Aufgrund des Kompromisses zwischen Scanbreite und Pixelgröße besteht eine gegenseitige Einschränkung zwischen der räumlichen und zeitlichen Auflösung von Fernerkundungsbildern, was es einem einzelnen Satellitensensor erschwert, Fernerkundungsbilder mit hoher räumlich-zeitlicher Auflösung zu erhalten. Daher ist die mehrquellige räumlich-zeitliche Fusions-Technologie für Fernerkundungsbilder der Schlüssel zur Lösung dieses Problems geworden. Aufgrund der Diskrepanz zwischen idealen physikalischen Modellen und komplexen realen Szenarien sind traditionelle Fusionsmethoden bei der Handhabung von heterogenen Fusionsszenarien nicht ideal. Der Aufstieg des Deep Learning hat fortschrittliche räumlich-zeitliche Fusionstechnologien wie Faltungsneuronale Netze und Diffusionsmodelle hervorgebracht. Um die neuesten Entwicklungen in diesem Bereich rechtzeitig zu erfassen, analysiert dieser Artikel hauptsächlich die auf Deep Learning basierenden fortschrittlichen Technologien der mehrquelligen räumlich-zeitlichen Fernerkundungsbildfusion. Zunächst werden die grundlegenden Prinzipien traditioneller räumlich-zeitlicher Fernerkundungsbildfusionsmethoden systematisch dargestellt und ihre Vorteile und Einschränkungen eingehend analysiert; zweitens werden fortschrittliche Deep-Learning-Technologien entsprechend den Prinzipien und Merkmalen der Algorithmen in fünf Kategorien eingeteilt und deren Fortschritte bei der Anwendung auf räumlich-zeitliche Fusionsaufgaben umfassend zusammengefasst; dann werden offene Datensätze, Deep-Learning-Algorithmen und gängige Leistungsbewertungsindikatoren für die Fernerkundungsbildfusion zusammengefasst und vorgestellt und durch quantitative und qualitative Experimente auf den Datensätzen CIA, DX und SW validiert und verglichen. Schließlich werden unter Berücksichtigung der Entwicklung und der experimentellen Analyseergebnisse verschiedener räumlich-zeitlicher Fusionsalgorithmen die derzeitigen Hauptprobleme in diesem Bereich sowie potenzielle zukünftige Entwicklungstrends zusammengefasst.

räumlich-zeitliche Fusion;mehrquellige Fernerkundungsbilder;Deep Learning;Algorithmusprinzipien;Technologiekategorisierung;Datensätze