随着航空航天技术、计算机技术的发展，遥感对地观测突破了数据获取、传输和存储的瓶颈，逐步走向自动化和智能化的新阶段。遥感数据的空间分辨率不断提高、数据类型不断丰富，给遥感变化检测研究提供了优质的数据源。遥感变化检测是研究热点，也是对地观测中的核心问题之一，受到了广泛关注。地表覆盖的变化能够很大程度上体现城市化的进程，对地表覆盖变化的准确、有效评价是获取可靠地表变化信息的有力手段，也是政府管理、经济建设、社会学研究等领域的迫切须要。
1. 2d和3d变化检测模型构建及应用
高分辨率遥感影像包含地物更加丰富、细致的特征信息，为建筑物的变化检测研究带来了新的科学视野。但出现了影像光谱特征混淆、光谱域统计可分性低、信息提取难度大的难题。由于影像光谱复杂性以及建筑物本身差异性的双重影响，基于高分辨率遥感影像和多源数据综合的建筑物变化检测亟待高效、精确、智能的理论研究与方法创新。此外，城市化进程的加快对建筑物变化检测提出了新的要求，能够同时满足2d和3d变化检测的理论方法，具有很高的研究价值。基于深度学习的理论手段，通过构造新型网络模型，设计了一套考虑多源遥感数据及数据特征的新型建筑物2d和3d变化检测方法。以u-net为基础设计了一种新型的、可同时输入多源/多特征同质和异质数据的、通过压缩-激励策略考虑输入数据内部关系的双侧端到端w形网络，并将其命名为压缩-激励w-net。该网络是将u-net改造为双侧输入单路输出、双侧权值独立、可兼顾两侧数据(同质、异质数据)影响的，用于遥感领域变化检测任务的网络结构。
图1 w-net网络模型构建
图2 变化监测流程
图3 三维变化监测结果
2.从粗到精的遥感变化监测
基于nwpu-resisc45、ucmerced、landuse、whu-rs19和aid数据集制作了新的场景分类数据集(new scene dataset-55，ns-55)，并训练了alexnet、resnet50、resnet152和densenet169四种卷积神经网络(cnn)，用于检测不同时相场景类别。利用cnns对实验场景的分类结果，并根据cnns与遥感场景复杂度之间的适应性关系，构建了场景类别标定方法，获取不同时相场景类别，进行变化检测。引入rcva与glcm算法，对实验影像进行光谱和纹理差异特征提取，根据不同变化场景所在范围，在rcva与glcm算法所得光谱和纹理差异的基础上，采用多尺度阈值的方式，对训练样本进行了划分，获得了高质量的训练样本，并对dbn模型进行了训练以检测变化范围和变化类别。
图4 变化检测流程图
3. 基于夜光影像亮度值修正的城市边界提取
为解决夜光数据在提取建成区过程中受分辨率低、灯光晕染等约束的问题，基于夜光影像dn值与lst、poi密度、道路网密度之间呈正相关的先验知识，提出一种基于poi、道路网密度和lst的灯光亮度值修正指数prlanui，该指数不仅弥补了由于灯光信号较弱而缺失的部分建成区信息，而且去除了由于灯光溢出而被高估的非建成区噪声点，更加增强了建成区特征。
图5 城市建成区提取流程图
上述研究成果发表在国际期刊《ieee journal of selected topics in applied earth observations and remote sensing》和《remote sensing》上。
[1] zhang, h（张海明）.; wang, m（王明常）.; wang, f（王凤艳）.; yang, g（杨国东）.; zhang, y（张盈）.; jia, j（贾俊乾）.; wang, s（王思琪）. a novel squeeze-and-excitation w-net for 2d and 3d building change detection with multi-source and multi-feature remote sensing data. remote sens. 2021, 13, 440.
[2] wang, m（王明常）.; zhang, h（张海明）.; sun, w（孙伟伟）.; li, s（李胜）.; wang, f（王凤艳）.; yang, g（杨国东）. a coarse-to-fine deep learning based land use change detection method for high-resolution remote sensing images. remote sens. 2020, 12, 1933.
[3] m. wang（王明常）, y. song（宋玉莲）, f. wang（王凤艳） and z. meng（孟治国）, boundary extraction of urban built-up area based on luminance value correction of ntl image, in ieee journal of selected topics in applied earth observations and remote sensing, vol. 14, pp. 7466-7477, 2021, doi: 10.1109/jstars.2021.3098787.
[4] wang, m(王明常)., zhang, x（张馨月）., niu, x（牛雪峰）. et al. scene classification of high-resolution remotely sensed image based on resnet. j geovis spat anal 3, 16 (2019). https://doi.org/10.1007/s41651-019-0039-9
