1.一种基于机器学习模型的叶龄预测方法，其特征在于，包括如下步骤：步骤1，测量获取研究区作物的叶龄数据、日序数、积温以及遥感影像数据，并对遥感影像数据进行处理，将处理后的遥感影像数据以及叶龄数据划分为训练集、验证集和测试集；步骤2，构建用于预测作物叶龄的LightGBM模型和CatBoost模型，采用训练集分别训练LightGBM模型和CatBoost模型的模型参数并在验证集上进行验证，最后采用测试集分别对验证后的LightGBM模型和CatBoost模型的模型参数进行精度评价，优选出精度最高的模型参数作为优化后的LightGBM模型和CatBoost模型的模型参数；步骤3，采用贝叶斯模型平均算法BMA将优化后的LightGBM模型和CatBoost模型进行融合，并采用融合后的模型预测叶龄；步骤1中，对遥感影像数据进行处理计算获得植被指数、叶面积指数LAI以及作物蒸发蒸腾速率ET；植被指数包括差值环境植被指数DVI、地表水分指数LSWI、归一化植被指数NDVI、比值植被指数RVI、土壤调节植被指数SAVI和三角植被指数TVI。
2.根据权利要求1所述的基于机器学习模型的叶龄预测方法，其特征在于，采用抽样法在作物生长的多个时间点观测叶龄数据。
3.根据权利要求1所述的基于机器学习模型的叶龄预测方法，其特征在于，步骤2中，LightGBM模型的模型参数包括迭代次数、迭代学习率和是否选择使用随机树。
4.根据权利要求3所述的基于机器学习模型的叶龄预测方法，其特征在于，根据是否选择使用随机树将LightGBM模型分为LightGBMXT模型和LightGBM模型，其中，LightGBMXT模型选择使用随机树，LightGBM模型不使用随机树。
5.根据权利要求1所述的基于机器学习模型的叶龄预测方法，其特征在于，CatBoost模型的模型参数包括最大决策树数量和学习率。
6.根据权利要求1所述的基于机器学习模型的叶龄预测方法，其特征在于，精度评价指标包括决定系数R 2 和均方根误差RMSE。
7.根据权利要求1所述的基于机器学习模型的叶龄预测方法，其特征在于，步骤3具体方法为：运用BMA算法计算各模型的后验概率，再依据后验概率等比例赋予各模型权重；在叶龄预测时，将输入特征数据分别输入到各模型中对叶龄进行预测，依据BMA算法得到的权重对各模型的叶龄预测结果进行加权求和，得到最终的叶龄预测结果。
8.根据权利要求7所述的基于机器学习模型的叶龄预测方法，其特征在于，后验概率的计算方法为：式中，N s 为集成模型个数，R为各观测值的观测多次结果的均方根误差，y 0 为观测值，y k 为模型预测值。
