Die Veränderungserkennung in der Fernerkundung ist eine wichtige Überwachungstechnik, die weit verbreitet in der Stadtplanung, Katastrophenbewertung, Ressourcenverwaltung und anderen Bereichen angewendet wird. Das Synthetic Aperture Radar (SAR) verfügt über die Fähigkeit zur Rund-um-die-Uhr- und bei jedem Wetter Bildaufnahme, wodurch die Probleme der optischen Veränderungserkennung, die durch Wetter und Beleuchtung beeinflusst wird, überwunden werden. Seine Mikrowellen-Durchdringungsfähigkeit, Polarisationsmerkmale und kohärenter Bildbildungsmechanismus verleihen ihm einzigartige Vorteile bei der Überwachung von Veränderungen unter der Oberfläche und in verdeckten Bereichen, Veränderungen der Objektstruktur und physikalischen Eigenschaften sowie kleinen Veränderungen. Derzeit konzentrieren sich die meisten Übersichtsarbeiten zur bi-temporalen Fernerkundungsveränderung auf optische Fernerkundungsbilder und es fehlt eine systematische und gezielte Zusammenfassung zur Veränderungserkennung auf SAR-Bildbasis. Darüber hinaus ist die homogene und heterogene Veränderungserkennung basierend auf SAR-Bildern mit der Entwicklung von Deep Learning und Multi-Source-Fusionstechnologien zu einem Forschungsschwerpunkt geworden. Daher basiert der Artikel auf Hunderten klassischer und aktueller in- und ausländischer Literatur sowie auf den Prinzipien der SAR-Satellitenbildgebung und untersucht zunächst typische Anwendungen der Veränderungserkennung unter verschiedenen Bildgebungsbedingungen. Anschließend wird ein allgemeiner Prozess der bi-temporalen Veränderungserkennung aufgebaut, der Datenerfassung, Bildvorverarbeitung, Veränderungserkennung und Nachbearbeitung umfasst. Darauf aufbauend wird eine systematische Übersicht über die gängigen Daten und Methoden der Veränderungserkennung gegeben. Der Datenbereich umfasst offene Datensätze für homogene und heterogene Veränderungserkennung auf SAR-Basis, der Methodenbereich umfasst sowohl traditionelle als auch Deep-Learning-Methoden für homogene und heterogene Veränderungserkennung. Besonders werden relevante Datensätze und Modellcode-Links zusammengestellt, um wichtige Referenzen für die weitere Forschung bereitzustellen. Abschließend fasst der Artikel die aktuellen Hauptprobleme im Bereich aus den drei Perspektiven Daten, Algorithmen und Anwendungen zusammen, wie Datenqualität und -quantität, Modellmerkmalsausdrucksfähigkeit und Rechenkomplexität sowie Anwendungsbereiche der Veränderungserkennung. Als Reaktion auf diese Herausforderungen werden zukünftige Entwicklungen in multimodaler Fusion, intelligenter und leichter Modellgestaltung sowie vielfältiger Veränderungserkennung prognostiziert.

bi-temporale Veränderungserkennung in der Fernerkundung;SAR-Bilder;traditionelle Methoden;Deep Learning;homogene und heterogene Veränderungserkennung