教案地址（含代码、数据集；可在线运行复现）：https://www.heywhale.com/home/activity/detail/6694d982331d96ac493e643a/content/1
内容简介：
城市的发展就像一场永不停歇的变装秀，土地覆盖的变化频繁而复杂。想要给这场秀拍下精准的“快照”，我们需要明确而精确的土地覆盖变化信息，这将是城市管理的宝贵科学数据！为了捕捉城市发展在每个时空节点的精确模样，我们的变化检测模型不仅要指出“哪里变了”和“什么时候变的”，还得告诉我们“变成了什么”。
这次 workshop，我们就来揭秘一种酷炫的深度学习方法——时序语义分割变化检测（Temporal Semantic Segmentation Change Detection，TSSCD），它能一次性搞定变化的地点、时间和类型！我们将手把手教你如何搭建 TSSCD 模型，并把它用在时间序列土地覆盖变化检测上。从数据准备到模型训练，从区域推理到结果分析和制图，一站式学习体验，等你来挑战！
在这场 Workshop 中，你将使用雄安新区遥感影像数据，亲自搭建基于深度学习的时间序列变化检测模型，探索不同城市土地覆盖的变迁奥秘。通过这次实战演练，你不仅将掌握基于时间序列的土地覆盖变化检测的黑科技，还能在数据分析、模型构建和地理信息处理上大显身手，为你在地理信息系统、城市规划、环境保护等领域的未来研究之路，添上一双有力的翅膀！
核心挑战：
如何基于 pytorch 框架搭建时序语义分割深度学习模型？
如何构建密集时序标注数据集用于时序语义分割模型训练？
如何使用训练好的模型推理并量化研究区域的土地覆盖变化情况？
如何制作漂亮的土地覆盖变化检测和分类结果？
学习目标：
了解基于时间序列的土地覆盖变化检测的相关方法及优缺点；
学习开展时间序列语义变化检测从数据准备、模型训练评估、区域推理到结果分析和制图的完整技术路线。
主讲人：
贺海旭 中国地质大学（武汉）计算机学院博士研究生，主要研究方向包括大规模时序遥感数据智能分析、遥感时序变化检测和分类。目前在 RSE、TGRS 等期刊发表 SCI 检索论文 5 篇（一作/通讯 3 篇）。课题组 Github：https://github.com/CUG-BEODL/TSSCD
