Die Fernerkundungs-Änderungserkennung ist eine wichtige Überwachungstechnik, die in der Stadtplanung, Katastrophenbewertung, Ressourcenmanagement und anderen Bereichen weit verbreitet ist. Der Synthetic Aperture Radar (SAR) verfügt über die Fähigkeit der Rund-um-die-Uhr- und Wetterunabhängigen Bildaufnahme und überwindet die Probleme der optischen Änderungserkennung, die von Wetter und Beleuchtung beeinflusst wird. Seine Mikrowellen-Durchdringungsfähigkeit, Polarisationsmerkmale und kohärenter Bildgebungsmechanismus verleihen ihm einzigartige Vorteile bei der Überwachung von Veränderungen unter der Oberfläche und in verdeckten Bereichen, Veränderungen der Objektstruktur und physischen Eigenschaften sowie Mikraveränderungen. Derzeit konzentrieren sich die meisten Übersichtsarbeiten zur Fernerkundungs-Änderungserkennung bei zwei Zeitpunkten hauptsächlich auf optische Fernerkundungsbilder, es fehlt an systematischen und gezielten Zusammenfassungen zur Änderungserkennung basierend auf SAR-Bildern. Darüber hinaus sind homogene und heterogene Änderungserkennungen basierend auf SAR-Bildern mit der Entwicklung von Deep Learning und Multi-Source-Fusionstechnologien zu einem aktuellen Schwerpunkt geworden. Daher diskutiert dieser Artikel basierend auf Hunderten klassischer und aktueller nationaler und internationaler Literatur sowie den SAR-Satellitenbildprinzipien zunächst typische Anwendungen der Änderungserkennung unter verschiedenen Bildaufnahmebedingungen. Anschließend wird ein allgemeiner Prozess der Änderungserkennung bei zwei Zeitpunkten aufgebaut, der Datenerfassung, Bildvorverarbeitung, Änderungsidentifikation und Nachbearbeitung umfasst. Darauf aufbauend werden die gängigen Änderungsdetektionsdaten und -methoden systematisch dargestellt. Der Datenabschnitt beinhaltet offene Datensätze zur homogenen und heterogenen Veränderungserkennung basierend auf SAR, der Methodenabschnitt umfasst traditionelle Methoden sowie Untersuchungen zur homogenen und heterogenen Änderungserkennung im Deep Learning. Insbesondere werden relevante Datensätze und Modellcode-Links zusammengetragen, die als wichtige Referenz für zukünftige Forschungsarbeiten dienen. Abschließend fasst der Artikel die aktuellen Hauptprobleme des Fachgebiets aus drei Perspektiven zusammen: Daten, Algorithmen und Anwendungen, wie Datenqualität und -quantität, Modellfeatures-Ausdrucksfähigkeit und Rechenkomplexität sowie den Anwendungsbereich der Änderungsdetektion. Vor dem Hintergrund dieser Herausforderungen werden zukünftige Entwicklungen in der multimodalen Fusion, intelligenten und leichtgewichtigen Modellgestaltung sowie multi-variaten Änderungserkennung aufgezeigt.

Bi-temporale Fernerkundungsänderungserkennung;SAR-Bilder;traditionelle Methoden;Deep Learning;homogene und heterogene Änderungserkennung