技术解析：基于深度学习的遥感影像变化检测
随着遥感技术的发展，不同类型的卫星已被发射到太空中，使我们可以得到多平台、多传感器、多角度的遥感数据。由于遥感影像具有高时间分辨率、易于计算机处理、空间和光谱分辨率选择广泛等优点，其在过去的几十年里已经成为不同变化检测应用的主要数据源。
变化检测被广泛应用于森林植被检测、土地覆盖变化、环境监测、灾害监测评估、城市规划等领域。比如可以借助变化检测功能检测研究区域内植被覆盖、建筑物与构筑物等是否发生了变化，从而明确森林火灾受灾情况或研究城市化进程；变化检测还可以明确具体变化类型，如退耕还林还草；甚至分析变化的时空分布模式，实现自然事件的预警；变化检测还可以监测气候变化，如分析冰川或海岸线的变化等。
遥感变化检测方法按照技术手段不同大致可分为传统变化检测和基于人工智能的变化检测两类。有学者将传统变化检测方法概括为以下几类：可视化分析方法，即通过图像的纹理、形状、大小和模式来视觉判读是否发生变化；基于代数的方法，如图像差分、图像回归和变化向量分析(CVA)等算法；基于变换的方法，如缨帽变换、主成分分析算法；基于分类的方法，如期望最大化算法(EM)、各种无监督算法和人工神经网络(ANN)等；基于先进模型的方法，如Li-Strahler反射率模型、光谱混合模型、生物物理参数法等。
许多传统的变化检测技术应用范围相对有限，且受大气条件、季节变化、卫星传感器和太阳高度的影响，降低了变化检测的精度。因此随着计算机技术的快速发展，传统变化检测方法的研究已转向与人工智能技术融合的阶段。人工智能技术可在数据中学习相关特征，并利用这些学习到的知识实现特定的目标和任务。其中，人工智能中的深度学习算法由于其独特的结构，基于深度学习的变化检测已经成为遥感领域的研究热点。大量研究表明，基于深度学习的变化检测方法在特征提取方面优于传统方法，这得益于其强大的建模和学习能力。
深度学习模型可从原始数据中提取复杂、非线性、不同层次的特征，尽可能地模拟影像与现实地理特征之间的关系，从而能够检测出更真实的变化信息，而且深度学习模型利用多时间数据中的空间和上下文信息来学习分层特征表示，这些高级特征表示在变化检测任务中具有较好的鲁棒性。
下图为基于深度学习变化检测的一般流程：
SuperMap GIS 支持基于深度学习的遥感影像变化检测功能，可服务于多种影像变化检测场景，识别出发生变化的地块并生成兴趣类别变化像元的二值栅格或矢量结果。
例如，如果想研究城市的扩张行为，可借助该功能找出建筑物这种单一类别的变化；也可同时提取出影像中受灾的房屋和被烧毁的植被等多种地物变化，从而判断火灾的影响范围。SuperMap GIS变化检测功能采用孪生神经网络算法，它们会使用相同方式从两张图像中提取特征，得到的特征更为合理，更能反应地物的实际状态。
下图以建筑物变化信息提取为例展示了通用变化检测从标签勾绘到模型推理的整个流程。用户只需要提供同地区的两张不同时相的影像，即可通过SuperMap产品完成变化检测功能标签标注、生成训练数据、模型训练、模型推理的整个过程。值得注意的是，由于只关注建筑物变化，因此在勾绘标签时只需要标注变化的建筑物即可，道路、水体、植被的变化无需标注。标注好的数据通过训练数据生成工具被切分成多个固定尺寸的影像块，再被送入神经网络进行模型训练得到变化检测模型，使用该模型可提取出待推理影像中的建筑物变化情况。
下图展示了使用变化检测功能得到的建筑物变化提取结果。可以看到增加的建筑物（粉色框）被准确地识别，且建筑物轮廓与实际较为贴合。除此之外，模型对形状改变的建筑物（红色框）和被拆除的建筑物（蓝色框）也有较好的提取效果，建筑物边界清晰完整。
遥感影像变化检测在城市规划、环境监测、农业调查、灾害评估等方面有着广泛的应用。借助变化检测可及时准确地检测地表特征的变化。基于深度学习的变化检测方法由于其门槛低、鲁棒性强、效率高等优势在变化检测领域得到了广泛的应用。SuperMap GIS提供的基于深度学习的变化检测功能可支撑多领域的检测需求。
【参考文献】
[1] 张良培，武辰。多时相遥感影像变化检测的现状与展望[J]. 测绘学报，2017，46(10)：1447-1459.
[2] Yang, K., Xia, G. S., Liu, Z., Du, B., Yang, W., Pelillo, M., & Zhang, L. (2020). Semantic change detection with asymmetric Siamese networks. arXiv preprint arXiv:2010.05687.
[3] Shafique A, Cao G, Khan Z, Asad M, Aslam M. Deep Learning-Based Change Detection in Remote Sensing Images: A Review. Remote Sensing. 2022; 14(4):871. https://doi.org/10.3390/rs14040871
[4] Shi W, Zhang M, Zhang R, Chen S, Zhan Z. Change Detection Based on Artificial Intelligence: State-of-the-Art and Challenges. Remote Sensing. 2020; 12(10):1688. https://doi.org/10.3390/rs12101688
[5] D. Lu Corresponding author, P. Mausel, E. Brondízio & E. Moran (2004) Change detection techniques, International Journal of Remote Sensing, 25:12, 2365-2401, DOI: 10.1080/0143116031000139863
[6] Zhan, Yang & Fu, Kun & Yan, Menglong & Sun, Xian & Wang, Hongqi & Qiu, Xiaosong. (2017). Change Detection Based on Deep Siamese Convolutional Network for Optical Aerial Images. IEEE Geoscience and Remote Sensing Letters. PP. 1-5. 10.1109/LGRS.2017.2738149.
[7] 韦玉春, 汤国安, 汪闽等. 遥感数字图像处理教程（第三版）[M].北京：科学出版社，2019.
荐读
《慧天地》敬告
《慧天地》公众号聚焦国内外时空信息科技前沿、行业发展动态、跨界融合趋势，发现企业核心竞争力，传播测绘地理信息文化，为时空信息类相关专业学子提供日常学习、考研就业一站式服务，打造政产学研金服用精准对接的平台。
《慧天地》借鉴《读者》办刊理念，把时空信息领域的精华内容汇聚到平台上。我们高度重视版权，对于精选的每一篇推文，都会在文章开头显著注明出处，以表达对作者和推文引用平台版权的充分尊重和感谢；对于来源于网络作者不明的优质作品，转载时如出现侵权，请后台留言，我们会及时删除。感谢大家一直以来对《慧天地》的关注和支持！
——《慧天地》运营团队
投稿、转载、商务等合作请联系
微信号：huitiandi321
邮箱：geomaticshtd@163.com