（包括课题的研究意义，国内外研究现状与进展，附主要参考文献。）

1. 研究意义

土地资源是人类赖以生存和发展的最基础、最重要的资源。土地资源能否得到合理的应用直接关系到我国社会经济能否持续协调发展，能否保证不断增长的人口得到充足的食物需求。为了满足人们日益增长的物质生活的需要，大量的土地被开采利用，导致山地，建筑物和植被等地物目标在不断地发生变化。因为为了能够合理的整合土地资源，分析变化原因，实现一个高效的地物变化检测系统意义重大。我国的遥感技术在过去的70年间取得了巨大的成就，将遥感技术应用于国土资源利用和土地覆盖类型上，可以方便、高效的掌握土地利用和监测国土变化情况，为国家和地方提供地理信息决策支撑。目前，通过人工判读航天卫星遥感影像是对国土资源进行监测的主要方法之一。但是，基于不同分辨率，多时相的连续监测，采用人工判读的方法，不仅耗费大量的人力、物力，而且还无法保证监测的实时性。基于GIS的遥感影像应用虽然能够解决多源、多时相、多分辨率影像数据的组织和管理；影像数据的快速浏览。但这种方法最大的缺点是机器难以自主学习样本的特征，需要经验丰富的业务专家确定关键特征。

近年来随着人工智能技术的兴起，特别是基于深度学习的图像识别方法取得了巨大的发展。将深度学习应用于遥感影像变化检测，成为该领域的一个研究热点。通过深度学习算法从海量数据中提取高级特征，高效准确的进行数据的分类和解释。遥感数据本质上具有海量、多样、多维等特点，深度学习处理遥感数据有着天然的优势，能够在海量数据中学习和发现数据中影像的地物目标的几何结构和空间关系，同样该理论也能够应用到变化检测领域，从多时相影像中提取光谱、空间和纹理等高级语义特征，以及建立多时相影像中地物特征之间的非线性关系。相对于以前的方法，基于深度学习的遥感影像变化检测技术可以自动分析土地类别，在准确率和效率上取得了极大的成功，开启了一种全新的智能化问题解决方式。

2. 国内外研究现状与进展

变化检测是指对于地表上的同一对象或现象，在不同时刻去观察，确定其不同状态的过程，涉及到使用多时相数据集，量化时间效应的能力。利用遥感影像检测地表变化的主要任务包括三类：确定变/没变、确定由什么变什么以及确定变化过程，这3类之间检测内容逐层递进，检测难度也逐级增加。变化检测方法可以分为两大类：双时相影像变化检测和时间序列影像变化检测。目前大部分方法都属于前者。土地利用和土地覆盖变化研究已成为全球变化研究中的前沿与热点。由于各国学者在研究的过程中使用的方法不同，变化检测的方法按照不同的标准有以下分类。按照检测的样本是否有标签分为：有监督变化检测和无监督变化检测。按数据源将变化检测方法分为3类：基于新旧影像的变化检测、基于新期影像旧期非影像数据的变化检测、基于立体像对的三维变化检测；按处理的信息层次将变化检测分为像元级、特征级和决策级3个层次；按是否经过分类将其分为直接比较法和分类后比较法两类。按照变化检测的发展历史，可以把变化检测分为四个典型的阶段：第一阶段遥感影像分辨率较低，主要的任务是检测是否发生变化，所使用的方法主要是代数运算法和变化法。第二阶段主要是把机器学习应用到遥感影像分类和变化检测中，比如：支持向量机方法、马尔科夫模型法。第三阶段关注的重点由原来的像素级转换为特征级。第四阶段随着人工智能、深度学习的发展，将遥感影像变化检测和深度神经网络相结合，可以有效地提高分类的精度以及变化检测的准确度。

3. 参考文献

关涛. 《中国土地资源配置与可持续发展研究》. 博士, 东北农业大学, 2002. https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CDFD&dbname=CDFD9908&filename=2002122297.nh&uniplatform=NZKPT&v=8i_sZDJl837JNJoT3aqlvwsb_BNbYxmImCKBSdz3BjrKXfDy0wMvLUqaC78nluU9.

《基于深度学习的遥感影像变化检测方法研究 - 中国知网》. 见于 2022年4月5日. https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CDFD&dbname=CDFDLAST2020&filename=1019607846.nh&uniplatform=NZKPT&v=RT4yLGZ9ARN9QJskmhhAZzTqN9tiqsmMlqqmPQv-qMKoEqcZ9c0-fmqmu-YdhcG-.

《基于GIS的遥感影像应用服务平台的设计与实现 - 中国知网》. 见于 2022年4月5日. https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CJFD&filename=AHNY201019070&v=MDEzNDg2ajU0TzN6cXFCdEdGckNVUjdpZlkrWnFGeWpuVzd6TEpDWEZkN0c0SDlITnBvOUNaSVFLREg4NHZSNFQ=&uid=WEEvREcwSlJHSldTTEYzVDhUTzAxTVkzc0QzbCtieHVkaHJGNDNvbDg4Yz0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4IQMovwHtwkF4VYPoHbKxJw!!

孙晓霞, 张继贤, 燕琴和高井祥. 《遥感影像变化检测方法综述及展望》. 遥感信息, 期 01 (2011年): 119–23.

熊盛青. 《国土资源遥感技术进展与展望》. 国土资源遥感, 期 04 (2007年): 1–6.

臧晓敏. 《基于深度学习的遥感图像变化检测》. 硕士, 河北地质大学, 2021. https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CMFD&dbname=CMFDTEMP&filename=1022424212.nh&uniplatform=NZKPT&v=OsYsRc8aHPKlmdjjNiQzsuMCRiPdajoOo9E3fnNgcERxjjLiI7fagquxQgDx_sS8.

周启鸣. 《多时相遥感影像变化检测综述》. 地理信息世界 9, 期 02 (2011年): 28–33.

Ban, Yifang, 和Osama Yousif. 《Change Detection Techniques: A Review》. 收入 Multitemporal Remote Sensing, 编辑 Yifang Ban, 20:19–43. Remote Sensing and Digital Image Processing. Cham: Springer International Publishing, 2016. https://doi.org/10.1007/978-3-319-47037-5_2.

Singh, Ashbindu. 《Review Article Digital Change Detection Techniques Using Remotely-Sensed Data》. International Journal of Remote Sensing 10, 期 6 (1989年6月): 989–1003. https://doi.org/10.1080/01431168908903939.