1. 引言：变化检测的范式困境与基础模型的破局契机

遥感变化检测旨在从多时相遥感影像中识别地表覆盖或土地利用发生变化的区域与类型，是支撑国土资源监测、灾害评估、城市扩张分析、生态环境变化研究等领域的关键技术。传统方法长期围绕着像元级光谱差异分析、特征工程与浅层分类器构建，其核心逻辑可概括为“差分-阈值-后处理”的线性管道。然而，这种范式在面对日益复杂的遥感数据源和精细化监测需求时，暴露出了根本性的局限。

深度学习的兴起，尤其是全卷积网络（FCN）、U-Net及其变体，将变化检测推向了像素级语义分割的框架中。双时相影像被送入孪生网络或早期融合架构，通过端到端训练直接输出变化图。这一时期的研究取得了显著进展，但其成功高度依赖于大规模、高质量的像素级标注数据。在遥感领域，变化检测标注的获取成本极高，且往往存在类别不均衡、变化语义模糊、时相配准误差等固有问题。这使得模型在标注稀疏或域外泛化场景下的性能急剧下降。

2023年以来，以Segment Anything Model（SAM）为代表的视觉基础模型在自然图像领域展现了惊人的零样本泛化能力，迅速引发了遥感社区的广泛关注。基础模型的核心思想是通过在海量数据上进行预训练，学习通用的视觉表征，从而仅需少量甚至无需特定任务样本即可适应下游任务。这为遥感变化检测提供了一种诱人的前景：能否利用预训练的基础模型，摆脱对大规模密集标注的依赖，实现更鲁棒、更通用的变化发现？

本文评述：笔者认为，直接将自然图像基础模型应用于遥感变化检测，虽然短期内能取得一定的效果提升，但本质上是一种“表征借用”而非“范式重构”。遥感影像的多光谱、多时相、多分辨率特性，以及地理空间上下文和物理成像机理，与自然图像存在显著差异。真正具有变革意义的基础模型，应当能够内化地理时空过程的表征，而非仅仅作为更强大的特征提取器。本文确立的分析主线——“表征解耦-时空对齐-推理涌现”，正是试图揭示从感知智能迈向认知智能的可行路径。

2. 技术演进脉络：从代数运算到语义表征的跃迁

2.1 经典方法的遗产与局限

变化检测的早期方法论根植于遥感物理与信号处理。图像差分、比值法、变化向量分析（CVA）以及主成分分析（PCA）等，构成了这一领域的基石。这些方法的共同点在于，它们直接在原始像元光谱空间中进行代数运算，其物理意义清晰，计算效率高。例如，CVA通过计算双时相影像在光谱特征空间中的向量差，同时获取变化强度和方向信息，至今仍被广泛用作基准方法。然而，这类方法对辐射校正、大气校正和几何配准精度极为敏感，且难以区分真正的土地覆盖变化与由物候、光照、传感器差异引起的伪变化。

笔者认为，经典方法的深层价值在于其可解释性。每一个变化像元都可以追溯到具体的光谱偏移，这在工程实践中对于结果核验至关重要。现代深度学习方法在追求高性能的同时，不应完全抛弃这种物理可解释性，而应寻求两者的有机融合。

2.2 深度学习时代的双时相编码-解码范式

深度学习的介入彻底改变了变化检测的技术面貌。2018年前后，基于孪生卷积网络（Siamese CNN）的架构成为主流。其基本思想是使用两个权重共享的编码器分别提取双时相影像的深度特征，然后在特征空间中进行差分或拼接，最后通过解码器生成变化图。这种“编码-差分-解码”的范式显著提升了模型对非线性变化和复杂场景的建模能力。随后，注意力机制、特征金字塔、密集连接等技术的引入进一步提升了性能。STANet、ChangeFormer、BIT等代表性工作，通过设计精巧的时空注意力模块，增强了模型对双时相特征交互的建模。

然而，这一范式存在一个核心瓶颈：模型的学习目标完全由标注数据定义，其学到的“变化”概念是任务特定的、封闭的。一个在建筑物变化数据集上训练的模型，很难泛化到道路或植被变化检测。这种强烈的任务依赖性，使得每面对一个新的监测目标，都需要重新采集标注数据并训练模型，造成了巨大的资源浪费。

2.3 自监督与弱监督的探索

为缓解标注依赖，研究者开始探索自监督和弱监督学习在变化检测中的应用。对比学习是其中一条重要路径。通过构建正负样本对（如同一区域不同时相、不同区域同一时相），模型可以在无标注影像上学习时相不变和时相敏感的特征表示。另一类工作是使用图像级标签进行弱监督变化检测，通过类激活图（CAM）等技术定位变化区域。

本文评述：这些工作为后续基础模型的应用奠定了思想基础。它们共同指向了一个方向：变化检测模型应当具备从非监督信号中学习通用地表表征的能力。这正是基础模型预训练阶段所做的事情，只不过是在一个前所未有的数据规模上。

3. 视觉基础模型的适配与解构：SAM与DINOv2的实践检验

3.1 SAM在遥感变化检测中的“水土不服”与改造

Meta发布的SAM模型在自然图像分割上取得了突破性进展。其核心架构由图像编码器、提示编码器和掩码解码器三部分组成，能够根据点、框等提示生成高质量的分割掩码。遥感社区迅速开展了大量适配工作，试图将SAM用于地物分割和变化检测。初步实验表明，直接使用SAM在遥感影像上进行零样本分割，效果并不理想。这主要源于遥感影像中地物尺度变化剧烈、边界模糊、密集分布等特点与自然图像的差异。

针对变化检测任务，研究者提出了多种SAM改造方案。一种思路是将SAM作为强大的特征提取器，将其冻结的图像编码器嵌入到孪生变化检测框架中，替代传统的ResNet等骨干网络。实验证明，SAM编码器提取的多尺度特征具有更强的语义判别力，能够显著提升变化检测的精度。另一种思路是利用SAM的提示分割能力，通过自动或交互式地生成双时相影像的分割掩码，然后对掩码进行比较来发现变化。例如，SAM-CD方法通过设计变化提示，引导SAM聚焦于可能发生变化的区域。

笔者认为，SAM在遥感变化检测中的真正价值，不在于其零样本能力，而在于其提供了一个高度解耦的、可组合的架构范式。图像编码器负责通用表征，提示编码器负责任务指引，掩码解码器负责精细输出。这种解耦设计为构建更灵活的变化检测系统提供了蓝图。我们可以设想一个“遥感基础模型”，其图像编码器内化了多光谱、多时相的地表表征，而提示编码器可以接受文本、坐标、示例等多种形式的查询，从而实现对任意类型变化的灵活检测。

3.2 DINOv2：自监督视觉表征的潜力

与SAM基于监督训练的范式不同，Meta AI的DINOv2系列模型通过大规模自监督学习，在图像级和像素级表征学习上均取得了卓越性能。DINOv2在无需任何标注的情况下，学到的特征图能够清晰地勾勒出物体边界，甚至展现出一定的语义分组能力。这对于变化检测而言极具吸引力，因为变化检测本质上要求模型能够区分“正常”的地表变异与“异常”的土地覆盖转变。

研究显示，将DINOv2作为冻结的特征提取器，在双时相影像上分别提取特征，然后计算特征差异图，即可获得高质量的变化热力图。这种完全无监督的方法在多个变化检测基准上甚至超越了某些有监督的早期深度学习方法。进一步地，通过在该特征差异图上训练一个轻量级的分类头，即可在极少标注样本下达到接近全监督的性能。

本文评述：DINOv2的成功暗示了一个重要趋势：未来的变化检测基础模型，其预训练阶段可能完全不需要变化标注，甚至不需要配对的时相影像。模型通过在单时相海量遥感影像上进行自监督学习，即可习得对地表覆盖语义的深层理解。变化检测任务则退化为一个轻量级的“差异发现”过程，在强大的预训练表征之上进行。这从根本上改变了问题的难度分布。

4. 多模态遥感大模型：视觉-语言联合与地理知识融合

4.1 视觉-语言模型（VLM）开启的变化描述与推理

随着大语言模型（LLM）的爆发，视觉-语言模型（VLM）成为连接视觉感知与文本推理的桥梁。在遥感领域，GeoChat、RSGPT、SkySenseGPT等工作尝试将遥感影像理解与自然语言对话相结合。对于变化检测而言，VLM的引入使得任务从单纯的二值变化图生成，拓展为“变化描述与解释”。用户可以提问：“2020年至2023年间，该区域的主要变化是什么？”模型不仅输出变化图，还能生成文本报告：“西北角新增了一片光伏电站，占地面积约0.5平方公里，原有农田被占用。”

实现这一能力的技术路径通常包括：首先使用视觉编码器（如ViT）提取遥感影像特征，然后通过一个对齐模块将视觉特征映射到LLM的文本嵌入空间，最后使用LLM进行多轮对话和推理。变化检测在此框架下，可以被建模为一种特殊的视觉问答（VQA）任务。

笔者认为，VLM为变化检测带来的最大变革，是引入了“语义锚定”机制。传统方法输出的变化图是像素级的，缺乏语义标签。而VLM可以将变化区域与自然语言描述相关联，从而实现了从“哪里变了”到“变成了什么”的跨越。这对于构建可交互、可解释的智能监测系统至关重要。

4.2 地理空间知识图谱与基础模型的融合

遥感影像并非孤立存在，它被丰富的地理空间上下文所包围，如地理坐标、地形、路网、行政区划、POI数据等。将这些结构化的地理知识融入基础模型，是提升模型对地表变化理解深度的关键方向。一种直接的融合方式是将地理坐标编码为位置嵌入，与视觉特征一同输入模型。更高级的融合则涉及地理知识图谱。例如，模型可以通过知识图谱得知“该区域被规划为生态保护区”，从而对任何疑似建设活动产生更高的变化检测敏感度。

华为云盘古遥感大模型、商汤SenseEarth等商业平台，已经在探索将遥感解译与地理信息系统的深层耦合。其技术内核在于构建一个统一的“地理空间表征空间”，使视觉特征、文本描述、地理坐标、时序信息能够在该空间中进行无缝交互与计算。

本文评述：地理知识的融入是遥感基础模型区别于通用视觉基础模型的核心差异点。一个真正意义上的“遥感基础模型”，其底座不应仅仅是视觉模型，而应是“视觉-地理-时序”多模态模型。变化检测作为对地理时空过程的分析任务，是检验这种融合深度的最佳试金石。

5. 时序基础模型：面向变化过程的时空表征学习

5.1 从双时相到密集时序的范式升级

传统变化检测大多聚焦于双时相影像对比，这实际上是对连续地理过程的离散采样。随着Sentinel-2、Landsat等中分辨率卫星的持续观测，以及Planet等商业小卫星星座的崛起，获取某一区域时间分辨率达到周级甚至日级的密集时序影像已成为现实。这催生了时序变化检测的新范式，其目标不再是简单地比较两个时间点，而是分析整个时间序列中的趋势、突变和周期性模式。

时序基础模型正是在这一背景下应运而生。其核心挑战在于如何设计能够有效处理长序列、多变量（多波段）遥感时序数据的Transformer架构。Presto、SatMAE、SITS-Former等工作，通过掩码自编码器（MAE）或对比学习，在海量无标注的卫星时序数据上进行预训练，学习通用的时序地表动态表征。这些模型能够从时序NDVI、后向散射系数等曲线中，自动提取植被物候、洪水淹没过程、城市扩张轨迹等高层语义信息。

笔者认为，时序基础模型是“表征解耦-时空对齐-推理涌现”主线中“时空对齐”环节的核心载体。它使得模型能够理解地表演化的连续过程，从而将变化检测从“快照对比”提升为“过程分析”。一个在多年时序数据上预训练的模型，应该能够区分“森林-砍伐-恢复”与“森林-季节性落叶”这两种截然不同的变化模式，而这在双时相视角下是难以实现的。

5.2 时空Transformer与长序列建模

将Transformer应用于遥感时序数据，面临着计算复杂度和位置编码的双重挑战。对于长度为数百甚至上千的时序，标准自注意力的计算量是平方级的。为此，研究者引入了多种高效注意力机制，如线性注意力、稀疏注意力、轴向注意力等。将时间维度和空间维度分离建模的因子化Transformer，在效率和效果之间取得了较好的平衡。

位置编码方面，除了标准的可学习或正弦位置编码，遥感时序模型还需要注入绝对时间信息（儒略日、年份）和空间坐标信息。一些工作采用球面谐波函数对地理坐标进行编码，以保持地球曲面的几何特性。

6. 数据工程：大规模预训练与变化检测数据生态

6.1 预训练数据集的构建策略与规模竞赛

基础模型的性能高度依赖于预训练数据的规模、多样性和质量。在遥感领域，构建大规模预训练数据集的工作正在加速推进。SEN12MS、BigEarthNet、SSL4EO等数据集提供了百万级别的多光谱影像块，为自监督预训练提供了基础素材。然而，这些数据集在时相维度上仍然匮乏，大多只包含单时相或少数几个时相的影像。

针对变化检测，专门的大规模预训练数据集开始出现。DynamicEarthNet是一个包含欧洲地区多年Sentinel-2时序影像和月度土地利用变化标注的数据集，其独特价值在于提供了连续的变化过程标签。S2Looking则专注于建筑物变化，提供了不同视角、不同时相的侧视建筑物变化标注。

本文评述：当前的数据集建设存在一个显著的结构性缺陷：重空间覆盖，轻时序深度。绝大多数数据集在空间上力求全球分布，但在时间维度上仅提供稀疏的几个时相。这与变化检测对时序过程分析的需求存在根本性错配。笔者认为，未来更有价值的预训练数据应当是“时空立方体”形态，即覆盖特定区域长时间、高频率的观测序列，而非全球范围内随机采样的孤立影像块。

6.2 合成数据与物理仿真

为弥补真实变化标注数据的不足，合成数据与物理仿真技术受到越来越多的关注。一种常见策略是利用生成对抗网络（GAN）或扩散模型，在现有影像上“编辑”出变化，例如添加建筑物、移除植被、改变水体边界等。这种方法可以生成大量像素级精确的变化真值。另一种更物理的方式是使用辐射传输模型和三维场景模型，模拟不同时相、不同传感器参数下的地表影像。

合成数据的关键挑战在于“仿真-现实差距”。在合成数据上训练的模型，迁移到真实影像时往往会性能下降。领域自适应和领域随机化技术被用来缓解这一问题。

7. 工程化部署：轻量化、增量学习与业务系统集成

7.1 大模型的边缘侧轻量化

基础模型动辄数亿甚至数十亿的参数规模，对部署资源提出了严苛要求。在无人机、卫星在轨处理、移动终端等边缘场景，模型压缩与加速是必由之路。知识蒸馏、模型量化、剪枝和低秩分解是主要的技术手段。将SAM的ViT-H图像编码器蒸馏到一个轻量级的ViT-Tiny结构，可以在保持大部分性能的同时，将推理速度提升数十倍。

笔者认为，轻量化不应仅被视为性能妥协，而应作为模型设计的内在约束。未来的遥感基础模型可能采用“云-边-端”协同架构：云端部署全量模型进行复杂分析和模型更新，边缘端部署轻量模型进行实时推理，终端设备执行数据预处理和结果可视化。

7.2 持续学习与模型进化

地表覆盖处于持续变化之中，变化检测模型必须能够适应不断涌现的新变化模式，同时不遗忘旧知识。这涉及到持续学习（Continual Learning）或终身学习（Lifelong Learning）技术。当新的变化类型（如一种新的违章建筑样式）出现时，模型应能通过少量样本快速学习，而无需在全量历史数据上重新训练。弹性权重巩固（EWC）、记忆重放、动态架构扩展等方法，在遥感变化检测场景中开始得到初步应用。

8. 评测体系与基准：重新定义“好”的变化检测模型

8.1 现有基准的局限性

当前变化检测模型的评测主要依赖LEVIR-CD、WHU-CD、DSIFN-CD等几个公开数据集，以F1分数和IoU作为核心指标。这种评测体系存在若干问题。首先，数据集偏向于建筑物变化，对植被、水体、道路等其他重要变化类型覆盖不足。其次，像素级指标对边界定位误差过于敏感，而对语义正确性不够敏感。一个将建筑物边界预测偏移了1个像素的模型，可能比一个完全漏检小型建筑物的模型得分更低，但这并不符合实际应用的需求。

本文评述：基础模型时代的评测，应当超越像素级精度，走向语义级和实例级评估。模型是否理解它检测到的变化是什么？能否将变化区域与地理实体（如“某某工业园区”）相关联？这些能力需要新的评测基准和指标来度量。

8.2 面向基础模型的评测维度

针对基础模型，评测维度应扩展为：零样本/少样本变化检测能力、跨传感器泛化能力、变化语义描述能力、模型鲁棒性（对配准误差、光照差异的容忍度）以及计算效率。一些新的基准如xBD（建筑物损毁评估）、FMoW（时序土地利用分类）等，开始关注更复杂的变化语义。但专门为遥感基础模型设计的、涵盖多任务、多模态、多时相的综合评测基准仍然缺失。

9. 前沿展望：从变化检测到变化理解与自主推理

9.1 因果推断与反事实推理

当前的变化检测模型是相关性的，而非因果性的。它们学习的是“A时相特征与B时相特征的差异”与“变化标签”之间的统计关联，而非“为什么发生变化”的因果机制。引入因果推断，特别是反事实推理，有望使模型具备更强的泛化能力和可解释性。例如，模型可以推理：“如果这片区域没有被划为开发区，那么它现在应该仍然是农田”，从而更准确地识别出由政策驱动的土地覆盖变化。

笔者认为，因果推断是实现“推理涌现”的关键技术路径。一个内建了地理因果图的基础模型，将能够从观测数据中自主发现变化事件之间的因果链，例如“上游水库蓄水 → 下游河道变窄 → 河岸植被退化”，这远超当前技术的想象空间。

9.2 智能体（Agent）驱动的自主监测

将遥感基础模型与LLM驱动的智能体框架结合，可以构建自主变化监测系统。用户只需下达高层指令，如“监测华北平原冬小麦主产区过去一个月的长势异常”，智能体即可自主规划任务：确定需要获取的影像时空范围、调用时序基础模型进行分析、对异常区域进行变化检测、生成图文报告。这种端到端的自主化，是遥感智能解译的终极目标之一。

10. 结论

本文沿着“表征解耦-时空对齐-推理涌现”的主线，系统梳理了基础模型在遥感变化检测中的应用现状与演进趋势。从SAM、DINOv2等视觉基础模型的适配，到多模态遥感大模型与地理知识的融合，再到时序基础模型对连续地表过程的建模，一个清晰的脉络正在浮现：变化检测正从一项依赖密集标注的像素分类任务，演化为一种基于通用时空表征的语义推理能力。

然而，这一演进仍处于早期阶段。当前的基础模型在遥感领域的适配，更多是“表征借用”而非“原生智能”。真正意义上的遥感基础模型，需要从数据、架构、训练目标三个层面进行原生设计，将多光谱物理、地理空间上下文和时序动态过程内化到模型的核心表征中。同时，评测体系、数据生态和工程化部署方案也需要同步革新。

笔者认为，未来五年，我们将见证遥感变化检测领域“GPT时刻”的到来——一个或少数几个大规模预训练的基础模型，将能够以零样本或极少样本的方式，解决绝大多数常见的变化检测任务，并通过自然语言与人类进行流畅的交互。这需要学术界与产业界的紧密协作，在基础研究、数据共享、工程落地之间形成良性循环。