摘要： 【目的】针对目前森林变化检测中高精度标签样本缺失或不足的问题，提出一种基于全卷积神经网络和低分辨率标签的森林变化检测方法，旨在实现林地区域内森林变化的简易快速提取。【方法】首先对获取的数据进行去云、筛选、标签融合等预处理，利用全卷积神经网络模型分别提取2020年和2021年研究区森林高分遥感影像，并评价模型精度；利用分类后比较法获取森林变化区域，得到变化结果并与目视解译结果进行对比，基于像素面积计算森林变化检测的精确率等评价指标。【结果】所用全卷积神经网络（FCN）模型在2020年森林提取结果的精确率和召回率的调和均值（F₁分数）为97.09%,2021年森林提取结果的F₁分数为95.96%,与分割网络模型（U-Net、FPN、LinkNet）相比更优。比较两期森林提取结果得到变化区域，森林增加与森林减少的合计变化精确率为73.30%,召回率为77.37%,F₁分数为75.28%。【结论】该方法实现了基于低分辨率标签对高分遥感影像森林变化区域进行快速、准确的获取。采用少量的低分辨率标签完成森林变化检测任务，同时可为大面积林地变更调查提供参考。

关键词: 低分辨率标签, 全卷积神经网络, 深度学习, 森林变化检测

中图分类号: 

• S757

• TP751

• TP183