森林是地球生态系统的重要组成部分,是全球环境变化和碳循环的重要基础和影响因素,在调节气候稳定和维持生态平衡方面起着至关重要的作用。作为森林生物信息的主要参数,森林覆盖的变化会影响生物多样性、气候规律、碳储量与水汽循环。因此,准确掌握大尺度森林覆盖及变化信息,对于生态评估、森林资源管理和全球气候变化应对具有重要的现实意义和科学价值。随着遥感卫星的不断增加和卫星数据的逐步丰富,对大尺度遥感大数据图像处理算法的效率和精度要求变得愈发重要。随着Google Earth Engine云平台的发展,给以往数据获取困难、遥感数据预处理流程繁琐、大尺度遥感分类和制图提供了新的解决途径和平台。本文主要针对森林覆盖及其变化信息提取两方面开展研究。在森林覆盖信息提取方面,研究了在遥感大数据支持下,基于Google Earth Engine云平台和随机森林算法的大区域森林覆盖提取方法;在森林覆盖变化信息提取方面,研究了孪生神经网络直接变化信息提取方法。论文主要研究内容如下:1.生成了基于森林生态分区的中国区域2018年森林覆盖产品。针对中国区域不同地区的植被物候、地形和气候等条件的差异性,同时考虑大尺度森林覆盖提取所需的卫星遥感数据量较大,因此开展了基于森林生态分区的中国区域森林覆盖提取研究。根据该制图方法,利用2018年全年多时相Landsat 8遥感影像数据,生成了 2018年中国区域森林覆盖产品。与现有的中分辨率森林覆盖产品相比,在热带与亚热带阔叶林、温带针叶林和温带针阔叶混交林区域具有更好的提取精度。2.提出了一种在Google Earth Engine云平台上实现的基于光学遥感数据、合成孔径雷达和数字高程模型的多特征随机森林模型森林覆盖信息提取方法。针对青藏高原存在的藏东南区域生长季影像多云、青海北部区域森林和农田难以区分等问题,采用生长季无云掩膜影像与全年影像叠加镶嵌的方法合成青藏高原无云多特征遥感数据集,利用5折交叉验证方法确定随机森林分类模型的最优参数和重要特征,分析了青藏高原地区森林覆盖信息提取的随机森林模型参数筛选和特征重要性,用来提取2021年青藏高原地区10米分辨率森林覆盖信息。该方法生成的青藏高原森林覆盖产品,在总体精度方面达到98.3%,在Kappa系数方面达到0.95,优于同类产品欧空局2020年全球覆盖产品森林图层的产品精度。3.提出了基于孪生神经网络的森林覆盖变化信息的提取方法。基于孪生神经网络的不同层级权重共享模式,针对森林覆盖减少提取中存在的农田收割、灌丛减少等导致的错分问题,提出了基于孪生细节差异神经网络的森林覆盖变化信息提取方法。相比以往的孪生连接网络与孪生差异网络,孪生细节差异网络结合上述两种网络的优点,既提取了变化前后时相的差异信息,又参考了变化前时相的植被信息。这个特点既解决了森林不同物候阶段导致森林落叶等非森林覆盖减少的误分问题,又解决了灌丛草地等非森林覆盖变化导致的误分问题。4.提出了基于自逆网络的森林覆盖变化信息的提取方法。基于自逆网络与孪生神经网络的结合,针对已有的森林覆盖减少样本数据,进行变化样本数据的时相转换获得森林覆盖增加样本,利用转换后的森林覆盖增加样本与孪生神经细节差异网络提取森林覆盖增加信息。该方法提高了森林覆盖变化样本的利用率,同时相比其他传统孪生神经网络具有更高的提取结果,为实现森林覆盖变化分类提供了方法。5.将本文森林变化提取方法进一步扩展,开展了基于孪生神经网络的森林覆盖变化信息提取的迁移实验。针对已经训练过的南宁和福州地区森林覆盖变化数据集,将已训练孪生神经网络模型迁移运用到未训练的相同生态分区桂林地区森林覆盖变化测试数据集。通过提取桂林地区2015年和2018年的森林覆盖变化信息,孪生细节差异网络的森林覆盖减少和增加提取的交并比分别达到0.5957和0.5368,优于其他孪生神经网络模型。该实验为将来基于深度学习的大规模森林覆盖变化信息提取提供了实践基础和应用方法。本论文针对大尺度森林覆盖及变化信息提取,进行了基于Google Earth En-gine 云平台的青藏高原区域和中国区域不同森林生态分区的森林覆盖提取,提出了基于孪生细节差异神经网络与自逆网络的森林覆盖信息变化提取算法,并且将孪生细节差异神经网络迁移应用到不同地区的森林覆盖变化信息提取中,为大尺度森林覆盖和变化信息提取提供了先进的算法支撑和产品制作流程。