Из-за компромисса между шириной сканирования и размером пикселя существует взаимное ограничение между пространственным и временным разрешением дистанционного зондирования, что затрудняет получение изображений высокого пространственно-временного разрешения с помощью одного спутникового датчика. Поэтому многоресурсная пространственно-временная техника слияния данных дистанционного зондирования стала ключевым методом решения этой проблемы. Однако из-за разрыва между идеальными физическими моделями и сложными реальными сценами традиционные методы слияния показывают недостаточную эффективность при обработке неоднородных сценариев слияния. Возникновение глубокого обучения привело к передовым пространственно-временным технологиям слияния, таким как сверточные нейронные сети и модели диффузии. Для своевременного отслеживания переднего края развития в этой области в статье проводится анализ современных технологий многоресурсного пространственно-временного слияния на основе глубокого обучения. Во-первых, систематически излагаются основные принципы традиционных методов слияния изображений дистанционного зондирования и подробно анализируются их преимущества и ограничения; во-вторых, в соответствии с алгоритмическими принципами и особенностями выделяются пять категорий передовых технологий глубокого обучения и подводится итоги их применения в задачах пространственно-временного слияния; затем обобщаются и представляются открытые наборы данных, алгоритмы глубокого обучения и общие показатели оценки эффективности, используемые для пространственно-временного слияния изображений дистанционного зондирования, а также проводятся количественные и качественные эксперименты на наборах данных CIA, DX и SW для верификации и сравнительного анализа алгоритмов слияния. Наконец, обобщая развитие различных алгоритмов пространственно-временного слияния и результаты экспериментального анализа, подводятся итоги основных вызовов, с которыми сталкивается эта область, и потенциальных направлений будущего развития.

пространственно-временное слияние;многоресурсные изображения дистанционного зондирования;глубокое обучение;принципы алгоритмов;классификация технологий;наборы данных