谱数据相对于第n次拟合得到的拟合曲线的偏差小于偏差阈值，输出第n次拟合得到的拟合曲线，作为所述光谱参考曲线。
5.根据权利要求1所述的农作物全生长季多光谱遥感时间序列影像近实时重建方法，其特征在于，所述植被指数重建结果包括近实时中不同时刻的植被指数的后验估计值和植被指数可信度的后验估计值；
根据植被指数参考曲线和近实时植被指数数据，利用扩展卡尔曼滤波算法，进行植被指数的重建，获得植被指数重建结果，具体包括：
根据植被指数参考曲线中近实时中的k和k‑1时刻的植被指数的拟合值，求解第一状态转换矩阵；
根据第一状态转换矩阵和近实时植被指数数据中k‑1时刻的植被指数的观测值，利用如下公式对植被指数进行先验估计，获得k时刻的植被指数的先验估计值和植被指数可信度的先验估计值；
其中， 为k时刻的植被指数的先验估计值，A为第一状态转换矩阵，B为第一控制矩阵，uk为k时刻的植被指数控制量， 为k‑1时刻的植被指数的后验估计值，基于近实时植被指数数据中k‑1时刻的植被指数的观测值和k‑1时刻的植被指数的先验估计值获得， 为k时刻的植被指数可信度的先验估计值，Pk‑1为k‑1时刻的植被指数可信度的后验估计值，Q为第一协方差矩阵，上标T表示转置；
根据k时刻的植被指数的先验估计值、植被指数可信度的先验估计值及近实时植被指数数据中k时刻的植被指数的观测值，利用如下公式对植被指数进行后验估计，获得k时刻的植被指数的后验估计值和植被指数可信度的后验估计值；
其中，Kk为k时刻的第一卡尔曼增益，H为表征植被指数的真实值和观测值之间关系的测量矩阵，R为第三协方差矩阵， 为k时刻的植被指数的后验估计值，Zk为近实时植被指数数据中k时刻的植被指数的观测值，Pk为k时刻的植被指数可信度的后验估计值，I为单位矩阵。
6.根据权利要求1所述的农作物全生长季多光谱遥感时间序列影像近实时重建方法，其特征在于，根据光谱参考曲线、近实时遥感影像光谱数据和植被指数重建结果，利用扩展卡尔曼滤波算法，进行遥感影像光谱数据重建，获得遥感影像光谱数据重建结果，具体包括：
根据光谱参考曲线中近实时中的k和k‑1时刻的遥感影像光谱数据的拟合值，求解第二状态转换矩阵；
根据第二状态转换矩阵和近实时遥感影像光谱数据中k‑1时刻的遥感影像光谱数据的观测值，利用如下公式对遥感影像光谱数据进行先验估计，获得k时刻的遥感影像光谱数据的先验估计值和遥感影像光谱数据可信度的先验估计值；
其中， 为k时刻的光谱数据的先验估计值，A'为第二状态转换矩阵，B'为第二控制矩阵，u'k为k时刻的光谱控制量， 为k‑1时刻的遥感影像光谱数据的后验估计值， 为k时刻的遥感影像光谱数据可信度的先验估计值，P'k‑1为k‑1时刻的遥感影像光谱数据可信度的后验估计值，Q'为第二协方差矩阵，上标T表示转置；
根据k时刻的遥感影像光谱数据的先验估计值、遥感影像光谱数据可信度的先验估计值及近实时遥感影像光谱数据中k时刻的遥感影像光谱数据的观测值，利用如下公式对遥感影像光谱数据进行后验估计，获得k时刻的遥感影像光谱数据的后验估计值和遥感影像光谱数据可信度的后验估计值；
P'k＝Pk；
其中，K'k为k时刻的第二卡尔曼增益，H'为表征遥感影像光谱数据的先验估计值和观测值之间关系的测量矩阵，R'为第四协方差矩阵， 为k时刻的遥感影像光谱数据的后验估计值，Z'k为近实时遥感影像光谱数据中k时刻的遥感影像光谱数据的观测值，P'k为k时刻的遥感影像光谱数据可信度的后验估计值，Pk为k时刻的植被指数可信度的后验估计值。
7.一种农作物全生长季多光谱遥感时间序列影像近实时重建装置，其特征在于，所述农作物全生长季多光谱遥感时间序列影像近实时重建装置应用于权利要求1‑6任一项所述的农作物全生长季多光谱遥感时间序列影像近实时重建方法，所述农作物全生长季多光谱遥感时间序列影像近实时重建装置包括：
历史遥感影像光谱数据获取模块，用于获取目标地物类型的历史时序遥感影像光谱数据；
光谱参考曲线构建模块，用于根据所述历史时序遥感影像光谱数据，采用地物变化检测算法和谐波函数拟合算法，构建目标地物类型的全生长季的光谱参考曲线；
植被指数参考曲线构建模块，用于基于所述光谱参考曲线，构建目标地物类型的全生长季的植被指数参考曲线；
植被指数重建模块，用于根据植被指数参考曲线和近实时植被指数数据，利用扩展卡尔曼滤波算法，进行植被指数的重建，获得植被指数重建结果；
遥感影像光谱数据重建模块，用于根据光谱参考曲线、近实时遥感影像光谱数据和植被指数重建结果，利用扩展卡尔曼滤波算法，进行遥感影像光谱数据重建，获得遥感影像光谱数据重建结果。
8.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1‑6中任一项所述的农作物全生长季多光谱遥感时间序列影像近实时重建方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1‑6中任一项所述的农作物全生长季多光谱遥感时间序列影像近实时重建方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1‑6中任一项所述的农作物全生长季多光谱遥感时间序列影像近实时重建方法。