遥感学报、综述、变化检测
深度学习、文献计量、方法分类
图片来源于网络
遥感变化检测可以获取地表变化信息，对于理解人与自然相互作用，推动可持续发展具有重要意义。随着遥感成像技术的提升和计算机科学的快速发展，高光谱、高时间、高空间分辨率的遥感影像已广泛应用，促进了深度学习的遥感变化检测发展以及多领域成功应用。与传统遥感变化检测不同，基于深度学习的变化检测提取遥感影像的深度差异特征，无需构建特征工程，检测精度和效率均有所提高，成为现阶段遥感变化检测的重要手段和研究热点。
湖南大学杨彬副教授团队在《遥感学报》发表文章“深度学习的遥感变化检测综述：文献计量与分析”，从文献计量分析、分析粒度、以及重要问题探索等多个方面，系统地总结和评述基于深度学习的遥感变化检测领域研究现状和未来发展。
遥感变化检测具有多模态、周期性和大范围观测的优势，可以准确快速地获取地表变化信息，对于理解人与自然相互作用，推动可持续发展具有重要意义。传统的遥感变化检测方法原理简单、可操作性强，但是在精度、自动化或普适性方面目前尚不能满足大量复杂应用场景的需求。
随着计算机技术的快速发展，基于深度学习的方法促进了遥感变化检测性能和自动化水平的提升。深度学习具有类似人类推理的特点，在变化检测所需的特征提取方面具有先天优势，已发展为现阶段遥感变化检测的重要手段和研究热点。近两年有相关文章综述了深度学习在遥感变化检测中的应用。但是，基于深度学习的遥感变化检测在快速发展的同时问题十分突出，亟需开展定量分析和深入探讨，推动该领域广泛深入的研究和应用，在土地规划、生态监测和灾害管理等领域发挥重大应用价值。
文章首先通过文献计量分析，宏观分析当前基于深度学习的遥感变化检测研究现状和热点，然后从像素、对象和场景三种分析粒度对现有基于深度学习的遥感变化检测方法分类介绍，最后关注深度学习在变化检测中面临的挑战，讨论多模态数据、非理想样本和多元变化信息多个方面的最新研究进展及发展方向。
计量分析使用的数据为来自WOS (Web of Science) 核心合集数据库 (258篇) 和CNKI (China National Knowledge Infrastructure) (94篇) 的相关文献。
文献结构：发文量年际变化如图1所示， 2016年以来，国际上有关深度学习的遥感变化检测研究呈现持续快速增长趋势，国内研究与国际研究趋势基本保持一致；发文量最多的10份期刊占比86.05% ，如表1所示；从机构发文量来看 (图2 (a))，中国对遥感变化检测研究重视程度更高，成果最为突出；学者之间的合作关系呈现“整体分散、局部集中”的特点，中国学者占主导，公茂果、焦李成、张良培团队等产出较多 (图2 (b))。
表1 基于深度学习的遥感变化检测研究出版量排名前10期刊
研究热点：数据源方面 (图2 (c))，光学卫星数据占据主流 (48.77%)；高分辨率数据 (光学卫星-高分辨率、航拍) 应用最为广泛 (45.26%)，使用来自不同传感器的多模态异质图像 (例如光学卫星图像和SAR图像) 受到越来越多的重视。网络模型方面 (图2 (d) )，卷积神经网络CNN (Convolutional Neural Network) (68.89%) 为研究主流，最新的网络模型如Transformer和图卷积神经网络也开始应用于遥感变化检测。应用领域方面，除广泛的土地利用/覆盖变化检测 (74.22%) 以外，建筑变化检测 (8.59%) 是研究的热点，仍局限在传统应用领域且在资源、环境和救灾等应用较少。
图2 基于深度学习的遥感变化检测研究
相关文献计量分析 (来自WOS统计结果)
2. 研究方法分类
基于深度学习的遥感变化检测方法在像素、对象和场景不同粒度表征地物特征差异，然后通过后续网络处理进一步提取深度特征并判别其变化。图3统计了基于像素、对象和场景三种情况下的发文量以及网络模型的使用情况。
图3 深度学习的遥感变化检测方法
(来自WOS统计结果)
基于像素的方法：从单个像素或单个像素的邻域 (移动窗口) 提取深度特征 (图4)，逐像素判断变化情况，是深度学习应用于变化检测最早的方法。基于像素的方法简单直观，但是逐像素处理效率较低，并且由于假设每个像素独立，检测结果易产生椒盐噪声。通过移动窗口提取的局部特征可缓解噪声影响，同时降低对几何配准精度的要求，然而移动窗口过大可能导致检测的变化边界模糊。在应用于中低分辨率遥感图像时结果较为准确，并且适用于大面积场景。对于高分辨率遥感图像则难以避免不同观测角度、阴影等造成的虚假变化的影响。
基于对象的方法：对象是指对应于一定实体、内部相对均匀的像素组合，其能有效结合光谱和空间纹理特征，提供更精确的地物信息。基于对象的比较分析利用了对观测条件不敏感的地物空间特征 (形状、空间关系等)，可有效减弱随机噪声以及季节变化对变化检测结果的影响，在高分辨率遥感图像变化检测中具有一定优势，并且被用于检测建筑等地理实体变化。在基于对象的方法中，对象生成是最重要的步骤之一，直接影响网络的检测性能，其主要有以下三种生成方式：基于组合分割、基于单一时相分割、基于多时相独立分割 (图5)。
基于场景的方法：分析场景在语义上的变化，将多时相遥感图像作为分析单元，融合后输入单分支网络 (图6 (a) )，或者分别输入双分支网络 (图6 (b) )，一次性判断所有像素的变化情况，可考虑局部信息和全局信息，具有高效性，在城市管理、灾害评估领域发挥重要作用。基于全卷积神经网络的大量研究促使基于场景的变化检测成为快速发展的分支之一。然而，训练模型需要大量标注的样本，这些训练样本的生成通常耗时费力。
随着多模态遥感数据的增加、样本标注问题的突出以及多元变化信息需求的提出，基于深度学习的遥感变化检测面临诸多挑战，如图7所示。
图7 基于深度学习的遥感变化检测面临挑战及发展方向
多模态遥感数据变化检测：多模态遥感数据能够突破单模态数据在天气、太阳高度、成像周期和成像幅度等方面的限制，对于提升遥感变化检测精度、应急救灾具有重要意义。由于多模态异质数据在低维特征空间难以直接比较，现有深度学习方法通过特征空间变换解决此类问题，有效减弱了多模态图像间地物表达差异的影响，但是可能会导致原始图像信息丢失或转换后特征无法高效对比等问题。相关改进方法致力于特征空间变换的网络模型，以获取更一致的特征表示。此外，多模态数据融合以及其它多模态学习方法也提供了新的解决思路。
非理想样本条件下变化检测：深度学习模型的训练需要大量标注样本，样本数量和质量是提升变化检测性能的关键。（1）小样本问题：即标注的变化和非变化样本数量不充足。解决方法主要利用数据增强增加样本数量和多样性以及采用半监督方案降低对标注样本的依赖。有潜力的发展方向为使用自监督方案促进网络从未标注数据中学习更多可解释和有意义的特征表示。（2）不平衡样本问题：即变化样本数量远少于非变化样本数量。其解决方法可分为算法级和数据级两种。其中算法级方法主要采用改进损失函数的方式，数据级方法则从样本选择角度选择平衡的样本数量。新发展方向包括使用无参数损失和AP-Loss等新型损失函数以及深度学习模型过采样算法和集成学习等解决不平衡问题。
多元变化信息获取：多元变化信息 (如变化类型、变化时间) 对于土地规划、城市管理和灾害评估等实际应用具有重要价值，深度学习技术在获取多元变化信息上亟需突破。（1）多类型变化监测：“多类型变化检测”能够突出变化区域和类型。进一步地，最近受到关注的“语义变化检测”生成每个时相图像的语义变化图 (即变化区域及其在每个时相影像中的地物类别图)，例如分类后比较的方法，但是其存在分类误差累积和时间相关性考虑不足的问题。其它方法则需克服大规模标注样本获取困难的问题。（2）时序变化检测：时序变化检测可以建模时空相关性，提供长时期的变化信息，目前大多基于RNN展开。由于存在多次变化、季节性变化等复杂变化情况，现有模型在提取时序图像中的长期空间-时间相关性信息方面具有困难，并且缺乏公开数据集，深度学习在时序变化检测的应用较少，有待进一步研究。基于自注意力机制的Transformer在建模时序数据的长期依赖性上具有优势，为时序变化检测开辟了新途径。
遥感变化检测作为对地观测最重要的技术之一，在土地规划、生态监测和灾害管理等领域具有重大应用价值。基于深度学习的变化检测研究在国内机构学者的主导下于近三年持续快速增长，促进了遥感变化检测性能和自动化水平的提升。这些成果大都基于高分辨率图像和CNN，从像素、对象和场景三种粒度开展，并成功应用于土地利用/覆盖和建筑变化检测等领域。由于遥感平台的发展和应用需求的增加，多模态异质变化检测是未来的研究趋势。另外，深度学习的方法还需要克服非理想样本问题，关注多元变化信息获取，不断深化深度学习新技术、新方法，推进遥感变化检测广泛深入的研究和应用。
杨彬，湖南大学电气与信息工程学院副教授，主要从事遥感数据分析、空间信息智能处理等研究。
Email: binyang@hnu.edu.cn
毛银，湖南大学电气与信息工程学院博士研究生，主要从事人工智能与遥感变化检测研究。
Email: maoyin@hnu.edu.cn
陈晋，北京师范大学地理科学学部教授，主要从事遥感建模、资源与环境遥感、应急管理研究。
Email: chenjin@bnu.edu.cn
刘建强，国家卫星海洋应用中心研究员，主要从事海洋卫星工程建设、海洋遥感应用研究。
陈杰，中南大学地球科学与信息物理学院教授，主要从事遥感大数据智能知识发现研究。
Email: cj2011@csu.edu.cn
闫凯，北京师范大学地理科学学部副教授，主要从事定量遥感模型构建与分析、基于遥感产品的植被-气候响应关系研究。
Email: kaiyan@bnu.edu.cn
杨彬，毛银，陈晋，刘建强，陈杰，闫凯.2023.深度学习的遥感变化检测综述：文献计量与分析.遥感学报,27(9): 1988-2005
Yang B，Mao Y，Chen J，Liu J Q，Chen J and Yan K. 2023. Review of remote sensing change detection in deep learning：Bibliometric and analysis. National Remote Sensing Bulletin, 27(9): 1988-2005 [DOI: 10.11834/jrs.20222156］
赵忠明,孟瑜,岳安志,黄青青,孔赟珑,袁媛,刘晓奕,林蕾,张蒙蒙.2016.遥感时间序列影像变化检测研究进展.遥感学报, 20(5): 1110-1125 DOI: 10.11834/jrs.20166170.
声明
欢迎转载、转发本号原创内容，转载信息请与本号联系授权，标注原作者和信息来源为《遥感学报》。
本号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及作品内容、版权和其他问题，请在20日内与本号联系，我们将在第一时间处理。《遥感学报》拥有最终解释权。
期刊订阅
1.各地邮局订阅：邮发代号82-324；
2.科学出版社期刊发行部：联系电话010-64017032，64017539；
3.网上购买：搜淘宝店、微店店铺名称：中科期刊（订阅及销售过刊）；或点击下方图片：
