正文如下：

一、变化检测的本质：不是“两张图相减”

初学变化检测的人，最容易做的一件事是把两期影像一减，取个阈值，把差值大的地方涂成红色。结果通常是一片混乱：云的边缘、阴影的方向、田里刚灌过水、作物刚收完，全都变成了“变化”。

变化检测的本质，是判断同一位置在不同时相上的地物属性是否发生了实质性改变，而不是判断亮度是否变了。亮度变化的原因太多了：太阳高度角、成像角度、大气条件、物候阶段、土壤含水量。这些叫伪变化，是变化检测要压制的对象；真正要提取的是地物类型、覆盖状态或结构的变化。

这个定义决定了方法选型：如果只关心“有没有变”，可以做二值检测；如果要区分“变成了什么”，就要做多类变化；如果要知道“什么时候变的”，就必须上时间序列。先定输出，再选方法，顺序反过来一定做不干净。

还有一个常被忽略的维度是变化的时间尺度。违建是月级突变，耕地非农化是年级渐变，林地退化可能是数年累积。时间尺度不同，影像的重访频率、比较的间隔、判定规则都要跟着变，用一套参数套所有场景，必然有一头是错的。

二、代数法：差值、比值与指数差分

最简单的一类方法是代数运算。差值法把两期影像对应波段相减，绝对值超过阈值即判为变化；比值法用相除替代相减，对乘性噪声更稳；变化向量分析把多个波段的差值组成一个向量，用向量的模判断变化强度，用向量的方向判断变化类型。

代数法的优点是快、可解释、不需要训练样本，适合大范围快速筛查。缺点是对辐射一致性极度敏感。两期影像如果没做相对辐射归一化，整景的整体亮度差就会被误判成全域变化。所以代数法的前置条件很硬：同一传感器、相近时相、做过大气校正与匀色。

指数差分是代数法里最实用的一支。用植被指数的差值看植被退化与恢复，用水体指数的差值看淹没范围，用建筑指数的差值看建成区扩张。把物理含义明确的指数做差，比拿原始波段做差稳得多，因为指数本身已经抵消掉了一部分光照与地形影响。

三、分类后比较：直观，但误差会叠加

分类后比较的思路是：两期影像各自分类，再逐像元比较类别标签，标签不同即为变化，还能直接给出“从耕地变建设用地”这样的转移类型。

它的优点是结果直观、能出转移矩阵、对辐射差异不敏感——因为比较的是类别而不是亮度。缺点也很明确：分类误差会叠加。第一期把A类错分成B类，第二期分对了，这个像元就被记成一次“B变A”的假变化。两期分类精度各为八成五，叠加之后的变化检测精度可能只剩七成上下。

缓解办法有三条。一是提高单期分类精度，尤其是易混类别，宁可在分类阶段多花功夫。二是做类别置信度过滤，只保留两期置信度都高的像元参与比较。三是加入变化类型约束，用转移规则排除物理上不可能的变化，比如一年之内从水体直接变成林地。

还有一条经验：分类体系要按变化检测的需要设计，而不是照搬土地利用现状分类。类别太细，单期分类精度撑不住；类别太粗，水田改旱地这类实质变化会被并进同一类，检测不出来。分类体系与检测目标要一起定。

四、面向对象：先分割，再比较

像元级方法在细碎地物上容易碎，面向对象的做法是先按光谱与形状把影像分割成一个个对象，再以对象为单位提取特征、做分类或比较。

对象带来的好处是抑制椒盐噪声：一块地里零星几个像元被判成变化，对象级的统计量会把它压掉。同时对象能携带形状、纹理、上下文特征，对建筑、道路这类有结构的地物更有效。

代价是分割尺度难定。尺度太小，对象碎得像像元；尺度太大，一个小违建被并进周边农田，直接消失。工程上的做法是按地物类型分层分割：建筑用较小尺度，农用地用较大尺度，再把两层结果合并。分割参数没有通用值，只能按项目试，这也是面向对象落地慢的主要原因。

另一个隐性成本是对象边界与业务边界不重合：分割出的对象可能跨了两个承包地块，统计面积时还要再做一次叠加分析，把对象面积按地块切开。这一步在权属细碎的地区特别费工，也是不少项目从像元法改到对象法之后、工作量反而上升的原因。

五、时间序列：从两期比较到连续观测

两期比较只能回答“变了没有”，回答不了“哪一年变的、是突变还是渐变”。时间序列方法用同一位置的一长串观测，拟合季节趋势，把偏离趋势的点判为突变，把持续偏移判为渐变。

典型做法是先做时序重建，把云污染、异常值剔除，插补出连续的指数曲线；再用断点检测找出曲线发生结构性改变的时刻。这样得到的结果不只是变化图斑，还带一个变化时间。

时间序列的价值在长周期监管：耕地撂荒、林地退化、湿地萎缩这类缓慢过程，两期比较根本看不出来，连续观测才能定量。它的门槛是数据密度，重访周期长的区域一年只有几景有效观测，曲线拟合不住；多云地区更是常年缺数据。

工程上还要处理观测不等间隔的问题：有的月份三景、有的月份一景没有，拟合时不能按等权平均，要按时间间隔加权，否则断点位置会偏。判读结果也应给出置信标注，观测少的时段标成证据不足，而不是硬给一个变化年份。

六、深度学习：样本决定上限

深度学习把变化检测当成一个双输入的分割问题：两期影像送进网络，输出变化区域或变化类别。主流结构用孪生编码器分别提取两期特征，在特征层做差或拼接，再由解码器恢复空间分辨率。

它真正改变的是特征表达。传统方法要人工设计指数与阈值，深度学习能自己学出“建筑物的边缘+阴影方向+纹理突变”这类组合特征，在复杂场景下的召回率明显更高。

但它的短板同样明显。第一是样本：变化样本天然不平衡，变化区域往往只占整景的很小比例，正负样本失衡会让模型倾向于“全判没变”。第二是标注成本：变化图斑的标注需要专业人员逐块勾绘，一块县级范围的高质量样本，工作量以人月计。第三是跨区域泛化：在平原训练的模型搬到山区，建筑形态、地块尺度、耕作制度全变了，精度会掉。深度学习不是免标注的方法，而是把人工从调参转移到标注。

工程上比较稳的做法是混合：深度学习出候选图斑，规则与人工做复核；或者用传统指数法做粗筛，深度学习做精判。把模型当成高召回的筛选器，而不是最终裁判，落地成功率会高很多。

七、后处理：把“变化的像元”变成“可交办的图斑”

模型输出的是一张概率图，业务要的是一份图斑清单。中间这一步叫图斑提取，决定了成果能不能用。

第一步是阈值与二值化，阈值高低直接对应漏检与误检的取舍，漏检多了监管失职，误检多了基层疲于核查，通常按业务承受的核查量反推阈值。第二步是形态学处理，开运算去掉孤立噪点，闭运算填补孔洞。第三步是连通域分析，把相邻像元合并成图斑，统计面积、周长、外接矩形。第四步是最小上图单元，小于一定面积的图斑不单独成图，避免成果碎得无法核查。第五步是人工复核，把可疑图斑叠加到影像上逐块确认。

伪变化的剔除要放在后处理之前。六种常见来源：云与云影、阴影方向差异、物候差异、土壤湿度差异、成像角度差异、影像配准残差。前三种靠掩膜与时相筛选，后三种靠辐射归一化与几何精校正。伪变化不除，后处理只是在给噪声化妆。

八、按场景选型：违建、耕地、灾害各有一套

违建监测的特点是目标小、要求快、取证严。适合高分辨率影像加高频重访加深度学习：先用变化检测圈出疑似新增建筑，再调取更近时相的影像或无人机复核，形成“发现—核实—取证”的链条。这类场景对漏检容忍度低，对误检有一定容忍度，因为误检可以靠人工核查消化。

耕地保护的特点是范围大、周期长、类别多。适合时间序列加分类后比较：按年度做一次全覆盖，看耕地是否转成了园地、林地、建设用地，输出转移矩阵。这类场景更看重一致性与可追溯，而不是单次精度。

灾害应急的特点是时效压倒一切。适合代数法加指数差分：洪涝看水体指数，倒伏看植被指数突变，几小时内出范围图，精度可以粗，但必须快。等深度学习模型跑完，最佳查勘窗口可能已经关了。灾时用快方法，灾后用准方法，两套流程并存才是常态。

结语

遥感影像变化检测方法没有优劣排序，只有匹配关系。多时相影像的质量决定下限，辐射一致性与几何配准是所有方法共同的底座；变化检测的路线选择取决于要回答的问题，是“变没变”“变成什么”还是“何时变”。

代数法快、分类后比较直观、面向对象抗噪、时间序列能定位时刻、深度学习擅长复杂场景，五条路线在实践中往往是组合使用。真正决定成果可用性的，不是模型多新，而是图斑提取之后的复核与伪变化的清理。违建监测要的是可核查的图斑，不是漂亮的概率图。

时维遥感——遥感+AI，让农业更智慧