基于Python3.7实现的双时相遥感影像变化检测（PaddlePaddle框架和AI Studio平台） 开题报告

1. 研究意义
   土地资源是人类赖以生存和发展的最基础、最重要的资源。土地资源能否得到合理的应用直接关系到我国社会经济能否持续协调发展，能否保证不断增长的人口得到充足的食物需求[ 关, 《中国土地资源配置与可持续发展研究》.]。为了满足人们日益增长的物质生活的需要，大量的土地被开采利用，导致山地，建筑物和植被等地物目标在不断地发生变化。因为为了能够合理的整合土地资源，分析变化原因，实现一个高效的地物变化检测系统意义重大。我国的遥感技术在过去的70年间取得了巨大的成就[ 熊, 《国土资源遥感技术进展与展望》.]，将遥感技术应用于国土资源利用和土地覆盖类型上，可以方便、高效的掌握土地利用和监测国土变化情况，为国家和地方提供地理信息决策支撑。目前，通过人工判读航天卫星遥感影像是对国土资源进行监测的主要方法之一。但是，基于不同分辨率，多时相的连续监测，采用人工判读的方法，不仅耗费大量的人力、物力，而且还无法保证监测的实时性。基于GIS的遥感影像应用虽然能够解决多源、多时相、多分辨率影像数据的组织和管理；影像数据的快速浏览[ 《基于GIS的遥感影像应用服务平台的设计与实现 - 中国知网》.]。但这种方法最大的缺点是机器难以自主学习样本的特征，需要经验丰富的业务专家确定关键特征。
   近年来随着人工智能技术的兴起，特别是基于深度学习的图像识别方法取得了巨大的发展。将深度学习应用于遥感影像变化检测，成为该领域的一个研究热点。通过深度学习算法从海量数据中提取高级特征，高效准确的进行数据的分类和解释。遥感数据本质上具有海量、多样、多维等特点，深度学习处理遥感数据有着天然的优势，能够在海量数据中学习和发现数据中影像的地物目标的几何结构和空间关系，同样该理论也能够应用到变化检测领域，从多时相影像中提取光谱、空间和纹理等高级语义特征，以及建立多时相影像中地物特征之间的非线性关系[ 《基于深度学习的遥感影像变化检测方法研