變遷偵測 是什麼？
Change Detection：變遷偵測 的完整解釋
比較不同時間點的影像，識別地表或物件狀態的變化，廣泛應用於監測。
核心概念
變遷偵測（Change Detection）是一種遙感影像分析技術，旨在識別同一地理區域在不同時間點所獲取的影像之間的地表覆蓋、地物狀態或空間關係的變化。其核心目標是量化和定位這些變化，從而了解環境、城市或自然景觀的動態演變。變遷偵測的關鍵在於比較多時相（multi-temporal）影像，並提取有意義的差異資訊。 核心概念包括：
- 多時相影像：至少需要兩幅或更多幅在不同時間拍攝的同一區域的影像。這些影像必須經過幾何校正，確保像素級別的精確對齊。
- 變化類型：變化可以是物理性的（如建築物新建、森林砍伐、水體擴張）、季節性的（如植被生長週期）、或事件性的（如災害前後的景觀變化）。
- 變化量化：不僅要識別「哪裡發生了變化」，還要量化「變化了多少」（例如，砍伐了多少公頃森林）以及「變化類型」（例如，從森林變為農田）。
- 應用領域：廣泛應用於環境監測、城市規劃、災害評估、資源管理等領域。
運作原理
變遷偵測的運作原理涉及多個步驟，從資料預處理到變化資訊提取和分析，近年來深度學習方法也扮演了越來越重要的角色。
- 資料預處理：
- 幾何校正與配準：這是變遷偵測的基礎。不同時相的影像必須精確對齊，確保同一地理點在不同影像中對應相同的像素位置。任何微小的配準誤差都可能導致虛假變化。
- 輻射校正與大氣校正：消除不同時間點影像因光照條件、大氣效應、感測器差異等引起的輻射差異，使影像數據更具可比性。
- 影像增強與去噪：提高影像質量，減少雜訊對變化偵測的干擾。
- 變化資訊提取方法：
- 像素級方法：
- 影像差值法（Image Differencing）：直接計算兩幅影像像素值的差值，變化區域的差值絕對值較大。
- 影像比值法（Image Ratioing）：計算兩幅影像像素值的比值，常用於處理光照變化。
- 主成分分析（PCA）：對多時相影像堆疊後的數據進行PCA，變化資訊通常集中在較低的主成分中。
- 變化向量分析（Change Vector Analysis, CVA）：在多維光譜空間中，計算每個像素在不同時相的向量差，向量的長度表示變化幅度，方向表示變化類型。
- 物件級方法：
- 先對單個時相影像進行物件分割，然後比較不同時相影像中對應物件的屬性（如形狀、紋理、光譜特徵）變化。這種方法能減少「椒鹽雜訊」效應，並提供更具語義的變化資訊。
- 深度學習方法：
- 基於CNN的差異學習：使用卷積神經網路學習兩幅影像之間的差異特徵。
- Siamese網路：這是一種特殊的CNN架構，包含兩個共享權重的分支，分別處理兩幅不同時相的影像，然後通過比較它們的特徵向量來判斷變化。
- U-Net及其變體：常用於語義分割，也可改進用於變遷偵測，將兩幅影像作為輸入，直接輸出變化圖。
- 基於Transformer的模型：利用自注意力機制捕捉影像中的長距離依賴關係，提升變化偵測的精度。
- 像素級方法：
- 變化圖生成與後處理：
- 根據提取的變化資訊，生成二值變化圖（變化/無變化）或多類別變化圖（不同類型的變化）。
- 後處理包括閾值設定、形態學操作（如開運算、閉運算）以消除孤立雜訊點、連接破碎區域，以及對變化區域進行分類。
實際應用
變遷偵測在多個領域具有極高的實用價值：
- 環境監測：
- 森林砍伐與植被變化：監測森林覆蓋面積的減少、植被健康狀況的變化。
- 水資源管理：監測湖泊、水庫、河流的面積變化，評估乾旱或洪水影響。
- 冰川與極地監測：追蹤冰川消融、海冰範圍變化。
- 海岸線變遷：分析海岸侵蝕與淤積。
- 城市規劃與發展：
- 城市擴張監測：識別新建建築、道路網絡擴展，評估城市化進程。
- 土地利用/覆蓋變化（LUCC）：分析農田轉為住宅區、濕地轉為工業區等變化。
- 災害應變與評估：
- 地震、洪水、火災等災害前後評估：快速識別受損區域、基礎設施損壞程度。
- 滑坡與泥石流監測：識別潛在的滑坡區域或已發生的地質災害。
- 農業與林業：
- 農作物生長監測：識別作物生長異常、病蟲害區域。
- 林業資源管理：監測林木生長、採伐活動。
- 國土安全與防禦：
- 軍事設施變動：監測機場、港口、基地等設施的建設或拆除。
- 邊境監控：識別邊境地區的非法活動或基礎設施變化。
常見誤區
變遷偵測的實踐中，存在一些常見的挑戰和誤區：
- 配準誤差：這是最常見且影響最大的問題。即使是微小的幾何配準誤差，也可能導致大量虛假變化，將未變化的區域誤判為變化。
- 輻射差異：不同時相影像的光照條件（太陽角度）、大氣狀況（雲量、霧霾）、感測器校準差異等會導致輻射值的非變化性差異，進而產生虛假變化。
- 季節性變化：植被的生長週期、水體的季節性水位變化等自然現象，如果未被正確處理，會被誤判為地表覆蓋的實質性變化。
- 資料質量與解析度：低解析度影像可能無法捕捉到細微變化；影像中的雜訊、雲層或陰影會嚴重干擾變化偵測的準確性。
- 變化閾值設定：在許多傳統方法中，需要手動設定一個閾值來區分變化與非變化。閾值設定不當會導致漏報或誤報。
- 變化類型識別困難：許多方法只能識別「有變化」，而難以精確區分變化的具體類型（例如，是從森林變為農田，還是從森林變為建築）。
- 計算資源需求：處理大量高解析度多時相影像需要強大的計算能力和儲存空間。
與相關技術的比較
- 與物件偵測的比較：
- 目標：物件偵測旨在識別單一影像中的特定物件及其位置；變遷偵測則關注同一區域在不同時間點之間的「差異」。
- 輸入：物件偵測通常處理單幅影像；變遷偵測處理多時相影像對或序列。
- 輸出：物件偵測輸出物件的邊界框和類別；變遷偵測輸出變化區域的圖層或變化類型。
- 與異常偵測的比較：
- 核心：異常偵測旨在識別與「正常」模式顯著不同的數據點或事件；變遷偵測則專注於比較兩個或多個時間點的狀態差異。
- 背景：異常偵測通常基於單一數據集或時間序列中的統計離群值；變遷偵測則需要明確的「前後」對比。
- 與時間序列分析的比較：
- 範圍：時間序列分析更廣泛，可以應用於任何按時間順序排列的數據，包括遙感影像、傳感器數據等，旨在發現趨勢、週期性或預測未來值。
- 粒度：變遷偵測是時間序列分析在遙感影像領域的一個特定應用，通常側重於識別離散的「變化事件」或「變化區域」，而不是連續的數值趨勢。
- 方法：時間序列分析可能使用ARIMA、LSTM等模型；變遷偵測則更側重於影像處理和模式識別技術。
- 與影像分類的比較：
- 目標：影像分類旨在為影像中的每個像素或區域分配一個類別標籤（如森林、水體、建築）；變遷偵測則是在此基礎上，比較不同時相的分類結果或原始影像，以識別類別或狀態的變化。
- 關係：變遷偵測可以基於分類後影像進行（後分類比較法），也可以直接在原始影像上進行（預分類比較法）。