張祖勛，姜慧偉，龐世燕，胡翔云,4

1. 武漢大學(xué)遙感信息工程學(xué)院，湖北 武漢 430079； 2. 國家基礎(chǔ)地理信息中心，北京 100830； 3. 華中師范大學(xué)人工智能教育學(xué)部，湖北 武漢 430079； 4. 湖北珞珈實(shí)驗(yàn)室，湖北 武漢 430079

隨著世界人口的持續(xù)增長和全球經(jīng)濟(jì)的快速發(fā)展，日益增加的人類活動(dòng)不斷驅(qū)動(dòng)土地利用覆蓋變化動(dòng)態(tài)及變化模式更新[1]。及時(shí)準(zhǔn)確掌握地表覆蓋變化對(duì)國家經(jīng)濟(jì)建設(shè)、社會(huì)發(fā)展和生態(tài)保護(hù)至關(guān)重要。土地利用的遙感監(jiān)測是用遙感影像，對(duì)土地利用狀況及其動(dòng)態(tài)變化信息進(jìn)行的監(jiān)測，已被國內(nèi)外廣泛認(rèn)定為一項(xiàng)重要的科學(xué)目標(biāo)，如美國國家航空航天局(NASA)的土地覆蓋/土地利用變化計(jì)劃(land-cover/land-use change program，LCLUC)[2]，美國地質(zhì)調(diào)查局(USGS)推出的新一代土地覆蓋制圖與變化監(jiān)測產(chǎn)品—土地變化監(jiān)測、評(píng)估和預(yù)測(land change monitoring,assessment,and projection，LCMAP)計(jì)劃[3]等。21世紀(jì)以來，黨中央和國務(wù)院相繼提出“基本農(nóng)田特殊保護(hù)制度”“18億畝耕地紅線”“非農(nóng)化、非糧化”等相關(guān)政策，嚴(yán)格監(jiān)控非法占地問題。自然資源部連年開展國土變更調(diào)查，要求全面掌握土地利用變化情況。利用多時(shí)相遙感影像進(jìn)行地表覆蓋(語義信息)的變化檢測，對(duì)重要地理要素變化情況開展常態(tài)化監(jiān)測，及時(shí)準(zhǔn)確地掌握自然資源利用現(xiàn)狀，持續(xù)監(jiān)測更新全國土地調(diào)查成果，保持基礎(chǔ)地理信息的準(zhǔn)確性和現(xiàn)勢(shì)性，迫切需要發(fā)展智能化的方法實(shí)現(xiàn)土地調(diào)查實(shí)時(shí)變更，對(duì)自然資源管理工作和經(jīng)濟(jì)社會(huì)發(fā)展具有重要意義。此外，利用遙感技術(shù)及時(shí)發(fā)現(xiàn)和查處違法建筑(幾何和語義信息)，有利于完善城市治理機(jī)制，增強(qiáng)城市可持續(xù)發(fā)展能力，實(shí)現(xiàn)城市綜合治理水平的有效提升。

相片判讀是測繪與遙感的主要任務(wù)之一，早期主要是結(jié)合人工目視解譯與野外復(fù)核來完成，發(fā)展至今，可以通過計(jì)算機(jī)算法自動(dòng)提取、判別目標(biāo)。隨著觀測手段的進(jìn)步和各類地理信息采集項(xiàng)目的開展，例如地形圖測繪、地理國情普查、全球地表覆蓋圖(如30 m地表覆蓋[4]、10 m地表覆蓋[5])、開源地理信息(如天地圖[6]、谷歌地圖、OSM[7])，地球上任一處都存在不同尺度、不同時(shí)相、不同準(zhǔn)確度的地理信息，如何利用新的影像快速、自動(dòng)地發(fā)現(xiàn)變化，成為一個(gè)重要問題。借助攝影測量與遙感技術(shù)從獲取和重建被攝對(duì)象的三維幾何信息，發(fā)展到從時(shí)序數(shù)據(jù)中進(jìn)行變化信息的提取，可以看作是加上時(shí)間維的第四維度的拓展。自2008年Landsat計(jì)劃提供免費(fèi)數(shù)據(jù)以來[8]，基于時(shí)間序列(多期觀測)的土地覆蓋變化分析方法為變化檢測提供了新的途徑，相比依靠一對(duì)(兩個(gè)時(shí)相)影像的監(jiān)測變化，基于時(shí)間序列的方法以更連續(xù)的方式監(jiān)測土地變化。然而，當(dāng)前研究還是主要集中于雙時(shí)相影像變化檢測，時(shí)序影像的研究也局限于僅僅對(duì)雙時(shí)相的擴(kuò)展，并沒有充分發(fā)揮時(shí)間序列的優(yōu)勢(shì)。隨著視頻衛(wèi)星(SkySat系列、UrtheCast、吉林一號(hào)等)的發(fā)射升空，未來基于時(shí)序影像的目標(biāo)動(dòng)態(tài)監(jiān)測與跟蹤技術(shù)將具有較高的研究價(jià)值與廣闊的應(yīng)用前景。

遙感大數(shù)據(jù)、互聯(lián)網(wǎng)、人工智能、云計(jì)算等現(xiàn)代信息技術(shù)正在蓬勃發(fā)展，驅(qū)動(dòng)遙感監(jiān)測技術(shù)模式快速轉(zhuǎn)型升級(jí)。統(tǒng)籌利用現(xiàn)有數(shù)據(jù)與計(jì)算資源，開展地表常態(tài)化、智能化監(jiān)測，及時(shí)高效地獲取地物變化信息，已成為當(dāng)前遙感領(lǐng)域的研究熱點(diǎn)之一。利用遙感影像進(jìn)行變化檢測主要包含三大類任務(wù)：是否發(fā)生變化；變化類型(土地利用類型變化)；以及變化分布和趨勢(shì)。三者之間逐層遞進(jìn)，檢測任務(wù)和難度逐步增加。然而遙感數(shù)據(jù)多源化、多時(shí)相、多尺度等方面的復(fù)雜性給自動(dòng)化變化檢測方法的通用性帶來一定的挑戰(zhàn)。實(shí)際應(yīng)用中，通常根據(jù)應(yīng)用需求(感興趣目標(biāo)的不同)結(jié)合現(xiàn)有可獲取資源，選擇相應(yīng)的方法。

變化檢測問題本質(zhì)上依然屬于模式識(shí)別與分類問題，發(fā)現(xiàn)定位變化區(qū)域并分析相關(guān)變化屬性，其中變化屬性主要包含土地利用類型變化(如耕地變?yōu)榻ㄔO(shè)用地)和維度變化(如幾何高度)。當(dāng)前用于變化檢測的數(shù)據(jù)源類型主要包括衛(wèi)星影像、航空影像和三維點(diǎn)云數(shù)據(jù)，三者在適用情況、光譜信息、結(jié)構(gòu)信息等方面具有較大的不同(表1)。

表1 不同數(shù)據(jù)源特征

不同傳感器類型具有自身的特點(diǎn)，可實(shí)現(xiàn)在不同時(shí)間和天氣條件、監(jiān)測場景、覆蓋范圍、更新頻率、監(jiān)測粒度等方面發(fā)揮各種優(yōu)勢(shì)，因此適用不同的應(yīng)用需求。衛(wèi)星影像可實(shí)現(xiàn)任意區(qū)域定期監(jiān)測，不受天氣、飛行等條件影響，提供信息豐富的長時(shí)序影像，但易受到重訪周期等因素的限制。航空影像獲取較為靈活，可根據(jù)情況對(duì)局部地區(qū)快速提供無云的高分辨率影像，但受飛行安全、航空控制及天氣條件等因素的限制。三維點(diǎn)云數(shù)據(jù)主要來自一幅或多幅立體影像通過密集匹配(計(jì)算機(jī)視覺中稱為立體匹配)生成的同名點(diǎn)在物方空間中的坐標(biāo)集合，但由于拍攝條件、拍攝設(shè)備等因素的影響，單純利用影像信息(紋理、幾何結(jié)構(gòu)等)獲取高精度密集匹配的空間三維信息依舊是極具挑戰(zhàn)性的任務(wù)。隨著激光雷達(dá)技術(shù)的逐步成熟，三維激光掃描技術(shù)可以快速獲取地面高精度三維坐標(biāo)，并且具有一定的植被穿透能力，但是不能獲取目標(biāo)的顏色紋理等信息，難以進(jìn)行后續(xù)優(yōu)化，更重要的是相比密集匹配點(diǎn)云獲取費(fèi)用較高。三維點(diǎn)云數(shù)據(jù)存在空間密度分布不均，不規(guī)則、不連續(xù)的特點(diǎn)以及噪聲都給變化檢測帶來了困難。

為了全面回顧近些年遙感影像變化檢測的研究進(jìn)展，區(qū)別于現(xiàn)有變化檢測綜述，本文主要從幾何信息(高度)與語義信息(是否變化、土地利用類型變化)兩方面對(duì)多時(shí)相遙感影像常用的變化檢測方法進(jìn)行梳理，對(duì)相關(guān)方法體系進(jìn)行歸納總結(jié)，重點(diǎn)對(duì)基于深度學(xué)習(xí)的方法進(jìn)行了闡述，最后對(duì)當(dāng)前方法存在的問題進(jìn)行了剖析，提出未來發(fā)展方向。此外還列舉了當(dāng)前通用的公開變化檢測數(shù)據(jù)集。

1 幾何信息的變化檢測

幾何信息的變化檢測可用于更新地形和地物信息。通過對(duì)比影像匹配或激光雷達(dá)等獲取的不同時(shí)相三維數(shù)據(jù)，實(shí)現(xiàn)樹木生長監(jiān)測、地震損害評(píng)估、地形和建筑物變化檢測等。直接獲取的三維數(shù)據(jù)包含建筑、樹木等非地形信息，進(jìn)行地形變化檢測前通常需要依賴地形濾波技術(shù)去除非地形信息，這種情況下其精度和準(zhǔn)確性受限于濾波結(jié)果。相對(duì)于地形變化，建筑物或其他人工構(gòu)筑物的變化檢測較為復(fù)雜，尤其是可靠性相對(duì)較差的密集匹配點(diǎn)云數(shù)據(jù)，直接進(jìn)行變化檢測精度有限，通常需要結(jié)合光譜等信息進(jìn)一步提升精度。根據(jù)是否結(jié)合光譜信息，幾何信息的變化檢測可劃分為基于單一幾何信息的變化檢測方法和融合幾何與光譜信息融合的變化檢測方法，見表2。

表2 幾何信息的變化檢測方法

1.1 基于單一幾何信息的變化檢測方法

基于單一幾何信息的變化檢測在計(jì)算指標(biāo)上有高度差和歐氏距離兩種常見方式。高度差通常應(yīng)用于內(nèi)插成規(guī)則格網(wǎng)的DEM/DSM數(shù)據(jù)，又可細(xì)分為基于像素的高度差方法和基于窗口/對(duì)象的高度差方法。基于像素的高度差方法以單個(gè)格網(wǎng)點(diǎn)為單元來發(fā)現(xiàn)變化，用于樹木生長監(jiān)測[9]、滑坡體積分析[10]、城市區(qū)域三維變化檢測[11-12]、建筑物變化分析[13-16]，以及地震和損害評(píng)估[17-18]等，通過對(duì)高度差分的直接推導(dǎo)來發(fā)現(xiàn)潛在變化。例如文獻(xiàn)[14]使用由ALOS(高級(jí)陸地觀測衛(wèi)星)生成的DSM在城市區(qū)域進(jìn)行高度差值來發(fā)現(xiàn)建筑物的變化，文獻(xiàn)[18]使用從震前和震后立體航拍圖像生成的DSM來檢測倒塌的建筑物。由于配準(zhǔn)誤差和DSM精度的影響，基于像素的高度差方法檢測得到的偽變化較多，為了解決這一問題，一些研究者提出了基于窗口/對(duì)象的方法。文獻(xiàn)[19]在移動(dòng)窗口上采用最小的高差來減少對(duì)象邊界處產(chǎn)生的DSM噪聲。在他們后來的工作中[20]，使用全色圖像得到的對(duì)象作為高度差分單元，進(jìn)一步減少了誤檢測。

高度差方法的另一個(gè)問題是它對(duì)配準(zhǔn)和匹配錯(cuò)誤較為敏感，而理論上更為嚴(yán)謹(jǐn)?shù)那骈g歐氏距離可以一定程度上彌補(bǔ)此類缺陷。曲面間的歐氏距離最早在配準(zhǔn)[21]中提出，通過最小化兩個(gè)三維曲面的歐氏距離差實(shí)現(xiàn)配準(zhǔn)，此后文獻(xiàn)[22]將它應(yīng)用于兩個(gè)圖像匹配獲得的DSM來估計(jì)森林體積變化，變化指標(biāo)為兩個(gè)三維曲面的歐氏距離。這類基于曲面間歐氏距離的方法對(duì)頂視三維數(shù)據(jù)中的配準(zhǔn)誤差穩(wěn)健性強(qiáng)，可應(yīng)用于全三維數(shù)據(jù)中，但它通常需要密集的法線方向估計(jì)和對(duì)應(yīng)點(diǎn)搜索，計(jì)算復(fù)雜，耗時(shí)長。因此，雖然理論上曲面間歐氏距離比高度差更嚴(yán)格，但在頂視三維數(shù)據(jù)處理中，高度差仍然是最方便有效的方法，適合于第一步嘗試使用[23]。

1.2 融合幾何與光譜信息的變化檢測方法

幾何信息作為變化檢測的一種重要信息源，可以有效提升變化檢測的精度。但由于幾何信息中幾何誤差的存在，很多情況下使用單一的幾何信息難以得到理想的變化檢測結(jié)果。同時(shí)，幾何信息通常帶有光譜信息，例如多光譜/高光譜正射影像和圖像紋理等，使用額外的光譜信息有助于補(bǔ)償由單一來源引起的錯(cuò)誤，進(jìn)一步增強(qiáng)變化檢測穩(wěn)定性。根據(jù)幾何和光譜信息的不同結(jié)合方式，融合幾何與光譜信息的變化檢測主要包括:①后精化；②直接特征融合；③分類后處理三種。

后精化方法是指使用幾何與(和/或)光譜信息來精化由幾何比較產(chǎn)生的初始變化結(jié)果，這是一種兩步法，即幾何比較產(chǎn)生變化候選并通過幾何與(和/或)光譜信息對(duì)上述幾何比較得到的初始變化結(jié)果進(jìn)行后精化。例如，針對(duì)不同期航空立體像對(duì)，文獻(xiàn)[13]通過比較兩個(gè)數(shù)字表面模型定位變化的區(qū)域，并采用決策樹分類這些區(qū)域來進(jìn)行建筑物變化檢測。文獻(xiàn)[24]提出了一種基于數(shù)字表面模型和原始影像的建筑物變化檢測方法。在該方法中，首先采用圖割優(yōu)化算法提取地物變化區(qū)域，然后結(jié)合原始影像數(shù)據(jù)排除其中樹木的影響，最終獲得新建、增高、拆除以及降低四個(gè)建筑物變化類別。文獻(xiàn)[25]提出了一種基于無人機(jī)影像密集匹配點(diǎn)云多層次分割的變化檢測方法，通過色度異質(zhì)性實(shí)現(xiàn)多層次分割與變化提取。這類后精化的方法相對(duì)較為靈活有效，參數(shù)易于理解和調(diào)整。但這類方法的初始變化結(jié)果嚴(yán)重依賴于幾何比較的結(jié)果，漏檢測的情況在后續(xù)精化過程中無法找回。

直接特征融合方法同時(shí)考慮了幾何和光譜信息，通過特征融合方法實(shí)現(xiàn)最終的變化檢測，特征融合可以在特征級(jí)也可以在決策級(jí)。例如，文獻(xiàn)[26]直接融合高程和輻射差異到一個(gè)變化矢量分析框架中，幾何和輻射信息的權(quán)重由經(jīng)驗(yàn)獲得，只需調(diào)整一個(gè)單一變化指標(biāo)即可得到最終的變化檢測結(jié)果。此后，文獻(xiàn)[20]采用Dempster-Shafer融合理論結(jié)合DSM高程變化和原始影像導(dǎo)出的KL散度相似性度量來提取建筑物變化。文獻(xiàn)[27]提出了一種基于高分辨率立體影像及LoD2模型檢測建筑物變化的方法。在該方法中，非監(jiān)督自組織圖(SOM)被用于融合DSM和光譜特征組成的多通道指標(biāo)來實(shí)現(xiàn)不同類別的分類。文獻(xiàn)[28]提出了一種基于聯(lián)合超像素圖割優(yōu)化的三維建筑物變化檢測方法。該方法將建筑物變化檢測問題建模為二值分類問題，首先采用SLIC超像素分割方法獲得聯(lián)合超像素對(duì)象，并以超像素對(duì)象作為處理單元提取多維度變化特征，采用圖割優(yōu)化框架獲得全局最優(yōu)解。文獻(xiàn)[29]提出了一種多源多特征遙感數(shù)據(jù)變化檢測框架W-Net，該框架可分別用于同質(zhì)和異構(gòu)遙感數(shù)據(jù)的建筑物變化檢測，也可以依靠其雙向?qū)ΨQ端到端網(wǎng)絡(luò)架構(gòu)輸入2D或3D建筑物變化檢測的同質(zhì)和異構(gòu)遙感數(shù)據(jù)。還有的文獻(xiàn)采用了基于規(guī)則的分類[30-33]、SVM[34-36]、決策樹[27]、圖割[37]和隨機(jī)森林[38]等來融合多個(gè)特征以實(shí)現(xiàn)建筑物變化檢測。這類方法同時(shí)考慮了幾何和光譜信息，且算法框架易于結(jié)合其他信息源來進(jìn)行變化檢測。但這類方法中融合算法的參數(shù)設(shè)置要求嚴(yán)格，不正確的參數(shù)設(shè)置會(huì)對(duì)最終的變化檢測結(jié)果造成錯(cuò)誤。

此外，考慮到拍攝時(shí)間不同、數(shù)據(jù)來源不同等原因，不同期數(shù)據(jù)間特征差異過大，嚴(yán)重影響了兩個(gè)數(shù)據(jù)集之間的幾何和紋理的直接比較。為此，有學(xué)者提出了一種分類后處理的方法。這類方法首先對(duì)兩個(gè)數(shù)據(jù)集進(jìn)行分類或檢測感興趣的對(duì)象，然后比較這些結(jié)果標(biāo)簽實(shí)現(xiàn)變化檢測。例如，文獻(xiàn)[23,39]提出了一種基于對(duì)象的多期立體影像三維建筑物變化檢測方法。在該方法中，對(duì)于每一期數(shù)據(jù)，首先采用Meanshift進(jìn)行分割獲得對(duì)象，特征提取后結(jié)合決策樹和SVM進(jìn)行監(jiān)督分類，最后進(jìn)行比較分析。在這類方法中，DSMs通常作為一個(gè)額外的通道集合到分類或檢測方法中，采用的分類方法包括SVM、決策樹等。增加三維信息可以有效提高分類和目標(biāo)檢測的精度，每個(gè)數(shù)據(jù)集單獨(dú)建立訓(xùn)練數(shù)據(jù)集/規(guī)則，避免了未經(jīng)校正的幾何和光譜信息的直接比較，對(duì)于不同數(shù)據(jù)來源、不同獲取條件(不同季節(jié)、光照等)造成的干擾更加穩(wěn)健。但這類方法的變化檢測結(jié)果通常受分類精度影響較大，單期的分類錯(cuò)誤有時(shí)會(huì)累積到最后的變化檢測結(jié)果中。

2 語義信息的變化檢測

2.1 方法體系

由于遙感影像空間分辨率不同，覆蓋場景多樣，許多學(xué)者相繼提出多種變化檢測方法，體系框架如圖1所示。針對(duì)遙感影像變化檢測的研究對(duì)象涵蓋多種人工(如建筑物、道路、堆掘地等)和非人工地物(耕地、植被、河流、湖泊、濕地、河岸線等)等土地利用類型，以及船只、島嶼等特定目標(biāo)類型，數(shù)據(jù)的多源化、研究對(duì)象的多樣化及應(yīng)用場景的差異性都為變化檢測帶來了一定的挑戰(zhàn)。由于變化對(duì)象的特殊性和廣泛性，根據(jù)應(yīng)用需求的急迫性以及方法模型的通用性，當(dāng)前針對(duì)遙感影像的變化檢測研究從研究對(duì)象的角度可分為針對(duì)特定目標(biāo)的二值變化檢測(建筑物、道路及植被等)和一般變化檢測(土地利用地表覆蓋)，二者區(qū)別在于前者針對(duì)特定目標(biāo)的研究，相當(dāng)于預(yù)先引入了先驗(yàn)知識(shí)，只需要定位變化區(qū)域；而后者需要判定地物類型，即同時(shí)完成變化的定位和分類任務(wù)，較前者更為復(fù)雜，因此此類方法大多需要利用專家知識(shí)輔助語義信息的變化檢測。結(jié)合以上分析，考慮到算法的普適性和通用性，本文主要從信息層次(像素級(jí)、特征級(jí)和對(duì)象級(jí))和建模方法(是否機(jī)器學(xué)習(xí))兩方面對(duì)主流變化檢測方法進(jìn)行總結(jié)。

圖1 遙感圖像語義變化檢測體系框架

隨著遙感圖像空間分辨率的提升(高分辨率甚至超高分辨率圖像的出現(xiàn))，地物目標(biāo)呈現(xiàn)的紋理結(jié)構(gòu)信息更加豐富，目標(biāo)解析層次從像素級(jí)提取(像素強(qiáng)度比較或者轉(zhuǎn)換)、圖塊級(jí)識(shí)別(圖像塊是否發(fā)生變化)到對(duì)象級(jí)定位自動(dòng)發(fā)現(xiàn)變化方法得到有效應(yīng)用。變化檢測分析單元從“像素—圖塊—對(duì)象—場景”過渡，像素間關(guān)系實(shí)現(xiàn)“孤立—局部—鄰近—感受野”，信息利用層次實(shí)現(xiàn)“像素—特征—對(duì)象—高維”的發(fā)展過程[40]。從特征模型角度可分為人工特征建模方法和基于深度特征學(xué)習(xí)方法兩類。前者利用專家知識(shí)規(guī)則對(duì)目標(biāo)區(qū)域進(jìn)行特征建模表達(dá)(大量的底層、中層特征)，隨后通過閾值分析或者機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)變化區(qū)域發(fā)現(xiàn)定位。后者依托于人工智能技術(shù)，利用深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)目標(biāo)的不同層次特征(高層特征)進(jìn)行變化區(qū)域發(fā)現(xiàn)定位，相對(duì)前者更加簡潔通用，目前在遙感影像變化檢測中得到越來越廣泛的應(yīng)用。

20世紀(jì)80年代以來的變化檢測方法是從數(shù)據(jù)源、像素分析單元、信息利用層次及年代歷程等維度的歸納。如圖2所示，分為4個(gè)典型的發(fā)展階段：①基于中低分辨率影像的像素統(tǒng)計(jì)分析時(shí)期；②基于高分辨率影像的特征建模時(shí)期；③基于高分辨率影像的面向?qū)ο蠓治鰰r(shí)期；④基于深度學(xué)習(xí)的高分辨率影像變化檢測時(shí)期。

圖2 遙感圖像語義變化檢測發(fā)展歷程

2.2 方法歸納

2.2.1 非機(jī)器學(xué)習(xí)方法

非機(jī)器學(xué)習(xí)方法是針對(duì)特征進(jìn)行建模，然后根據(jù)分析單元或者分析目標(biāo)的特征差異完成變化檢測的一類方法。

像素級(jí)的變化檢測是最簡單的變化檢測方法，它以獨(dú)立像素作為檢測單元，通過逐像素的減法或除法等算術(shù)運(yùn)算分析像元光譜差異提取變化信息[41]，主要包括算術(shù)計(jì)算類方法、圖像變換類方法和分類后比較法等。算術(shù)計(jì)算類方法是通過對(duì)兩幅精確配準(zhǔn)的圖像對(duì)應(yīng)點(diǎn)像素的灰度值做差值[42]、比值[43]或回歸分析等，如果該值滿足選定的閾值，則視為該像素發(fā)生變化。該方法的局限性包括：首先，檢測結(jié)果是二值化的，不能生成完整的變化信息矩陣；其次，最佳閾值難以選擇。圖像變換類方法是按照一定規(guī)則把圖像轉(zhuǎn)換到特征空間，對(duì)變換結(jié)果進(jìn)行分析得到變化像素。最常用的方法包括與遙感相關(guān)的植被指數(shù)法、纓帽變換法及特征相關(guān)的主成分分析法(PCA)[44-45]、多元變化檢測(MAD)[46]、變化向量分析(CVA)[47-48]、慢特征分析(SFA)[49]，以及一系列衍生方法。像素級(jí)方法對(duì)高分辨率遙感影像中的高頻信息敏感，且易受到影像幾何校正和輻射校正誤差的影響，適用性受到制約，因此主要適用于中低分辨率影像。

在特征級(jí)方面，由于紋理、邊緣和空間結(jié)構(gòu)等特征與地物的表現(xiàn)密切相關(guān)，并且這些特征較為穩(wěn)定，不易受傳感器類型的影響，因此，通過比較多時(shí)相影像的特征信息可以用于變化檢測。它主要包括基于紋理特征[50-54]、基于邊緣特征[55-57]和基于形狀結(jié)構(gòu)[58-61]的變化檢測等。特征級(jí)的變化主要依賴于特征選取和設(shè)計(jì)，在不同的應(yīng)用場景和不同的影像數(shù)據(jù)中，很難獲得統(tǒng)一的特征選擇準(zhǔn)則或指導(dǎo)，普適性是其最大的挑戰(zhàn)。

隨著高分辨率甚至超高分辨率影像的出現(xiàn)，地物目標(biāo)細(xì)節(jié)越來越豐富，變化檢測方法逐漸由初始的像素級(jí)分析過渡到對(duì)象級(jí)。與人類識(shí)別機(jī)制相似，面向?qū)ο蟮淖兓瘷z測通過分析對(duì)象的不同屬性和空間分布來理解語義[61-62]。它可集成局部區(qū)域豐富的邊緣、紋理、形狀和鄰域目標(biāo)的空間關(guān)系等相關(guān)特征[22,63-69]。對(duì)象級(jí)的變化檢測方法主要包括：直接比較對(duì)象[70-72]、分類后比較對(duì)象[73-76]、多時(shí)相分割[77-79]等。這類方法的研究主要針對(duì)特征較為明顯的目標(biāo)，如建筑物。鑒于建筑物基底矢量數(shù)據(jù)與屋頂輪廓的一致性假設(shè)，通過先驗(yàn)形狀約束可實(shí)現(xiàn)不同結(jié)構(gòu)源數(shù)據(jù)的變化檢測[80]。面向?qū)ο蟮淖兓瘷z測在應(yīng)用中具有一定的優(yōu)勢(shì)，但也存在一些問題。作為面向?qū)ο蠓椒ǖ年P(guān)鍵過程，圖像分割技術(shù)能夠?qū)⑾噜徬袼鼐酆铣蓪?duì)象以進(jìn)行比較，因此分割方法的優(yōu)劣會(huì)直接影響變化檢測精度。

2.2.2 機(jī)器學(xué)習(xí)方法

作為人工智能的核心方法，機(jī)器學(xué)習(xí)正在迅速成為數(shù)據(jù)驅(qū)動(dòng)型世界的一個(gè)必備模塊。隨著機(jī)器學(xué)習(xí)方法不斷發(fā)展壯大并廣泛應(yīng)用于遙感影像中，分類器性能得到極大提升。基于機(jī)器學(xué)習(xí)的遙感影像變化檢測本質(zhì)是通過雙/多時(shí)相遙感影像特征的提取，挖掘變化樣本的特征信息，將變化檢測問題轉(zhuǎn)換為機(jī)器學(xué)習(xí)的分類問題。決策樹[81-82]、隨機(jī)森林[83-87]、支持向量機(jī)[88-92]、單分類器[93-94]、人工神經(jīng)網(wǎng)絡(luò)[95-97]等經(jīng)典機(jī)器學(xué)習(xí)理論被廣泛應(yīng)用到遙感影像中發(fā)現(xiàn)變化信息，在一定程度上緩解了傳統(tǒng)變化檢測的壓力，但是依然存在一些缺陷。由于遙感影像具有幅寬大、覆蓋面積廣等特點(diǎn)，即使在地物類型簡單的區(qū)域，在不同氣象、季節(jié)等采集條件下影像的差異也給該場景下精細(xì)化變化檢測帶來了一定的難度。如耕地、河流等較為簡單的地物紋理分布可能均勻，也可能豐富多樣(田埂、播種、河灘、結(jié)冰等)，這些因素都嚴(yán)重影響了變化檢測工作。因此通過專家知識(shí)手工設(shè)計(jì)的底層或中層特征往往很難滿足算法需求，導(dǎo)致檢測結(jié)果較差。此外，經(jīng)典機(jī)器學(xué)習(xí)方法通常形式較為復(fù)雜，并且分階段(特征提取和分類器學(xué)習(xí))優(yōu)化，這給算法設(shè)計(jì)的可操作性和一致性帶來了一定的影響。

深度學(xué)習(xí)方法是機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)新分支。2006年，文獻(xiàn)[98]提出的“深度信念網(wǎng)絡(luò)”掀起了深度神經(jīng)網(wǎng)絡(luò)研究的新浪潮。得益于大數(shù)據(jù)、云計(jì)算及人工智能等技術(shù)的快速發(fā)展，2012年，由Khrizhevsky提出的AlexNet[99]在ImageNet比賽(ILSVRC-2012)中，憑借15.4%的Top-5分類錯(cuò)誤率以近10%的優(yōu)勢(shì)打敗了第二名[100](SFT+FVs)而取得冠軍。深度學(xué)習(xí)方法對(duì)人工智能特別是模式識(shí)別領(lǐng)域產(chǎn)生了重大影響，同時(shí)也為變化檢測研究開創(chuàng)了一個(gè)新的里程碑。以下主要對(duì)基于深度學(xué)習(xí)的變化檢測方法進(jìn)行簡要述評(píng)。

區(qū)別于常規(guī)機(jī)器學(xué)習(xí)方法，深度學(xué)習(xí)是具有多隱層的人工神經(jīng)網(wǎng)絡(luò)，能夠從海量標(biāo)注數(shù)據(jù)中發(fā)現(xiàn)和學(xué)習(xí)影像中地物目標(biāo)的幾何結(jié)構(gòu)和上下文關(guān)系，并將特征模型從傳統(tǒng)的人工設(shè)計(jì)特征轉(zhuǎn)變?yōu)闄C(jī)器自動(dòng)學(xué)習(xí)深度抽象特征，結(jié)合分類器通過多層非線性網(wǎng)絡(luò)實(shí)現(xiàn)地物的自動(dòng)化識(shí)別和推理[101]，進(jìn)而完成變化檢測，見圖3。原有機(jī)器學(xué)習(xí)方法多在中小規(guī)模的數(shù)據(jù)上追求精度和效率，需要研究數(shù)據(jù)的先驗(yàn)特性，并把它添加到特征學(xué)習(xí)中學(xué)習(xí)得到可判別性的典型特征，包含特征學(xué)習(xí)和分類器/回歸器設(shè)計(jì)兩個(gè)重要環(huán)節(jié)。深度學(xué)習(xí)則是在大規(guī)模的數(shù)據(jù)上盡可能采用統(tǒng)一的端到端的設(shè)計(jì)方式，直接獲得從數(shù)據(jù)到標(biāo)簽(如是否變化)的映射。在攝影測量應(yīng)用中，近年來人們構(gòu)建大量遙感影像樣本庫，利用深度學(xué)習(xí)技術(shù)服務(wù)于變化檢測、土地覆蓋等任務(wù)，顯著提高了遙感影像特征利用效率。本文根據(jù)檢測粒度按照?qǐng)鼍凹?jí)、像素級(jí)和對(duì)象級(jí)[102]對(duì)當(dāng)前基于深度學(xué)習(xí)的變化檢測方法進(jìn)行介紹。

圖3 深度學(xué)習(xí)地物識(shí)別過程

2.2.2.1 場景級(jí)變化檢測方法

遙感圖像空間分辨率的提升豐富了地表景觀和紋理信息描述。場景級(jí)的土地利用分析(如場景分類[103-105]、場景分割[106-108]和場景變化檢測[109-111])得到了廣泛的研究。這里所謂的場景是指大尺度遙感圖像中具有清晰語義屬性信息表達(dá)(側(cè)重于社會(huì)功能，如商業(yè)區(qū)、居民區(qū)、運(yùn)動(dòng)場等)的局部或者全局圖像塊[105,112-113]。利用多時(shí)相遙感影像在場景級(jí)識(shí)別土地利用變化是城市發(fā)展分析和監(jiān)測的一個(gè)新領(lǐng)域[114]。例如，住宅區(qū)和商業(yè)區(qū)的出現(xiàn)表明城市的發(fā)展情況[111]。由于場景中的目標(biāo)，例如植被生長或個(gè)別建筑物的拆除/建造，不會(huì)直接影響土地利用類別，即它們?cè)趫鼍爸械淖兓粫?huì)改變區(qū)域土地利用情況，因此相對(duì)像素級(jí)和對(duì)象級(jí)變化檢測方法，場景級(jí)變化方法在土地利用變化分析應(yīng)用中更有優(yōu)勢(shì)。

有別于自然或街景圖像場景級(jí)變化檢測(像素級(jí)二值分類任務(wù))(arXiv:1810.09111,2018)[115]，遙感影像場景級(jí)變化檢測方法的基本思想是比較多時(shí)相影像的特征差異，判斷變化情況，是一種區(qū)域級(jí)分類任務(wù)。與常規(guī)計(jì)算機(jī)視覺任務(wù)類似，早期場景級(jí)變化檢測方法主要解決兩大問題，即有效的特征提取方法和最優(yōu)的特征變換空間分析特征相似性。基本處理流程為選擇特征提取方法(如BoWM[116])結(jié)合分類器(SVM[117])完成場景變化檢測過程[109,111]。文獻(xiàn)[110]首次提出利用端到端的卷積神經(jīng)網(wǎng)絡(luò)，通過融合時(shí)相關(guān)性進(jìn)行場景級(jí)變化檢測。在此基礎(chǔ)上，文獻(xiàn)[118]提出了一種深度典型相關(guān)分析方法，進(jìn)一步提高多時(shí)相影像的特征相關(guān)性描述，場景級(jí)變化檢測精度也得到顯著提高。

2.2.2.2 像素級(jí)變化檢測方法

通過對(duì)大量數(shù)據(jù)的學(xué)習(xí)，深度神經(jīng)網(wǎng)絡(luò)可以挖掘影像更深層次、更穩(wěn)健的抽象特征。試驗(yàn)表明，在較大的自然場景數(shù)據(jù)集上訓(xùn)練的網(wǎng)絡(luò)特征也可以用于遙感領(lǐng)域[119]，如VGG[120]和ResNet[121]等，所以大量的預(yù)訓(xùn)練網(wǎng)絡(luò)特征被用來作變化檢測。這種方法與傳統(tǒng)方法中基于圖像轉(zhuǎn)換類的方法相似，首先利用卷積神經(jīng)網(wǎng)絡(luò)提取圖像的深度特征，然后對(duì)提取到的特征進(jìn)行像素級(jí)比較以獲得差異圖，最后通過閾值選擇方法獲得變化圖[39,122-124]。試驗(yàn)表明，這種基于預(yù)訓(xùn)練特征實(shí)現(xiàn)變化檢測在很多情況下適用性較差，因?yàn)樗鼘?shí)際上是一種無監(jiān)督的學(xué)習(xí)方法，它的提出主要是基于不變區(qū)域間的像素差異相對(duì)變化區(qū)域間差異一定是更小的[125]這一假設(shè)然而光學(xué)圖像不同類別間的特征統(tǒng)計(jì)往往存在多峰或者高度重疊[126]，導(dǎo)致該方法在應(yīng)用時(shí)容易混淆。此外，在這種方法中，特征表達(dá)及相似度度量的各個(gè)階段都會(huì)不可避免地引入誤差，并且會(huì)逐步累積。

隨著全卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展，尤其是在語義分割任務(wù)中逐像素分類性能的提升，不少學(xué)者將孿生神經(jīng)網(wǎng)絡(luò)用在逐像素分類中，逐個(gè)像素分類判斷是否發(fā)生變化。由于涉及多個(gè)輸入影像，這類方法包括三種類型，即輸入多個(gè)獨(dú)立的分支、數(shù)據(jù)端組合[127-128]和網(wǎng)絡(luò)內(nèi)部融合[129-131]。由于獨(dú)立分支方法會(huì)丟失多時(shí)相特征相關(guān)性信息，因此大多數(shù)研究主要集中在后兩種方法。像素級(jí)分類方法不僅局限于解決二值分類問題(是否變化問題)，同時(shí)也便于進(jìn)行多任務(wù)學(xué)習(xí)，完成多類型預(yù)測(如土地利用類型變化)。文獻(xiàn)[132]提出了一種端到端的建筑物多任務(wù)變化檢測方法，包含兩個(gè)語義分割網(wǎng)絡(luò)和一個(gè)變化網(wǎng)絡(luò)，圖像按照兩個(gè)分支輸入并分別提取特征，然后每個(gè)分支分別進(jìn)行語義分割，結(jié)果融合后用于檢測變化。文獻(xiàn)[133]則使用全卷積網(wǎng)絡(luò)開展語義級(jí)變化檢測，同時(shí)預(yù)測土地利用類型變化及變化區(qū)域。文獻(xiàn)[134]為緩解多任務(wù)學(xué)習(xí)中的類別不平衡問題，利用一個(gè)非對(duì)稱的孿生網(wǎng)絡(luò)同時(shí)定位和識(shí)別語義變化。

2.2.2.3 對(duì)象級(jí)變化檢測方法

這類方法以圖像塊(patch)或者超像素(superpixel)為基本輸入單元，根據(jù)訓(xùn)練所處階段的不同可以劃分為兩種方式：一種是通過圖塊或者超像素計(jì)算特征差異產(chǎn)生差異圖作為偽標(biāo)簽進(jìn)行學(xué)習(xí)[135-137]，這種一般屬于半監(jiān)督或無監(jiān)督學(xué)習(xí)方法；另一種則是采用孿生神經(jīng)網(wǎng)絡(luò)的方式對(duì)圖塊訓(xùn)練學(xué)習(xí)再進(jìn)行分類。自LeCun首次提出孿生神經(jīng)網(wǎng)絡(luò)[138]以來，目前已成為用來衡量兩個(gè)輸入相似程度的一種經(jīng)典特征表達(dá)方法，并在遙感影像的變化檢測中得到了深入研究和廣泛應(yīng)用?；趯\生神經(jīng)網(wǎng)絡(luò)計(jì)算特征相似度的方法可以分成3種方式[139]：代價(jià)函數(shù)判斷[140-142]、網(wǎng)絡(luò)內(nèi)部融合[143-145]和數(shù)據(jù)端組合[146]。對(duì)象級(jí)的變化檢測方法在異源數(shù)據(jù)變化檢測[147]和多模態(tài)應(yīng)用(arXiv:1807.09562,2018)等方面具有一定的優(yōu)勢(shì)，但是這種方法也存在一些局限性。第一種方法與傳統(tǒng)像素級(jí)方法類似，在進(jìn)行閾值分割時(shí)，變化與不變像素的個(gè)數(shù)依然需要滿足一定的分布關(guān)系。對(duì)象級(jí)方法對(duì)象單元大小通常也很難確定，這將對(duì)后續(xù)模型性能產(chǎn)生極大影響，并且隨機(jī)裁切的圖塊中含有過多的冗余信息，不僅會(huì)導(dǎo)致嚴(yán)重過擬合問題，也會(huì)增加計(jì)算負(fù)擔(dān)[148]。除此以外，這類方法還可以通過深度學(xué)習(xí)直接檢測變化對(duì)象的包圍盒，例如對(duì)偶相關(guān)注意力的變化檢測算法[149]。

2.3 變化檢測數(shù)據(jù)集

針對(duì)變化檢測問題，為提高機(jī)器學(xué)習(xí)模型性能并且驗(yàn)證不同方法的有效性，通常需要選取一定規(guī)模的數(shù)據(jù)集，通過計(jì)算各種算法在數(shù)據(jù)集上的性能指標(biāo)，從而做出詳細(xì)的定量評(píng)價(jià)。為此本文收集了截至目前在研究中較為常用的若干數(shù)據(jù)集，見表3，其中專題在本文中特指針對(duì)特定目標(biāo)(如建筑物)或者全要素。

表3 變化檢測相關(guān)數(shù)據(jù)集信息

目前，利用現(xiàn)有公開數(shù)據(jù)集結(jié)合深度學(xué)習(xí)技術(shù)進(jìn)行高分辨率遙感影像的變化檢測雖然取得了明顯成效，但是總體來說，在復(fù)雜場景中進(jìn)行變化檢測依然存在一些問題。這些數(shù)據(jù)集除了數(shù)據(jù)標(biāo)注的標(biāo)準(zhǔn)不一致、類別不統(tǒng)一外，數(shù)據(jù)量也不大，且大多數(shù)只針對(duì)某類地物進(jìn)行標(biāo)注，并沒有考慮實(shí)際需求中多種地物的組合變化。在缺乏廣泛的地理場景覆蓋、季節(jié)與物候、不同傳感器的大規(guī)模變化檢測樣本數(shù)據(jù)集條件下，無法有效支撐遙感變化檢測的應(yīng)用需求。深度學(xué)習(xí)對(duì)海量樣本數(shù)據(jù)依賴性與實(shí)際可用數(shù)據(jù)的匱乏性使得當(dāng)前基于深度學(xué)習(xí)方法在大區(qū)域、復(fù)雜場景下的變化檢測任務(wù)面臨諸多挑戰(zhàn)[157]。

3 關(guān)鍵問題與發(fā)展趨勢(shì)

當(dāng)前針對(duì)變化檢測的研究主要集中在機(jī)器學(xué)習(xí)方法，關(guān)鍵研究問題大致可分為數(shù)據(jù)準(zhǔn)備和預(yù)處理、機(jī)器學(xué)習(xí)模型設(shè)計(jì)、遙感影像特性與地學(xué)相關(guān)知識(shí)的應(yīng)用，以及模型性能優(yōu)化等多個(gè)方面。數(shù)據(jù)準(zhǔn)備和預(yù)處理包括針對(duì)多傳感器、多源、多時(shí)相的大規(guī)模樣本庫構(gòu)建方法、多源數(shù)據(jù)特征融合等問題。機(jī)器學(xué)習(xí)模型的設(shè)計(jì)重點(diǎn)關(guān)注缺少大規(guī)模高精度樣本條件下的模型構(gòu)建問題，可探索的方法包括遷移學(xué)習(xí)、蒸餾學(xué)習(xí)及終身學(xué)習(xí)/增量學(xué)習(xí)等。此外，由于遙感影像與日常空間獲取的數(shù)字圖像存在巨大差異，在模型中如何顧及和利用遙感影像的特性和相關(guān)地學(xué)知識(shí)(包含已有的地理信息)，是增強(qiáng)模型的穩(wěn)健性和可用性的重要手段。因此，多時(shí)相遙感影像的變化檢測研究進(jìn)展與傳感器的發(fā)展、相關(guān)數(shù)據(jù)處理技術(shù)的進(jìn)步密切相關(guān)?？傮w而言，該領(lǐng)域的研究呈現(xiàn)出數(shù)據(jù)-信息-知識(shí)的融合增強(qiáng)和方法的綜合互補(bǔ)等總體趨勢(shì)。以下就幾何信息和語義信息的變化檢測兩方面進(jìn)行分析。

幾何信息變化檢測方面，得益于近年來激光掃描硬件的發(fā)展和影像密集匹配技術(shù)的突破，幾何信息獲取的便捷性，進(jìn)一步推動(dòng)了利用幾何信息進(jìn)行變化檢測的相關(guān)研究。雖然不少學(xué)者證明了幾何信息可以有效提升變化檢測的可靠性，但依然存在諸多難題。首先，無論是LiDAR還是密集匹配點(diǎn)云，幾何信息獲取成本均高于單純利用遙感影像數(shù)據(jù)，幾何信息變化檢測技術(shù)普及難度大。其次，需求較大的建筑物等幾何信息變化檢測對(duì)DSM質(zhì)量、地形濾波技術(shù)等要求高，因此變化檢測幾何精度嚴(yán)重受限于DSM質(zhì)量、地形濾波結(jié)果。此外，深度學(xué)習(xí)技術(shù)多用于影像特征表達(dá)，融合幾何和光譜等多源信息的端到端幾何變化檢測研究較少，這也制約了幾何信息變化檢測的進(jìn)一步發(fā)展。

在語義信息變化檢測方面，目前，雖然憑借深度神經(jīng)網(wǎng)絡(luò)的強(qiáng)大特征抽取能力，針對(duì)變化檢測研究的變化目標(biāo)定位能力(變化位置)取得了一定的進(jìn)展，但是在實(shí)際應(yīng)用中，如果只利用二值變化標(biāo)簽開展變化檢測研究，依然存在諸多無法逾越的難題，這是由于如果僅僅采用深度學(xué)習(xí)提取遙感影像視覺特征，而較少地考慮地學(xué)空間語義信息和相關(guān)知識(shí)，會(huì)使得模型的可解釋性和可靠性較差。此外，在大多數(shù)場景中，變化的區(qū)域相對(duì)總體地表覆蓋來說，一般僅僅占據(jù)極小部分，由此導(dǎo)致從前后兩個(gè)時(shí)期影像獲取的變化樣本數(shù)量往往并不太多，而且根據(jù)地域發(fā)展特性，變化區(qū)域也具有一定的地域偏好性，造成樣本分布嚴(yán)重不均衡，從而利用深度學(xué)習(xí)抽取的特征對(duì)變化區(qū)域識(shí)別的泛化能力受到很大限制。除此之外，僅僅提取變化圖斑在諸多應(yīng)用中都會(huì)受到較大限制，如城市綠化面積變化要求提供林木變化類型信息、城市規(guī)劃過程中需要研究土地利用變化情況等。雖然目前出現(xiàn)了一些采用多任務(wù)的方式融合語義信息可以實(shí)現(xiàn)同時(shí)提供變化區(qū)域定位和類型識(shí)別的研究，但是依然存在很大的局限性。一方面，由于地物信息復(fù)雜多樣，智能化解譯方法的精度并不能滿足常規(guī)業(yè)務(wù)化需求，僅僅輸出端的結(jié)合導(dǎo)致二者彼此孤立，并不能做到相互融合，正向促進(jìn)；另一方面，在模型端融合需求的樣本數(shù)據(jù)具有一定的條件限制，即需要訓(xùn)練數(shù)據(jù)同時(shí)存在變化標(biāo)簽和語義標(biāo)簽，目前此類大規(guī)模樣本數(shù)據(jù)集極少。此外，在某些應(yīng)用中，樣本數(shù)據(jù)極其難以收集(如礦山等)。因此未來探索數(shù)據(jù)驅(qū)動(dòng)與知識(shí)驅(qū)動(dòng)的結(jié)合方式，是深度學(xué)習(xí)時(shí)代增強(qiáng)變化檢測能力的重要研究方向。

4 結(jié) 語

需要指出的是，由于篇幅所限，筆者對(duì)基于SAR和高光譜等影像的變化檢測方法并未做廣泛深入的探討?？傮w而言，由于變化檢測是兩個(gè)或多個(gè)時(shí)相信息的比較問題，深度卷積神經(jīng)網(wǎng)絡(luò)由于其強(qiáng)大的特征抽取和特征表達(dá)能力，在變化檢測研究中取得了一定的效果。基于對(duì)已有方法的總結(jié)和分析，歸納出未來值得注意的若干研究方向。①大規(guī)模變化檢測專用樣本集的構(gòu)建與應(yīng)用：大規(guī)模樣本集有望訓(xùn)練出泛化能力強(qiáng)、普適性好的變化檢測模型，為了避免過大的人力標(biāo)注投入，其中應(yīng)重點(diǎn)研究“時(shí)-空-譜-類”的多層次、多模態(tài)遙感影像變化檢測樣本的自適應(yīng)生成、自動(dòng)精化以及樣本轉(zhuǎn)換方法。②跨越“語義鴻溝”：變化檢測本質(zhì)上也是模式識(shí)別問題，如何利用遙感影像的時(shí)-空-譜等特性、地理信息先驗(yàn)與其他地學(xué)相關(guān)知識(shí)，來進(jìn)行高精度的語義信息提取和變化檢測，是實(shí)現(xiàn)模型可解釋性和穩(wěn)健性的必由之路。③多源數(shù)據(jù)的信息挖掘：多種來源的地理信息和其他多種模態(tài)的相關(guān)數(shù)據(jù)(如互聯(lián)網(wǎng)信息、視頻、音頻等)可以輔助進(jìn)行變化的發(fā)現(xiàn)，提升方法的穩(wěn)定性和可靠性。④小樣本學(xué)習(xí)：小樣本學(xué)習(xí)在實(shí)際應(yīng)用中將大大減少模型對(duì)樣本的需求，實(shí)現(xiàn)弱監(jiān)督甚至無監(jiān)督條件下的自動(dòng)變化檢測，需要與②和③的聯(lián)合研究來實(shí)現(xiàn)。