1.基于多源卫星遥感数据的森林高度反演方法，具体步骤如下：
步骤一、影像预处理：
1.sar影像极化处理：获取到的高分辨率合成孔径雷达遥感影像是单视复数据的sentinel-1原始数据，依次经过多视、滤波、辐射定标和地理编码得到vv后向散射系数、vh后向散射系数和入射角；
2.sar影像干涉处理：同时对主副slc影像依次进行干涉图生成和干涉去平、自适应滤波和相干系数生成、相位解缠、轨道精炼和重去平，及相位转高程，提取出坡度数据；
对经过自适应滤波和相干系数生成处理的主副slc影像进行地理编码得到相位和相干系数；
3.多光谱数据预处理：对sentinel-2原始多光谱数据，进行辐射定标和大气校正获得level-2a级产品数据；
4.数据配准和剪裁：对预处理后sar和多光谱影像进行重采、配准和剪裁,得到实验区域的多源遥感数据；
步骤二、提取特征向量：
基于步骤一中得到的多光谱影像计算生物物理变量和光谱植被指数，生物物理变量为叶面积指数lai，植被覆盖率fvc，叶绿素叶片中的糖含量cab，冠层水含量cwc和吸收的光合有效辐射的比例fapar；光谱植被指数包括：比值植被指数rvi、增强型植被指数evi、归一化植被指数ndvi1、归一化植被指数ndvi2、归一化植被指数ndvi3；
步骤三、基于梯度提升决策树的xgboost回归学习方法得到森林高度反演模型：
将步骤一与步骤二中提取的后向散射系数、入射角、干涉相位、相干系数、坡度、生物物理变量及光谱植被指数构成多维特征向量作为预测变量，结合野外实测数据，送入xgboost回归器，训练得到森林高度反演模型；
步骤四、将提取的后向散射系数、入射角、干涉相位、相干系数、坡度、生物物理变量及光谱植被指数输入模型得到最终的森林高度预测结果；
步骤二：提取特征向量步骤中
(a)提取生物物理变量：生物物理变量的独特信息，有助于增强森林高度的预测能力；利用遥感图像处理平台snap6.0中的biophysicalprocessor工具，得到多光谱数据的生物物理变量，包括：叶面积指数lai、植被覆盖度fvc、叶片叶绿素含量cab、林冠层含水量cwc和吸收的光合有效辐射的比例fapar；
(b)提取光谱植被指数：根据sentine-2数据中的多个波段的反射值计算出包括比值植被指数rvi、增强型植被指数evi、归一化植被指数ndvi1、归一化植被指数ndvi2和归一化植被指数ndvi3在内的5个植被指数，具体计算公式如下：
rvi＝nir/r(1)
evi＝2.5*((nir-r)/(nir+6*r-7.5*b+1))(2)
ndvi1＝(nir-r)/(nir+r)(3)
ndvi2＝(nir2-re3)/(nir+re3)(4)
ndvi3＝(re2-re1)/(re2+re1)(5)
其中，r为红光波段b4的反射值，g为绿光波段b3的反射值，b为蓝光波段b2的反射值，nir为近红外波段b5的反射值，nir2为近红波段b8的反射值，re1为红边波段b5的反射值，re2为红边波段b6的反射值，re3为红边波段b7的反射值。
2.根据权利要求1所述的基于多源卫星遥感数据的森林高度反演方法，其特征在于，影像预处理中步骤1.sar影像极化处理：利用完整的遥感图像处理平台envi中的雷达图像基本处理工具sarscape进行多视处理、极化滤波、辐射定标和地理编码；
(a)多视处理：目的是为了抑制sar图像的斑点噪声；具体方法是，使用envi中的多视工具multilooking处理，处理得到的多视强度图像是距离向和/或方位向像元分辨率的平均值，提高了多视图像的辐射分辨率，降低了空间分辨率；
(b)极化滤波：目的是去除雷达图像的斑点噪声抑制其对影像上地物信息的干扰；具体方法是利用滤波工具filtering，选取refined-lee滤波方式进行极化滤波处理，以抑制相干斑噪声对影像上地物信息的干扰；
(c)辐射定标和地理编码的方法：利用地理编码和辐射定标工具对雷达图像进行辐射定标，并为图像中的每个像元附上相应的经纬度地理信息，同时生成vv后向散射系数图、vh后向散射系数图和入射角图。
3.根据权利要求1所述的基于多源卫星遥感数据的森林高度反演方法，其特征在于，影像预处理中步骤2.sar影像干涉处理：利用完整的遥感图像处理平台envi中的雷达图像基本处理工具sarscape；
(a)获取参考数字高程模型dem，根据原始sar数据的矢量文件下载数字高程模型dem；
(b)干涉图生成和干涉去平：利用interferogramgeneration工具，输入两幅影像，一个作为主影像，一个作为副影像，同时输入参考数字高程模型dem文件，生成干涉图和去平后的干涉图；
(c)自适应滤波和相干系数生成：利用adaptivefilterandcoherencegeneration工具，生成滤波后的干涉图和相干系数图；
(d)相位解缠：利用phaseunwrapping工具，生成解缠后的相位图；
(e)轨道精炼和重去平：利用refinementandre-flattening工具，在步骤c)生成的相干系数图的平滑区域上选择控制点，避免选择地形残差条纹区域，进一步消除可能存在的平地效应，纠正相位偏移；
(f)相位转高程以及地理编码：利用phasetoheightconversionandgeocoding工具，将步骤(e)得到的相位图转换为高程数据，根据地理编码到制图坐标系统，完成相位图转换为高程图的过程，生成高精度的dem；
(g)地理编码：使用geocoding工具完成对步骤(c)获得的干涉图和相干系数图进行地理编码；
(h)提取坡度：利用遥感图像处理平台arcmap10.2中的surfaceslope工具，完成从高精度的dem数据提取坡度信息的过程。
4.根据权利要求3所述的基于多源卫星遥感数据的森林高度反演方法，其特征在于，(d)相位解缠中选择最小费用流算法“minimumcostflow”，设置相干性阈值为0.2，分解等级为1。
5.根据权利要求1所述的基于多源卫星遥感数据的森林高度反演方法，其特征在于，影像预处理中步骤3.多光谱数据预处理：在欧空局网站上下载sentinel-2level-1c的原始多光谱数据，并利用遥感图像处理平台snap中的sen2cor插件完成对原始多光谱数据的辐射定标和大气校正，并重采样到同一分辨率。
6.根据权利要求1所述的基于多源卫星遥感数据的森林高度反演方法，其特征在于，影像预处理中步骤4.数据配准和剪裁：将sar数据、重采样后的多光谱数据以及高精度的dem数据进行配准和剪裁，得到实验区域的多源遥感数据。
7.根据权利要求1所述的基于多源卫星遥感数据的森林高度反演方法，其特征在于，基于梯度提升决策树的xgboost回归学习方法估测树高步骤中将上述步骤获得的后向散射系数vv、后向散射系数vh、干涉相位、相干系数、入射角、坡度、五个生物物理变量以及五个光谱植被指数，一共16个特征作为模型的输入，送入python机器学习库中的xgboost回归器，并设定参数为max_depth＝5，learning_rate＝0.1，n_estimators＝100，silent＝false，objective＝'reg:gamma'；将实测数据中随机选取4/5用于模型参数的训练，剩下的数据用决定系数、均方根误差来对比分析算法对精度进行验证，得到森林高度反演模型。