awesome-remote-sensing-change-detection

这是一个关于遥感变化检测的综合性资源合集，收录了光学数据集、多模态和SAR数据集等多种类型的数据集，同时还包括工具、方法、综述论文和竞赛等资源。合集覆盖了遥感变化检测领域的多个主题，如建筑物变化、土地覆盖变化、灾害评估等，旨在为研究人员和开发者提供全面且最新的数据集索引和参考。

This is a comprehensive resource collection for remote sensing change detection, which includes various types of datasets such as optical datasets, multimodal datasets and SAR datasets, alongside resources like tools, research methods, review papers and competitions. This collection covers multiple core topics in the remote sensing change detection field, including building changes, land cover changes, disaster assessment and other related themes. It aims to provide researchers and developers with comprehensive and up-to-date dataset indices and references.

原始信息汇总

这是一个关于遥感变化检测的综合性资源列表，涵盖了数据集、工具、方法、综述论文和竞赛等。

数据集

该页面收录了超过50个遥感变化检测数据集，按传感器类型分为光学数据集和多模态/SAR数据集。

光学数据集

• 任务类型: 包括语义变化检测（SCD）、二值变化检测（BCD）、遥感图像变化描述（RSICC）、建筑损伤评估（BDA）等。
• 目标: 覆盖建筑物、土地覆盖/利用、农作物、道路、滑坡、洪水、河岸等变化检测。
• 数据来源: 主要来自 Google Earth、Maxar、GF系列（高分）、BJ系列（北京二号）、Sentinel-2、Landsat、航空影像等。
• 规模: 图像对数量从1对（如WHU-CD）到超过62,000对（如RSCC）不等。
• 分辨率: 范围从0.03米（CDD）到30米（Landsat-SCD）。
• 地理分布: 以中国和美国为主，同时涵盖全球多个地点。

代表性数据集包括：

数据集 (年份)	任务	目标	图像对数量	空间分辨率	主要特点
RSCC (2025)	SCD+BCD	建筑	62,351	0.3-0.8m	全球31个地点，图像数量庞大
xBD (2019)	BDA	建筑损伤	11,034	<0.8m	全球建筑损伤评估标准数据集
LEVIR-CD (2020)	BCD	建筑	637	0.5m	高分辨率建筑变化检测常用基准
CLCD (2022)	BCD	农作物	600	0.5-2m	专注于农作物土地变化
SECOND (2020)	SCD	土地覆盖	4,662	-	中国三大城市的语义变化检测

多模态与SAR数据集

此类别包含利用不同传感器数据（如光学-SAR、光学-DSM）的数据集，主要用于灾害评估和城市变化检测。

数据集 (年份)	任务	目标	模态	主要特点
BRIGHT (2025)	SCD	建筑	光学+SAR	全球性建筑变化检测，含光学与SAR数据
CAU-Flood (2023)	BCD	洪水	Sentinel-1, Sentinel-2	结合光学与SAR的全球洪水变化检测
Kuro Siwo (2023)	SCD	洪水	Sentinel-1, DEM	大规模洪水变化检测，结合数字高程模型
Hi-BCD (2024)	SCD	建筑	航空影像+DSM	荷兰三大城市建筑变化检测，含高程信息

工具

页面列出了多个用于遥感变化检测的开源工具箱，旨在简化模型复现、训练和评估。

名称	年份	关键特性
Open-CD	2022	号称最全面的变化检测开源工具箱，提供统一平台、多种方法、训练/推理工具和基准测试。
PaddleRS	2022	基于PaddlePaddle的遥感工具包，支持变化检测等任务，提供专用模型和大图处理能力。其PyTorch版本为CDLab。
rschange	2024	专注于复现和开发变化检测先进方法（如DDLNet, CDMask）的开源工具箱。
torchange	2024	提供开箱即用的当代时空变化检测模型（如ChangeStar, Changen, AnyChange）、指标和数据集，以促进可复现性。

方法

该页面将变化检测方法分为深度学习和传统方法两大类。

• 深度学习方法:

  • 基础模型 (Foundation Models)
  • 扩散模型与GANs (Diffusion Models and GANs)
  • Transformer
  • CNN

• 传统方法:

  • 常用方法 (Common Methods)
  • 新方法 (New Methods)

其他资源

• 综述论文 (Review Papers): 整理了该领域的相关综述文章。
• 竞赛 (Competitions): 收集了相关竞赛信息。
• 卫星数据资源 (Satellite Data Resources for Disaster Response): 提供了用于灾害响应的卫星数据资源。

搜集汇总

数据集介绍

构建方式

遥感影像变化检测是地理信息科学领域的一项核心任务，旨在通过分析同一地理区域在不同时间获取的影像，精准识别地表覆盖的动态变化。该数据集的构建方式独具匠心，系统性地收集并整理了自2008年至2026年间发布的遥感变化检测数据集、工具、方法及综述论文。其内容涵盖光学与多模态SAR数据集，例如LEVIR-CD、xBD、WHU-CD等经典基准，以及最新发布的RSCC、LsSCD-Ex等前沿数据集。每个数据集均被详细标注了年份、任务类型、目标地物、影像来源、分辨率及地理位置等关键元信息，形成了一个层次分明、覆盖全面的知识库。

使用方法

使用该数据集时，研究者可依据自身需求灵活检索。对于需要特定任务或地物的用户，可通过目录中的任务类型（如SCD、BCD）和目标地物（如Building、Land cover）快速定位相关数据集。每个条目均提供了出版来源、影像对数量、尺寸及分辨率等详细信息，便于评估数据适用性。用户可直接点击链接访问原始数据集下载页面，或引用对应论文以获取更深入的构建细节。此外，该集合还汇总了Open-CD、PaddleRS等开源工具箱，支持直接调用预训练模型进行训练与推理，极大简化了从数据准备到模型部署的流程，尤其适合在遥感变化检测领域开展对比实验与算法创新。

背景与挑战

背景概述

遥感图像变化检测作为地球观测领域的核心任务，旨在通过分析同一地理区域在不同时间获取的多时相遥感影像，精确识别地表覆盖的动态演变过程。随着对地观测技术的飞速发展，高分辨率卫星星座（如高分系列、吉林一号等）与无人机平台的普及，使得亚米级影像的获取成为常态，为精细化城市扩张监测、农业资源评估、灾害应急响应等提供了海量数据支撑。该数据集整合项目由武汉大学等国内外顶尖遥感研究机构于2018年起持续维护，系统梳理了涵盖光学、SAR、多模态等类型的逾百个公开数据集，并收录了从传统机器学习到基础模型、扩散模型等前沿方法的文献索引，已成为遥感变化检测领域最具影响力的综合性资源库。其核心研究问题聚焦于如何利用深度学习技术克服异源影像配准、跨尺度特征对齐、复杂场景下的小样本学习等瓶颈，推动了该领域从二值变化检测向语义变化检测、灾害损伤评估等更精细任务的范式演进。

当前挑战

当前遥感变化检测面临的核心挑战可归纳为三方面：其一，领域问题的复杂性——真实场景中地物变化呈现多尺度、多形态特征，例如城市建筑群的新建与拆除往往伴随阴影、植被等背景干扰，而农业用地的季节性轮作与洪水灾害的瞬时淹没在时序特征上存在本质差异，现有模型难以在保持语义一致性的同时准确区分自然演替与人为干预导致的变化。其二，数据集构建的固有困难——高精度像素级标注依赖专家手工解译，跨时相影像的几何配准误差、大气条件差异以及传感器光谱响应非线性均会引入伪变化噪声；此外，现有公开数据集普遍存在地理分布不均衡（如中国东部城市样本密集而全球其他区域稀疏）、时间跨度有限（多数仅含双时相影像）等问题，导致模型泛化能力受限。其三，多模态融合的鸿沟——光学与SAR影像的物理成像机理迥异，使得跨传感器变化检测面临特征空间不兼容的困境，而现有融合方法多基于浅层特征拼接，未能有效利用时序相位信息与极化散射特性的互补优势。

常用场景

经典使用场景

在遥感对地观测领域，变化检测是揭示地表动态演变的核心技术之一。该数据集资源库汇集了涵盖光学与多模态SAR影像的丰富数据集，广泛应用于建筑物、耕地、水体及道路等目标的二值与语义变化检测任务。研究者常借助LEVIR-CD、WHU-CD等经典数据集，训练深度学习模型以精准捕捉双时相图像间的差异，从而实现对城市扩张、农业变迁等自然与人为过程的定量化监测。

解决学术问题

该资源库系统性地解决了遥感变化检测研究中长期存在的基准数据分散、任务定义不统一等关键瓶颈问题。通过整合数十个高质量标注数据集，它为模型性能的公平对比与可重复性研究提供了标准化平台。其收录的数据集支撑了从传统方法到Transformer、扩散模型等前沿范式的学术探索，有力推动了语义变化分割、灾害损伤评估及图像变化描述等细分方向的深入发展，显著提升了遥感智能解译的理论深度与实践效能。

实际应用

在实际应用中，该资源库所涵盖的数据集与工具链为国土空间规划、农业资源普查及防灾减灾等重大领域提供了坚实的数据支撑。例如，xBD与SpaceNet 8数据集被用于飓风、洪水等自然灾害后的建筑物损毁评估，辅助应急响应决策；CLCD与Hi-CNA等耕地数据集则服务于精准农业监测，助力粮食安全战略。此外，多模态数据集如UrbanSARFloods在洪涝范围快速制图中展现了独特价值，实现了对复杂环境变化的高时效、大范围感知。

数据集最近研究

最新研究方向

遥感变化检测领域正经历一场由基础模型（Foundation Models）、扩散模型（Diffusion Models）与Transformer架构引领的范式革新，研究前沿已从传统的二值变化检测（BCD）和语义变化检测（SCD）向多模态、多任务、高分辨率与灾害应急响应等复杂场景纵深演进。例如，NeurIPS 2025发表的RSCC数据集聚焦全球31个地点、0.3-0.8米分辨率的建筑物变化，而DisasterM3数据集则开创性地融合光学-SAR-指令数据，为灾害损害评估（DDA）提供了多模态基准。与此同时，面向灾后建筑损毁评估的BRIGHT数据集（arXiv 2025）整合了光学与SAR影像，标志着跨传感器融合已成为应对全球气候变化下频发自然灾害的迫切需求。此外，包含62,351对影像的大规模数据集RSCC（NeurIPS 2025）以及针对耕地变化的Xiamen与Fuzhou数据集（JAG 2025）的涌现，不仅推动了细粒度土地覆盖与作物监测的智能化，也为联合国SDG目标中的粮食安全与城市韧性提供了关键数据支撑。这些进展共同表明，遥感变化检测正从实验室基准迈向服务于全球环境监测与防灾减灾的实用化、高时效性解决方案。