摘要
研究森林覆盖变化对森林生态系统的探索是至关重要的，是森林资源管理的核心内容，能够为林地面积、森林蓄积以及森林覆盖率的增长提供重要信息支持。遥感影像具有覆盖范围广、重复周期短的特点，能够满足对中高分辨率影像进行变化检测的需求。对遥感数据进行处理、解读、交互的研究是未来对森林生态系统变化进行勘测的发展趋势。本文将探索更加高效的森林覆盖变化检测方法作为核心问题，针对遥感影像数据提出基于高分辨率网络的森林提取模型，能够准确地提取出森林的分布范围。然后对目标森林构建一种基于改进卷积小波神经网络的森林变化检测方法，并使用多种变化分析方法对其进行分析，最终实现对实验区森林覆盖变化的全面评价。 论文的主要研究内容包含以下三点: (1)制作了图像分割和变化检测的数据集，并将遥感影像数据按统一的技术标准完成大气校正、辐射定标等图像预处理工作，对研究区域进行了标注，为后续的实验做好充分的准备工作。 (2)针对中高分辨率遥感影像中森林遥感影像背景复杂，森林亮度变化不均匀，森林难以分割等问题，提出一种基于神经网络HRNet的森林提取模型，对森林覆盖区域进行分割提取，从而提高森林信息提取的精度。实验结果表明，HRNet算法模型能够准确地提取出森林，且森林分割效果良好，轮廓完整。 (3)结合数据特点，提出一种基于改进卷积小波神经网络的森林变化检测方法，能有效对多时相图像中森林覆盖变化区域进行检测，并采用虚拟样本生成方法生成样本，来对样本进行扩充，解决训练样本有限的问题。最终通过主观观察和客观数据的科学评价，表明该方法具有一定的鲁棒性和可靠性，能够对中高尺度的森林覆盖调查提供一定技术支持。
NETL