草地生态系统是自然生态系统的重要组成部分,对维系生态平衡、地区经济、人文历史具有重要的价值。新疆地处中国西北边陲,是我国“五大牧区”之一,主要源于拥有丰富的天然草地资源,其中草地面积为5.6×10~7 hm~2,草地面积占全国总草地面积的14.6%,位居全国第三,生态经济价值高。另一方面,新疆属于干旱半干旱地区,沙漠广布,生态环境脆弱,区域草地植被衰退常常意示着沙漠化的开始,因而草地地表植被和地下根系对土壤具有防风固沙、保持水土的作用。因此,草地对维持、改善新疆地区脆弱的生态环境作用巨大,对其实现实时动态监测非常重要。因遥感具有监测范围大、周期性强等特点,目前在草地监测中得到了大量的应用。然而随着精细化畜牧管理和生态环境文明建设的推进,决策对草地生长状况的监测要求也越来越高。面对多源、多分辨率遥感数据越来越多,如何快速、准确地识别植被生长状况,尤其是稀疏草地的动态变化,具有非常现实的意义。针对遥感大数据支持下的草地快速处理与识别问题,本文采用具有特征自主学习的深度学习(Deep Learning)——胶囊网络算法,以Landsat 5、Landsat 7和Landsat 8遥感影像为数据源,对新疆唐布拉草原试验区草地的覆盖和不同时期变化情况进行了有效判别,取得了较好效果,并验证了胶囊网络算法的有效性。主要研究内容与结果如下:(1)本文以胶囊网络为基础,通过不同的改进方法实现草地提取和草地动态监测。对草地提取问题,将胶囊网络卷积层改为线性连接层,结合手动提取的特征实现草地精确提取,实验表明,研究区2009年、2014年和2019年草地提取精度均在90%以上。对草地覆盖度监测问题,构建增强型植被指数时间序列,通过改进胶囊网络二维卷积层为一维卷积层以适应时间序列特征提取,实现草覆盖度监测,实验表明,不同草地覆盖度分类精度均超过90%。(2)针对林草易混问题,提取研究区地形特征和纹理特征,结合光谱波段构建适用于林草分类的样本。通过改进胶囊网络的特征提取层,使之适用于一维数据,对不同年份的研究区遥感影像进行解译。研究结果表明,研究区草地覆盖面积在2009-2014年减少8.8%,在2014-2019年间草地得到有效管理,2019年草地面积相比于2014年上升了0.23%。(3)针对不同草地覆盖度监测难题,本文采用增强型植被指数(Enchanced Vegetation Index)时间序列构建分类样本。针对时间序列样本,使用一维卷积层作为特征提取层对时间序列进行分类,实现对不同草地覆盖度的监测。研究结果表明,研究区不同覆盖度草地面积在2009-2014年间大幅减少,尤其是高覆盖度草地,超过50%的面积发生不同程度的退化,高覆盖度草地面积在2014年只占草地面积的26.05%,2014-2019年间,草地质量有所提高,中覆盖度草地中超过50%转变为高覆盖度草地,高覆盖度草地占比40%以上。(4)通过对两个模型分类结果的整合,获得研究区2009、2014和2019年分类结果,通过对分类结果进行比较分析得出草地变化结果。研究显示2009-2014年草地管理不当,造成草地大面积减少,且草地质量严重下滑,高草地覆盖度面积大量降低,由2009年的49.98%降为2014年26.05%。这种情况在2014-2019年间明显好转,草地面积小幅上升,上升幅度为0.23%,且大量中覆盖度草地转变为高覆盖度草地,草地总体质量上升,高覆盖度草地面积重新超过40%。本文中实现的草地提取模型和草地覆盖度监测模型的总体分类精度和各类别提取精度均在90%以上,能够达到对比得出变化检测结果的要求。通过对比研究区遥感图像分类结果,掌握了研究区草地2009年到2014年草地的时空变化特征,为草地管理提供了一种切实可行的方法。