人工智能時(shí)代的遙感變化檢測技術(shù)：繼承、發(fā)展與挑戰(zhàn)

柳思聰，都科丞，鄭永杰，陳晉，杜培軍，童小華

1.同濟(jì)大學(xué) 測繪與地理信息學(xué)院,上海 200092;2.北京師范大學(xué) 地表過程與資源生態(tài)國家重點(diǎn)實(shí)驗(yàn)室,北京 100875;3.南京大學(xué) 地理與海洋科學(xué)學(xué)院,南京 210023

1 引言

利用衛(wèi)星遙感實(shí)現(xiàn)對地多時(shí)相觀測和自動(dòng)變化檢測，為深入理解地表的持續(xù)性變化提供了重要的技術(shù)手段，也廣泛助力于農(nóng)業(yè)調(diào)查、城市擴(kuò)展、資源勘探、生態(tài)評估、災(zāi)害監(jiān)測等多領(lǐng)域的遙感應(yīng)用（Song 等，2018；杜培軍 等，2012a；Pekel 等，2016；Liu 等，2017a；Dalponte 等，2019）。由于衛(wèi)星的重訪性和持續(xù)性特點(diǎn)，長時(shí)序（如年際）和短時(shí)（如日際甚至?xí)r際）觀測均可獲取海量的多時(shí)相遙感影像。如何從中挖掘出高價(jià)值、有意義的地表變化信息，從而支撐全球和區(qū)域性地表變化機(jī)理分析及領(lǐng)域?qū)ｎ}知識發(fā)現(xiàn)，具有重要研究價(jià)值與現(xiàn)實(shí)意義。

遙感影像變化檢測（Change Detection）技術(shù)通常定義為：處理和分析在同一地理區(qū)域、不同時(shí)刻獲取的遙感影像，從而探測識別出變化信息的方法（Singh，1989；Coppin 等，2004；Lu 等，2004；Liu 等，2021）。若獲取的多時(shí)相影像在時(shí)空分辨率都足夠精細(xì)的前提下，理論上可獲得較為系統(tǒng)和全面的地表真實(shí)變化信息，如變化時(shí)間、變化位置、變化范圍、變化種類、變化程度和變化狀態(tài)等。變化檢測技術(shù)根據(jù)應(yīng)用目的可分為：異常變化檢測、二類變化檢測、多類變化檢測和時(shí)序變化檢測（Liu 等，2019b）。其中，異常和二類變化檢測主要關(guān)注變化區(qū)域的主動(dòng)探測（定位）問題，多類變化檢測在實(shí)現(xiàn)變化區(qū)域探測的同時(shí)進(jìn)行變化類型的細(xì)分，而時(shí)序變化檢測則主要關(guān)注變化時(shí)間定位及變化趨勢。根據(jù)變化檢測與樣本的結(jié)合程度，又可進(jìn)一步分為無監(jiān)督、監(jiān)督和弱監(jiān)督變化檢測3種類型。

近30 年來，全球氣候變化效應(yīng)顯現(xiàn)和人類活動(dòng)的頻繁，使得遙感變化檢測的需求愈加迫切；同時(shí)，隨著空—天—地多平臺、多傳感器的遙感數(shù)據(jù)大量積累（圖1），使得可獲取多時(shí)相遙感影像的“量”和“質(zhì)”均有顯著提升。另一方面，基于中、低分辨率數(shù)據(jù)發(fā)展起來的傳統(tǒng)變化檢測技術(shù)主要依賴光譜特征的分析。隨著新型傳感器數(shù)據(jù)的涌現(xiàn)和遙感數(shù)據(jù)時(shí)—空—譜分辨率的提高，單純依賴光譜變化的傳統(tǒng)方法受到了極大的挑戰(zhàn)，難以有效直接遷移與應(yīng)用，進(jìn)而導(dǎo)致實(shí)際算法性能的降低和較高漏檢、錯(cuò)檢誤差的產(chǎn)生（Lu 等，2004；Liu 等，2019a；Wen 等，2021）。而機(jī)器學(xué)習(xí)方法的直接引入與應(yīng)用，易造成唯方法論的短板，導(dǎo)致檢測精度提升快但解釋性差、與實(shí)際地物變化的遙感機(jī)理關(guān)聯(lián)性弱、模型泛化和遷移能力差等問題。因此，針對具體應(yīng)用場景和任務(wù)需求，如何在充分考慮光譜變化的同時(shí)，引入更多的對象—語義—地學(xué)知識支撐，設(shè)計(jì)出具有強(qiáng)解釋性、高魯棒性、高自動(dòng)化和高精度的變化檢測技術(shù)，以有效地發(fā)現(xiàn)、識別和描述地表真實(shí)變化信息，是目前遙感領(lǐng)域重點(diǎn)關(guān)注的熱門研究方向之一。

圖1 國內(nèi)外多光譜遙感衛(wèi)星發(fā)展趨勢Fig.1 The development trends of the domestic and international popular multispectral remote sensing satellites

本文主要關(guān)注機(jī)器學(xué)習(xí)對于多時(shí)相遙感變化檢測的影響及演變模式，重點(diǎn)探究傳統(tǒng)變化檢測方法在人工智能時(shí)代的繼承、延續(xù)和轉(zhuǎn)型方式，進(jìn)而剖析當(dāng)前遙感變化檢測發(fā)展趨勢及所面臨的新問題與新挑戰(zhàn)。

2 發(fā)展階段與演變趨勢

人工智能的發(fā)展歷程中有兩個(gè)重要的時(shí)間節(jié)點(diǎn)，首先是20 世紀(jì)80 年代機(jī)器學(xué)習(xí)的快速發(fā)展，再次是2010 年后深度學(xué)習(xí)的異軍突起。遙感變化檢測自20世紀(jì)70年代被提出后至今也有50多年發(fā)展歷史，一些學(xué)者就其典型歷史發(fā)展階段進(jìn)行了歸納總結(jié)（眭海剛 等，2018）。在人工智能理論方法的影響和參與下，遙感變化檢測歷經(jīng)了從傳統(tǒng)算法到智能化算法的跨越式發(fā)展，本文梳理總結(jié)出其演變的時(shí)間脈絡(luò)圖如圖2所示。主要可歸納為3 個(gè)階段：數(shù)據(jù)驅(qū)動(dòng)的變化檢測階段、模型驅(qū)動(dòng)的變化檢測階段和數(shù)據(jù)—模型—知識共同驅(qū)動(dòng)的變化檢測階段。

圖2 遙感變化檢測伴隨人工智能技術(shù)發(fā)展的時(shí)間脈絡(luò)圖Fig.2 The evolution timeline of remote sensing change detection methods with the development of artificial intelligence technology

（1）數(shù)據(jù)驅(qū)動(dòng)的變化檢測階段。采用傳統(tǒng)的影像處理與分析技術(shù)，如波段代數(shù)計(jì)算、特征變換、指數(shù)提取、分類等進(jìn)行變化提取。典型的算法主要依賴于前后時(shí)相遙感影像光譜反射率及其衍生指數(shù)（如歸一化植被指數(shù)等）的比較，包括波段差值法、比值法、回歸分析法、變化矢量分析（CVA）、主成分變換（PCA）、獨(dú)立主成分變換（ICA）、分類后比較法等（佟國峰 等，2015；張良培和武辰，2017；Liu 等，2012，2021）。該階段方法的主要特點(diǎn)是：1）主要面向中、低分辨率遙感影像，基于獨(dú)立像素假設(shè)，變化檢測過程中較少考慮像素間的空間相關(guān)性；2）多為數(shù)據(jù)驅(qū)動(dòng)，該階段的數(shù)據(jù)通常是指“小數(shù)據(jù)”或者是特定類型數(shù)據(jù)。從數(shù)據(jù)本身的物理特性如光譜、反射特性等出發(fā)分析圖像上的變化分布規(guī)律，因此具有較明確的物理含義；3）未完全使用先驗(yàn)信息，判讀解譯依賴于專家知識和人工經(jīng)驗(yàn)，算法整體性能高度依賴于多時(shí)相數(shù)據(jù)的質(zhì)量；同時(shí)，受分類精度和變化閾值設(shè)定影響顯著，易出現(xiàn)漏檢和錯(cuò)檢誤差累積的現(xiàn)象。

（3）數(shù)據(jù)—模型—知識驅(qū)動(dòng)的變化檢測階段。隨著先進(jìn)機(jī)器學(xué)習(xí)的不斷發(fā)展，尤其是深度學(xué)習(xí)的興起，極大地引領(lǐng)了遙感變化檢測的前沿研究（Shi等，2020；Khelifi 和Mignotte，2020；Shafique等，2022）。該階段從數(shù)據(jù)—模型—知識角度聯(lián)合驅(qū)動(dòng)變化檢測方法的構(gòu)建，在變化特征的有效學(xué)習(xí)、變化模型的穩(wěn)健構(gòu)建、大數(shù)據(jù)模式的分析和傳統(tǒng)方法的深度化等方面進(jìn)行了諸多嘗試。如基于深度變化矢量分析方法（DCVA）、深度分類網(wǎng)絡(luò)構(gòu)建方法、生成對抗網(wǎng)絡(luò)（GAN）和遷移學(xué)習(xí)的弱監(jiān)督方法等（Saha等，2019；Wang等，2019；Yang等，2019；Jiang等，2020）。該階段方法的特點(diǎn)是：1）基于先進(jìn)機(jī)器學(xué)習(xí)算法如集成學(xué)習(xí)、強(qiáng)化學(xué)習(xí)、遷移學(xué)習(xí)、深度學(xué)習(xí)等強(qiáng)大的計(jì)算與學(xué)習(xí)能力；2）由數(shù)據(jù)、模型和知識3 者共同驅(qū)動(dòng)；3）協(xié)同采用多種監(jiān)督策略。雖然在檢測性能和精度上有了較大的提升，但仍存在如模型過度依賴于樣本的數(shù)量和質(zhì)量，基于深度學(xué)習(xí)變化檢測模型的普適性和物理可解釋性相對偏低，模型的遷移性和效率不盡人意等難題。

3 傳統(tǒng)繼承與轉(zhuǎn)型發(fā)展

從遙感變化檢測過程與先驗(yàn)樣本的結(jié)合方式所劃分的無監(jiān)督、監(jiān)督和弱監(jiān)督3 類變化檢測方法出發(fā)，探討遙感變化檢測技術(shù)的傳統(tǒng)繼承和轉(zhuǎn)型發(fā)展方向，并分析不同發(fā)展階段的技術(shù)方法特點(diǎn)。

3.1 無監(jiān)督變化檢測

無監(jiān)督變化檢測中主要包含兩個(gè)關(guān)鍵步驟（圖3）：（1）多時(shí)相影像比較，構(gòu)建差異影像，以突出變化信息；（2）建立變化檢測模型，分析差異特征并從中提取變化區(qū)域（Liu 等，2021）。傳統(tǒng)變化差異影像的構(gòu)造通常采用前后時(shí)相影像逐像素的處理方法，如波段差分/比值法、指數(shù)差分法、變化矢量分析、距離或者相似性度量法、慢特征分析法等（佃袁勇，2005；Du等，2012；Wu等，2014）；也可基于光譜變換分析提取差異信息，如多元變化檢測（MAD）及其迭代加權(quán)模型（IR-MAD）等（Nielsen等，1998；Nielsen，2007）。在此基礎(chǔ)上利用閾值分割或聚類方法從差異影像上提取出變化區(qū)域。前者根據(jù)差異影像的統(tǒng)計(jì)分布特性，如混合高斯或者瑞利—萊斯分布，使用人工或者自動(dòng)化閾值劃定出變化和不變化類別（Zanetti 等，2015）。經(jīng)典的閾值分割方法如大津法（Ostu）、Kittler-Illingworth（KI）閾值法、最大期望算法和雙窗口變步長閾值搜尋法等（Bruzzone和Prieto，2000；Chen 等，2003；Du 等，2012）。后者主要基于距離或密度等無監(jiān)督聚類算法對差異影像進(jìn)行分類，如利用K 均值聚類、層次光譜聚類等（Lv 等，2019；Liu 等，2015b）。傳統(tǒng)無監(jiān)督方法主要建立在中低分辨率遙感影像之上，一般僅針對特定的應(yīng)用場景，模型精度受限于實(shí)際數(shù)據(jù)的質(zhì)量和場景復(fù)雜性，同時(shí)對使用者的經(jīng)驗(yàn)和技巧有較高要求。

圖3 無監(jiān)督變化檢測技術(shù)框架Fig.3 The framework of the unsupervised change detection technique

隨著遙感影像分辨率的提升，延續(xù)并突破傳統(tǒng)無監(jiān)督變化檢測方法在面向高空間分辨率和高光譜分辨率數(shù)據(jù)的局限性是其轉(zhuǎn)型過程中一個(gè)重要的發(fā)展方向。如基于經(jīng)典壓縮變化矢量分析方法（C2VA）所構(gòu)建的多尺度形態(tài)學(xué)和超像素重構(gòu)方法、空—譜波段衍生方法等，對原始譜段信息進(jìn)行特征衍生和特征重構(gòu)，以增強(qiáng)高空間分辨率影像中的變化目標(biāo)表達(dá)，提升無監(jiān)督高空間分辨率遙感數(shù)據(jù)變化檢測的有效性（Bovolo 等，2012；Liu等，2017，2019，2021）。針對高光譜影像，層次聚類和序列光譜變化矢量分析方法，將復(fù)雜光譜變化迭代切分至不同顯著性層級以有效探測不同類型變化（Liu 等，2015a，2015b）。在此基礎(chǔ)上進(jìn)行自適應(yīng)波段子空間選擇，使用少數(shù)具有代表性和辨別性的波段子集實(shí)現(xiàn)與使用全譜段相同的檢測效果（Liu 等，2017c）。此外，多時(shí)相聯(lián)合光譜解混方法也充分顧及多時(shí)相光譜變化和不變化端元在單像元內(nèi)的混合特性，實(shí)現(xiàn)亞像素級別的多類變化自動(dòng)探測與判別，是無監(jiān)督變化檢測發(fā)展中值得深入研究的問題（Liu 等，2016；Guo等，2021）。

無監(jiān)督變化檢測的另一重要前沿發(fā)展趨勢是對傳統(tǒng)方法的深度化，其核心是將人工變化特征提取轉(zhuǎn)換為利用深度學(xué)習(xí)實(shí)現(xiàn)的深度特征提?。ㄈ鐖D3可選模塊所示）。傳統(tǒng)方法中的人工特征提取多依賴于先驗(yàn)知識，且通常僅能提取淺層變化特征。而深度無監(jiān)督變化檢測方法能提取潛在的多層變化特征，利用預(yù)檢測出的部分高置信度結(jié)果來計(jì)算損失函數(shù)，從而訓(xùn)練出高效的變化檢測網(wǎng)絡(luò)。如深度變化矢量分析（DCVA）方法和深度慢特征分析（DSFA）方法，均是基于傳統(tǒng)方法的特征深度化模型（Saha 等，2019；Du 等，2019）；如基于圖卷積網(wǎng)絡(luò)和度量學(xué)習(xí)的變化檢測（GMCD），采用孿生全卷積網(wǎng)絡(luò)、多尺度動(dòng)態(tài)圖卷積網(wǎng)絡(luò)和基于度量學(xué)習(xí)的偽標(biāo)簽生成機(jī)制，以無監(jiān)督方式完成模型的訓(xùn)練（Tang等，2022）。

3.2 監(jiān)督變化檢測

早期的監(jiān)督變化檢測技術(shù)主要關(guān)注的是多時(shí)相遙感影像的像素級分類及檢測。發(fā)展中期開始利用像素鄰域及上下文信息進(jìn)行空—譜聯(lián)合分類，同時(shí)也關(guān)注面向?qū)ο蟮淖兓瘷z測方法。最新發(fā)展則是利用深度特征提取進(jìn)一步優(yōu)化空間鄰域信息的表達(dá)，并開始關(guān)注場景級的變化檢測。

監(jiān)督變化檢測本質(zhì)上可看作為監(jiān)督分類問題，根據(jù)變化信息的生成與比較所處的階段不同，可分為兩大類方法：（1）先分類后檢測（或分類后比較）方法；（2）先比較后分類方法，分別如圖4（a）和（b）所示。兩類方法架構(gòu)中通常包含語義標(biāo)簽數(shù)據(jù)輸入、分類器選擇和變化提取3 個(gè)主要步驟。對于前者來說，傳統(tǒng)方法主要依賴原始光譜數(shù)據(jù)的分類后比較，其優(yōu)勢在于可以提供詳盡的變化類別遷移（“from-to”）信息，但受限于單期遙感影像分類精度（檢測精度近似于雙時(shí)相分類精度的乘積）（Lu 等，2004）。單時(shí)相分類誤差會(huì)傳播至多時(shí)相變化檢測過程，造成誤差的累積效應(yīng)。后者則直接對多時(shí)相數(shù)據(jù)進(jìn)行差值或疊加后分類，從而獲得完整的變化檢測結(jié)果（Soares 和Hoffer，1995；Nemmour 和Chibani，2006）。但現(xiàn)實(shí)中通常極難獲得完備的多時(shí)相精細(xì)變化檢測樣本，極大地限制了其有效的應(yīng)用場景。

對于一個(gè)Adapter采集多臺機(jī)床的情況，則需要在key中將設(shè)備名和數(shù)據(jù)項(xiàng)名稱用“·”分隔。因此在由FOCAS函數(shù)采集得到設(shè)備數(shù)據(jù)后系統(tǒng)將其處理成報(bào)文形式再發(fā)送給代理端，系統(tǒng)適配器數(shù)據(jù)采集總體流程如圖3所示，具體流程如下：

圖4 兩種監(jiān)督變化檢測技術(shù)框架Fig.4 Two frameworks of supervised change detection techniques

隨著機(jī)器學(xué)習(xí)對于影像特征提取能力的不斷提高，提取除光譜信息外的多維變化特征并融合分類，從而實(shí)現(xiàn)變化目標(biāo)的建模與識別，是監(jiān)督變化檢測技術(shù)發(fā)展中的一個(gè)重要方向。如使用影像不同特征（如光譜、空間、紋理、指數(shù)因子），構(gòu)建加權(quán)距離相似度和模糊集融合模型等進(jìn)行監(jiān)督變化檢測（杜培軍和柳思聰，2012c）；分別提取鄰域—對象—場景級的特征以捕獲不同層次的變化空間信息，經(jīng)特征降維融合后利用分類器進(jìn)行變化檢測（Wang等，2020）。其中，不同分類器如SVM、ELM、最鄰近分類器（KNN）等（Volpi等，2013；Wang 等，2018）也分別展現(xiàn)了其在變化檢測應(yīng)用中的適用性與有效性。在單分類器結(jié)果的基礎(chǔ)上，充分利用機(jī)器學(xué)習(xí)中的集成學(xué)習(xí)等先進(jìn)理論方法，可實(shí)現(xiàn)有效的特征互補(bǔ)和決策融合，從而進(jìn)一步提升變化檢測的精度，降低漏檢和虛檢誤差，如使用旋轉(zhuǎn)森林（RoF）、證據(jù)理論（D-S）、模糊積分等（Du等，2013；Feng等，2018；Wang 等，2018；Tan 等，2019）。利用監(jiān)督分類后的類別概率變化進(jìn)行變化矢量分析判斷變化，在監(jiān)督與無監(jiān)督方法的集成使用上也進(jìn)行了有益的探索（Chen 等，2011，2012）。此外，具有更高語義層面的場景變化檢測方法相繼被提出并逐漸得到關(guān)注，從而更好地描述場景對的多時(shí)相變化并分析地表類別遷移（Wu等，2017）。

同樣在深度學(xué)習(xí)的影響下，傳統(tǒng)監(jiān)督變化檢測方法也開始逐漸走向深度化。對于先分類后檢測方法來說，深度學(xué)習(xí)網(wǎng)絡(luò)可對單時(shí)相影像提取多層、多尺度的深度特征并用于分類，再比較分類結(jié)果從而定位檢測出變化（圖4（a））。該類方法如基于注意力度量的深度網(wǎng)絡(luò)（DSAMNet），使用多個(gè)ResNet 模塊提取多尺度深度特征并集成注意力模塊來增強(qiáng)特征提取的性能（Shi 等，2022）；基于雙時(shí)相語義推理網(wǎng)絡(luò)（Bi-SRNet）變化檢測模型，利用CNN 的跨時(shí)相語義推理注意力模塊，增強(qiáng)了兩時(shí)相預(yù)測圖的語義一致性（Ding 等，2022）。對于先比較后分類方法來說，首先對輸入的雙時(shí)相遙感影像生成初始變化差異特征，再利用深度檢測網(wǎng)絡(luò)實(shí)現(xiàn)深度變化特征的提取與檢測（圖4（b））。如基于光譜—空間注意機(jī)制的孿生神經(jīng)網(wǎng)絡(luò)（SSA-SiamNet）和基于語義分段編碼器—解碼器體系結(jié)構(gòu)的變化檢測方法等（Wang等，2022；Peng等，2019）。

3.3 弱監(jiān)督變化檢測

弱監(jiān)督變化檢測方法是為了克服先驗(yàn)標(biāo)簽信息不足而產(chǎn)生的，其核心在于引入未標(biāo)記信息，并且結(jié)合使用有限的可靠先驗(yàn)信息，兩者共同參與獲得變化檢測結(jié)果。在機(jī)器學(xué)習(xí)和深度學(xué)習(xí)尚未被完全引入變化檢測之前，傳統(tǒng)的弱監(jiān)督變化檢測方法實(shí)質(zhì)上仍是監(jiān)督型變化檢測（圖5），但關(guān)注點(diǎn)在于樣本的生成、篩選、過濾以及標(biāo)簽強(qiáng)化等。如一種半監(jiān)督變化檢測框架，將光譜變化矢量特征投影至二維極坐標(biāo)域，實(shí)現(xiàn)多類變化檢測偽訓(xùn)練樣本的生成與擴(kuò)增（Liu 等，2017d）。改進(jìn)分類器使其適用于小樣本或者樣本質(zhì)量差的半監(jiān)督變化檢測任務(wù)，如基于支持向量域（SVD）的變化檢測方法和半監(jiān)督支持向量機(jī)（S3VM）方法，采用半監(jiān)督學(xué)習(xí)算法在定義變化與不變樣本間的決策邊界時(shí)逐步考慮未標(biāo)記樣本等（Bovolo 等，2008，2010）。此外，利用主動(dòng)學(xué)習(xí)和遷移學(xué)習(xí)，通過將樣本迭代遷移，促進(jìn)初始樣本下的分類性能，進(jìn)而提升變化檢測的精度（Demir 等，2013；Tong等，2020）。

弱監(jiān)督變化檢測方法在其發(fā)展過程中，受到機(jī)器學(xué)習(xí)特別是深度學(xué)習(xí)的影響，傳統(tǒng)模型在走向深度化的過程中演變出了兩種典型架構(gòu)（圖6）。一種是基于不完全監(jiān)督的深度變化檢測架構(gòu)（圖6（a）），其關(guān)鍵步驟包括：深度變化檢測網(wǎng)絡(luò)、特征空間對齊和重構(gòu)網(wǎng)絡(luò)的構(gòu)建。該架構(gòu)中有標(biāo)簽和無標(biāo)簽的訓(xùn)練數(shù)據(jù)分兩路交替訓(xùn)練，經(jīng)過變化檢測網(wǎng)絡(luò)后不同標(biāo)簽類型獲得的結(jié)果精度評價(jià)標(biāo)準(zhǔn)不一致，所以需要額外使用一個(gè)損失函數(shù)（Loss2）協(xié)助特征空間對齊。重構(gòu)網(wǎng)絡(luò)和決定訓(xùn)練是否終止的損失函數(shù)（Loss3）的定義與構(gòu)建，也是影響最終檢測精度的關(guān)鍵之一。該架構(gòu)的主要特點(diǎn)在于只需部分有良好標(biāo)簽的數(shù)據(jù)，因此普適性較高、可跨數(shù)據(jù)集使用。目前使用該架構(gòu)的方法如結(jié)合強(qiáng)化學(xué)習(xí)、遷移學(xué)習(xí)和生成式對抗網(wǎng)絡(luò)等（Jiang等，2020，2022）。

圖6 兩種弱監(jiān)督深度變化檢測技術(shù)框架Fig.6 Two frameworks of weakly supervised deep change detection techniques

另一種是基于不精確和不確切監(jiān)督的深度變化檢測方法（圖6（b）），包含了初步變化提取比較模塊、深度變化檢測網(wǎng)絡(luò)以及標(biāo)簽重構(gòu)模塊。其中關(guān)鍵步驟在于深度變化檢測網(wǎng)絡(luò)的構(gòu)建以及標(biāo)簽重構(gòu)。其中標(biāo)簽重構(gòu)產(chǎn)生的誤差會(huì)傳遞給變化檢測模塊并最終影響檢測精度?，F(xiàn)有方法在研究標(biāo)簽數(shù)據(jù)的利用和未標(biāo)記數(shù)據(jù)的信息挖掘方面做了相關(guān)嘗試。如基于遷移深度學(xué)習(xí)的變化檢測方法，在預(yù)訓(xùn)練階段對帶標(biāo)簽數(shù)據(jù)的變化檢測和未標(biāo)記目標(biāo)數(shù)據(jù)的重構(gòu)，實(shí)現(xiàn)了兩類數(shù)據(jù)的特征分布對齊（Yang 等，2019）；基于生成對抗網(wǎng)絡(luò)的弱監(jiān)督卷積變化檢測網(wǎng)絡(luò)，首先將標(biāo)記數(shù)據(jù)和未標(biāo)記數(shù)據(jù)輸入分割網(wǎng)絡(luò)生成初始預(yù)測結(jié)果并計(jì)算熵圖，然后采用兩個(gè)鑒別器來增強(qiáng)標(biāo)記數(shù)據(jù)和未標(biāo)記數(shù)據(jù)之間的特征分布一致性，有效挖掘出未標(biāo)記數(shù)據(jù)潛力（Peng等，2021）。

4 挑戰(zhàn)與展望

在遙感大數(shù)據(jù)和人工智能時(shí)代背景下，先進(jìn)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的引入，促使傳統(tǒng)遙感變化檢測的精度、效率以及自動(dòng)化程度均具有了大幅提升。但面對多源異構(gòu)的遙感數(shù)據(jù)和復(fù)雜多變的應(yīng)用場景時(shí)，變化檢測在數(shù)據(jù)、模型和應(yīng)用層面上依舊面臨諸多問題與挑戰(zhàn)。

4.1 數(shù)據(jù)層面：多源異構(gòu)大數(shù)據(jù)的集成與處理

（1）異構(gòu)數(shù)據(jù)集成的挑戰(zhàn)。傳統(tǒng)變化檢測方法主要依賴于同源同質(zhì)遙感數(shù)據(jù)的處理，尤其是來源于同一傳感器、獲取于相近季節(jié)條件和高質(zhì)量成像參數(shù)的數(shù)據(jù)，但是如此高約束的時(shí)序影像在現(xiàn)實(shí)中通常難以獲取。多源異構(gòu)或稱之為多模態(tài)變化檢測能克服以上限制，允許利用來自于不同傳感器、不同分辨率甚至是不同維度的數(shù)據(jù)（如光學(xué)、SAR、LiDAR、GIS 等），但需著重考慮不同域、不同統(tǒng)計(jì)分布及圖像間不一致的類別標(biāo)簽等，尤其是利用不同類型傳感器數(shù)據(jù)時(shí)，其測量的不同物理量不可直接拿來比較等問題（Luppino 等，2019）?，F(xiàn)有該方向上的工作面向的遙感傳感器類型及數(shù)據(jù)規(guī)模都相對有限，以小尺度、有限源、雙時(shí)相的遙感影像為主，對于多源異構(gòu)、大尺度變化檢測研究甚少。因此，如何解決多模態(tài)數(shù)據(jù)的協(xié)同分析處理難題，有效地抑制或消除異構(gòu)數(shù)據(jù)導(dǎo)致的時(shí)—空—譜信息表達(dá)不一致性，既是今后變化檢測研究中一個(gè)重要的研究方向，也是面臨的一項(xiàng)重要挑戰(zhàn)。

（2）高精度預(yù)處理的挑戰(zhàn)。高精度預(yù)處理是多時(shí)相遙感變化檢測的重要前提，主要包括輻射校正、大氣校正、幾何校正、物候歸一化、圖像增強(qiáng)、圖像配準(zhǔn)、時(shí)空融合等步驟。傳統(tǒng)變化檢測通常是針對兩幅同源同分辨率影像進(jìn)行的預(yù)處理，而多源異構(gòu)遙感數(shù)據(jù)的輸入則極大地增加了預(yù)處理的難度，如考慮多源數(shù)據(jù)的特征匹配、多分辨率影像的高精度校正和配準(zhǔn)等（Han 和Byun，2015）。此外，因影像空間分辨率及數(shù)據(jù)質(zhì)量的提升，不可避免地引入如光照、地形、陰影等成像環(huán)境所造成的偽變化。如何實(shí)現(xiàn)多源異構(gòu)數(shù)據(jù)的高精度預(yù)處理，有效消除成像環(huán)境差異導(dǎo)致的偽變化信息，保留地表真實(shí)變化信息，是今后變化檢測研究中亟需關(guān)注的重點(diǎn)問題之一。

（3）多維變化提取融合的挑戰(zhàn)。雖然圖像融合技術(shù)已相對成熟，但對于異源、異質(zhì)甚至異維的遙感影像而言，數(shù)據(jù)本身存在巨大的本質(zhì)及語義鴻溝，目前仍未具備有效的理論技術(shù)方案以滿足其高效融合的需求。對于異構(gòu)數(shù)據(jù)而言，特征級融合更容易集成和處理來自多平臺、多傳感器、多角度的影像信息（李樹濤 等，2021）。而傳統(tǒng)變化檢測處理主要基于對地觀測的二維影像，隨著多角度光學(xué)衛(wèi)星立體觀測、激光測高、InSAR數(shù)據(jù)處理的廣泛深入，將促使遙感變化檢測從二維走向三維，實(shí)現(xiàn)多維度的變化目標(biāo)描述。因此，如何構(gòu)建跨越數(shù)據(jù)語義鴻溝的多維變化提取與融合方法，實(shí)現(xiàn)更為立體化、多樣化的變化專題信息提取，是需要重點(diǎn)關(guān)注的又一研究方向。

4.2 模型層面：智能化變化檢測模型

當(dāng)前大部分無監(jiān)督算法研究仍只關(guān)注二類變化檢測問題，對于多類變化檢測問題中類別數(shù)目的自動(dòng)確定、多類變化的特征表達(dá)和深度建模分析等仍處于起步探索階段（Liu 等，2019b）。尤其在大范圍地理區(qū)域、復(fù)雜地表類別等變化檢測場景中，極易出現(xiàn)變化類型的顯著性不一、數(shù)量不均衡、受偽變化影響大等問題。如何利用無監(jiān)督的方式有效捕獲多類變化特征，以此建立不同時(shí)相數(shù)據(jù)之間的變化表征，綜合考慮數(shù)據(jù)—模型的強(qiáng)耦合關(guān)聯(lián)關(guān)系，以提升無監(jiān)督模型在跨數(shù)據(jù)源、跨場景上的魯棒性，將是今后無監(jiān)督自動(dòng)變化檢測研究中的重點(diǎn)和難點(diǎn)。

雖然監(jiān)督和弱監(jiān)督變化檢測方法可以提供詳細(xì)的變化轉(zhuǎn)移信息，但算法需要充分的高質(zhì)量先驗(yàn)樣本作為支撐，而完備的多時(shí)相變化先驗(yàn)知識在現(xiàn)實(shí)中通常難以有效獲?。↘helifi 和Mignotte，2020）。雖然端到端的監(jiān)督和弱監(jiān)督深度變化檢測模型研究取得了一定的進(jìn)展，但高效的樣本生成機(jī)制與深度檢測網(wǎng)絡(luò)的耦合作用機(jī)制仍不明確。特別面向跨時(shí)相、跨場景、跨要素時(shí)的樣本缺失、樣本不精確等問題時(shí)，仍無行之有效的解決方案。未來研究中，一方面應(yīng)考慮如何構(gòu)建自動(dòng)化的樣本學(xué)習(xí)和擴(kuò)增方式以減少人工標(biāo)注，同時(shí)采用遷移學(xué)習(xí)、主動(dòng)學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等多種手段提高高質(zhì)量標(biāo)注數(shù)據(jù)或者變化特征的獲取，以有效解決小樣本、不平衡樣本、不精確樣本下的變化檢測難題。另一方面需要探索非監(jiān)督與監(jiān)督變化檢測的有效結(jié)合方式，特別是如何將兩者優(yōu)勢特點(diǎn)充分體現(xiàn)在深度網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)中，協(xié)同實(shí)現(xiàn)復(fù)雜地表變化的高精度建模。

因此，未來的變化檢測方法構(gòu)建需考慮“數(shù)據(jù)—模型—知識”3 者耦合驅(qū)動(dòng)下的新模型，從“小數(shù)據(jù)”向“大數(shù)據(jù)”延伸，從物理模型和算法模型分離到兩者耦合關(guān)聯(lián)，從本領(lǐng)域知識拓展至跨領(lǐng)域知識驅(qū)動(dòng)。重點(diǎn)突破模型的物理可解釋性、泛化及遷移能力，解決在無樣本、少樣本和有樣本場景下的智能化檢測應(yīng)用難題。

4.3 應(yīng)用層面：高可信變化檢測應(yīng)用

盡管基于人工智能的遙感影像變化檢測技術(shù)在性能上比傳統(tǒng)模型有較大提升，但是目前研究仍只停留在模型設(shè)計(jì)層面，存在只針對特定數(shù)據(jù)、面向小場景應(yīng)用等明顯缺陷。同時(shí)，在現(xiàn)實(shí)大多數(shù)應(yīng)用場景中，需要優(yōu)先考慮變化漏檢率的抑制，并在此基礎(chǔ)上提升模型對于錯(cuò)檢率的有效判別。但模型應(yīng)用的效率和精度與實(shí)際精細(xì)化檢測應(yīng)用需求相比還存在較大差距，特別是以應(yīng)用驅(qū)動(dòng)的智能化、高可信變化檢測成功案例少之甚少。在物聯(lián)網(wǎng)、云計(jì)算、大數(shù)據(jù)等背景下，遙感變化檢測將是一種不斷完善社會(huì)服務(wù)、以需求為導(dǎo)向性質(zhì)的技術(shù)，如何將其真正應(yīng)用落地（如智慧農(nóng)業(yè)、智慧城市、智慧海洋）是值得認(rèn)真思考和待解決的問題，而不只是局限于單一算法模型精度的不斷提升。

因此，面向高水平的變化檢測應(yīng)用需要重點(diǎn)考慮如下幾點(diǎn)：（1）構(gòu)建面向多源多模態(tài)數(shù)據(jù)的算法模型，提升模型在跨區(qū)域、跨要素、跨數(shù)據(jù)集上的泛化能力與應(yīng)用水平；（2）打破常規(guī)雙時(shí)相、多時(shí)相固定輸入及在小數(shù)據(jù)、小場景上的限制，實(shí)現(xiàn)時(shí)相域上近實(shí)時(shí)和長時(shí)序、空間域上大范圍、大場景的變化檢測應(yīng)用；（3）打通“要素—對象—場景—功能”的變化檢測應(yīng)用，實(shí)現(xiàn)復(fù)雜場景下“變化檢測”到“變化解釋”的跨越；（4）將傳統(tǒng)意義上的本地單機(jī)化檢測處理遷移至云計(jì)算平臺（如Google Earth Engine 等），以有效降低數(shù)據(jù)存儲(chǔ)和計(jì)算成本，促使低成本、大尺度、長時(shí)序、高性能的“云”變化檢測應(yīng)用成為可能。

5 結(jié)論

本文以光學(xué)遙感影像變化檢測問題為例，回顧了人工智能時(shí)代背景下多時(shí)相遙感影像變化檢測技術(shù)的轉(zhuǎn)型和發(fā)展趨勢。在機(jī)器學(xué)習(xí)的深度參與和影響下，遙感變化檢測技術(shù)從數(shù)據(jù)驅(qū)動(dòng)正邁向數(shù)據(jù)—模型—知識的耦合驅(qū)動(dòng)，從簡單的人工特征提取走向智能化的深度特征表達(dá)，從樣本信息的未充分利用走向更為精準(zhǔn)的樣本學(xué)習(xí)與反饋，從簡單變化檢測任務(wù)走向更為復(fù)雜的多源、多類、多場景、多時(shí)序應(yīng)用任務(wù)。此外，通過深入剖析當(dāng)前變化檢測技術(shù)仍面臨的來自于數(shù)據(jù)、模型和應(yīng)用層面的挑戰(zhàn)，重點(diǎn)需突破模型的物理可解釋性、泛化及遷移能力、跨數(shù)據(jù)—跨場景—跨領(lǐng)域應(yīng)用水平等關(guān)鍵問題。展望未來，多模態(tài)遙感變化檢測、有效樣本學(xué)習(xí)策略與模型耦合、非監(jiān)督與監(jiān)督模型組合、高可信和智能化變化檢測服務(wù)、云平臺變化檢測應(yīng)用等將是今后可關(guān)注的重要發(fā)展趨勢和熱點(diǎn)研究主題。

志 謝感謝意大利特倫托大學(xué)Lorenzo Bruzzone 教授的意見和建議。感謝研究生談瑞、趙慧對于相關(guān)文獻(xiàn)資料的搜集整理工作。