Die Veränderungserkennung in der Fernerkundung ist eine wichtige Überwachungstechnologie, die weit verbreitet in Stadtplanung, Katastrophenbewertung, Ressourcenmanagement und anderen Bereichen eingesetzt wird. Das Synthetic Aperture Radar (SAR) bietet eine Rund-um-die-Uhr- und Wetterunabhängige Bildgebung, die die Probleme der optischen Veränderungserkennung, die durch Wetter und Beleuchtung beeinflusst wird, überwindet. Seine Mikrowellen-Durchdringungsfähigkeit, Polarisationsmerkmale und kohärente Bildgebung machen es besonders geeignet zur Überwachung von Veränderungen im Untergrund und verdeckten Bereichen, Veränderungen der Struktur und physikalischen Eigenschaften von Objekten sowie kleinen Veränderungen. Derzeit konzentrieren sich die meisten Übersichtsarbeiten zur Veränderungserkennung mit zwei Zeitpunkten hauptsächlich auf optische Fernerkundungsbilder und es mangelt an systematischen und gezielten Zusammenfassungen zur SAR-basierten Veränderungserkennung. Zudem, mit der Entwicklung von Deep Learning und Multi-Source-Fusion-Technologien, ist die homogene und heterogene Veränderungserkennung auf SAR-Bildern zu einem aktuellen Forschungsschwerpunkt geworden. Basierend auf Hunderten von klassischen und aktuellen nationalen und internationalen Publikationen und in Verbindung mit den SAR Satellitenbild Prinzipien, werden zunächst typische Anwendungen der Veränderungserkennung unter verschiedenen Bildgebungsbedingungen untersucht. Anschließend wird ein allgemeiner Workflow für die Veränderungserkennung mit zwei Zeitpunkten geschaffen, der Datenerfassung, Bildvorverarbeitung, Veränderungserkennung und Nachbearbeitung umfasst. Darauf aufbauend werden führende Veränderungserkennungsdaten und -methoden systematisch dargestellt. Der Datenbereich umfasst offene Datensätze für homogene und heterogene SAR-basierte Veränderungserkennung, die Methodenseite umfasst traditionelle Methoden sowie Deep-Learning-Methoden für homogene und heterogene Veränderungserkennung. Besonders werden relevante Datensatz- und Modellcode-Verlinkungen zusammengestellt, um wichtige Referenzen für zukünftige Forschungen bereitzustellen. Schließlich fasst der Artikel die aktuellen Hauptprobleme im Bereich Daten, Algorithmen und Anwendungen zusammen, wie Datenqualität und -quantität, Modellmerkmalsdarstellung und Rechenkomplexität sowie Anwendungsbereiche der Veränderungserkennung. Unter Berücksichtigung dieser Herausforderungen werden zukünftige Entwicklungen in multimodaler Fusion, intelligenter und leichter Modellgestaltung sowie vielseitiger Veränderungserkennung skizziert.

Zwei-Zeitpunkt-Veränderungserkennung in der Fernerkundung;SAR-Bilder;traditionelle Methoden;Deep Learning;homogen und heterogen