多时相遥感影像变化检测方法综述

眭海刚, 冯文卿, 李文卓, 孙开敏, 徐川

眭海刚, 冯文卿, 李文卓, 孙开敏, 徐川. 多时相遥感影像变化检测方法综述[J]. 武汉大学学报 ( 信息科学版), 2018, 43(12): 1885-1898. DOI: 10.13203/j.whugis20180251
引用本文: 眭海刚, 冯文卿, 李文卓, 孙开敏, 徐川. 多时相遥感影像变化检测方法综述[J]. 武汉大学学报 ( 信息科学版), 2018, 43(12): 1885-1898. DOI: 10.13203/j.whugis20180251
SUI Haigang, FENG Wenqing, LI Wenzhuo, SUN Kaimin, XU Chuan. Review of Change Detection Methods for Multi-temporal Remote Sensing Imagery[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12): 1885-1898. DOI: 10.13203/j.whugis20180251
Citation: SUI Haigang, FENG Wenqing, LI Wenzhuo, SUN Kaimin, XU Chuan. Review of Change Detection Methods for Multi-temporal Remote Sensing Imagery[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12): 1885-1898. DOI: 10.13203/j.whugis20180251

多时相遥感影像变化检测方法综述

基金项目: 

国家自然科学基金 41771457

国家重点研发计划 2016YFB0502600

详细信息
    作者简介:

    眭海刚, 博士, 教授, 研究方向为遥感、GIS、多传感器集成等。haigang_sui@263.net

  • 中图分类号: P237

Review of Change Detection Methods for Multi-temporal Remote Sensing Imagery

Funds: 

The National Natural Science Foundation of China 41771457

the National Key Research and Development Program of China 2016YFB0502600

More Information
    Author Bio:

    SUI Haigang, PhD, professor, majors in remote sensing, GIS and multi-sensor integration. E-mail: haigang_sui@263.net

  • 摘要: 遥感影像变化检测一直是国际遥感领域研究的热点和难点,尽管各国学者对变化检测问题进行了大量深入的研究,但是目前尚未出现一种普适性强、适用于所有情况的通用方法。随着遥感对地观测技术的快速发展和应用,变化检测技术体系也在不断地发展和演化。回顾了多时相遥感影像变化检测技术的发展历程,对多时相遥感影像变化检测方法的分类体系进行了归纳总结,从变化检测预处理、变化检测方法、精度评价3个方面详细总结了变化检测研究的最新进展,并指出了变化检测面临的核心困难及可能的应对措施,以期推动遥感影像变化检测研究更加深入的发展。
    Abstract: Change detection for remote sensing imagery is the process to determine difference of the same object or phenomenon at different times. Real-time automatic change detection technology is of great significance for excavating potential of image data and maintaining the current situation of geospatial data. With the development of remote-sensing earth observation technology, varieties of remote-sensing sensors for different tasks have emerged. Change detection is also diversified with the coming up of multi-resolution remote-sensing data, with advanced theories and techniques developed for continuously different sensors. This paper reviews the development of multi-temporal remote sen-sing image change detection technologies and summarizes the classification system of multi-temporal remote sensing image change detection. And the latest developments in change detection research are summarized from three aspects:pre-processing, change detection strategies and accuracy assessment. This paper also points out the challenges that change detection is facing and possible countermeasures, in the hope of deepening the research into change detection technology for remote sensing images.
  • 2017年和2018年对地质灾害行业来说,是大灾多发的两年,也是防灾工作思路发生改变的两年。尽管这两年地质灾害发生数量、造成死亡失踪人数较2016年分别减少了26.7%、13.1%[1]和60.6%、68.4%[2],但造成的直接经济损失却有所增加[1]。四川茂县6 ·24特大型滑坡、贵州纳雍8 ·28大型山体滑坡、金沙江10 ·10白格滑坡、雅江10 ·17冰崩堵江等重大地质灾害所造成的危害与影响极其严重,促使中国地质灾害防治界与遥感测绘界对调查监测和防控模式进行了重新思考,并初步形成了借助遥感技术优势、加强灾前隐患排查和早期识别的共同认识。此后,众多研究者应用合成孔径雷达干涉测量(interferometric synthetic aperture radar, InSAR)技术、光学遥感、航空或无人机激光雷达(light detection and ranging, LiDAR)等手段陆续在四川、重庆、贵州等地区(含三峡地区)开展斜坡变形监测的规模化测试与应用[3]。其中,InSAR技术在国内的发展历程可追溯到2000年左右的三峡新滩、链子崖角反射器InSAR测量试验[4],从此开启了地质灾害InSAR的监测研究。在此后近20年的研究过程中,国内外学者以三峡库区滑坡[5-8]、四川西部山区滑坡[9-15]、黑方台黄土滑坡[16-17]、甘肃舟曲泥石流[18]等地区作为主要试验区域,在技术探索、方法试验、活动特征识别、大型变形测量以及与地面手段联合应用等方面,尝试着回答“能测什么,能测多大,能测多准,用什么方法”的诸多基础问题,InSAR技术逐渐在地质灾害防治界得到了广泛关注并最终得到认可。

    2017年以来,著名地质灾害专家殷跃平、许强等学者共同提出并倡导了面向重大地灾隐患早期识别的“三查”技术体系[19-20],从“空-天-地”对地观测的角度明确了测量的工作层次建议。随后,在围绕落实中央有关地质灾害防治“两个结合,三个转变”的新要求中,其向各级主管部门提出了这一技术思路,丰富了现有的调查监测手段。目前,“三查”体系与综合遥感(对地观测)的应用已在个别地区的灾害调查和灾后应急中发挥了显著作用,但大规模组织区域性地灾隐患早期识别的工作还不够充分和全面,仅在个别省份开展了试验示范。面对大范围、规模化的监测需求,回答从形变到致灾的问题,仍有许多工作要做,反观目前整体的技术积累和人才队伍,也有不少基础认识需要统一。

    中国的山地丘陵区约占国土面积的65%,崩塌、滑坡、泥石流等灾害隐患多、分布广、防范难度大,是世界上地质灾害最严重、受威胁人口最多的国家之一[21]。相较于地震、洪涝等重大自然灾害,地质灾害是日常发生频率最高的灾种。特别是在中国西南地区,地形复杂,河流下切,地势高差悬殊,地形山高坡陡,并有若干重大地震发生的记录。因此,中国重大地质灾害在四川、西藏、云南、贵州等西南地区省份高发频发。

    5·12汶川大地震后,震区地质灾害规模与巨型灾害体聚集密度均举世少有,如大光包滑坡、文家沟泥石流、唐家山堰塞湖、新磨村高位山体崩塌等,呈现出以崩滑-碎屑流-堰塞湖-溃决为主的地质灾害链形式[22]。而地质灾害诱发的松散堆积物仍有超过100亿m3堆积在深山峡谷[22],地震影响的长期效应或许还将持续。因此,对震区地质灾害链的监测和预防是当前工作之一。

    除强震区之外,由冰崩、冰湖溃决引发的滑坡、泥石流堵江形成堰塞体等灾害是近年来青藏高原地区地质灾害的主要形式[23]。如发生于2018-10的雅鲁藏布江峡谷冰崩引发的滑坡泥石流造成了河道堵塞并形成堰塞湖,是典型的冰崩引发的地质灾害,给下游人民生活生产产生了巨大影响。随着未来全球气候变暖的大趋势,青藏高原冰川退缩崩塌、冰碛湖溃决等潜在的灾害风险将会有所增加。未来,西藏高海拔地区地质灾害发生的频率可能会有所加剧,不容忽视。

    如何从源头上更早地识别、判断和评估这些潜在的、隐蔽性极强的重大地质灾害隐患及其链式地质灾害,是当前地质灾害防治工作的重点任务和难点问题。如何对这些地处偏远、自然条件恶劣、人工调查工作难以有效开展的区域达到“虽人不能至,但掌握情况”的局面,是地质灾害隐患早期识别与监测预警的重点工作。同时,调查工作需围绕定性评估,满足定量监测与综合判断的多重需求,从而清楚地确定哪里可能存在灾害隐患、灾害隐患的活动范围与变形幅度、致灾的概率与程度有多大。

    地质灾害预警预报取决于灾害隐患的早期识别、持续监测和地质分析与判断。2017年以来,陆续发生的高位垮塌、高速远程滑坡等重大地质灾害多是在已有调查工作的隐患点范围之外,如何更加全面地识别隐患对地灾调查工作提出了新的要求。2018年7月份以来,自然资源部领导多次调研听取了各方意见,强调要“研究原理、发现隐患、监测隐患、发布预警”,要求综合运用InSAR、高分辨率卫星遥感、无人机遥感、机载激光雷达测量等多种新技术手段,进一步提高全国地质灾害调查评价精度,搞清楚隐患点在哪里;要求将技术逻辑与行政逻辑结合起来,研究地质灾害成因,加强工作应用性研究,要在发现隐患、监测隐患,特别是地质灾害可能发生的时间、地点、成灾范围和影响程度等预警预报方面下更大功夫。

    近两年来,InSAR技术极其迅速地被地质灾害防治领域专家学者、工程建设单位等广泛熟知,大批相关项目纷纷大规模采用该技术参与地质灾害的防治与早期识别。尽管InSAR技术已发展20余年,给地质灾害监测与防治等相关应用带来了一些突破性的实用结果,但广大一线应用者对此技术的整体认知程度较低,在实际应用时对其使用限制与能力范围了解不够,寄希望于用InSAR解决不同条件的所有类型滑坡的早期识别问题。因此,有必要对其能力特点、应用条件和局限性进行分析、总结与说明。

    地表移动变形是崩塌、滑坡、泥石流等地质灾害孕育或发生的基本表现形式。对合成孔径雷达(synthetic aperture radar, SAR)信息的应用方面,集中于以相位干涉测量为基础的InSAR技术以及基于SAR影像强度信息的图像相关技术。InSAR应用需要顾及其技术特点,存在有效观测、识别探测和精准监测的层次[24-25]。有效观测是基础,在有效观测的基础上实现识别和探测,从定性角度确定感兴趣对象,在此基础上通过方法技术优化,提高观测质量和精度。SAR侧视成像的固有特点决定了InSAR测量的敏感程度,而入射参数与地形参数的关系决定能否有效成像。SAR为相干系统,相干性是InSAR测量的前提,这一特性要求重复轨观测时确保相干,既要求卫星系统的基线、噪声等满足InSAR的要求,同时要求观测对象的环境保持相对稳定,确保空间和时间基线的相干。实际应用中,常常受制于地物散射特性的变化,引起时间失相干。应用中需考虑波长周期和分辨率的有效组合,尽可能在技术设计上进行优化。同时,需从成灾到致灾过程中的变形强度和形式上设计InSAR数据处理技术及其组合。在此基础上,通过数据处理算法优化与误差建模[23],降低噪声(如大气波动、轨道误差等因素)对形变信息(参数估计)的影响。总体上,应侧重从卫星参数、环境参数和对象参数等方面进行考虑(表 1),综合应用D-InSAR(differential InSAR)常规方法、小基线集或永久散射体等时序分析技术、SAR影像强度相关的偏移量估计方法、宽带SAR子带干涉等进行技术设计[3, 5, 25-26]

    表  1  InSAR形变监测应用需要顾及的参数
    Table  1.  Parameters That Should Be Taken into Account in InSAR Deformation Monitoring Application
    参数类别 具体参数 应用需求
    卫星参数 重复轨道要求 相同的频率、入射角(相同轨道)
    卫星倾角、成像入射角度 与地形相关
    成像方式要求 TOPS、条带、聚束模式数据的统一
    相位保真度 系统载荷与星地指标
    轨道参数稳定性 姿态、轨道控制精度
    分辨率、重访周期 可测量的精细程度与最大相对变化量
    环境参数 空间基线 取决于空间基线-临界基线条件(因卫星而异)
    地物变化程度 时间间隔(视监测区域地物分布状况)
    季节性影响 地物变化,大气变化特征
    对象参数 变形幅度匹配 相位干涉测量的有限性(极小与极大)
    图像相关 非相干移动(超过相位梯度约束)与大变形测量
    片段与过程 短期内的相对测量与变化过程长期连续测量
    下载: 导出CSV 
    | 显示表格

    地质灾害类型多样,地形条件复杂,大气波动显著,精准监测的应用难度较大,需要改变追求绝对精度和绝对位移量的认识,以有效探测形变场的存在为第一目标。在事前进行详细适用性评价和系统设计,从灾害体的自然环境、变形特征、卫星数据、InSAR技术、处理方法、应用目标等予以综合评判(表 2),实现从发现识别、调查评估、监测预警等方面逐步递进。

    表  2  InSAR不同技术方法的适用性
    Table  2.  Applicability of Different InSAR Algorithms
    方法技术 应用条件 应用目标 优选条件 应用效果
    差分干涉测量D-InSAR 短期相干性良好,滑移方向可测 活动状态识别,短时间间隔 长波长、短周期、高分辨率 定性分析,大范围可行
    时序分析(永久散射体时序InSAR、小基线集时序InSAR等) 植被覆盖度低,滑移方向可测 识别以及活动特征表征 长时序SAR数据,观测点密度取决于环境因素 定性/定量,可大范围进行,处理要求高
    宽带SAR子带干涉 可布设反射器网络 大变形连续测量 高分辨率SAR局部变形场 定性/定量,单个滑坡体监测
    Offset-tracking 高分数据,相干性良好 方位向与距离向,大变形场探测 高分辨率SAR优先,影像信息,非干涉测量 定性为主,单个坡体,不适合大范围
    下载: 导出CSV 
    | 显示表格

    1) 科学认识InSAR的实际能力。

    InSAR提供了地表移动变形数据,从区域上解决了大范围快速调查和排查的难题,通过变形数据有助于地质灾害早期识别。实践中,科学认识InSAR技术的能力和作用是应用的前提,围绕灾害形变分为3个层次:

    (1) 活动识别:发现变形坡体,明确活动幅度——辅助地面认识判别。

    (2) 变形表征:表征变形体的范围、边界和强度——活动特征全面表征。

    (3) 连续监测:从蠕变、加速、快速各阶段变化——实现对过程的监测。

    针对地质灾害调查过程的应用目标,InSAR具备从定性测量到精准测量的能力,提供了识别、探测到预警过程中的重要信息。但是,从变形现象到确定灾害隐患,仍需多源地学数据的综合应用。

    2) 切忌挑战InSAR技术的极限。

    在应用实践中, 需要科学设计InSAR监测技术方案,选择与应用目标相一致的数据、处理方法,更为精准地提取数据,切忌因不科学的认识而人为给予InSAR技术过高的应用定位,也不宜挑战InSAR技术在观测形变梯度极限、观测方向、重复频率等领域的不足。就InSAR数据处理过程而言,必须清楚软件(系统)所用算法的前提条件、数学(物理)模型,并结合实地调查与认识,提高从形变现象到确定隐患的判断能力。

    重大地质灾害多分布于高海拔、自然条件恶劣、人不能至、人迹罕至的地区,遥感技术的出现使人们有了便捷获取此类地区信息的能力。当前的遥感技术已从单一的光学成像走向多频段、多参数的对地观测。通过利用不同类型的传感器(如SAR、LiDAR等),基于多种多样的信息获取平台(如卫星、航空、无人机与地面观测),可对潜在的灾害区域进行有效识别、发现和监测及灾后应急调查。

    在遥感技术应用的发展过程中,前期主要侧重于基于可见光、高光谱、红外等多波段成像的图谱测量,从可见光影像及多光谱数据的变化中揭示孕灾环境、受灾范围、致灾因子等特征变化。随着InSAR、LiDAR、全球导航定位系统(global navigation satellite system, GNSS)等对地观测手段的迅速发展,更侧重于通过对地表的观测揭示灾害体的形态与位移变化特征,进一步与相关物理模型相结合。遥感在地质灾害领域的应用已从光学遥感为主的图谱影像测量走向多种遥感手段综合的图谱影像与形态、形变测量相结合的综合遥感应用(图 1[23])。综合遥感手段在国外已广泛用于地质灾害的早期识别、隐患排查和监测预警等工作,有助于改变以往过分依靠人工调查-发现隐患-布设监测仪器的工作模式,为人们对地质灾害的出现、发展和破坏等整个演变过程的认识提供强有力的支撑。

    图  1  空-天-地多源遥感与地面测量集成的地质灾害调查监测技术体系
    Figure  1.  Geological Disaster Investigation and Monitoring Technology System Integrated with Space-Air-Ground Multi-source Remote Sensing and Ground Measurement

    综合遥感技术在中国地质灾害防治工作中的应用主要体现在早期识别、隐患排查、监测预警、灾害应急4个方面,遵循分层递进、从面到点、由粗到细、星地协同的工作模式。随着卫星资源、遥感数据的进一步丰富,地质灾害综合遥感应用技术体系已在实践中发挥作用,必将逐步被地质灾害防治界所接纳并推广应用。

    重大地质灾害隐患早期识别中的综合遥感应用主要体现在解决形态、形变和形势的调查与判断方面(图 2)。在技术手段上,利用高分辨率光学遥感与LiDAR测量模式进行灾害体的广义形态调查,研究灾害形成和发育的地质背景、三维形态、地表覆被变化以揭示潜在的成灾状况;利用不同入射角、不同分辨率的InSAR监测获取斜坡等地质体地表变形状态,判别灾害体的滑移规模、活动阶段和发展趋势;综合长时间序列InSAR、地面原位测量数据、地质背景资料等,对成灾状况、当前变形状况、潜在发展趋势与致灾形势进行评判,是当前面向重大地质灾害早期有效识别的关键所在。对照“三查”隐患识别的工作层次,从形态、形变到形势的“三形”调查是遥感观测意义上进行地质灾害隐患早期识别的关键测量对象。

    图  2  综合遥感应用中的“三形”调查与判断——以四川理县西山村为例
    Figure  2.  "Three Forms" Investigation and Judgment Application with Integrated Remote Sensing-A Case Study of Xishan Village, Li County, Sichuan Province

    发现隐患、监测隐患是决定预警预报是否可行的关键性基础工作。为推进综合遥感支撑的重大地质灾害早期识别与监测预警,需要统筹卫星、航空等多种遥感数据资源,融合高分辨率光学遥感、InSAR、LiDAR等技术手段,结合形态、形变、形势进行综合判断,推进地质灾害普查、详查、核查,形成稳定的技术体系与业务能力,提高地灾识别与监测预警能力。

    从工作层次上,在开展区域尺度地质灾害隐患普查的基础上,对识别出的隐患进行风险评估,根据其风险程度开展重大地质灾害的长期监测。侧重应用高分辨率InSAR持续监测重大隐患的影响范围和发展趋势,表征其运动特征,增强对整体加速、局部加速的认识,提高灾害预警的准确性。

    重大地质灾害隐患早期识别工作已经得到了地质灾害界的广泛重视,不再局限于单一学科领域的研究。2018年11月于贵阳召开的第一届重大地质灾害隐患早期识别技术研讨会[27],集中了目前国内遥感、InSAR与地质灾害界的广大一线专家学者和技术人员。通过对综合遥感,特别是InSAR技术的应用定位、实际能力、现有条件和未来发展的探讨,结合四川、贵州、三峡、甘肃、陕西等地区大量的应用案例,对其用于重大隐患早期识别的可行性与科学性进行了深入交流,凝聚了共识。此次研讨会引起了地灾学科界的极大反响,研究队伍日益壮大,一方面体现了地质灾害隐患早期识别工作的复杂性,需要多学科、多部门的协同工作,另一方面体现了地质灾害隐患早期识别工作的重要性与迫切性。

    结合目前重大地质灾害防治与管理工作中对早期识别的迫切需求,对未来工作提出如下建议:

    1) 从不同渠道共同推动“强化综合遥感技术应用,推动重大地质灾害隐患早期识别”的理念,以全国地质灾害高易发区综合调查、川藏线地质灾害调查等入手,推广普查、详查、核查的重大地质灾害隐患识别技术,形成中国地质灾害工作链中新型的调查工作模式。以贵州、四川、陕西为样板工程,推动“空-天-地”协同的省级地质灾害常态化监测模式。

    2) 面向日常灾害应急处置,推动建立重大地质灾害应急处置技术联盟。以行业主管部门为需求牵引,形成由各方专家、企业、高校科研院所为支撑的技术联盟,由企业提供高分辨率光学与SAR遥感数据,由地灾与遥感专业技术队伍进行快速处理,为前线专家组会商提供快速、准确、实用的数据支撑。

    3) 围绕限制进一步规模化应用的综合遥感技术,特别是InSAR技术,需依托开展相关研究的高校与科研院所,集中技术力量开展区域性高陡边坡InSAR监测应用的关键技术攻关,突破三维形变反演、大范围场景下的滑坡识别及其形变信息自动化处理以及融合永久散射体与分布式散射体的InSAR时序分析技术研究,从方法上解决有效观测、精准观测和快速处理的技术瓶颈,推动构建适合中国情况的规模化应用的广域地质灾害综合遥感监测平台(如GEP,https://geohazards-tep.eo.esa.int)。

    4) 朝着业务化方向发展,SAR卫星是关键和基础。需要加快推进中国L波段雷达卫星在轨任务的科学编排,强化地质灾害监测应用目标,形成支撑服务常态化的地质灾害调查监测的卫星观测任务。行业部门推动卫星应用系统建设,探索面向技术联盟的国产卫星数据渠道。提前谋划下一代中国自然灾害监测卫星系统,推进后续工程星和新体制SAR卫星预研。

    5) 构建定期交流与重大灾害会商的工作机制,通过行业牵头、专家研讨、企业参与的方式,推动形成一批适应中国地质灾害特点的技术规范与标准体系。主动探索技术研究与行政管理的统一,增强专业技术研究的针对性和实用性,从被动救灾到主动防灾,回应防灾减灾的实际需求,努力满足防治工作中的行政指挥需要。

    6) 在综合对地观测(遥感)大数据的基础上,将专家经验和技术方法转化为机器学习规则与方法,通过长时序观测数据开展人工智能地灾隐患的早期识别研究。从简单样本做起,逐步解决地灾隐患在形态特征上非规则、多样化和在形变过程上非线性、非均一的有效判断,尽可能提高效率和准确性。

  • 图  1   变化检测的分类体系

    Figure  1.   Classification System of Change Detection

    图  2   变化检测方法发展的时间脉络图

    Figure  2.   The Development Timeline of Change Detection Approaches

  • [1]

    Ashbindu S. Review Article Digital Change Detection Techniques Using Remotely-Sensed Data[J]. International Journal of Remote Sensing, 2010, 10(6):989-1003 http://www.bioone.org/servlet/linkout?suffix=i1551-5036-26-3-541-Singh1&dbid=16&doi=10.2112%2F08-1172.1&key=10.1080%2F01431168908903939

    [2]

    Bruzzone L, Bovolo F. A Novel Framework for the Design of Change-Detection Systems for Very-High-Resolution Remote Sensing Images[J]. Proceedings of the IEEE, 2013, 101(3):609-630 doi: 10.1109/JPROC.2012.2197169

    [3]

    Radke R J, Andra S, Alkofahi O, et al. Image Change Detection Algorithms:A Systematic Survey[J]. IEEE Transactions on Image Processing, 2005, 14(3):294-307 http://d.old.wanfangdata.com.cn/NSTLQK/NSTL_QKJJ0212914409/

    [4] 李德仁.利用遥感影像进行变化检测[J].武汉大学学报·信息科学版, 2003, 28(s1):7-12 http://ch.whu.edu.cn/CN/abstract/abstract4718.shtml

    Li Deren. Change Detection from Remote Sensing Images[J]. Geomatics and Information Science of Wuhan University, 2003, 28(s1):7-12 http://ch.whu.edu.cn/CN/abstract/abstract4718.shtml

    [5]

    Vol N. Change Analysis in the United Arab Emi-rates:An Investigation of Techniques[J]. Photogrammetric Engineering and Remote Sensing, 1999, 65(4):475-484

    [6]

    Munyati C. Wetland Change Detection on the Kafue Flats, Zambia, by Classification of a Multi-temporal Remote Sensing Image Dataset[J]. International Journal of Remote Sensing, 2000, 21(9):1787-1806 doi: 10.1080/014311600209742

    [7] 李亮, 舒宁, 王琰.利用归一化互信息进行基于像斑的遥感影像变化检测[J].遥感信息(理论研究), 2011, 6:18-22 http://d.old.wanfangdata.com.cn/Periodical/ygxx201106004

    Li Liang, Shu Ning, Wang Yan. Segment-Based Remote Sensing Image Change Detection Using Normalized Mutual Information[J]. Remote Sensing Information(Theoretical Research), 2011, 6:18-22 http://d.old.wanfangdata.com.cn/Periodical/ygxx201106004

    [8]

    Desclée B, Bogaert P, Defourny P. Forest Change Detection by Statistical Object-Based Method[J]. Remote Sensing of Environment, 2006, 102(1):1-11 http://www.sciencedirect.com/science/article/pii/S0034425706000344

    [9]

    Wang Wenjie, Zhao Zhongming, Zhu Haiqing.Object-Oriented Multi-feature Fusion Change Detection Method for High Resolution Remote Sensing Image[C]. The 17th International Conference on Geoinformatics, Fairfax, VA, USA, 2009

    [10] 李亮, 舒宁, 王凯, 等.融合多特征的遥感影像变化检测方法[J].测绘学报, 2014, 43(9):945-953 http://d.old.wanfangdata.com.cn/Periodical/chxyxb201505014

    Li Liang, Shu Ning, Wang Kai, et al. Change Detection Method for Remote Sensing Images Based on Multi-features Fusion[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(9):945-953 http://d.old.wanfangdata.com.cn/Periodical/chxyxb201505014

    [11] 赵忠明, 孟瑜, 岳安志, 等.遥感时间序列影像变化检测研究进展[J].遥感学报, 2016, 20(5):1110-1125 http://d.old.wanfangdata.com.cn/Periodical/ygxb201605034

    Zhao Zhongming, Meng Yu, Yue Anzhi, et al. Review of Remotely Sensed Time Series Data for Change Detection[J]. Journal of Remote Sensing, 2016, 20(5):1110-1125 http://d.old.wanfangdata.com.cn/Periodical/ygxb201605034

    [12] 李权, 周兴社.基于KPCA的多变量时间序列数据异常检测方法研究[J].计算机测量与控制, 2011, 19(4):822-825 http://d.old.wanfangdata.com.cn/Periodical/jsjzdclykz201104025

    Li Quan, Zhou Xingshe. Multivariate Time Series Anomaly Detection Method Based on KPCA[J]. Computer Measurement and Control, 2011, 19(4):822-825 http://d.old.wanfangdata.com.cn/Periodical/jsjzdclykz201104025

    [13]

    Asner G P, Keller M, Pereira R J, et al. Remote Sensing of Selective Logging in Amazonia[J]. Remote Sensing of Environment, 2002, 80(3):483-496 doi: 10.1016/S0034-4257(01)00326-1

    [14]

    Chen Gang, Hay G J, Carvalho L M T, et al. Object-Based Change Detection[J]. International Journal of Remote Sensing, 2012, 33(14):4434-4457 doi: 10.1080/01431161.2011.648285

    [15]

    Zanetti M, Bruzzone L. A Theoretical Framework for Change Detection Based on a Compound Multiclass Statistical Model of the Difference Image[J]. IEEE Transactions on Geoscience and Remote Sen-sing, 2018, 99:1-15 http://ieeexplore.ieee.org/document/8078269/

    [16]

    Bovolo F, Bruzzone L. An Adaptive Multiscale Random Field Technique for Unsupervised Change Detection in VHR Multitemporal Images[C]. IEEE International Geoscience and Remote Sensing Symposium, Cape Town, South Africa, 2009

    [17] 周启鸣.多时相遥感影像变化检测综述[J].地理信息世界, 2011, 9(2):28-33 doi: 10.3969/j.issn.1672-1586.2011.02.007

    Zhou Qiming. Review on Change Detection Using Multi-temporal Remotely Sensed Imagery[J]. Geomatics World, 2011, 9(2):28-33 doi: 10.3969/j.issn.1672-1586.2011.02.007

    [18]

    Sui Haigang, Zhou Qiming, Gong Jianya, et al. Processing of Multi-temporal Data and Change Detection[M]//Li Z L, Chen J, Baltsavias E. Advances in Photogrammetry, Remote Sensing and Spatial Information Sciences. London: Taylor and Francis Group, 2008: 227-247

    [19]

    Li Deren. Remotely Sensed Images and GIS Data Fusion for Automatic Change Detection[J]. International Journal of Image and Data Fusion, 2010, 1(1):99-108 doi: 10.1080/19479830903562074

    [20]

    Hussain M, Chen D, Cheng A, et al. Change Detection from Remotely Sensed Images:From Pixel-Based to Object-Based Approaches[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 80(2):91-106 http://www.sciencedirect.com/science/article/pii/S0924271613000804

    [21]

    Karantzalos K. Recent Advances on 2D and 3D Change Detection in Urban Environments from Remote Sensing Data[J]. Computational Approaches for Urban Environments, 2015, 13:237-272 doi: 10.1007/978-3-319-11469-9_10

    [22] 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 doi: 10.11947/j.AGCS.2017.20170340

    Zhang Liangpei, Wu Chen.Advance and Future Development of Change Detection for Multi-temporal Remote Sensing Imagery[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(10):1447-1459 doi: 10.11947/j.AGCS.2017.20170340

    [23]

    Coppin P, Jonckheere I, Nackaerts K, et al. Review Article Digital Change Detection Methods in Ecosystem Monitoring:A Review[J]. International Journal of Remote Sensing, 2004, 25(9):1565-1596 doi: 10.1080/0143116031000101675

    [24]

    Lu D, Mausel P, Brondízio E, et al. Change Detection Techniques[J]. International Journal of Remote Sensing, 2004, 25(12):2365-2401 doi: 10.1080/0143116031000139863

    [25]

    Cao G, Li Y, Liu Y, et al. Automatic Change Detection in High-Resolution Remote-Sensing Images by Means of Level Set Evolution and Support Vector Machine Classification[J]. International Journal of Remote Sensing, 2014, 35(16):6255-6270 doi: 10.1080/01431161.2014.951740

    [26]

    Li P J, Xu H Q. Land-Cover Change Detection Using One-Class Support Vector Machine[J]. Photogrammetric Engineering and Remote Sensing, 2010, 76(3):255-263 doi: 10.14358/PERS.76.3.255

    [27]

    Yang Z, Qin Q, Zhang Q. Change Detection in High Spatial Resolution Images Based on Support Vector Machine[C]. IEEE International Conference on Geoscience and Remote Sensing Symposium, Denver, USA, 2006

    [28]

    Huang X, Xie Y, Wei J, et al. Automatic Recognition of Desertification Information Based on the Pattern of Change Detection-CART Decision Tree[J]. Journal of Catastrophology, 2017, 32(1):36-42 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zhx201701008

    [29]

    Zhang Z, Li A N, Lei G, et al. Change Detection of Remote Sensing Images Based on Multiscale Segmentation and Decision Tree Algorithm over Mountainous Area:A Case Study in Panxi Region, Sichuan Province[J]. Acta Ecologica Sinica, 2014, 34(24):7222-7232 http://en.cnki.com.cn/Article_en/CJFDTOTAL-STXB201424009.htm

    [30]

    Im J, Jensen J R. A Change Detection Model Based on Neighborhood Correlation Image Analysis and Decision Tree Classification[J]. Remote Sensing of Environment, 2005, 99(3):326-340 doi: 10.1016/j.rse.2005.09.008

    [31]

    Molinier M, Oleg A, Teemu M, et al. Clear-Cut Mapping in Landsat8 Images with a Change Detection Method Based on the Random Forest Algorithm[C]. International Workshop on the Analysis of Multi-temporal Remote Sensing Images, Annecy, France, 2015

    [32]

    Seo D K, Yong H K, Yang D E, et al. Generation of Radiometric, Phenological Normalized Image Based on Random Forest Regression for Change Detection[J]. Remote Sensing, 2017, 9(11):1163-1174 doi: 10.3390/rs9111163

    [33]

    Liu D, Song K, Townshend J R G, et al. Using Local Transition Probability Models in Markov Random Fields for Forest Change Detection[J]. Remote Sensing of Environment, 2008, 112(5):2222-2231 doi: 10.1016/j.rse.2007.10.002

    [34]

    Jia L, Li M, Zhang P, et al. SAR Image Change Detection Based on Multiple Kernel k-Means Clustering with Local-Neighborhood Information[J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(6):856-860 doi: 10.1109/LGRS.2016.2550666

    [35]

    Lv H, Lu H, Mou L. Learning a Transferable Change Rule from a Recurrent Neural Network for Land Cover Change Detection[J]. Remote Sensing, 2016, 8(6):506-528 doi: 10.3390/rs8060506

    [36]

    Wang Q, Shi W, Atkinson P M, et al. Land Cover Change Detection at Subpixel Resolution with a Hopfield Neural Network[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(3):1339-1352 http://ieeexplore.ieee.org/document/6906234/

    [37]

    Jia L, Li M, Zhang P, et al. SAR Image Change Detection Based on Correlation Kernel and Multistage Extreme Learning Machine[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(10):5993-6006 doi: 10.1109/TGRS.2016.2578438

    [38]

    Chang N B, Han M, Yao W, et al. Change Detection of Land Use and Land Cover in an Urban Region with SPOT-5 Images and Partial Lanczos Extreme Learning Machine[J]. Journal of Applied Remote Sensing, 2010, 4(1):2816-2832 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=2c1f033fd1fbe150b1a8220a5dfe3012

    [39]

    Pijanowski B C, Brown D G, Shellito B A, et al. Using Neural Networks and GIS to Forecast Land Use Changes:A Land Transformation Model[J]. Computers Environment and Urban Systems, 2002, 26(6):553-575 doi: 10.1016/S0198-9715(01)00015-1

    [40]

    Chen Xiuwan. Using Remote Sensing and GIS to Analyze Land Cover Change and Its Impacts on Regional Sustainable Development[J]. International Journal of Remote Sensing, 2002, 23(1):107-124 doi: 10.1080/01431160010007051

    [41]

    Hao M, Shi W, Zhang H, et al. Unsupervised Change Detection with Expectation-Maximization-Based Level Set[J]. IEEE Geoscience and Remote Sensing Letters, 2013, 11(1):210-214 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=4cc741b38cc9abdbf3235ca1718dabb4

    [42]

    Cao G, Liu Y, Shang Y. Automatic Change Detection in Remote Sensing Images Using Level Set Method with Neighborhood Constraints[J]. Journal of Applied Remote Sensing, 2014, 8(1):083678 doi: 10.1117/1.JRS.8.083678

    [43]

    Bruzzone L, Prieto D. Automatic Analysis of the Difference Image for Unsupervised Change Detection[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(3):1171-1182 doi: 10.1109/36.843009

    [44]

    Hao M, Zhang H, Shi W, et al. Unsupervised Change Detection Using Fuzzy-Means and MRF from Remotely Sensed Images[J]. Remote Sensing Letters, 2013, 4(12):1185-1194 doi: 10.1080/2150704X.2013.858841

    [45]

    Zhou L, Cao G, Li Y, et al. Change Detection Based on Conditional Random Field with Region Connection Constraints in High-Resolution Remote Sensing Images[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(8):3478-3488 doi: 10.1109/JSTARS.2016.2514610

    [46]

    Cao G, Zhou L, Li Y. A New Change-Detection Method in High-Resolution Remote Sensing Images Based on a Conditional Random Field Model[J]. International Journal of Remote Sensing, 2016, 37(5):1173-1189 doi: 10.1080/01431161.2016.1148284

    [47] 佟国峰, 李勇, 丁伟利, 等.遥感影像变化检测算法综述[J].中国图象图形学报, 2015, 20(12):1561-1571 doi: 10.11834/jig.20151201

    Tong Guofeng, Li Yong, Ding Weili, et al. Review of Remote Sensing Image Change Detection[J]. Journal of Image and Graphics, 2015, 20(12):1561-1571 doi: 10.11834/jig.20151201

    [48]

    Stow D A, Chen D M. Sensitivity of Multi-temporal NOAA AVHRR Data of an Urbanizing Region to Land-Use/Land-Cover Changes and Misregistration[J]. Remote Sensing of Environment, 2002, 80(2):297-307 doi: 10.1016/S0034-4257(01)00311-X

    [49]

    Chen G, Zhao K, Powers R. Assessment of the Image Misregistration Effects on Object-Based Change Detection[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 87(19):19-27 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=1c9ca1c73b837684051550a20186c036

    [50]

    Bovolo F, Bruzzone L. A Theoretical Framework for Unsupervised Change Detection Based on Change Vector Analysis in the Polar Domain[J]. IEEE Transactions on Geoscience and Remote Sen-sing, 2007, 45(1):218-236 doi: 10.1109/TGRS.2006.885408

    [51] 张晓东, 李德仁, 龚健雅, 等.遥感影像与GIS分析相结合的变化检测方法[J].武汉大学学报·信息科学版, 2006, 31(3):266-269 http://ch.whu.edu.cn/CN/abstract/abstract2403.shtml

    Zhang Xiaodong, Li Deren, Gong Jianya, et al. A Change Detection Method of Integrating Remote Sensing and GIS[J]. Geomatics and Information Science of Wuhan University, 2006, 31(3):266-269 http://ch.whu.edu.cn/CN/abstract/abstract2403.shtml

    [52]

    Paolini L, Grings F, Sobrino J A, et al. Radiometric Correction Effects in Landsat Multi-date/Multi-sensor Change Detection Studies[J]. International Journal of Remote Sensing, 2006, 27(4):685-704 doi: 10.1080/01431160500183057

    [53]

    Li Wenzhuo, Sun Kaimin, Zhang Hongya. Algorithm for Relative Radiometric Consistency Process of Remote Sensing Images Based on Object-Oriented Smoothing and Contourlet Transforms[J]. Journal of Applied Remote Sensing, 2014, 8(1):083607 doi: 10.1117/1.JRS.8.083607

    [54]

    Zhang P Q, Xu-Chu Y, Liu Z, et al. A Study on Relative Radiometric Correction of Multi-temporal Remote Sensing Images[J]. Journal of Remote Sensing, 2006, 10(3):339-344 http://en.cnki.com.cn/Article_en/CJFDTotal-YGXB200603008.htm

    [55]

    Gao F, Dong J Y, Li B, et al. Automatic Change Detection in Synthetic Aperture Radar Images Based on PCANet[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 13(12):1792-1796 http://ieeexplore.ieee.org/document/7589111/

    [56]

    Geng J, Wang H Y, Fan J C, et al. Change Detection of SAR Images Based on Supervised Contractive Auto-encoders and Fuzzy Clustering[C]. 2017 International Workshop on Remote Sensing with Intelligent Processing (RSIP), Shanghai, China, 2017

    [57]

    Gong M, Zhao J, Liu J, et al. Change Detection in Synthetic Aperture Radar Images Based on Deep Neural Networks[J]. IEEE Transactions on Neural Networks and Learning Systems, 2016, 27(1):125-138 doi: 10.1109/TNNLS.2015.2435783

    [58]

    Zhang H, Gong M G, Zhang P Z, et al. Feature-Level Change Detection Using Deep Representation and Feature Change Analysis for Multispectral Imagery[J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(11):1666-1670 doi: 10.1109/LGRS.2016.2601930

    [59]

    Gong M G, Zhan T, Zhang P Z, et al. Superpixel-Based Difference Representation Learning for Change Detection in Multispectral Remote Sensing Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(5):2658-2673 doi: 10.1109/TGRS.2017.2650198

    [60]

    Su L Z, Gong M G, Zhang P Z, et al. Deep Learning and Mapping Based Ternary Change Detection for Information Unbalanced Images[J]. Pattern Recognition, 2017, 66(C):213-228 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=7c55e5957a42db4a146d8cace30ccfb7

    [61]

    Hay G J, Niemann K O. Visualizing 3-D Texture:A Three-Dimensional Structure Approach to Model Forest Texture[J]. Canadian Journal of Remote Sensing, 1994, 20(2):90-101

    [62]

    Baatz M, Schäpe A. An Optimization Approach for High Quality Multi-scale Image Segmentation[C]. Beiträge Zum AGIT-Symposium, Karlsruhe, Germany, 2000

    [63] 裴欢, 孙天娇, 王晓妍.基于Landsat8 OLI影像纹理特征的面向对象土地利用/覆盖分类[J].农业工程学报, 2018, 34(2):248-255 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=nygcxb201802034

    Pei Huan, Sun Tianjiao, Wang Xiaoyan. Object-Oriented Land Use/Cover Classification Based on Texture Features of Landsat8 OLI Image[J]. Transactions of the Chinese Society of Agricultu-ral Engineering, 2018, 34(2):248-255 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=nygcxb201802034

    [64]

    Cai S, Liu D. A Comparison of Object-Based and Contextual Pixel-Based Classifications Using High and Medium Spatial Resolution Images[J]. Remote Sensing Letters, 2013, 4(10):998-1007 doi: 10.1080/2150704X.2013.828180

    [65]

    Zhang P, Lv Z, Shi W. Object-Based Spatial Feature for Classification of very High Resolution Remote Sensing Images[J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(6):1572-1576 doi: 10.1109/LGRS.2013.2262132

    [66]

    Mahmoudi F T, Samadzadegan F, Reinartz P. Context Aware Modification on the Object Based Image Analysis[J]. Journal of the Indian Society of Remote Sensing, 2015, 43(4):709-717 doi: 10.1007/s12524-015-0453-5

    [67]

    Roelfsema C. High Spatial Resolution Remote Sensing for Environmental Monitoring and Management Preface[J]. Spatial Science, 2008, 53(1):43-47 http://www.ingentaconnect.com/content/spatial/jss/2008/00000053/00000001/art00005

    [68]

    Zhou W, Troy A, Grove M. Object-Based Land Cover Classification and Change Analysis in the Baltimore Metropolitan Area Using Multitemporal High Resolution Remote Sensing Data[J]. Sensors, 2008, 8(3):1613-1636 doi: 10.3390/s8031613

    [69]

    Lefebvre A, Corpetti T, Hubert-Moy L. Object-Oriented Approach and Texture Analysis for Change Detection in very High Resolution Images[C]. IEEE International Geoscience and Remote Sensing Symposium, Boston, USA, 2009

    [70]

    Chant T D, Kelly M, Huang B. Individual Object Change Detection for Monitoring the Impact of a Forest Pathogen on a Hardwood Forest[J]. Photogrammetric Engineering and Remote Sensing, 2009, 75(8):1005-1013 doi: 10.14358/PERS.75.8.1005

    [71]

    Stow D. Handbook of Applied Spatial Analysis[M]. New York:Springer, 2010

    [72]

    Huang J, Shen S. Land Use Change Detection Using High Spatial Resolution Remotely Sensed Image and GIS Data[J]. Journal of Yangtze River Scientific Research Institute, 2012, 29(1):49-52 http://d.old.wanfangdata.com.cn/Periodical/cjkxyyb201201010

    [73]

    Zhang P, Ruan B, Chao J. An Object-Based Basic Farmland Change Detection Using High Spatial Resolution Image and GIS Data of Land Use Planning[J]. Key Engineering Materials, 2012, 500:492-499 doi: 10.4028/www.scientific.net/KEM.500

    [74]

    Toure S, Stow D, Shih H, et al. An Object-Based Temporal Inversion Approach to Urban Land Use Change Analysis[J]. Remote Sensing Letters, 2016, 7(5):503-512 doi: 10.1080/2150704X.2016.1157640

    [75]

    Chen Q, Chen Y. Multi-feature Object-Based Change Detection Using Self-Adaptive Weight Change Vector Analysis[J]. Remote Sensing, 2016, 8(7):549-568 doi: 10.3390/rs8070549

    [76]

    Duro D C, Franklin S E, Dubé M G. A Comparison of Pixel-Based and Object-Based Image Analysis with Selected Machine Learning Algorithms for the Classification of Agricultural Landscapes Using SPOT-5 HRG Imagery[J]. Remote Sensing of Environment, 2012, 118(6):259-272 http://www.sciencedirect.com/science/article/pii/S0034425711004172

    [77]

    Wang R S M, Roberts S A, Efford N D. Object-Based Approach to Integrate Remotely Sensed Data with Geodata Within a GIS Context for Land-Use Classification at Urban-Rural Fringe Area[J]. Proceedings of SPIE-the International Society for Optical Engineering, 1997, 3222:362-370 http://proceedings.spiedigitallibrary.org/proceeding.aspx?articleid=932457

    [78] 陈扬洋, 明冬萍, 徐录, 等.高空间分辨率遥感影像分割定量实验评价方法综述[J].地球信息科学学报, 2017, 19(6):818-830 doi: 10.3969/j.issn.1560-8999.2017.06.011

    Chen Yangyang, Ming Dongping, Xu Lu, et al. An Overview of Quantitative Experimental Methods for Segmentation Evaluation of High Spatial Remote Sensing Images[J]. Journal of Geo-information Science, 2017, 19(6):818-830 doi: 10.3969/j.issn.1560-8999.2017.06.011

    [79]

    Gong J Y, Sui H G, Sun K M, et al. Object-Level Change Detection Based on Full-Scale Image Segmentation and Its Application to Wenchuan Earthquake[J]. Science in China, 2008, 51(2):110-122 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=QK200802388556

    [80]

    Basaeed E, Bhaskar H, Hill P, et al. A Supervised Hierarchical Segmentation of Remote-Sensing Images Using a Committee of Multi-scale Convolutional Neural Networks[J]. International Journal of Remote Sensing, 2016, 37(7):1671-1691 doi: 10.1080/01431161.2016.1159745

    [81]

    Zhao B, Zhong Y, Zhang L. A Spectral-Structural Bag-of-Features Scene Classifier for very High Spatial Resolution Remote Sensing Imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 116:73-85 doi: 10.1016/j.isprsjprs.2016.03.004

    [82]

    Zhu Q, Zhong Y, Zhao B, et al. Bag-of-Visual-Words Scene Classifier with Local and Global Features for High Spatial Resolution Remote Sensing Imagery[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 13(6):747-751 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=f107f3fb007eb153352cbd83f6182f8e

    [83]

    Wu C, Zhang L, Du B. Kernel Slow Feature Analysis for Scene Change Detection[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017(99):1-18 http://ieeexplore.ieee.org/document/7817860/

    [84]

    Wu C, Zhang L, Zhang L. A Scene Change Detection Framework for Multi-temporal very High Resolution Remote Sensing Images[J]. Signal Proce-ssing, 2016, 124(C):184-197 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=5a2e6f64cca8c7e9d6898e383d8587a8

    [85]

    Cheng G, Li Z, Yao X, et al. Remote Sensing Image Scene Classification Using Bag of Convolutional Features[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(10):1735-1739 doi: 10.1109/LGRS.2017.2731997

    [86]

    Hu F, Xia G S, Hu J, et al. Transferring Deep Convolutional Neural Networks for the Scene Classification of High-Resolution Remote Sensing Imagery[J]. Remote Sensing, 2015, 7(11):14680-14707 doi: 10.3390/rs71114680

    [87]

    Zou Q, Ni L, Zhang T, et al. Deep Learning Based Feature Selection for Remote Sensing Scene Classification[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(11):2321-2325 doi: 10.1109/LGRS.2015.2475299

    [88]

    Guan H, Li J, Yu Y, et al. DEM Generation from LiDAR Data in Wooded Mountain Areas by Cross-Section-Plane Analysis[J]. International Journal of Remote Sensing, 2014, 35(3):927-948 doi: 10.1080/01431161.2013.873833

    [89]

    Zhao L J, Tang P, Huo L Z. Land-Use Scene Classification Using a Concentric Circle-Structured Multiscale Bag-of-Visual-Words Model[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 7(12):4620-4631 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=fe8618456dc543b4e122c2964bd85210

    [90]

    Lin W, Liu Y, Feng J. Bag of Visual Words Model with Deep Spatial Features for Geographical Scene Classification[J]. Computational Intelligence and Neuroscience, 2017(2):1-14 http://europepmc.org/abstract/MED/28706534

    [91]

    Zhu Q, Zhong Y, Zhang L, et al. Scene Classification Based on the Fully Sparse Semantic Topic Mo-del[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017(99):1-14 http://ieeexplore.ieee.org/document/7959103/

    [92]

    Zhao W, Du S. Scene Classification Using Multi-scale Deeply Described Visual Words[J]. International Journal of Remote Sensing, 2016, 37(17):4119-4131 doi: 10.1080/01431161.2016.1207266

    [93]

    Gehrke S, Morin K, Downey M, et al. Semi-global Matching: An Alternative to LiDAR for DSM Gene-ration[C]. The 2010 Canadian Geomatics Confe-rence and Symposium of Commission, Calgary, Canada, 2010

    [94]

    Westoby M, Brasington J, Glasser N, et al. 'Structure-from-Motion' Photogrammetry:A Low-Cost, Effective Tool for Geoscience Applications[J]. Geomorphology, 2012, 179:300-314 doi: 10.1016/j.geomorph.2012.08.021

    [95]

    Stal C, Tack F, de Maeyer P, et al. Airborne Photogrammetry and LiDAR for DSM Extraction and 3D Change Detection over an Urban Area-A Comparative Study[J]. International Journal of Remote Sensing, 2013, 34:1087-1110 doi: 10.1080/01431161.2012.717183

    [96]

    White J C, Wulder M A, Vastaranta M, et al. The Utility of Image-Based Point Clouds for Forest Inventory:A Comparison with Airborne Laser Scanning[J]. Forests, 2013, 4:518-536 doi: 10.3390/f4030518

    [97]

    Shorter N, Kasparis T. Automatic Vegetation Identification and Building Detection from a Single Nadir Aerial Image[J]. Remote Sensing, 2009, 1(4):731-757 doi: 10.3390/rs1040731

    [98]

    Chen L C, Lin L J. Detection of Building Changes from Aerial Images and Light Detection and Ranging (LiDAR) Data[J]. Journal of Applied Remote Sensing, 2012, 4(12):2785-2802 doi: 10.1117/1.3525560

    [99]

    Liu Z, Gong P, Shi P, et al. Automated Building Change Detection Using UltraCamD Images and Existing CAD Data[J]. International Journal of Remote Sensing, 2010, 31(6):1505-1517 doi: 10.1080/01431160903475340

    [100]

    Hermosilla T, Ruiz L A, Recio J A, et al. Evaluation of Automatic Building Detection Approaches Combining High Resolution Images and LiDAR Data[J]. Remote Sensing, 2011, 3(6):1188-1210 doi: 10.3390/rs3061188

    [101]

    Awrangjeb M, Ravanbakhsh M, Fraser C S. Automatic Detection of Residential Buildings Using LiDAR Data and Multispectral Imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2010, 65(5):457-467 doi: 10.1016/j.isprsjprs.2010.06.001

    [102]

    Huertas A, Nevatia R. Detecting Changes in Aerial Views of Man-Made Structures[J]. Image and Vision Computing, 2000, 18(8):583-596 doi: 10.1016/S0262-8856(99)00063-3

    [103]

    Gonzalez J, Ambrosio I, Arevalo V. Automatic Urban Change Detection from the IRS-1D PAN[C]. Remote Sensing and Data Fusion over Urban Areas, IEEE/ISPRS Joint Workshop, Rome, Italy, 2001

    [104]

    Rowe N C, Grewe L L. Change Detection for Linear Features in Aerial Photographs Using Edge-Finding[J]. IEEE Transactions on Geoscience and Remote Sensing, 2001, 39(7):1608-1612 doi: 10.1109/36.934092

    [105] 柳稼航.利用遥感技术进行城市建筑物震害的自动识别与分类方法研究[D].北京: 中国地震局地质研究所, 2003

    Liu Jiahang. A Method Study on Automatic Recognition and Classification of Earthquake-Caused Building Damage in Cities Using Remote Sensing[D]. Beijing: Institute of Geology, China Seismology Bureau, 2003

    [106] 顾文俊, 赵忠明, 王苓涓.基于变化检测技术的城区建筑变化目标提取[J].计算机工程与应用, 2004, 40(1):198-200 doi: 10.3321/j.issn:1002-8331.2004.01.065

    Gu Wenjun, Zhao Zhongming, Wang Linjuan. The Detection of the Changed Building in City Based on Change Detection Technology[J]. Computer Engineering and Applications, 2004, 40(1):198-200 doi: 10.3321/j.issn:1002-8331.2004.01.065

    [107] 刘臻, 宫鹏, 史培军, 等.基于相似度验证的自动变化探测研究[J].遥感学报, 2005, 9(5):537-543 http://d.old.wanfangdata.com.cn/Periodical/ygxb200505004

    Liu Zhen, Gong Peng, Shi Peijun, et al. Study on Change Detection Automatically Based on Similarity Calibration[J]. Journal of Remote Sensing, 2005, 9(5):537-543 http://d.old.wanfangdata.com.cn/Periodical/ygxb200505004

    [108] 耿忠.面向单波段高分辨率遥感影像的人工目标变化检测技术研究[J].地理信息世界, 2007, 5(6):36-41 doi: 10.3969/j.issn.1672-1586.2007.06.009

    Geng Zhong. Research on Artificial Object Changing Detection Techniques of Single-band Oriented High Resolution Remote Sensing Image[J]. Geomatics World, 2007, 5(6):36-41 doi: 10.3969/j.issn.1672-1586.2007.06.009

    [109]

    Li W, Sun K, Li D, et al. A New Approach to Performing Bundle Adjustment for Time Series UAV Images 3D Building Change Detection[J]. Remote Sensing, 2017, 9(6):625-633 doi: 10.3390/rs9060625

    [110]

    Benoît M, Eric F L. Land-Cover-Change Trajectories in Southern Cameroon[J]. Annals of the Association of American Geographers, 2000, 90(3):467-494 doi: 10.1111/0004-5608.00205

    [111]

    Liu H, Zhou Q. Accuracy Analysis of Remote Sensing Change Detection by Rule-Based Rationality Evaluation with Post-Classification Comparison[J]. International Journal of Remote Sensing, 2004, 25(5):1037-1050 doi: 10.1080/0143116031000150004

    [112]

    Zhou Q, Sun B. Spatial Pattern Analysis of Water-Driven Land Cover Change in Aridzone, Northwest of China[M]//Advances in Earth Observation of Global Change. Netherlands:Springer, 2010:17-26

    [113] 欧阳赟, 马建文, 戴芹.多时相遥感变化检测的动态贝叶斯网络研究[J].遥感学报, 2006, 10(4):440-448 http://d.old.wanfangdata.com.cn/Periodical/ygxb200604002

    Ouyang Yun, Ma Jianwen, Dai Qin. Study on Dynamic Bayesian Networks for Multi-temporal Remote Sensing Change Detection[J]. Journal of Remote Sensing, 2006, 10(4):440-448 http://d.old.wanfangdata.com.cn/Periodical/ygxb200604002

    [114]

    Vaduva C, Gavat I, Datcu M. Latent Dirichlet Allocation for Spatial Analysis of Satellite Images[J]. IEEE Transactions on Geoscience and Remote Sen-sing, 2013, 51(5):2770-2786 doi: 10.1109/TGRS.2012.2219314

    [115]

    Salmon B P, Kleynhans W, Bergh F V D, et al. Land Cover Change Detection Using the Internal Covariance Matrix of the Extended Kalman Filter over Multiple Spectral Bands[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2013, 6(3):1079-1085 doi: 10.1109/JSTARS.2013.2241023

    [116]

    Li J, Narayanan R M. A Shape-Based Approach to Change Detection of Lakes Using Time Series Remote Sensing Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(11):2466-2477 doi: 10.1109/TGRS.2003.817267

    [117]

    Du P, Liu S, Gamba P, et al. Fusion of Difference Images for Change Detection over Urban Areas[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2012, 5(4):1076-1086 doi: 10.1109/JSTARS.2012.2200879

    [118]

    Li J, Narayanan R M. A Shape-Based Approach to Change Detection of Lakes Using Time Series Remote Sensing Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(11):2466-2477 doi: 10.1109/TGRS.2003.817267

    [119]

    Warner T. Hyperspherical Direction Cosine Change Vector Analysis[J]. International Journal of Remote Sensing, 2005, 26(6):1201-1215 doi: 10.1080/0143116042000298252

    [120]

    Michener W K, Houhoulis P F. Detection of Vegetation Changes Associated with Extensive Flooding in a Forested Ecosystem[J]. Photogrammetric Engineering and Remote Sensing, 1998, 63(12):1363-1374 http://europepmc.org/abstract/AGR/IND20903985

    [121] 冯文卿, 张永军.利用多尺度融合进行面向对象的遥感影像变化检测[J].测绘学报, 2015, 44(10):1142-1151 http://d.old.wanfangdata.com.cn/Periodical/chxb201510011

    Feng Wenqing, Zhang Yongjun. Object-Oriented Change Detection for Remote Sensing Images Based on Multi-scale Fusion[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(10):1142-1151 http://d.old.wanfangdata.com.cn/Periodical/chxb201510011

    [122] 冯文卿, 眭海刚, 涂继辉, 等.联合像素级和对象级分析的遥感影像变化检测[J].测绘学报, 2017, 46(9):1147-1155 http://d.old.wanfangdata.com.cn/Periodical/chxb201709010

    Feng Wenqing, Sui Haigang, Tu Jihui, et al. Remote Sensing Image Change Detection Based on the Combination of Pixel-Level and Object-Level Analysis[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(9):1147-1155 http://d.old.wanfangdata.com.cn/Periodical/chxb201709010

    [123] 全吉成, 刘一超, 薛峰.基于模糊综合评判的遥感图像变化检测方法[J].现代电子技术, 2013, 36(8):112-113 doi: 10.3969/j.issn.1004-373X.2013.08.037

    Quan Jicheng, Liu Yichao, Xue Feng. Detection Method of Remote Sensing Image Change Detection Based on Fuzzy Comprehensive Evaluation[J]. The Modern Electronic Technology, 2013, 36(8):112-113 doi: 10.3969/j.issn.1004-373X.2013.08.037

    [124]

    Gong Peng, Mu Lan. Error Detection Through Consistency Checking[J]. Geographic Information Sciences, 2000, 6(2):188-193 http://d.old.wanfangdata.com.cn/NSTLQK/NSTL_QKJJ0215092614/

    [125]

    Nemmour H, Chibani Y. Fuzzy Neural Network Architecture for Change Detection in Remotely Sensed Imagery[J]. International Journal of Remote Sensing, 2006, 27(4):705-717 doi: 10.1080/01431160500275648

    [126]

    Morisette J T. Accuracy Assessment Curves for Satellite-Based Change Detection[J]. Photogrammetric Engineering and Remote Sensing, 2000, 66(7):875-880

    [127]

    Lowell K. An Area-Based Accuracy Assessment Methodology for Digital Change Maps[J]. International Journal of Remote Sensing, 2001, 22(17):3571-3596 doi: 10.1080/01431160010031270

    [128]

    Biging G S, Colby D R, Congalton R G. Sampling Systems for Change Detection Accuracy Assessment[M]. Chelsea, Michigan:Ann Arbor Press, 1999

  • 期刊类型引用(121)

    1. 庄会富,郭建林,薛倩,张宇. 联合混合CNN和相似性评估的异源影像无监督变化检测方法. 地球信息科学学报. 2025(02): 507-521 . 百度学术
    2. 孙雨生,邢华桥,项俊武,王海航. 顾及时空感知的轻量级遥感影像变化检测方法. 科技创新与应用. 2024(07): 5-8 . 百度学术
    3. 周维勋,刘京雷,彭代锋,管海燕,邵振峰. MtSCCD:面向深度学习的土地利用场景分类与变化检测数据集. 遥感学报. 2024(02): 321-333 . 百度学术
    4. 刘宣广,李蒙蒙,汪小钦,张振超. 基于面向对象孪生神经网络的高分辨率遥感影像建筑物变化检测. 遥感学报. 2024(02): 437-454 . 百度学术
    5. 艾遒一,黄华国,郭颖,刘炳杰,陈树新,田昕. 基于孪生残差神经网络的GF-2影像林地变化检测——以浙江省建德林场为例. 遥感技术与应用. 2024(01): 24-33 . 百度学术
    6. 尹杨,周毅. 基于遥感影像的生态环境和资源保护公益诉讼调查取证方法研究. 时空信息学报. 2024(01): 57-64 . 百度学术
    7. 李正洪,全昌文,陈华江,陈敏,吕琦. 基于影像密集匹配点云的建筑物变化检测方法. 地理空间信息. 2024(03): 11-15 . 百度学术
    8. 王腾,孟小亮,蔡冠中,陈影,孙洁衍,姚鹏. 自然资源视频监测目标检测关键技术研究与应用. 地理空间信息. 2024(03): 47-50+54 . 百度学术
    9. 谢国波,廖文康,林志毅,张家源. 基于MCRASN的遥感影像变化检测. 应用光学. 2024(02): 430-437 . 百度学术
    10. 张兰兰,王红雷. 基于深度学习的耕地非农化遥感监测与时空分析——以开阳县为例. 测绘通报. 2024(03): 13-18 . 百度学术
    11. 樊华,王文旭,孙杰,李晓阳. 基于遥感影像的重要地物的变化检测和标注. 科学技术与工程. 2024(09): 3586-3595 . 百度学术
    12. 陈华江,张晋博,张展豪,陈敏. 基于空间体素表达与影像目标验证的建筑物三维变化检测分析. 测绘与空间地理信息. 2024(05): 45-47+51 . 百度学术
    13. 刘立,董先敏,王德富,张志强,刘娟. 人机协同的多模态遥感变化检测方法. 测绘通报. 2024(S1): 130-136 . 百度学术
    14. 张宏鸣,沈寅威,阳光,孙志同,刘康乐,张二磊. 融合注意力机制与多尺度信息的葡萄种植区变化检测. 农业机械学报. 2024(05): 196-206+234 . 百度学术
    15. 陈乐,卫伟. 多源土地利用产品在黄土丘陵沟壑区的精度评估. 水土保持学报. 2024(03): 177-186+194 . 百度学术
    16. 常瑶,费鲜芸,王圳,高亚军,杨民书,文陈昊. 基于无人机影像的连云港云台山林场樱桃树种植面积提取. 江苏海洋大学学报(自然科学版). 2024(02): 89-96 . 百度学术
    17. 唐江森,于亚杰,苏鹏. 河北省历史影像电子地图展示系统设计与实现. 城市勘测. 2024(03): 93-95+100 . 百度学术
    18. 苏步宇,杜小平,慕号伟,徐琛,陈方,罗笑南. 耦合Mask R-CNN和注意力机制的建筑物提取及后处理策略. 遥感技术与应用. 2024(03): 620-632 . 百度学术
    19. 汤玉奇,林泽锋,韩特,杨欣,邹滨,冯徽徽. 基于对称网络的光学和SAR影像变化检测. 遥感学报. 2024(06): 1560-1575 . 百度学术
    20. 厉芳婷,张过,周方栋,王上,梁思,李志炜. 基于双流并行全向扫描Mamba的遥感影像建筑物变化检测. 武汉大学学报(信息科学版). 2024(09): 1574-1585 . 百度学术
    21. 潘建平,谢鹏,郭志豪,林娜,张慧娟. 面向城市复杂场景的多尺度监督融合变化检测. 遥感信息. 2024(04): 23-32 . 百度学术
    22. 吕宁,刘亦高,张增辉. 基于特征金字塔的协作式变化检测网络. 遥测遥控. 2024(05): 120-128 . 百度学术
    23. 孙剑明,赵梦鑫,郝旭耀. 遥感图像变化检测方法研究综述. 计算机工程与应用. 2024(20): 30-48 . 百度学术
    24. 黄子岸,赵艮平,王卓薇. 基于LS-CDNet的轻量级遥感影像变化检测. 激光杂志. 2024(10): 67-73 . 百度学术
    25. 叶萍萍,仝昕. 基于深度学习的建筑物变化检测技术研究. 河南科技. 2024(19): 104-107 . 百度学术
    26. 眭海刚,周宁,魏天怡. 遥感大数据的地理环境构建及目标保障技术综述. 无线电工程. 2024(11): 2505-2519 . 百度学术
    27. 宁晓刚,张翰超,张瑞倩. 遥感影像高可信智能不变检测技术框架与方法实践. 测绘学报. 2024(06): 1098-1112 . 百度学术
    28. 赵金奇,李宇轩,刘子蓉,安庆,宋时雨,牛玉芬. 基于相似性衡量函数优化的SAR时空极化信息一体化洪涝变化检测方法. 测绘学报. 2024(12): 2375-2390 . 百度学术
    29. 吴丕团,覃现,余松梅,杨钊,杨昌. 自然资源资产审计服务中的测绘地理信息技术应用. 测绘标准化. 2024(04): 70-75 . 百度学术
    30. 韩特,汤玉奇,陈玉增,张芳艳,杨欣,邹滨,冯徽徽. 基于自适应非局部模式一致性的多模态遥感影像变化检测方法. 遥感学报. 2024(12): 3197-3212 . 百度学术
    31. 王本礼,王也,唐先龙,董胜光. 遥感影像变化图斑智能化提取平台研发与应用. 测绘通报. 2023(02): 150-154 . 百度学术
    32. 袁嘉铭,杨敏,余华飞,赵炜. 面向精细化导航的城市道路网末梢扩展. 北京测绘. 2023(02): 172-177 . 百度学术
    33. 赵会芹,于博,陈方,王雷. 基于高分辨率卫星遥感影像滑坡提取方法研究现状. 遥感技术与应用. 2023(01): 108-115 . 百度学术
    34. 周豫阳,王明常,王凤艳,杨盈,刘子维. 改进U-Net的高分辨率遥感影像建筑区变化检测方法. 世界地质. 2023(01): 159-167 . 百度学术
    35. 董艳琴,任金铜,张涛. 基于IR-MAD算法的GF-1影像土地利用变化检测研究. 无线互联科技. 2023(03): 109-113 . 百度学术
    36. 李泽宇. 基于改进注意力机制的SAR图像变化检测方法研究. 科学技术创新. 2023(08): 35-39 . 百度学术
    37. 李琳,汪小钦,刘益锋,丁书培,陈芸芝. 基于时序遥感影像的长汀县生产建设项目扰动监测. 遥感技术与应用. 2023(02): 308-318 . 百度学术
    38. 李星华,黄艳媛. 高分影像变化检测的孪生差分特征融合网络. 测绘科学. 2023(05): 129-139 . 百度学术
    39. 白建超,陈泓桦. 基于SVM的SAR图像变化检测方法研究. 高等数学研究. 2023(03): 76-82 . 百度学术
    40. 詹必伟,唐小丽,何奕萱,陈绍根,臧广义,黎浩许. 基于改进UNet网络的耕地变化检测方法研究. 测绘. 2023(02): 76-79 . 百度学术
    41. 陈婕,刘纪平,徐胜华. 增强边缘信息的全卷积神经网络遥感影像建筑物变化检测. 测绘通报. 2023(06): 61-67 . 百度学术
    42. 沈鑫甦,嵇灵. 面向遥感地类变化检测的U型深度学习神经网络改进方法. 测绘通报. 2023(06): 93-97+103 . 百度学术
    43. 姚照原,马磊,万玮,宋本钦,王卫红,邓继伟,肖蕾,冀锐,魏之皓,崔要奎. 基于深度学习的遥感样本库一致性评估. 北京大学学报(自然科学版). 2023(04): 563-568 . 百度学术
    44. 赵昊罡,崔红霞,张芳菲,顾海燕,穆潇莹. 改进SegNet+CRF高分辨率遥感影像建筑物提取方法. 计算机测量与控制. 2023(07): 177-183 . 百度学术
    45. 张吉玲,王庆,王静,闫烁月,陈卓然. 改进U-Net网络的高分辨率遥感影像变化检测算法. 遥感信息. 2023(03): 122-129 . 百度学术
    46. 陈海永,吕承杰,杜春,陈鹏. 孪生注意力门控融合的遥感图像变化检测编解码网络. 计算机工程与科学. 2023(09): 1593-1601 . 百度学术
    47. 闫利,李希. 用于高分辨率遥感影像度量变化检测的多路径非对称融合网络. 电子学报. 2023(07): 1781-1790 . 百度学术
    48. 李强,张杰,刘东顺,李磊. 基于改进U-Net模型的航空影像建筑物变化检测. 测绘与空间地理信息. 2023(09): 60-63+67 . 百度学术
    49. 柳思聪,都科丞,郑永杰,陈晋,杜培军,童小华. 人工智能时代的遥感变化检测技术:继承、发展与挑战. 遥感学报. 2023(09): 1975-1987 . 百度学术
    50. 朱传海 ,陈学泓 ,陈晋 ,袁宇恒 ,唐凯 . 基于分类后验概率空间的孪生Nested-UNet(SNU-PS)变化检测网络. 遥感学报. 2023(09): 2006-2023 . 百度学术
    51. 杨彬,毛银,陈晋,刘建强,陈杰,闫凯. 深度学习的遥感变化检测综述:文献计量与分析. 遥感学报. 2023(09): 1988-2005 . 百度学术
    52. 吴小所,王利玲,吴朝阳,郭存鸽,杨乐,闫浩文. 基于双时相特征筛选的遥感图像变化检测模型. 地球信息科学学报. 2023(11): 2268-2280 . 百度学术
    53. 姜明,张新长,孙颖,冯炜明,阮永俭. 全尺度特征聚合的高分辨率遥感影像变化检测网络. 测绘学报. 2023(10): 1738-1748 . 百度学术
    54. 申文杰,贾云珍,李洋,林赟,蒋雯,王彦平. 基于Log-Ratio算子的目标级星载SAR时序图像变化检测方法. 工业控制计算机. 2023(11): 98-101 . 百度学术
    55. 魏汝兰,王洪飞,盛森,江一帆,余亚芳. 基于深度学习的卫星影像耕地变化检测方法及系统应用. 软件导刊. 2023(11): 29-34 . 百度学术
    56. 火久元,刘梦. 基于PCA信息熵特征融合的遥感影像变化检测(英文). Journal of Measurement Science and Instrumentation. 2023(04): 398-412 . 百度学术
    57. 于政尧,黄建华,孙希延,罗明明,万逸轩. 融合Swin Transformer的遥感影像建筑物变化检测. 电子测量技术. 2023(22): 139-147 . 百度学术
    58. 曹州,刘士彬,马勇,姚武韬,姜丽媛. 一种联合光谱-对象-时间特征的遥感影像变化检测方法. 中国科学院大学学报. 2022(01): 102-109 . 百度学术
    59. 陈海鹏,张莉,李淼,谢雯君,邱博. 自然资源调查监测地表覆盖成果质检关键技术探讨. 测绘通报. 2022(01): 96-99 . 百度学术
    60. 潘建平,徐永杰,李明明,胡勇,王春晓. 结合相关系数和特征分析的植被区域自动变化检测研发. 自然资源遥感. 2022(01): 67-75 . 百度学术
    61. 潘建平,李鑫,孙博文,胡勇,李明明. 基于注意力密集连接金字塔网络的新增建设用地变化检测. 测绘通报. 2022(03): 41-46+59 . 百度学术
    62. Wensong LIU,Xinyuan JI,Jie LIU,Fengcheng GUO,Zongqiao YU. A Novel Unsupervised Change Detection Method with Structure Consistency and GFLICM Based on UAV Images. Journal of Geodesy and Geoinformation Science. 2022(01): 91-102 . 必应学术
    63. 张海明,王明常,陈学业,王凤艳,杨国东,高苏. 领域知识优化深度置信网络的遥感变化检测. 武汉大学学报(信息科学版). 2022(05): 762-768+788 . 百度学术
    64. 梁哲恒,黎宵,邓鹏,盛森,姜福泉. 融合多尺度特征注意力的遥感影像变化检测方法. 测绘学报. 2022(05): 668-676 . 百度学术
    65. 黄梅,杨文忠,汪传建,魏文钰. 基于SE-DRUnet的遥感影像耕地变化检测. 东北师大学报(自然科学版). 2022(02): 61-67 . 百度学术
    66. 王明亮,金丽华,马传宁,武丽梅,李影. 基于无人机交互的土地利用遥感监测应用研究. 测绘与空间地理信息. 2022(S1): 48-50 . 百度学术
    67. 黄然,方正云,马御棠,黄双得,文刚,刘靖,孙浩轩. 基于变化检测的输电走廊外力破坏隐患区域识别. 航天返回与遥感. 2022(03): 138-148 . 百度学术
    68. 程勉志,赵艳坤,闫超德,王石岩. 基于地表覆盖转移矩阵的公路工程进度监测方法. 地理信息世界. 2022(03): 53-57 . 百度学术
    69. 赵祥,王涛,张艳,郑迎辉,张昆,王龙辉. 基于改进DeepLabv3+孪生网络的遥感影像变化检测方法. 地球信息科学学报. 2022(08): 1604-1616 . 百度学术
    70. 黄宇鸿,周维勋. 高分辨率遥感影像场景变化检测的相似度方法. 测绘通报. 2022(08): 48-53 . 百度学术
    71. 冯炜明,张新长,孙颖,姜明,甘巧,侯幸幸. 融合Transformer结构的高分辨率遥感影像变化检测网络. 测绘通报. 2022(08): 36-40+92 . 百度学术
    72. 李刚,宁晓刚,张翰超,王浩,郝铭辉. “三调”成果数据引导的耕地“非农化”遥感监测. 测绘科学. 2022(07): 149-159 . 百度学术
    73. 黄宇鸿,周维勋. 不同特征提取策略的场景变化检测性能评估. 北京测绘. 2022(08): 980-984 . 百度学术
    74. 高梓昂. 基于双注意力机制与UNet的遥感影像变化检测方法. 长江信息通信. 2022(09): 16-18 . 百度学术
    75. 厉芳婷,张过,石婷婷,李乐. 耕地“非农化”遥感解译样本分类体系及应用. 农业工程学报. 2022(15): 297-304 . 百度学术
    76. 李平苍. 高分专项系列卫星在铁路全生命周期应用探讨. 卫星应用. 2022(10): 31-36 . 百度学术
    77. 李强,耿丹,张景发,龚丽霞. 面向地震应急调查的遥感应用现状及趋势分析. 遥感学报. 2022(10): 1920-1934 . 百度学术
    78. 麻连伟,宁卫远,焦利伟,薛帅栋. 基于U-Net卷积神经网络的遥感影像变化检测方法研究. 能源与环保. 2022(11): 102-106 . 百度学术
    79. 余晓娜,黄亮,陈朋弟. 基于Segnet网络和迁移学习的全景街区影像变化检测. 重庆大学学报. 2022(11): 100-107 . 百度学术
    80. 王红雷,谢义娟,刘诗琦,严文璞,张兰兰. 贵州乱占耕地建房动态监测监管技术平台研究与实现. 地理信息世界. 2022(06): 16-20 . 百度学术
    81. 宋文宣,彭代锋. 一种改进全卷积网络的遥感影像变化检测. 遥感信息. 2022(06): 130-136 . 百度学术
    82. 单浩宇,王春晓,尹鹏程,李二珠,张连蓬,史嘉诚,刘伟. 基于深度学习与矢-栅数据的图斑变化检测系统. 现代测绘. 2022(06): 16-19 . 百度学术
    83. 张翠军,安冉,马丽. 改进U-Net的遥感图像中建筑物变化检测. 计算机工程与应用. 2021(03): 239-246 . 百度学术
    84. 李文国,黄亮,左小清,王译著. 基于微调语义分割模型的街景影像变化检测方法. 软件导刊. 2021(02): 200-205 . 百度学术
    85. 郝玉珠,陈振杰,侯仁福,王贝贝. 基于遥感影像序列的建设占用农用地时空信息提取. 长江流域资源与环境. 2021(02): 371-381 . 百度学术
    86. 李正伟. 基于EBPNN模型的遥感图像变化检测研究. 计算机测量与控制. 2021(03): 124-128+144 . 百度学术
    87. 杨钰琪,陈驰,杨必胜,胡平波,崔扬. 基于UAV影像密集匹配点云多层次分割的建筑物层高变化检测. 武汉大学学报(信息科学版). 2021(04): 489-496 . 百度学术
    88. 马倩,邹焕新,李美霖,成飞,贺诗甜. 基于SNIC的双时相SAR图像超像素协同分割算法. 系统工程与电子技术. 2021(05): 1198-1209 . 百度学术
    89. 吴纹辉,慎利,董新丰,杜有德. 面向高分辨率遥感影像建筑物变化检测的边缘感知网络. 地理与地理信息科学. 2021(03): 21-28 . 百度学术
    90. 武宇,张俊,李屹旭,黄康钰. 基于改进U-Net的建筑物集群识别研究. 国土资源遥感. 2021(02): 48-54 . 百度学术
    91. 戴晓琴,沈瑞淇,王俊,汪军阳,周俊利. GEE遥感云平台支撑下的河南省土地利用变化检测. 测绘科学技术学报. 2021(03): 287-294 . 百度学术
    92. 李晓东,宋开山. 动态变化率与最大差值相结合的陆表生态变化检测. 遥感学报. 2021(06): 1338-1350 . 百度学术
    93. 刘星雨,王建,朱恰,马紫雯,周再文,高贤君. 基于深度学习差值分析的高分影像建筑物变化检测. 北京测绘. 2021(05): 583-589 . 百度学术
    94. 任秋如,杨文忠,汪传建,魏文钰,钱芸芸. 遥感影像变化检测综述. 计算机应用. 2021(08): 2294-2305 . 百度学术
    95. 李宁,吕宗森,郭拯危. 联合变化检测与子带对消技术的SAR图像干扰抑制方法. 系统工程与电子技术. 2021(09): 2484-2492 . 百度学术
    96. 窦世卿,宋莹莹,徐勇,苗林林,陈治宇,郑贺刚. 基于随机森林的高分影像分类及土地利用变化检测. 无线电工程. 2021(09): 901-908 . 百度学术
    97. 高振宇,刘亮,潘浩,马御棠,黄修乾,耿浩,刘靖,徐崇斌,孙晓敏. 基于改进语义分割网络的输电走廊遥感变化检测. 航天返回与遥感. 2021(04): 120-128 . 百度学术
    98. 谢优平,肖祥红. 基于遥感技术的自然资源执法监察工作问题探析. 地理空间信息. 2021(09): 41-43+49+157 . 百度学术
    99. 李晓东,闫守刚,宋开山. 遥感监测东北地区典型湖泊湿地变化的方法研究. 遥感技术与应用. 2021(04): 728-741 . 百度学术
    100. 李正伟. 基于Log-Gabor滤波器的SAR图像变化检测研究. 计算技术与自动化. 2021(03): 127-132 . 百度学术
    101. 王译著,黄亮,陈朋弟,李文国,余晓娜. 联合显著性和多方法差异影像融合的遥感影像变化检测. 自然资源遥感. 2021(03): 89-96 . 百度学术
    102. 赵亮,徐云和,陈磊. 基于孪生神经网络的遥感影像变化检测研究. 测绘通报. 2021(S1): 129-133 . 百度学术
    103. 牛晓楠,倪欢,李云峰,张庆,周小平,陆远志,郝娇娇. 基于遥感影像变化检测的城区暗浜自动识别方法——以安庆市为例. 地质通报. 2021(10): 1697-1706 . 百度学术
    104. 王民水,孔祥明,陈学业,杨国东,王明常,张海明. 基于随机补片和DeepLabV3+的建筑物遥感图像变化检测. 吉林大学学报(地球科学版). 2021(06): 1932-1938 . 百度学术
    105. 叶沅鑫,孙苗苗,王蒙蒙,谭鑫. 结合邻域信息和结构特征的遥感影像变化检测. 测绘学报. 2021(10): 1349-1357 . 百度学术
    106. 胡顺石,黄英,黄春晓,李大成,王倩. 多源遥感影像协同应用发展现状及未来展望. 无线电工程. 2021(12): 1425-1433 . 百度学术
    107. 王儒壮,李小群,刘春霞,孙树承. 基于高分遥感影像的海口市违法建筑监测. 北京测绘. 2021(10): 1329-1332 . 百度学术
    108. 季顺平,田思琦,张驰. 利用全空洞卷积神经元网络进行城市土地覆盖分类与变化检测. 武汉大学学报(信息科学版). 2020(02): 233-241 . 百度学术
    109. 张庆,李云峰,牛晓楠,周小平,陆远志,鲍晓明. 基于3S技术的浅层不良地质体调查. 地质论评. 2020(S1): 177-178 . 百度学术
    110. 冯林艳,谭炳香,王晓慧,陈新云,曾伟生,戚曌. 基于分布函数的对象级森林变化快速检测. 国土资源遥感. 2020(02): 73-80 . 百度学术
    111. 王艳恒,高连如,陈正超,张兵. 结合深度学习和超像元的高分遥感影像变化检测. 中国图象图形学报. 2020(06): 1271-1282 . 百度学术
    112. 肖和平,罗伦,单新周. 遥感技术在公路交通管理维护中的应用. 交通与运输. 2020(04): 81-85 . 百度学术
    113. 宋业冲,李英成,耿中元,丁晓波,裴亚健. 深度学习方法在光伏用地遥感检测中的应用. 测绘科学. 2020(11): 84-92 . 百度学术
    114. 徐锐,余小于,张驰,杨瑨,黄宇,潘俊. 融合Unet网络和IR-MAD的建筑物变化检测方法. 国土资源遥感. 2020(04): 90-96 . 百度学术
    115. 倪良波,卢涵宇,卢天健,丁蕾锭,卢梅. 基于孪生残差神经网络的遥感影像变化检测. 计算机工程与设计. 2020(12): 3451-3457 . 百度学术
    116. 季欣然,黄亮,陈朋弟. 结合变化向量分析和直觉模糊聚类的遥感影像变化检测方法. 全球定位系统. 2020(06): 100-106 . 百度学术
    117. 高敏,王肖霞,杨风暴,张宗军. 面向SAR图像像素级变化检测的去模糊化处理方法. 激光与光电子学进展. 2020(22): 277-283 . 百度学术
    118. 郭婷婷. 卫星遥感AI赋能城市空间治理. 北京规划建设. 2020(S1): 178-180 . 百度学术
    119. 宿强,杨景玉,王阳萍. 基于直觉模糊C核均值聚类算法的合成孔径雷达图像变化检测. 激光与光电子学进展. 2019(19): 270-277 . 百度学术
    120. 程梦真,惠文华,李延金,魏家旺. 利用影像相关分析的遥感变化检测. 测绘通报. 2019(10): 67-71 . 百度学术
    121. 王译著,黄亮. 2003~2018年昆明市呈贡区土地利用动态变化时空特征分析. 科学技术与工程. 2019(28): 42-49 . 百度学术

    其他类型引用(192)

图(2)
计量
  • 文章访问数:  6900
  • HTML全文浏览量:  906
  • PDF下载量:  2134
  • 被引次数: 313
出版历程
  • 收稿日期:  2018-07-11
  • 发布日期:  2018-12-04

目录

/

返回文章
返回