1. 引言：变化检测的意义与背景

地球表面是一个动态系统，自然过程（如植被生长、冰川消融、河流改道）与人类活动（如城市化、 deforestation、农业扩张）持续改变着地表景观。遥感卫星以定期、大范围、多光谱的方式记录这些变化，为监测、理解和建模地球系统提供了不可替代的数据源。变化检测正是从这些海量时序影像中自动或半自动提取“何时、何地、发生了何种变化”这一关键信息的技术。

自20世纪70年代Landsat系列卫星发射以来，变化检测一直是遥感科学的核心议题之一。从最初的简单影像差值、比值，到后来的主成分分析（PCA）、变化向量分析（CVA），再到如今基于深度卷积神经网络（CNN）、Transformer架构的端到端变化检测模型，技术手段经历了质的飞跃。应用领域也极为广泛：城市扩展监测、森林砍伐与退化评估、灾害损失评估、农业作物变化、湿地动态监测、海岸线变迁等。

然而，变化检测并非简单的“找不同”。它受到遥感系统因素（时间、空间、光谱、辐射分辨率）与环境因素（大气、土壤湿度、物候）的双重制约。同一地物在不同时间、不同传感器下的光谱表现可能存在显著差异，这为变化检测带来了巨大挑战。近年来，随着深度学习、多模态融合、自监督学习等技术的突破，变化检测正朝着更鲁棒、更智能、更精细的方向发展。

2. 核心概念与影响因素

变化检测的核心是识别同一地理区域在不同时间点之间的状态差异。一个完整的变化检测流程通常包括：数据预处理、变化特征提取、变化/非变化分类、变化类型识别、精度评估。其中，数据预处理是决定成败的关键步骤，因为原始影像中包含了大量非目标变化（如大气差异、太阳角度变化、传感器噪声）。

2.1 遥感系统因素的影响

不同遥感系统在设计时针对不同应用目标，其时间分辨率、空间分辨率、光谱分辨率和辐射分辨率存在显著差异。这些差异直接影响变化检测的可检测性与精度。

在实际应用中，研究者需要根据目标变化类型（如建筑变化 vs 植被变化）选择最合适的传感器组合。例如，监测城市扩张通常需要高空间分辨率（≤10m）数据，而监测全球森林覆盖变化则更依赖高时间分辨率（如MODIS）数据。

2.2 环境因素的影响

环境因素对变化检测的干扰往往比系统因素更隐蔽、更难以消除。以下三个方面尤为关键：

大气影响：不同时相影像获取时的大气条件（气溶胶、水汽、云）不同，会导致相同地物表现不同的辐射值。变化检测前必须进行大气校正（如6S、FLAASH、Sen2Cor），或采用相对辐射归一化（如暗目标法、伪不变特征法）。对于多云地区，合成孔径雷达（SAR）数据成为重要补充。

土壤湿度影响：土壤含水量显著影响地物（特别是裸土和低植被覆盖区）的光谱反射率。干燥土壤与湿润土壤在可见光-近红外波段的差异可能被误判为土地覆盖变化。解决方案包括：使用雷达数据（对湿度敏感）、结合土壤湿度辅助数据、或选择湿度变化较小的时段。

物候影响：植被的物候节律（如落叶、返青、开花）会导致同一地点在不同季节的光谱特征差异，这种“假变化”是植被变化检测中的主要噪声。解决思路是：选择物候相似的时相（如每年同一天）、使用植被指数时间序列（如Landsat NDVI时序）进行趋势分析，或采用物候模型进行归一化。

3. 传统变化检测方法

在深度学习兴起之前，变化检测方法主要分为代数法、变换法、分类后比较法和高级模型法。这些方法至今仍在许多场景中有效，且构成了现代方法的基础。

3.1 代数法

代数法是最直观的变化检测方法，通过逐像元的数学运算生成“变化图像”，再通过阈值分割得到变化/非变化图。

• 影像差值法：计算两个时相对应波段（如近红外）的差值。植被变化在近红外波段差值明显。
• 影像比值法：计算比值，常用于SAR数据（如强度比）或光谱指数（如NDVI比值）。
• 回归分析法：假设T1影像与T2影像之间存在线性关系，通过回归模型预测T2，计算残差作为变化量。

3.2 变换法

变换法通过对多时相影像进行数学变换，将变化信息集中在少数分量上，从而降低噪声和维度。

• 主成分分析（PCA）：将多时相多波段数据堆叠后进行PCA，变化信息通常出现在第二或第三主分量。
• 变化向量分析（CVA）：将每个像元在光谱空间中的变化表示为向量（幅度和方向），方向代表变化类型（如“植被→建筑”与“植被→水体”方向不同）。
• 缓幅变换（KT变换）：针对Landsat数据设计的经验正交变换，其“亮度”、“绿度”、“湿度”分量具有物理意义，适合变化检测。

3.3 分类后比较法

分别对两个时相影像进行分类（如监督分类、非监督分类），然后逐像元比较分类结果，得到变化矩阵。该方法可以识别“从何类变成何类”，但分类误差会累积（误差传播），导致变化检测精度受分类精度制约。

3.4 高级模型法

• 混合像元分解：对于中低分辨率影像，通过线性光谱混合模型（LSMM）估算每个像元内各类地物的丰度变化。
• 时间序列分析：利用密集时序数据（如Landsat ARD、MODIS）进行断点检测，如BFAST（Breaks For Additive Seasonal and Trend）算法。

4. 机器学习与深度学习时代

近十年来，以卷积神经网络（CNN）、循环神经网络（RNN）、Transformer为代表的技术彻底改变了变化检测的面貌。深度学习方法能够自动学习多层次、判别性的特征，显著提高了在复杂场景下的变化检测精度。

4.1 基于CNN的变化检测

早期的深度变化检测模型通常采用“双流架构”（Siamese Network），即两个共享权重的CNN分支分别提取T1和T2影像的特征，然后通过特征差异或拼接进行变化分类。

# 伪代码：Siamese CNN 变化检测
input_t1 = Input(shape=(H, W, C))
input_t2 = Input(shape=(H, W, C))

# 共享的CNN骨干（如ResNet-18）
shared_base = create_cnn_backbone()

feat_t1 = shared_base(input_t1)  # 特征图
feat_t2 = shared_base(input_t2)

# 差异特征
diff = abs(feat_t1 - feat_t2)

# 分类头
change_map = Conv2D(1, 1, activation='sigmoid')(diff)

model = Model(inputs=[input_t1, input_t2], outputs=change_map)

代表性模型包括：FC-EF（Fully Convolutional Early Fusion）、FC-Siam-Conc、FC-Siam-Diff（Daudt et al., 2018），以及基于U-Net的改进结构（如UNet++、Attention U-Net）。

4.2 基于Transformer的变化检测

Transformer的自注意力机制能够捕获长距离空间依赖关系，对变化检测中的上下文信息建模尤为有利。2021年以来，大量基于Transformer的模型涌现：

• ChangeFormer（2022）：结合CNN与Transformer的层次化编码器，通过多层特征融合实现高精度变化检测。
• BIT（Bitemporal Image Transformer，2021）：利用Transformer对双时相特征进行交互，学习变化区域的全局语义。
• SwinUNetCD：采用Swin Transformer作为骨干，在多个公开数据集（如LEVIR-CD、WHU-CD）上取得SOTA。

4.3 自监督与少样本变化检测

变化检测的标注成本极高（需要逐像元标注变化/非变化，甚至变化类型），因此自监督学习成为近年研究热点。常见策略包括：

• 对比学习：利用大量无标签影像，通过正负样本对比学习影像特征（如SimCLR、MoCo），再在下游变化检测任务中微调。
• 时序掩码自编码：随机掩码影像的局部区域，重建被掩码部分，迫使模型学习时空上下文。
• 伪标签与半监督：利用少量标注数据生成伪标签，迭代训练。

5. 国内外最新研究进展

变化检测领域在2023-2025年间呈现出以下重要趋势：

5.1 多模态与跨传感器变化检测

光学影像受天气限制，而SAR（合成孔径雷达）可以穿透云层。因此，光学-SAR联合变化检测成为实用化方向。例如，使用SAR影像检测洪水变化，光学影像验证变化类型。但光学与SAR的物理机制不同（反射 vs 散射），需要设计跨模态特征对齐方法。2024年，CrossDiff 模型利用扩散模型实现了光学与SAR影像之间的域适应变化检测。

5.2 时序变化检测大模型

受自然语言处理中大语言模型的启发，研究者开始探索遥感基础模型（Foundation Model）在变化检测中的应用。例如，SatMAE、SpectralGPT 等模型在大规模遥感影像上预训练，可通过微调或提示工程（Prompting）快速适配变化检测任务。2025年初，ChangeCLIP 利用CLIP的视觉-语言对齐能力，实现了基于自然语言描述的变化检测（如“找出新增的建筑”）。

5.3 变化检测中的不确定性估计

变化检测结果的可信度对于决策支持至关重要。贝叶斯深度学习、蒙特卡洛Dropout、深度集成等方法被引入，用于估计每个像元变化预测的不确定性。2024年，Uncertainty-Aware CD 框架将不确定性分为“偶然不确定性”和“认知不确定性”，分别对应数据噪声和模型知识不足。

5.4 高分辨率与精细变化检测

随着0.3-1m级商业卫星（如WorldView-3、SuperView-1）的普及，变化检测从“像素级”向“实例级”和“语义级”演进。实例变化检测不仅检测变化区域，还区分单个变化对象（如独立建筑）。2023年，MaskCD 模型借鉴Mask R-CNN，实现了实例级变化检测与变化类型识别。

6. 挑战与未来展望

尽管变化检测技术取得了长足进步，但在实际应用中仍面临诸多挑战：

6.1 数据异质性与域适应

不同传感器、不同时相、不同地区的影像存在严重的域偏移（Domain Shift）。现有模型在一个数据集上训练后，直接应用于另一个数据集往往性能骤降。域适应（Domain Adaptation）和域泛化（Domain Generalization）是前沿研究方向，包括对抗训练、风格迁移、归一化策略等。

6.2 小样本与标注稀缺

变化检测标注昂贵，尤其对于大区域、高分辨率影像。如何利用少量标注样本（如每类仅几个像素）实现高精度检测，是重要的实际需求。少样本学习（Few-shot Learning）、主动学习（Active Learning）和弱监督学习（Weakly Supervised Learning）是解决思路。

6.3 时序变化检测与连续监测

传统的双时相变化检测只能回答“两时相之间有何变化”，而实际需要的是“连续监测变化过程”。密集时序变化检测（如利用所有可用Landsat影像）需要处理数据缺失、季节噪声、计算开销等问题。BFAST、Continuous Change Detection and Classification（CCDC）等算法提供了框架，但深度学习时序模型（如LSTM、Temporal Transformer）仍有待突破。

6.4 可解释性与可信度

深度变化检测模型常被视为“黑箱”，用户难以理解模型为何将某区域判定为“变化”。可解释性研究（如注意力图可视化、类激活图CAM、概念瓶颈模型）正在兴起，旨在提升模型的可信度和可审计性。

6.5 未来展望

• 通用变化检测基础模型：类似GPT-4V的多模态、多任务遥感基础模型，能通过自然语言指令执行变化检测、变化描述、变化原因分析。
• 实时变化检测：结合边缘计算和星上处理，实现卫星在轨变化检测，快速响应灾害（如地震、火灾）。
• 变化检测与数字孪生：将变化检测结果直接更新到城市或区域数字孪生模型中，实现动态仿真与决策支持。
• 因果变化检测：从“检测变化”到“解释变化原因”，通过因果推断区分人为驱动与自然驱动。

7. 结论

遥感变化检测是一项兼具科学深度与应用广度的关键技术。从早期的代数差值到如今的深度学习基础模型，变化检测方法在精度、效率和自动化程度上实现了质的飞跃。然而，数据异质性、标注稀缺、物候干扰等核心挑战依然存在，需要学界和产业界持续探索。未来，随着多模态数据融合、时序建模、可信AI等方向的发展，变化检测将在地球系统科学、可持续发展、灾害应急等领域发挥越来越重要的作用。

参考文献