1.一种深度学习的森林扰动监测方法，其特征在于，包括：

对待监测区域的历史遥感影像进行特征提取，获得所述历史遥感影像的遥感特征集；

所述遥感特征集中包括所述历史遥感影像中各像元的特征；

基于所述遥感特征集构建随机森林模型，并基于基尼系数法确定所述遥感特征集中各特征的重要性；所述随机森林模型用于对输入的像元进行森林和非森林的分类；

根据各特征的重要性从多个特征中筛选出优选特征；

基于所述历史遥感影像和所述优选特征构建数据集，所述数据集中每个样本包括输入数据和标签数据，所述输入数据为遥感影像样本中各像元的各优选特征，所述标签数据为各像元真实地表数据，各像元的类别包括非森林和森林；

根据所述数据集训练深度学习网络，将训练好的深度学习网络作为森林扰动监测模型；

将实时采集的待监测区域的遥感影像的优选特征输入所述森林扰动监测模型，得到森林扰动监测结果；实时采集的遥感影像为GF‑6WFV卫星数据；

根据各特征的重要性从多个特征中筛选出优选特征，具体包括：

将各特征的重要性从大到小进行排序；

初始化优选特征集和随机森林模型；

按照各特征的重要性从大到小的顺序，依次将遥感特征集中特征放入优选特征集：每放入一个特征后，利用当前优选特征集训练随机森林模型，并确定训练后的随机森林模型的分类精度，若当前分类精度与上一次放入特征后的分类精度之差小于设定值，则将上一次放入特征后的优选特征集中特征记为优选特征。

2.根据权利要求1所述的深度学习的森林扰动监测方法，其特征在于，所述数据集中每张遥感影像样本的尺寸为128×128。

3.根据权利要求1所述的深度学习的森林扰动监测方法，其特征在于，所述深度学习网络为Unet网络。

4.根据权利要求1所述的深度学习的森林扰动监测方法，其特征在于，所述数据集中样本图像为对像元进行数据归一化处理后的图像，数据归一化处理的公式为：其中，x'表示归一化后的像元值，x表示归一化前的像元值，min(x)表示样本图像中最小的像元值，max(x)表示表示样本图像中最大的像元值。

5.一种深度学习的森林扰动监测系统，其特征在于，包括：

遥感特征集提取模块，用于对待监测区域的历史遥感影像进行特征提取，获得所述历史遥感影像的遥感特征集；所述遥感特征集中包括所述历史遥感影像中各像元的特征；

重要性确定模块，用于基于所述遥感特征集构建随机森林模型，并基于基尼系数法确定所述遥感特征集中各特征的重要性；所述随机森林模型用于对输入的像元进行森林和非森林的分类；

特征优选模块，用于根据各特征的重要性从多个特征中筛选出优选特征；

数据集构建模块，用于基于所述历史遥感影像和所述优选特征构建数据集，所述数据集中每个样本包括输入数据和标签数据，所述输入数据为遥感影像样本中各像元的各优选特征，所述标签数据为各像元真实地表数据，各像元的类别包括非森林和森林；

森林扰动监测模型确定模块，用于根据所述数据集训练深度学习网络，将训练好的深度学习网络作为森林扰动监测模型；

森林扰动监测模型，用于根据实时采集的待监测区域的遥感影像的优选特征得到森林扰动监测结果；实时采集的遥感影像为GF‑6WFV卫星数据；

根据各特征的重要性从多个特征中筛选出优选特征，具体包括：

将各特征的重要性从大到小进行排序；

初始化优选特征集和随机森林模型；

按照各特征的重要性从大到小的顺序，依次将遥感特征集中特征放入优选特征集：每放入一个特征后，利用当前优选特征集训练随机森林模型，并确定训练后的随机森林模型的分类精度，若当前分类精度与上一次放入特征后的分类精度之差小于设定值，则将上一次放入特征后的优选特征集中特征记为优选特征。

6.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至4中任一项所述的深度学习的森林扰动监测方法。

7.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的深度学习的森林扰动监测方法。