红树林是一种湿地木本植物群落,在热带地区、亚热带地区的海陆交错区中是生产力最高、生物多样性最为丰富的海洋生态系统之一,其生态价值非常重要,可以巩固岸堤、防范风浪以及能够净化海水和空气。此外,得益于红树林中品类众多的鱼类和栖息的鸟类,当地的渔业生产和自然旅游业同样可以得到极大的促进。但是,由于自然因素和人为因素的共同作用,严重破坏了海洋生态,红树林也无法幸免于难遭到了许多破坏。据悉,全球范围内的红树林面积已经减少了35%,并且目前还在以每年1～2%的速度在消失。由于红树林生长位置特殊,常常处于潮间带,潮水会周期性地浸没红树林,并且红树林林深树密,野外调查和采样很难进行,目前遥感技术已经成为红树林分割的主要技术之一。在传统地理学中,为了完成红树林分割的任务,通常使用遥感图像的波段信息和衍生出的遥感光谱指数对像元进行监督学习。但是这种方法在建模时没有将周围像素的信息考虑进去,准确率相较其他方法比较低。而深度学习虽然被广泛应用在遥感图像中,但是由于缺少合适的数据集,红树林分割目前还没有得到成熟的研究。本研究基于“长江水库化驱动中下游-河口地貌、环境及生态非均衡转换”项目,旨在基于深度学习的方法,对Sentinel-2卫星遥感图像进行预处理,提出基于对抗学习的红树林分割模型,并使用域自适应技术使得神经网络在没有对Landsat8卫星遥感图像进行大量标注的情况下检测红树林区域,同时使用ARIMA模型对1986～2020年中国境内的红树林面积进行时间序列的建模,实现中国境内红树林的面积变化趋势预测。具体工作如下:1.提出了基于对抗学习的红树林分割模型,该模型在U-Net的基础上引入了对抗学习,加入自注意力机制生成对于红树林更为敏感的特征图,同时使用Focal Loss专注于难以分类的样本,从而在制作的Sentinel-2号遥感图像中分割得到红树林的掩膜,经过实验验证,本章提出的模型在非红树林类的Io U达到90.5%,红树林的Io U达到79.2%,m Io U达到了84.9%,均优于对照模型,为后面的实验提供源域的数据;2.提出基于域自适应技术的迁移学习模型,将神经网络从Sentinel-2卫星遥感图像中学到的知识,迁移至Landsat8卫星遥感图像,使得本文可以在没有对Landsat8卫星遥感图像进行大量标注的情况下可以分割出Landsat8遥感图像中的红树林,并结合遥感光谱指数进一步提高性能。经过域自适应的模型在Landsat8的数据集中非红树林类Io U达到了85.0%,红树林的Io U达到了69.5%,最终的m Io U达到了77.2%,从而验证了模型的有效性;3.批量采集1986～2020年中国境内的Landsat8遥感图像并使用本文提出的域自适应语义分割模型生成红树林的统计面积序列,利用基于ARIMA的时间序列预测模型对1986～2020年中国境内的红树林面积进行建模,预测未来五年中国境内红树林面积的变化趋势。本文基于深度学习的方法,对卫星遥感图像进行预处理,通过自己制作数据集,训练了红树林分割模型,最终在Landsat8数据集中m Io U达到了77.2%,均优于对照方法;同时针对课题任务,基于模型研究结果,完成了对1986～2020年中国境内的红树林面积进行时间序列的建模工作。