In den letzten Jahren hat das Deep Learning ein enormes Potenzial bei der Veränderungserkennung in multitemporalen Fernerkundungsbildern gezeigt. Ausreichend viele Trainingsbeispiele sind eine wichtige Voraussetzung dafür, dass Deep-Learning-Technologien Veränderungen in Fernerkundungsbildern effektiv erkennen können. Doch die derzeit begrenzten öffentlich verfügbaren annotierten Datensätze erfüllen die Anforderungen an die Erkennung verschiedener Veränderungstypen in der Praxis nicht. Da Veränderungen der Landbedeckung meist nur einen kleinen Bereich einnehmen, sind die verfügbaren Veränderungsproben oft sehr selten und weisen im Vergleich zu Nicht-Veränderungsproben ein starkes Ungleichgewicht auf. Daher ist die effektive Schulung von Veränderungserkennungsnetzwerken bei kleinen und unausgewogenen Stichproben eine dringende Herausforderung. Im Vergleich zu Veränderungsproben ist die Beschaffung von Einzelzeitpunkt-Landbedeckungsklassifikationsproben deutlich einfacher. Unterstützt durch Klassifikationsproben kann ein ausreichend trainiertes Landbedeckungsklassifikationsnetzwerk wichtige a priori Merkmale für die Veränderungserkennung bereitstellen. Darauf aufbauend schlägt dieser Artikel ein siamesisches Nested-UNet-Veränderungserkennungsnetzwerk basierend auf dem Raum der posterioren Klassifikationswahrscheinlichkeiten SNU-PS (Siamese Nested-UNet for change detection in Posterior Probability Space) vor, das die Abhängigkeit von Veränderungsproben durch die Kombination von posterioren Klassifikationswahrscheinlichkeiten der Landbedeckung aus zwei Zeitpunkten verringert. Die Methode verwendet zunächst Landbedeckungsklassifikationsproben, um das hochauflösende HRNet (High-Resolution Network) zu trainieren, um die posterioren Klassifikationswahrscheinlichkeiten für Objekte in den Bildern der beiden Zeitpunkte zu erhalten; anschließend werden die posterioren Wahrscheinlichkeitskarten in das siamesische Nested-UNet-Veränderungserkennungsnetzwerk SNU (Siamese Nested-UNet for change detection) eingespeist, um die Veränderungserkennungsergebnisse zu erhalten. Die Testergebnisse auf den Datensätzen SpaceNet7 und HRSCD zeigen, dass SNU-PS die semantischen Informationen der Landbedeckung voll ausnutzen und bei unterschiedlichen Mengen an Trainingsproben stabile Veränderungserkennungsgenauigkeit aufrechterhalten kann; im Vergleich zu PCC (Post Classification Comparison), CVAPS (Change-vector analysis in posterior probability space) und verschiedenen Veränderungserkennungsnetzwerken (SNU, FC-EF, BIT, PCFN) weist es eine höhere und stabilere Erkennungsgenauigkeit auf, insbesondere bei fehlenden Proben, wo die Vorteile deutlicher sind. Daher bietet das vorgeschlagene SNU-PS bessere Anwendungsperspektiven für Veränderungserkennungsaufgaben mit kleinen Stichproben.

Landbedeckung; Veränderungserkennung; Deep Learning; kleine Stichprobe; Stichprobenungleichgewicht; semantisches Segmentierungsnetzwerk; Siamesisches Netzwerk; posterior Wahrscheinlichkeit