深度神经网络在遥感跨场景迁移

研究背景：

随着深度神经网络模型在计算机视觉领域的快速发展，近年来基于深度神经网络的遥感地物解译模型层出不穷。但是，一方面受限于遥感传感器和卫星轨道，不同卫星载荷平台在光谱谱段设置、观测尺度上存在巨大的差异；另一方面，地表被观测变量在时间和空间上表现出很强的时空异质性。在这两个因素的综合作用下，导致现有的深度神经网络在跨场景迁移泛化过程中存在很大的困难。 具体表现为：

1. 硬件异质性：多源传感器平台在光谱响应函数、空间分辨率等参数层面的差异
2. 数据时空异质性：地表参数在时间（物候期）和空间（地域）维度的动态变化特征

这导致训练模型在跨场景迁移时普遍存在显著性能衰减（典型场景下精度下降>30%），严重制约智能模型在广域遥感监测中的实际部署。

研究现状：迁移学习框架的遥感适配困境

方法分类

• 域自适应方法
  依赖目标域数据可访问性，通过特征分布对齐实现迁移
• 域泛化方法
  基于多源域特征融合提升模型泛化能力

现存挑战

1. 跨模态影响未量化
   缺乏对光谱尺度迁移（如Landsat→Sentinel-2）、时相迁移的系统评估
2. 迁移预判无标准
   尚未建立可迁移性先验评估指标体系
3. 任务适配不完善
   分类与反演任务的迁移策略尚未形成统一框架

关键科学问题与技术路线

核心科学问题

如何量化跨平台/跨时空场景中迁移性影响因子，并建立可控的迁移增强机制？

四阶段研究框架

1. 因子筛选
   构建多场景基准数据集，采用SHAP值量化12个候选因子（含光谱差异、空间尺度等）对迁移损失的贡献度
2. 可迁移性度量
   提出MTI指标，联合域间特征相似度（MMD距离）与模型置信度（Softmax熵）
3. 特征重构迁移
   设计谱段-尺度双适应投影网络，通过对抗训练实现跨域特征对齐
4. 不确定性评估
   建立贝叶斯框架输出预测置信区间，提供工程可靠性判据

预期贡献与学术价值

理论创新

• 揭示多维度迁移因子的作用机制
• 建立遥感专属的模型迁移能力评估体系

应用价值：为遥感智能模型的跨平台工程化部署提供理论方法支撑，推动：

• 多源遥感数据协同解译
• 长时序大区域动态监测
• 新型传感器快速适配