1.一种基于多源影像的湿地分类方法，其特征在于，包括如下步骤： (1)获取研究区的高时空分辨率的多源遥感影像，并对所述多源遥感影像进行预处理；所述多源遥感影像至少包括两个来源的光学遥感影像和一个来源的雷达遥感影像； (2)对各来源的光学遥感影像进行多尺度卷积神经网络超分辨率重建，获得高时空分辨率的多光谱数据； (3)将所述高时空分辨率的多光谱数据及雷达遥感影像预处理后的数据通过改进的SVM-RFE算法获得最佳特征组合； (4)通过面向对象的自适应集成学习模型从所述最佳特征组合中提取湿地信息，并据此完成湿地分类。 2.根据权利要求1所述的基于多源影像的湿地分类方法，其特征在于，所述步骤(4)后面还包括步骤(5)：通过土地利用数据和谷歌地球数据来选取训练样本，并利用实地调查数据对湿地分类结果进行验证。 3.根据权利要求1所述的基于多源影像的湿地分类方法，其特征在于，步骤(1)中所述多源遥感影像包括两个来源的光学遥感影像和一个来源的雷达遥感影像，其中，所述两个来源的光学遥感影像分别取自Landsat 8 OLI和Sentinel-2 MSI，所述雷达遥感影像取自Sentinel-1。 4.根据权利要求1所述的基于多源影像的湿地分类方法，其特征在于，步骤(2)中所述多尺度卷积神经网络超分辨率重建的过程如下：1)将Sentinel-2 MSI中的11，12波段的20m分辨率数据使用双线性内插法重采样成10m分辨率数据；2)将重采样后的Sentinel-2 MSI中的11，12波段的10m分辨率数据和Sentinel-2 MSI中的2，3，4，8波段的原始数据输入多尺度卷积神经网络超分辨率重建模型中生成10m分辨率的11，12波段；3)将Landsat 8 OLI中的1-7波段的原始数据及全色波段的原始数据分别通过双线性内插法重采样成10m分辨率数据；4)将重建后的Sentinel-2 MSI所有波段的10m分辨率数据和重采样后的Landsat 8OLI所有波段的数据全部输入多尺度卷积神经网络超分辨率重建模型生成10m分辨率的Landsat 8 OLI多光谱影像。 5.根据权利要求1所述的基于多源影像的湿地分类方法，其特征在于，步骤(3)中所述改进的SVM-RFE算法的计算过程为：1)首先通过排序标准指标Ci对特征从大到小进行排列；2)生成一个大小为n×n的特征相关矩阵R；3)通过对R的上三角相关元素rij给定阈值对其进行选择性删除； 6.根据权利要求5所述的基于多源影像的湿地分类方法，其特征在于，当rij<0.8时，则删除该第i行第j列的特征值rij。 7.根据权利要求1所述的基于多源影像的湿地分类方法，其特征在于，步骤(4)中所述的面向对象的自适应集成学习模型的构建过程为：1)首先对最佳特征组合进行多尺度分割；2)将分割的影像及多个基分类器输入Stacking算法模型中，通过固定元分类器作为元分类器来组合各所述基分类器，逐步寻优以获得最佳的基分类器组合；3)基于最佳的基分类器组合对最佳特征组合进行分类，获取湿地信息。 8.根据权利要求7所述的基于多源影像的湿地分类方法，其特征在于，所述基分类器包括SVM、RF、DT、kNN和XGB。 9.根据权利要求8所述的基于多源影像的湿地分类方法，其特征在于，所述逐步寻优的过程为：通过SVM、RF、DT、kNN和XGB各算法进行自由组合来对湿地进行分类，通过各种组合产生的分类结果的精度验证及对比，以具有最佳分类精度的组合为基分类器组合。 10.根据权利要求9所述的基于多源影像的湿地分类方法，其特征在于，以SVM+RF+kNN+XGB组合为最佳基分类器组合。
