通过时间修复进行卫星图像异常检测

本文提出了一种新的深度学习方法，用于检测卫星图像中的地表变化，解决了大气噪声和季节性变化带来的挑战。核心思想是使用修复模型，根据之前的观测来预测卫星图像的预期外观，然后通过比较预测和实际图像来识别异常。应用于地震引发的地表破裂证明了该方法的有效性，并提高了灵敏度，优于传统方法。这很重要，因为它为自动化的、全球范围内的地表变化监测提供了途径，这对于灾害响应和环境监测至关重要。

• •提出了一种用于卫星图像异常检测的新型深度学习方法。
• •利用时间修复来预测卫星图像的预期外观。
• •与传统方法相比，展示了更高的灵敏度和特异性。
• •在地震引发的地表破裂上验证了该方法。
• •为自动化、全球范围内的地表变化监测提供了途径。