1.一种基于深层神经网络的遥感图像覆被变化检测方法，其特征在于，包括以下步骤：(1)、建立深层网络模型的训练样本集

(1.1)、图像采集：获取待预测地区近期的时间间隔相等的N张同类型遥感图像，按时间顺序编号为第1～N张；

(1.2)、图像预处理：对每张遥感图像进行几何校正、缩放、剪切和增强处理；

(1.3)、构建训练样本集：将预处理后的N张遥感图像分成N-M个训练样本，N远大于M；

其中，第1个训练样本由第1～(M+1)张遥感图像构成，第2个训练样本由第2～(M+2)张遥感图像构成，然后以此类推，直到第N-M个训练样本，由第(N-M)～N张遥感图像构成；

(2)、构建深层网络模型

将卷积神经网络CNN和空间变换网络STN级联组成深层网络模型，深层网络模型的输入为某一个训练样本中的前M张图像，输出为预测的遥感图像；

(3)、训练深层网络模型

(3.1)、深层网络模型初始化，设定阈值θ以及学习速率η；

(3.2)、随机选取一个训练样本，将训练样本中的前M帧图像输入至深层网络模型中；

在CNN中，先利用编码器的第第一层提取输入图像的特征，再从第二层开始依次对图像特征进行降维处理，得到降维后的特征图；然后利用解码器对特征图进行升维处理，最终输出覆被演化场Φ；

在STN中，基于演化场Φ，利用STN对输入的第M张图像Pm转化成预测输出图像Pn；

(3.3)、计算预测输出图像Pn与该样本中第M+1张图像Pm+1之间的像素误差平方和，记为Σ；计算演化场Φ的梯度值ΔΦ；再将Σ与ΔΦ的和作为该训练样本的损失函数值；

(3.4)、重复步骤(3.2)～(3.3)，直至计算出所有训练样本的损失函数值，将所有训练样本损失函数值相加，作为深层网络模型的损失函数值，记为Ω；

(3.5)、比较Ω与θ的大小，如果Ω＜θ，则终止训练，得到训练好的深层网络模型，否则，进入步骤(3.6)；

(3.6)、利用批量梯度下降算法在损失函数负梯度方向，根据负梯度方向以学习速率η更新深层神经网络模型中的权重参数，然后返回步骤(3.2)，再次利用训练样本集进行下一轮训练；

(4)、地表覆被预测

采集M张待预测地区的遥感图像并按时间顺序编号，然后将编号后的遥感图像序列输入训练好的深层网络模型，其输出图像为该预测地区未来的地表覆被预测图像。

2.根据权利要求1所述的一种基于深层神经网络的遥感图像覆被变化检测方法，其特征在于，所述深层网络模型的具体结构为：STN级联在CNN之后；其中，CNN采用UNet的结构，包括编码器和解码器，级数均为N；编码器第n层卷积层提取的图像特征Cn与解码器第N-n层反卷积层的输出Rn同尺寸，Cn与Rn进行通道拼接后，输入至第N-n+1层反卷积层，输出得到升维的特征图Rn-1，然后以此类推，直到第N层反卷积层，最后以C1与R1拼接后的多通道特征图为输入，经反卷积得到遥感图像的演化场Φ；

在STN中，基于演化场Φ，将输入的第M张图像Pm转化成预测输出图像Pn，具体转换的公式为：Pn(p)＝Pm·Φ(p)＝∑q∈Z(p')Pm(q)Πd∈{x,y}(1-|p'd-qd|)其中，·表示空间变换方法，基于演化场Φ通过线性插值将图像Pm变换成输出预测图像Pn；p为Pn中的任意一个像素点的像素坐标，p'＝p+Φ(p)为根据演化场Φ计算出的p在Pm中所对应的亚像素点坐标；Z(p')为亚像素点p'对应的4个邻域像素点坐标的集合，d表示图像的像素点坐标维度，p'd、qd分别表示p'、q在维度d下的坐标值。