《Frontiers in Artificial Intelligence》：Image processing and AI techniques for climate change detection using remote sensing: a comprehensive review
气候变化正在加速陆地、水体、海岸、冰冻圈以及生态系统中具有空间复杂性的转变，因此迫切需要基于地球观测影像的可靠、可扩展且及时的监测方法。依赖稀疏原位（in-situ）观测、人工图像解译以及简单光谱指数或阈值分割的传统方法，往往难以捕捉细微、异质且多尺度的变化，也无法适应当今多传感器、多时相卫星档案数据的处理需求。本文综述了应用于光学、合成孔径雷达（SAR）、热红外和高光谱遥感的图像处理与人工智能（AI）技术，用于气候变化检测，涵盖经典变化检测方法、机器学习分类器、深度学习架构〔包括孪生网络（Siamese）和分割网络〕、面向卫星图像时间序列的时空模型，以及多传感器融合方法；应用领域包括土地利用/土地覆被（LULC）与毁林、水文与洪涝、海岸与红树林动态、冰冻圈变化、城市热环境、生态系统以及自然灾害。此外，综述分析了这些方法常用的评估指标——总体精度（OA）、精确率、召回率、F1值、交并比（IoU）、Kappa系数，以及均方根误差（RMSE）等误差度量——并讨论了与数据质量和标注、域偏移与泛化、计算与运行约束、可解释性以及与气候模型和影响模型集成相关的关键挑战。本文的独特贡献在于提出了统一的“方法—应用”分类体系，将算法家族与具体气候监测任务显式关联；系统比较了已有研究报告的性能指标，阐明不同技术在不同数据条件和类别不平衡条件下的权衡关系；并提出了一个实用决策框架，以指导研究人员和实践人员依据给定传感器、区域和业务需求选择合适的图像处理与人工智能方法，同时展望了基础模型（foundation models）、标准化基准以及可互操作的气候决策支持系统等未来方向。在所综述文献中，深度学习方法在复杂且异质环境中持续表现出更高精度，例如交并比（IoU）和F1值的提升；而经典方法在大尺度及数据匮乏应用中仍然有效。然而，模型跨区域泛化、多传感器时间序列数据集成以及标注数据集可获得性等方面仍存在显著缺口。
1 Introduction
1.1 Climate change monitoring and the role of imaging
论文首先指出，气候变化正以前所未有的速度改变地球系统，影响温度、降水格局、海平面、冰冻圈范围、生态系统及人类聚落，而且这种变化通常具有显著的空间异质性与非线性特征。因此，仅跟踪全球平均量已无法满足科学研究、政策制定和适应规划需求，决策者更需要具有空间显式性和时间分辨率的信息，以识别土地覆被、水体、海岸线与城市区域“何处变化、变化多快”。文中强调，地面观测网络虽然不可替代，但在区域到全球尺度上仍过于稀疏且分布不均，难以支撑全面气候监测。相比之下，卫星与机载多传感器数据能够提供长期、重复、综合性的观测能力，特别是光学、合成孔径雷达（SAR）、热红外与高光谱传感器可从植被状态、地表水范围、积雪覆冰、地表温度（LST）和建设用地扩张等方面表征气候变化信号。由于现代遥感档案在体量、异质性和时间深度上已超出人工解译与简单阈值法的处理能力，自动化图像处理与人工智能（AI）方法成为从数据流中提取稳健、可扩展且及时信息的关键。文章进一步指出，现有研究多聚焦于单一技术或单一应用场景，缺乏跨传感器、跨尺度、跨气候过程的综合框架，因此本文旨在通过显式关联图像分析方法与气候过程，构建统一的研究视角。
1.2 Conventional climate monitoring challenges
该小节系统归纳了传统气候监测的结构性局限。原位（in-situ）监测网络虽然能够提供高质量点位观测，但空间覆盖稀疏、时间连续性不足，尤其在全球南方、高纬度地区及偏远生态系统中存在明显空白。基于再分析资料或粗分辨率格网数据的非成像气候指标虽然适用于大尺度评估，但会平滑局地空间异质性，削弱对局部毁林、城市扩张、小型水体和湿地变化等过程的识别能力。在使用遥感数据的传统流程中，研究往往依赖人工或半人工解译，以及归一化植被指数（NDVI）、归一化水体指数（NDWI）等简单指数差分与固定阈值，这些方法对光照条件、季节变化和大气效应高度敏感，难以检测渐进性、光谱复杂或混合像元主导的变化。文中还强调，面对当代海量多源、多时相地球观测数据，人工和规则驱动流程难以扩展，常造成监测结果滞后、粗糙或不完整，从而限制其在近实时风险评估、预警和适应措施评估中的应用。
1.3 Overview of remote sensing and image data
论文从传感器层面梳理了气候监测所依赖的主要遥感影像类型。光学多光谱传感器，如Landsat、Sentinel-2和MODIS，可用于提取植被、水体、积雪冰川和建设用地指标，具有丰富光谱信息与长时间历史档案，但受云层和大气条件限制。合成孔径雷达（SAR）以主动微波成像方式提供全天时、全天候观测，尤其适合洪涝、土壤湿度、地表粗糙度和植被结构变化监测，但其反向散射信号受成像几何、极化与斑点噪声影响较大。热红外数据用于反演地表温度（LST）和能量平衡，对热浪、干旱和城市热岛分析尤为重要，但空间分辨率通常低于可见—近红外数据。高光谱数据则凭借连续窄波段优势，支持植被种类、土壤矿物、水质等精细识别，但预处理复杂、数据量大、空间覆盖有限。文章强调，不同传感器的空间分辨率、重访周期、光谱范围和环境敏感性决定了其适配的气候监测任务，也进一步影响算法选择。
1.4 Benefits of AI and image processing for climate applications
该部分论证了高级图像处理与人工智能（AI）方法在气候应用中的核心价值。与简单指数阈值法相比，机器学习和深度学习模型能够学习光谱、空间和时间模式与地表过程之间复杂的非线性关系，因此在异质景观、混合像元以及人类活动与气候变化耦合区域中表现更优。文中指出，这类方法的关键优势之一是实现大尺度监测流程自动化，使得整区域乃至全球的连续或近实时分析成为可能，尤其适用于识别小尺度毁林斑块、狭窄城市扩张带、局地洪水淹没和细微植被退化等传统方法易忽略的变化。此外，多传感器融合模型可在统一框架下综合光学、SAR、热红外及辅助地理数据，提高在多云、光照变化和数据缺失条件下的稳健性；时序与时空模型则可将长期趋势与季节波动、年际变化和短期扰动区分开来。整体而言，这些方法有助于更早、更可靠地识别气候影响，并支撑风险评估、适应与减缓决策。
1.5 Scope and structure of the review
论文明确限定了综述范围：聚焦基于卫星及相关遥感图像数据、面向气候变化检测与监测的数据驱动方法，而非一般气候建模或传感器硬件设计。全文围绕一套“双重分类体系”展开，即将方法类别——从经典图像处理、传统机器学习到深度学习和卫星图像时间序列模型——与具体气候应用领域相对应，涵盖土地利用/土地覆被（LULC）变化与毁林、水文与洪水、海岸与红树林、冰冻圈变化、城市热环境、生态系统与生物多样性以及自然灾害。作者强调，该综述不仅罗列方法和案例，还特别重视性能评估、方法选择和决策支持，因此其贡献在于提出了方法—应用综合视角、性能指标对比框架和面向业务需求的方法选型框架。
1.6 Review methodology
在综述方法方面，作者说明采用结构化文献检索策略，主要检索2015—2025年间的研究，同时纳入少量经典奠基性文献以补充背景。检索来源包括IEEE Xplore、ScienceDirect、SpringerLink、MDPI、Wiley、arXiv等数据库与开放平台，检索关键词涵盖climate change、remote sensing、satellite imagery、change detection、machine learning、deep learning等。文献纳入标准包括：使用地球观测数据；针对明确的气候相关应用；并报告或实质讨论了性能评估。排除对象包括纯气候/天气模型研究、社会感知类图像研究以及未涉及环境变化检测方法开发或评估的传感器工程论文。最终文献依据方法—应用分类体系进行组织。
2 Understanding image data and processing foundations
2.1 Remote sensing imagery types and characteristics
本节在前文基础上进一步讨论影像类型及其处理含义。作者指出，光学、多光谱、SAR、热红外和高光谱数据分别承载不同环境过程信息，且其物理特性直接决定后续算法设计。例如，SAR数据受斑点噪声和复杂后向散射机制影响，需要噪声鲁棒型模型与专门预处理；光学数据则更适合基于光谱指数和卷积神经网络的方法；高时间分辨率数据更适合时序模型，而高空间分辨率影像更适合基于分割的深度学习框架。作者强调，传感器属性与方法设计存在紧密耦合关系，不能孤立选择算法。
2.2 Preprocessing and data quality issues
该小节强调预处理是可靠气候变化检测的基础。主要步骤包括辐射校正、大气校正、几何校正与多时相配准、云与阴影掩膜、缺失填补、影像合成，以及多传感器条件下的归一化与一致化处理。这些步骤并非单纯的技术准备，而是直接影响变化检测结果的真实性。残余噪声、微小错位或跨传感器不一致都可能在敏感气候应用中传播为伪变化，进而影响机器学习和深度学习模型的训练及推理效果。
2.3 Climate signals in images
作者进一步指出，经过处理的遥感影像需转化为具有物理意义的气候相关指标，才能真正支撑监测与建模。常见指标包括植被指数，如NDVI和增强植被指数（EVI），用于反映生态健康、干旱胁迫、退化和物候变化；水体相关指标，如NDWI及基于SAR的水体分类，用于表征地表水、洪水和湿地动态；热红外反演的地表温度（LST），用于分析热岛、热浪和能量平衡；以及积雪、冰川、建设用地和土地覆被分类产品等。论文强调，这些衍生信号构成了原始影像与可解释气候变量之间的桥梁，也决定了后续学习模型的输入结构和建模策略。
3 Image processing and AI techniques for climate change detection
3.1 Design criteria for climate related image analysis
文章认为，面向气候变化检测的图像分析方法必须满足若干相互竞争的设计要求：既要适应局地高分辨率过程，也要适应区域到全球尺度长期趋势；既要对云、阴影、大气残差、季节变化、年际波动和SAR斑点噪声具有鲁棒性，又要保持对突发事件和渐变过程的敏感性；既要支持多传感器融合，也要具备一定可解释性与不确定性表征能力；同时还需控制计算成本，以便处理历史档案和近实时数据流。作者以此为后续方法比较建立了评价框架。
3.2 Classical image processing and change detection methods
该小节系统总结了经典变化检测技术，包括指数差分、波段比值与回归、主成分分析（PCA）、变化向量分析（CVA）、后分类比较以及面向对象影像分析（OBIA）/地理对象影像分析（GEOBIA）。这些方法通常直接基于像元值或简单变换，计算效率高、解释直观，适用于清晰、高对比度的变化，如显著毁林、开阔水体扩张等。其不足在于对季节性、大气效应、阈值选择和噪声较为敏感，对细微、异质、渐进或非线性的气候驱动变化识别能力有限。文章指出，尽管经典方法在大尺度、长时间序列和数据匮乏场景中仍具实用价值，但其泛化通常依赖较多人工校准。
3.3 Machine learning methods
作者将机器学习方法视为从规则驱动向数据驱动过渡的重要阶段。常用监督学习模型包括支持向量机（SVM）、随机森林（RF）、梯度提升方法，如XGBoost和LightGBM，可用于土地利用/土地覆被（LULC）分类后比较，或直接基于多时相特征堆栈进行变化/非变化识别。文中指出，随机森林和梯度提升模型因能处理噪声特征、相关特征和非线性关系，并提供特征重要性度量，而特别适合需要兼顾精度与解释性的气候监测任务。非监督与半监督方法，如K-means、高斯混合模型和自组织映射，也用于缺乏标注时的异常检测和初始分割。论文特别强调特征工程的重要性，典型输入包括光谱指数、时间统计量、灰度共生矩阵（GLCM）纹理、地形因子，以及SAR极化后向散射和相干性特征。总体而言，机器学习方法相较经典方法更灵活、精度更高，但对特征设计与训练样本代表性依赖明显，在强域偏移、高维多源和类别不平衡场景下仍存在局限。
3.4 Deep learning methods
在深度学习部分，论文指出卷积神经网络（CNN）已成为多类气候遥感任务的主流方法。分割导向模型，如U-Net及其变体，凭借编码器—解码器结构和跳跃连接，能够兼顾细粒度纹理与大尺度上下文，适用于毁林、城市建成区、洪水水体、积雪覆冰和岸线位置的像素级制图。针对显式变化检测，孪生网络（Siamese）通过共享特征提取器并比较不同时相影像表示来判断变化，已成为双时相变化检测的重要架构。文章还讨论了多模态深度网络在光学、SAR、热红外和辅助数据融合中的应用。作者总结认为，在具备足够标注数据和计算资源的条件下，深度学习通常在复杂和异质环境中取得最高精度，但其代价是对数据规模、正则化策略、增强手段和严格验证流程的更高要求，同时存在“黑箱”特征明显、跨区域与跨传感器泛化不足的问题。
3.5 Time-series and spatio-temporal models
作者进一步指出，许多气候过程表现为持续数月至数十年的演化轨迹，而非简单双时相差异，因此需要显式建模时间维度。文中介绍了卷积长短期记忆网络（ConvLSTM）、时间卷积网络、长短期记忆网络（LSTM）、门控循环单元（GRU）以及基于自注意力机制的Transformer时空模型。ConvLSTM通过卷积替代内部矩阵运算，在保留空间结构的同时建模时序依赖；时间卷积模型更易训练，适合大规模时间序列；Transformer则擅长捕捉长程时空依赖并适应不规则观测和异质多传感器序列。论文认为，显式引入时间上下文有助于区分长期气候驱动变化与短期波动或噪声，并提高早期检测能力，但同时对长时序配准、一致化、缺失处理和计算资源提出更高要求。
3.6 Comparative synthesis of techniques
在综合比较中，作者认为不存在对所有气候监测任务都最优的统一方法。经典方法适合长时间序列、数据稀缺和高对比度变化场景；传统机器学习在中等规模、多源特征明确的应用中兼具性能与可解释性；深度学习和时空模型则在高分辨率、多传感器和时间序列任务中表现最佳，尤其适合复杂环境下的精细变化制图。文章还指出，近年来带有注意力机制、多尺度特征提取和跨模态融合的混合深度学习与Transformer框架正在推动方法从特定任务模型向更具通用性和可迁移性的架构转变。最终的方法选择应综合考虑传感器条件、空间与时间尺度、标注预算以及业务运行约束。
4 Climate applications of image processingAI-based methods
本章按气候应用领域组织文献，说明不同算法在现实问题中的适配性。
4.1 LULC and deforestation
在土地利用/土地覆被（LULC）与毁林监测中，遥感时间序列是量化碳通量、地表反照率、蒸散和栖息地连续性变化的重要工具。经典指数差分和后分类比较可有效识别大尺度突变，如皆伐和林地转农地；机器学习通过引入光谱、纹理、时间统计和地形信息，改善对森林退化、轮作和混合农林系统的区分；深度学习分割与孪生变化检测则在高分辨率数据条件下更能识别狭窄毁林前沿、景观镶嵌和城郊扩张。时序模型进一步支持区分永久土地覆被转化与暂时性扰动。作者认为，这些方法共同推动LULC监测从静态、低频地图向动态、持续更新产品演进。
4.2 Urbanization and LST/urban heat
在城市化与城市热环境研究中，文章强调建设用地扩张通过改变反照率、热惯量和蒸散过程，推动城市热岛增强。传统方法依赖归一化建筑指数（NDBI）、裸土指数、植被指数以及热红外反演地表温度（LST）来监测城市扩展及升温格局，但对复杂城郊镶嵌和城市内部热异质性处理有限。机器学习和深度学习通过融合光谱、纹理与空间上下文，能够识别不同城市结构类型及其热特征，并结合LULC与LST时间序列，分离土地转化造成的温度变化和更广泛气候背景变化。作者指出，这类产品对城市气候模型、热风险评估及适应性规划具有直接价值。
4.3 Hydrology: lakes, rivers, floods, droughts
在水文应用中，遥感用于监测湖泊、水库、河流、湿地、洪涝与干旱。经典方法常通过NDWI、改进型NDWI及SAR阈值分割提取开阔水体，并开展时间序列面积变化分析；针对河流和湿地，可结合对象分割与SAR分类改善窄水道和植被淹没区识别。洪水制图是较为成熟的应用场景，光学与SAR影像可通过阈值法、机器学习和深度分割网络生成淹没范围。干旱监测则更多依赖植被状态与地表温度（LST）组合指标和异常检测。作者指出，随机森林、梯度提升、U-Net以及时空模型显著提升了复杂地形、云覆盖和动态水体场景下的识别能力，但在混合陆水边界和干旱代理变量精度方面仍存在限制。
4.4 Coasts and mangroves, shoreline and erosion
在海岸与红树林监测中，遥感图像处理用于追踪海平面上升、风暴潮和沉积动力变化引起的岸线后退/前移、海滩重塑及红树林退化。传统岸线提取通常基于光谱阈值、水体指数和边缘检测，再通过多时相岸线比较计算位移；红树林监测则依赖光谱指数、监督分类和对象分析。机器学习提升了复杂海岸镶嵌环境下的类别判别能力，深度学习分割则进一步改善狭窄岸线、潮沟和破碎红树林斑块的提取精度。结合高程、波浪气候和社会经济信息后，这些产品可支撑海岸脆弱性识别与适应策略制定。作者同时提醒，潮位变化、季节效应和数据可用性会影响长期变化估计的一致性。
4.5 Cryosphere: glaciers, snow, ice sheets
在冰冻圈研究中，论文指出冰川退缩、积雪季缩短和融化动态变化是最敏感的气候变化指示之一。光学多光谱影像长期用于利用光谱比值和指数提取冰川边界与季节性雪盖，支持退缩率、雪线高度及积累—消融区变化分析；SAR则可在多云和极夜条件下提供补充，并支持干涉与特征跟踪获取冰川运动信息；热红外可用于识别融化开始和表面融池。机器学习和深度学习提高了对碎石覆盖冰川、阴影影响和复杂地形下雪冰分割的鲁棒性，而时空模型有助于区分年际波动与持续变暖趋势。作者认为，这些影像产品对海平面上升评估和融雪供水研究具有基础意义。
4.6 Ecosystems and biodiversity monitoring
在生态系统与生物多样性监测中，作者强调遥感更多提供的是栖息地范围、结构、状态与物候等代理变量，而非物种层面直接观测。光学、多源SAR及高光谱数据可支持森林、草地、湿地、浅海珊瑚和苔原等生态系统监测；经典分类和植被指数用于跟踪栖息地范围变化与退化，机器学习和深度学习则提高了对冠层变薄、破碎化和入侵扩展等细微变化的识别能力。时间序列物候分析可揭示生长季变化、生产力与干旱响应，从而间接评估生态系统胁迫和韧性。文章同时指出，仅依赖遥感仍难全面表征物种多样性，需与生态调查和物种分布数据结合。
4.7 Natural hazards and extremes: wildfire, storms, multi-hazard mapping
在自然灾害与极端事件领域，图像处理和人工智能（AI）已广泛用于野火、风暴、滑坡、热浪及复合灾害的检测与评估。光学和热红外数据可用于活动火点、过火区及火烧烈度制图，SAR用于补充结构变化和湿度信息；传统阈值与归一化火烧比指数方法正逐步被机器学习与深度分割模型补充。风暴和强对流灾害可借助云、降水、风场产品以及光学/SAR影像监测其洪涝和风害影响；滑坡则越来越多依赖前后时相影像比较和卷积网络识别。作者指出，多灾种风险制图常将各类影像检测结果与地形、土地覆被和气候因子联合建模，用于识别复合风险热点，但实时预警仍面临数据时延、模型泛化和环境噪声问题。
5 Evaluation, performance metrics, and reliability
在评估部分，论文系统总结了常见指标及其适用性。总体精度（OA）适合平衡类别下的全局概括，但在变化/非变化、洪水/背景等不平衡任务中可能产生误导。生产者精度、用户精度、精确率、召回率和F1值更适合分析类别级错误结构；交并比（IoU）和平均交并比（mIoU）则更适用于分割和空间轮廓任务；Kappa系数在传统土地覆被研究中使用广泛，但其附加解释价值存在争议；对于连续变量，如地表温度（LST）、土壤湿度和水位预测，均方根误差（RMSE）、平均绝对误差和偏差更为关键。作者进一步指出，不同方法家族的评估传统并不一致：经典方法偏重OA和Kappa，机器学习更常报告类别级指标与AUC，深度学习则大量采用F1、Dice和IoU。由于类定义、阈值选择、测试区域、参考数据来源和验证策略差异显著，跨研究直接比较结果并不可靠。文中给出总体趋势：经典方法通常精度约70%–85%，机器学习约80%–90%，深度学习约85%–95%，时空深度学习可达88%–96%，但代价是更高的数据和计算需求。作者最后倡议建设跨应用、跨传感器、空间与时间上相互独立的标准基准数据集，并建立统一报告协议与可复现实验流程。
6 Challenges to adoption and practical deployment
本章聚焦方法走向业务化的现实障碍。首先，高质量标注数据仍是主要瓶颈，特别是在全球南方、山区和政治敏感区，地面真值稀缺、标签噪声大且类别严重不平衡，限制了深度学习模型训练与公平比较。其次，跨传感器、跨区域和跨季节的域偏移使模型泛化与迁移能力不足，即便在训练区内表现良好，也可能在新区域显著退化。第三，海量高分辨率时序影像带来的计算与运行压力，使得GPU资源、存储、云平台依赖和流程稳健性成为实际部署瓶颈。第四，深度模型可解释性有限，难以满足气候政策、灾害管理和法规应用中对透明度与可信度的要求，因此需要特征重要性、显著性图、不确定性量化和物理约束融合。最后，影像产品与气候模型、预警系统和决策支持平台在空间尺度、时间尺度、变量定义和元数据标准上往往不一致，制约了其系统集成与政策转化。
7 Future trends
论文最后展望了五个主要发展方向：其一，基于大规模多传感器档案训练的基础模型（foundation models）和自监督学习有望缓解标注稀缺并提升跨区域迁移能力；其二，多传感器、多分辨率融合将成为常态，以实现云覆盖、极夜和传感器缺失条件下更稳健的监测；其三，借助不断扩展的卫星星座与云端地理空间平台，近实时全球监测将更具可行性；其四，影像衍生产品将与气候、水文、生态和社会经济影响模型更紧密耦合，推动观测—模拟双向反馈；其五，开放基准、共享模型、开源流程和面向终端用户的业务化服务将推动该领域走向更加透明、标准化和可持续的生态。
8 Conclusion
结论部分指出，图像处理与人工智能（AI）已经将气候监测从静态、粗尺度观测转变为能够在区域到全球尺度动态追踪土地、水体、海岸、冰冻圈与城市变化的精细化系统。经典方法仍适用于长时序与高对比度变化场景；随机森林（RF）和梯度提升等机器学习方法在土地利用/土地覆被（LULC）、灾害敏感性和部分生态—水文应用中实现了精度、稳健性与可解释性的平衡；卷积神经网络（CNN）、孪生网络（Siamese）、卷积长短期记忆网络（ConvLSTM）和Transformer等深度学习及时空模型则构成高分辨率、多源融合与复杂环境变化制图的技术前沿。尽管如此，标注匮乏、域偏移、评估异质性与系统集成不足仍是制约其走向可信、可扩展和可操作气候智能的关键问题。作者认为，未来进步将依赖开放基准、标准评估、自监督与基础模型、可解释与不确定性感知模型设计，以及与气候及影响模型的更紧密耦合。
