Die Veränderungserkennung mittels Fernerkundung kann Informationen über Veränderungen der Erdoberfläche gewinnen und ist von großer Bedeutung für das Verständnis der Wechselwirkungen zwischen Mensch und Natur sowie für die Förderung einer nachhaltigen Entwicklung. Mit der Verbesserung der fernerkundungstechnischen Bildgebung und der schnellen Entwicklung der Informatikwissenschaften werden hyperspektrale, zeitlich hochauflösende und räumlich hochauflösende Fernerkundungsbilder weit verbreitet eingesetzt, was die Entwicklung der Veränderungserkennung auf Basis des Deep Learning sowie erfolgreiche Anwendungen in verschiedenen Bereichen fördert. Im Gegensatz zur traditionellen fernerkundungsbasierten Veränderungserkennung extrahiert die auf Deep Learning basierende Veränderungserkennung tiefe Differenzmerkmale der Fernerkundungsbilder, ohne dass eine Merkmalsentwicklung notwendig ist, was die Genauigkeit und Effizienz der Erkennung verbessert. Dieser Artikel kombiniert bibliometrische Analysen, um den Forschungsstand und die aktuellen Schwerpunkte im Bereich umfassend zu analysieren, und zeigt, dass die auf Deep Learning basierende Veränderungserkennung unter der Führung nationaler Institutionen und Wissenschaftler schnell gedeiht und zahlreiche Forschungsergebnisse erzielt hat. Die meisten dieser Ergebnisse basieren auf hochauflösenden Bildern und CNN-Netzwerken und werden erfolgreich in der Erkennung von Landnutzungs-/Bedeckungs- und Gebäudeveränderungen angewandt. Darauf aufbauend stellt der Artikel eine Klassifikation der Methoden der Veränderungserkennung auf Basis von Deep Learning in drei Granularitäten vor: Pixel, Objekt und Szene, erläutert die Merkmalsextraktion und die anschließende Netzwerkanalyse in diesen Ebenen, wobei ansatzbasierte Methoden auf Objekt- und Szenenebene Vorteile bieten. Abschließend fasst der Artikel die aktuellen Herausforderungen und mögliche zukünftige Entwicklungen zusammen. Aufgrund der Entwicklung von Fernerkundungsplattformen und des steigenden Anwendungsbedarfs ist die multimodale heterogene Veränderungserkennung ein zukünftiger Trend. Zudem müssen Deep-Learning-Methoden Probleme mit nicht idealen Proben überwinden, sich auf die Gewinnung vielfältiger Änderungsinformationen konzentrieren und die breite Anwendung der Veränderungserkennung vorantreiben.

Fernerkundung; Veränderungserkennung; Deep Learning; Bibliometrie; Methodenkategorisierung; Herausforderungen und Entwicklung; Überblick