نظرًا للتقييد بين عرض المسح وحجم البكسل، توجد علاقة تبادلية بين الدقة المكانية والزمنية لصور الاستشعار عن بعد، مما يجعل من الصعب على جهاز استشعار أقمار صناعية واحد الحصول على صور استشعار عن بعد عالية الدقة مكانياً وزمنياً. لذلك، أصبحت تقنية الدمج الزمكاني متعددة المصادر لصور الاستشعار عن بعد هي الحل الرئيسي لهذه المشكلة. ومع ذلك، بسبب الفارق بين النموذج الفيزيائي المثالي والسيناريوهات الواقعية المعقدة، فإن الطرق التقليدية للدمج ليست فعالة عند التعامل مع سيناريوهات الدمج غير المتجانسة. أدى ظهور التعلم العميق إلى تقنيات دمج زمانية ومكانية متطورة مثل شبكات الأعصاب الالتفافية ونماذج الانتشار. لمتابعة أحدث التطورات في هذا المجال، تناقش هذه المقالة بشكل رئيسي التقنيات المتقدمة للدمج الزمكاني متعدد المصادر المعتمدة على التعلم العميق. أولاً، استعرضنا بانتظام المبادئ الأساسية للطرق التقليدية للدمج الزمكاني لصور الاستشعار عن بعد، وحللنا مزاياها وعيوبها بعمق؛ ثانيًا، صنفنا تقنيات التعلم العميق المتقدمة إلى خمس فئات بناءً على المبادئ والخصائص، وقدمنا ملخصًا شاملًا لتقدم تطبيقاتها في مهام الدمج الزمكاني؛ ثم، لخصنا وقدمنا مجموعات البيانات مفتوحة المصدر، خوارزميات التعلم العميق، ومؤشرات تقييم الأداء المستخدمة في دمج صور الاستشعار عن بعد، وأجرينا تجارب كمية ونوعية على مجموعات البيانات CIA وDX وSW للتحقق من صحة وتحليل مقارنة خوارزميات الدمج الزمكاني. أخيرًا، استنادًا إلى تطوير واختبارات مختلف خوارزميات الدمج الزمكاني، قمنا بتلخيص التحديات الرئيسية التي تواجه هذا المجال والاتجاهات المحتملة للتطوير في المستقبل.

الدمج الزمكاني;الصور متعددة المصادر للاستشعار عن بعد;التعلم العميق;مبادئ الخوارزميات;تصنيف التقنيات;مجموعات البيانات