人工智能时代的遥感技术

时相遥感影像变化检测是指对同一地理区域、不同时间获取的遥感影像进行自动变化发现、识别与
解释的遥感处理与分析技术。随着卫星遥感技术及人工智能理论方法的快速发展，基于多时相遥感影像数据驱
动和模型驱动的传统变化检测方法正朝着数据一模型一知识联合驱动的方向转型和演变，以更加自动化、精细
化和智能化的方式，解决多领域的地表时空变化检测问题。本文在总结多时相遥感数据源从同构到异构、变化
检测模型从传统到智能、变化检测应用从理论到落地过程中存在问题的基础上，以光学遥感影像变化检测任务
为例，梳理和分析了人工智能时代下变化检测技术的发展历程。从无监督、监督、弱监督3个方面探讨了遥感变
化检测从传统到前沿技术的转型特点与趋势，并进一步提出了未来需重点突破模型的物理可解释性、泛化及迁
移能力、跨数据一跨场景一跨领域应用水平等关键问题。
关键词：遥感，变化检测，多时相分析，人工智能，机器学习，深度学习
中图分类号：P2
引用格式：柳思聪，都科丞，郑永杰，陈晋，杜培军，童小华．2023．人工智能时代的遥感变化检测技术：继承、发展与挑战．遥感学
报。27(9)：1975—1987
Liu S C，Du K C，Zheng Y J，Chen J，Du P J and Tong X H．2023．Remote sensing chaIIge detection technology in the
Era of arti丘cial inteuigence：Inheritance，development and challenges．National Remote Sensing Blllletin。27(9)：
1975—1987[DOI：10．11834／jrs．20222199]
1 引 言
利用卫星遥感实现对地多时相观测和自动变
化检测，为深入理解地表的持续性变化提供了重
要的技术手段，也广泛助力于农业调查、城市扩
展、资源勘探、生态评估、灾害监测等多领域的
遥感应用(Song等，2018；杜培军等，2012a；
Pekel等，2016；Liu等，2017a；Dalponte等，
2019)。由于卫星的重访性和持续性特点，长时序
(如年际)和短时(如日际甚至时际)观测均可获
取海量的多时相遥感影像。如何从中挖掘出高价
值、有意义的地表变化信息，从而支撑全球和区
域性地表变化机理分析及领域专题知识发现，具
有重要研究价值与现实意义。
遥感影像变化检测(Change Detection)技术
通常定义为：处理和分析在同一地理区域、不同
时刻获取的遥感影像，从而探测识别出变化信息
的方法(Sin曲，1989；C0ppin等，2004；Lu等，
2004；Liu等，2021)。若获取的多时相影像在时
空分辨率都足够精细的前提下，理论上可获得较
为系统和全面的地表真实变化信息，如变化时间、
变化位置、变化范围、变化种类、变化程度和变
化状态等。变化检测技术根据应用目的可分为：
异常变化检测、二类变化检测、多类变化检测和
时序变化检测(Liu等，2019b)。其中，异常和二
类变化检测主要关注变化区域的主动探测(定位)
问题，多类变化检测在实现变化区域探测的同时
进行变化类型的细分，而时序变化检测则主要关
收稿日期：2022一04—23；预印本：2022—06—30
基金项目：国家自然科学基金(编号：42071324)；上海市青年科技启明星计划(编号：2lQAl409100)
第一作者简介：柳思聪，研究方向为遥感光谱探测与多时相变化检测。E—mail：sicong．1iu@ton鲥i．edu．cn
万方数据
1976 Nation“Remote Sensing Bulletin 遥感学报 2023，27(9)
注变化时间定位及变化趋势。根据变化检测与样
本的结合程度，又可进一步分为无监督、监督和
弱监督变化检测3种类型。
近30年来，全球气候变化效应显现和人类活
动的频繁，使得遥感变化检测的需求愈加迫切；
同时，随着空一天一地多平台、多传感器的遥感
数据大量积累(图1)，使得可获取多时相遥感影
像的“量”和“质”均有显著提升。另一方面，
基于中、低分辨率数据发展起来的传统变化检测
技术主要依赖光谱特征的分析。随着新型传感器
数据的涌现和遥感数据时一空一谱分辨率的提高，
单纯依赖光谱变化的传统方法受到了极大的挑战，
难以有效直接迁移与应用，进而导致实际算法性
能的降低和较高漏检、错检误差的产生(Lu等，
2004；Liu等，2019a；Wen等，2021)。而机器学
习方法的直接引入与应用，易造成唯方法论的短
板，导致检测精度提升快但解释性差、与实际地
物变化的遥感机理关联性弱、模型泛化和迁移能力
差等问题。因此，针对具体应用场景和任务需求，
如何在充分考虑光谱变化的同时，引入更多的对
象一语义一地学知识支撑，设计出具有强解释性、
高鲁棒性、高自动化和高精度的变化检测技术，
以有效地发现、识别和描述地表真实变化信息，
是目前遥感领域重点关注的热门研究方向之一。
图l 国内外多光谱遥感卫星发展趋势
Fig．1 The development trends of the domestic and intemational popular multispectral remote sensing satellites
本文主要关注机器学习对于多时相遥感变化
检测的影响及演变模式，重点探究传统变化检测
方法在人工智能时代的继承、延续和转型方式，
进而剖析当前遥感变化检测发展趋势及所面临的
新问题与新挑战。
2发展阶段与演变趋势
人工智能的发展历程中有两个重要的时间节
点，首先是20世纪80年代机器学习的快速发展，
再次是2010年后深度学习的异军突起。遥感变化
检测自20世纪70年代被提出后至今也有50多年发
展历史，一些学者就其典型历史发展阶段进行了
归纳总结(眭海刚等，2018)。在人工智能理论方
法的影响和参与下，遥感变化检测历经了从传统
算法到智能化算法的跨越式发展，本文梳理总结
出其演变的时间脉络图如图2所示。主要可归纳为
3个阶段：数据驱动的变化检测阶段、模型驱动的
变化检测阶段和数据一模型一知识共同驱动的变
化检测阶段。
(1)数据驱动的变化检测阶段。采用传统的
影像处理与分析技术，如波段代数计算、特征变
换、指数提取、分类等进行变化提取。典型的算
法主要依赖于前后时相遥感影像光谱反射率及其
衍生指数(如归一化植被指数等)的比较，包括
波段差值法、比值法、回归分析法、变化矢量分
析(CVA)、主成分变换(PCA)、独立主成分变换
(ICA)、分类后比较法等(佟国峰等，2015；张良
培和武辰，2017；Liu等，2012，2021)。该阶段
万方数据
柳思聪等：人工智能时代的遥感变化检测技术：继承、发展与挑战 1977
方法的主要特点是：1)主要面向中、低分辨率遥
感影像，基于独立像素假设，变化检测过程中较
少考虑像素间的空间相关性；2)多为数据驱动，
该阶段的数据通常是指“小数据”或者是特定类
型数据。从数据本身的物理特性如光谱、反射特
性等出发分析图像上的变化分布规律，因此具有
较明确的物理含义；3)未完全使用先验信息，判
读解译依赖于专家知识和人工经验，算法整体性
能高度依赖于多时相数据的质量；同时，受分类
精度和变化阈值设定影响显著，易出现漏检和错
检误差累积的现象。
·像素级处理，较少顾及像素空间
相关性
·小数据驱动，具有明确物理含义
·未完全使用先验信息，依赖专家
知识和人工经验
典型方法：
·差值、比值、回归浚
·变化矢量分析
·主成分变换等
·特定遥感指数
·分类后比较法
·具备变化模式自动学习能力
·选择和利用先验信息
·顾及邻域像素及其空间关系
·隐含知识的表示和推理
·多种监督策略和组合集成
问题：
·有效样本依赖度强
·变化特征提取组合
·变化信息冗余
·模型的泛化迁移能力不疆
典型方法：
·人工神经网络
·条件随机场
·决策树、随机森林
·支持向量机、极限学习机等
·基于先进机器学习算法，涌现
出深度学习变化检测等分支
·数据一模型一知识共同驱动
·协同采用多种监督策略
◆愕僦黼脚剐要求高
I·无监督方法对损失评估要求高
l·模型普适性和可解释性待提升
·深度变化矢量分析方法
·深度分类网络的方法
·GAN和迁移学习的半监督方法等
图2遥感变化检测伴随人工智能技术发展的时间脉络图
Fig．2 The evolution timeline of remote sensing change detection methods with the development of artificial intelligence technology
(2)模型驱动的变化检测阶段。该阶段吸收
和利用了机器学习、模式识别领域涌现出的优秀
算法并应用于遥感变化检测，主流算法包括结合
了人工神经网络(ANN)、条件随机场(MRF)、决
策树(DT)、随机森林(RF)、支持向量机(SVM)
和极限学习机(ELM)等(眭海刚等，2018；杜
培军等，2012a；Khelifi和Mi只notte，2020)。在机
器学习的有力促进下，通过学习样本和先验知识
去促进建模，再由模型去反向解释数据，从而构
建出具有弱人工智能特点的变化检测方法。其
特点在于：1)具备了自动学习变化模式的能力；
2)可以选择和利用已有的先验知识与样本信息训
练模型；3)开始关注和利用邻域像素及其空间关
系信息(BTllzzone和Prieto，2000；Kasetkasem和
Varshnev，2002；Liu等，2017b)；4)具备对于隐
含特征、潜在知识的表示和推理(Du等，2014)；
5)多种监督策略及组合集成学习(Tan等，2019；
Roy等，2014；Du等，2013；Wang等，2018)。
虽然对比前一阶段，该阶段方法在智能化和自动
化程度上有了较大提升，但仍存在对于有效样本
的学习不充分、变化特征的提取组合方式单一、
信息冗余及模型的泛化和迁移能力较差等问题，
易造成“一个数据提一种方法”、“一个场景配一
种方案”的瓶颈问题，很大程度上限制了变化检
测方法的实际应用能力及智能化水平。
(3)数据一模型一知识驱动的变化检测阶段。
随着先进机器学习的不断发展，尤其是深度学习
的兴起，极大地引领了遥感变化检测的前沿研究
(Shi等，2020；Khelifi和Mignotte，2020；Sh蚯que
等，2022)。该阶段从数据一模型一知识角度联合
驱动变化检测方法的构建，在变化特征的有效学
习、变化模型的稳健构建、大数据模式的分析和
j尸噪在存果结量
质低差据较误数度的于精值限测胁阈受检司．．．
万方数据
1978 National Remote Sensing Bulletin遥感学报2023，27(9)
传统方法的深度化等方面进行了诸多尝试。如基
于深度变化矢量分析方法(DCVA)、深度分类网
络构建方法、生成对抗网络(GAN)和迁移学习
的弱监督方法等(Saha等，2019；wang等，2019；
Yang等，2019；Jiang等，2020)。该阶段方法的特
点是：1)基于先进机器学习算法如集成学习、强
化学习、迁移学习、深度学习等强大的计算与学
习能力；2)由数据、模型和知识3者共同驱动；
3)协同采用多种监督策略。虽然在检测性能和精
度上有了较大的提升，但仍存在如模型过度依赖
于样本的数量和质量，基于深度学习变化检测模
型的普适性和物理可解释性相对偏低，模型的迁
移性和效率不尽人意等难题。
3传统继承与转型发展
从遥感变化检测过程与先验样本的结合方式
所划分的无监督、监督和弱监督3类变化检测方
法出发，探讨遥感变化检测技术的传统继承和转
型发展方向，并分析不同发展阶段的技术方法
特点。
3．1无监督变化检测
无监督变化检测中主要包含两个关键步骤
(图3)：(1)多时相影像比较，构建差异影像，以
突出变化信息；(2)建立变化检测模型，分析差
异特征并从中提取变化区域(Liu等，2021)。传
统变化差异影像的构造通常采用前后时相影像逐
像素的处理方法，如波段差分／比值法、指数差分
法、变化矢量分析、距离或者相似性度量法、慢
特征分析法等(佃袁勇，2005；Du等，2012；wu
等，2014)；也可基于光谱变换分析提取差异信
息，如多元变化检测(MAD)及其迭代加权模型
(IR—MAD)等(Nielsen等，1998；Nielsen，2007)。
在此基础上利用阈值分割或聚类方法从差异影像
上提取出变化区域。前者根据差异影像的统计分
布特性，如混合高斯或者瑞利一莱斯分布，使用
人工或者自动化阈值划定出变化和不变化类别
(zanetti等，2015)。经典的阈值分割方法如大津
法(Ostu)、Kittler—Illin删onh(KI)阈值法、最大
期望算法和双窗口变步长阈值搜寻法等(Bmzzone
和Prieto，2000；Chen等，2003；Du等，2012)。
后者主要基于距离或密度等无监督聚类算法对差
异影像进行分类，如利用K均值聚类、层次光谱
聚类等(Lv等，2019；Liu等，2015b)。传统无监
督方法主要建立在中低分辨率遥感影像之上，一
般仅针对特定的应用场景，模型精度受限于实际
数据的质量和场景复杂性，同时对使用者的经验
和技巧有较高要求。
⋯⋯一固：：：：固lll—liil峰图3无监督变化检测技术框架
Fig．3 The framework of the unsupen，ised change detection technique
随着遥感影像分辨率的提升，延续并突破传
统无监督变化检测方法在面向高空间分辨率和高
光谱分辨率数据的局限性是其转型过程中一个重
要的发展方向。如基于经典压缩变化矢量分析方
法(C2vA)所构建的多尺度形态学和超像素重构
方法、空一谱波段衍生方法等，对原始谱段信息
进行特征衍生和特征重构，以增强高空间分辨率
影像中的变化目标表达，提升无监督高空间分辨
率遥感数据变化检测的有效性(Bovolo等，2012；
Liu等，2017，2019，2021)。针对高光谱影像，层
次聚类和序列光谱变化矢量分析方法，将复杂光
谱变化迭代切分至不同显著性层级以有效探测不
宁一罩一寻
万方数据
柳思聪等：人工智能时代的遥感变化检测技术：继承、发展与挑战 1979
同类型变化(Liu等，2015a，2015b)。在此基础
上进行自适应波段子空间选择，使用少数具有代
表性和辨别性的波段子集实现与使用全谱段相同
的检测效果(Liu等，2017e)。此外，多时相联合
光谱解混方法也充分顾及多时相光谱变化和不变
化端元在单像元内的混合特性，实现亚像素级别
的多类变化自动探测与判别，是无监督变化检测
发展中值得深人研究的问题(Liu等，2016；Guo
等，2021)。
元监督变化检测的另一重要前沿发展趋势是
对传统方法的深度化，其核心是将人工变化特征
提取转换为利用深度学习实现的深度特征提取
(如图3可选模块所示)。传统方法中的人工特征提
取多依赖于先验知识，且通常仅能提取浅层变化
特征。而深度无监督变化检测方法能提取潜在的
多层变化特征，利用预检测出的部分高置信度结
果来计算损失函数，从而训练出高效的变化检测
网络。如深度变化矢量分析(DCVA)方法和深度
慢特征分析(DSFA)方法，均是基于传统方法的
特征深度化模型(Saha等，2019；Du等，2019)；
如基于图卷积网络和度量学习的变化检测
(GMCD)，采用孪生全卷积网络、多尺度动态图卷
积网络和基于度量学习的伪标签生成机制，以元
监督方式完成模型的训练(Tang等，2022)。
3．2监督变化检测
早期的监督变化检测技术主要关注的是多时
相遥感影像的像素级分类及检测。发展中期开始
利用像素邻域及上下文信息进行空一谱联合分类，
同时也关注面向对象的变化检测方法。最新发展
则是利用深度特征提取进一步优化空间邻域信息
的表达，并开始关注场景级的变化检测。
监督变化检测本质上可看作为监督分类问题，
根据变化信息的生成与比较所处的阶段不同，可
分为两大类方法：(1)先分类后检测(或分类后比
较)方法；(2)先比较后分类方法，分别如图4(a)
和(b)所示。两类方法架构中通常包含语义标签
数据输入、分类器选择和变化提取3个主要步骤。
对于前者来说，传统方法主要依赖原始光谱数据
的分类后比较，其优势在于可以提供详尽的变化
类别迁移(“矗om—to”)信息，但受限于单期遥
感影像分类精度(检测精度近似于双时相分类精
度的乘积)(Lu等，2004)。单时相分类误差会传
播至多时相变化检测过程，造成误差的累积效应。
后者则直接对多时相数据进行差值或叠加后分类，
从而获得完整的变化检测结果(Soares和Ho＆r，
1995；Nemmour和Chibani，2006)。但现实中通常
极难获得完备的多时相精细变化检测样本，极大
地限制了其有效的应用场景。
随着机器学习对于影像特征提取能力的不断
提高，提取除光谱信息外的多维变化特征并融合
分类，从而实现变化目标的建模与识别，是监督
变化检测技术发展中的一个重要方向。如使用影
像不同特征(如光谱、空间、纹理、指数因子)，
构建加权距离相似度和模糊集融合模型等进行监
督变化检测(杜培军和柳思聪，2012c)；分别提
取邻域一对象～场景级的特征以捕获不同层次的
变化空间信息，经特征降维融合后利用分类器进
行变化检测(wang等，2020)。其中，不同分类器
如SVM、ELM、最邻近分类器(KNN)等(VoIpi
等，2013；Wang等，2018)也分别展现了其在变
化检测应用中的适用性与有效性。在单分类器结
果的基础上，充分利用机器学习中的集成学习等
先进理论方法，可实现有效的特征互补和决策融
合，从而进一步提升变化检测的精度，降低漏检
和虚检误差，如使用旋转森林(RoF)、证据理论
(D—s)、模糊积分等(Du等，2013；Feng等，2018；
wang等，2018；Tan等，2019)。利用监督分类后
的类别概率变化进行变化矢量分析判断变化，在
监督与无监督方法的集成使用上也进行了有益的
探索(Chen等，20ll，2012)。此外，具有更高语
义层面的场景变化检测方法相继被提出并逐渐得
到关注，从而更好地描述场景对的多时相变化并
分析地表类别迁移(Wu等，2017)。
同样在深度学习的影响下，传统监督变化检
测方法也开始逐渐走向深度化。对于先分类后检
测方法来说，深度学习网络可对单时相影像提取
多层、多尺度的深度特征并用于分类，再比较分
类结果从而定位检测出变化(图4(a))。该类方
法如基于注意力度量的深度网络(DSAMNet)，使
用多个ResNet模块提取多尺度深度特征并集成注
意力模块来增强特征提取的性能(shi等，2022)；
基于双时相语义推理网络(Bi—SRNet)变化检测
模型，利用CNN的跨时相语义推理注意力模块，
增强了两时相预测图的语义一致性(Ding等，
2022)。对于先比较后分类方法来说，首先对输人
万方数据
1980 National Remote Sensing Bulletin遥感学报2023，27(9)
的双时相遥感影像生成初始变化差异特征，再利
用深度检测网络实现深度变化特征的提取与检测
(图4(b))。如基于光谱一空间注意机制的孪生神
经网络(SSA—SiamNet)和基于语义分段编码器—解
码器体系结构的变化检测方法等(Wang等，2022；
Peng等，2019)。
常规架构—— 可选模块
(a)先分类后检测框架
e franlework of Dos卜一(·1assi“caIj
：孙吡裂阳—— I】j选擞址⋯一一
(h)允I_匕较』lj jr炎杜VI
(b)The framework of direct classi矗cation觚er comparison
图4两种监督变化检测技术框架
Fig．4 Two fhmeworks of supervised change detection techniques
3．3弱监督变化检测
弱监督变化检测方法是为了克服先验标签信
息不足而产生的，其核心在于引入未标记信息，
并且结合使用有限的可靠先验信息，两者共同参
与获得变化检测结果。在机器学习和深度学习尚
未被完全引入变化检测之前，传统的弱监督变化