学术动态

地球嵌入：迈向以人工智能为中心的地球表示

针对传统地理空间数据分析高度依赖多源异构数据处理、专业领域知识与复杂计算流程，以及现有方法普遍采用任务专用建模范式、难以实现跨任务知识共享与泛化应用等问题，提出一种面向人工智能的地球嵌入表示（Earth Embeddings）新范式。该研究从地理空间数据统一表征与高效智能分析的角度出发，系统阐述地球嵌入通过融合不同时间、空间及数据来源的地理空间观测信息，将复杂原始数据压缩为具有地理语义的高维稠密向量，实现局部地理环境特征的统一表达与高效存储。在此基础上，探讨地球嵌入在多源地理空间信息融合、观测数据插值、下游任务迁移及跨模型知识交互等方面的应用潜力，重点分析其作为地理空间基础表征与大语言模型（LLMs）等人工智能基础模型之间连接桥梁的技术价值。同时，从数据使用者与模型开发者两个视角，梳理地球嵌入技术的发展现状、应用模式与未来研究方向，强调跨学科协作、方法标准化及开放源代码生态建设的重要性。该研究推动地理空间智能分析从传统分散式、任务驱动的专用建模模式向统一表征、低计算成本及跨任务泛化的人工智能分析范式转变，为大规模地球观测数据的智能组织、共享利用与通用地理空间人工智能技术发展提供了新的研究思路。

城市遥感中的弱监督学习：概念、方法与应用

针对城市遥感场景中高质量标注数据获取成本高、样本规模有限，以及城市地物材质异质性强、二维与三维空间结构复杂、时序变化显著等因素制约智能解译模型训练与泛化能力的问题，开展面向城市遥感智能解译的弱监督学习（Weakly Supervised Learning，WSL）技术发展与应用综述研究。该研究围绕弱监督学习的基本概念与技术体系，系统梳理不完整监督、不精确监督及不准确监督三类典型弱监督场景，归纳九类代表性方法及其主要技术分支，分析不同弱监督学习策略在缓解标注依赖、挖掘有限监督信息及适应复杂城市地物特征方面的技术特点与适用条件。在此基础上，进一步总结弱监督学习在七大城市遥感应用领域的研究进展，探讨不同方法与实际城市遥感解译任务之间的适配关系，揭示复杂城市环境下弱监督特征学习与模型泛化面临的关键挑战。同时，强调构建面向城市遥感弱监督学习的专用基准数据集与标准化评价体系的重要性，并展望基础模型（Foundation Models，FMs）、多源多模态遥感数据融合及持续学习等未来研究方向，为降低城市遥感数据标注成本、提升复杂城市场景智能解译能力及推动弱监督学习技术的规模化应用提供系统性的研究参考。

从忠实性到有效性：遥感中的可解释人工智能

针对可解释人工智能（Explainable Artificial Intelligence，XAI）在遥感智能解译与科学决策中的应用日益广泛，但现有方法普遍沿用计算机视觉或表格数据领域的通用解释范式，忽视遥感数据特有的空间依赖性、光谱冗余性、时间动态特征及物理成像约束，导致模型解释结果可能缺乏科学合理性与实际应用可靠性等问题，开展面向遥感领域特性约束的可解释人工智能方法与评价体系综述研究。该研究从遥感数据的空间、光谱、时间及物理结构特征出发，重新审视人工智能模型可解释性的适用条件与科学内涵，强调解释结果的有效性取决于其与遥感观测机理、数据结构及模型行为之间的一致性。在此基础上，系统梳理不同可解释学习范式的基本原理、计算假设、评价方法及适用场景，分析通用XAI技术在遥感任务中可能存在的解释失真、物理不一致及科学误导等问题，揭示传统通用评价指标与遥感领域实际解释需求之间的差异。进一步构建以解释有效性为核心的领域约束分析框架，将遥感数据特征、模型决策机制与可解释性需求相结合，为科学合理地选择、设计和评价遥感XAI方法提供理论依据，并为提升遥感智能解译模型的透明性、科学可信度及实际决策支撑能力提供系统性的研究参考。

深度学习在北极海冰遥感中的应用：综述

针对北极海冰时空变化剧烈、卫星遥感观测数据复杂，以及传统海冰信息提取方法难以充分适应多源观测条件与复杂海冰环境等问题，开展深度学习驱动的北极海冰遥感智能解译技术发展与应用综述研究。该研究围绕海冰分类、地球物理参数反演、目标检测、超分辨率重建及海冰变化预测等典型任务，系统梳理深度学习方法在北极海冰遥感领域的研究进展，重点分析相关技术从早期图像特征学习向多层次特征融合，再向统一特征表征学习发展的演进过程，并从跨任务视角比较代表性模型的技术特点、适用条件及主要局限，为不同海冰遥感应用场景下的模型选择提供参考。同时，深入探讨现有方法在跨区域与跨传感器泛化、海冰物理过程约束、高质量标注数据获取、不确定性量化及模型可解释性等方面面临的共性挑战。在此基础上，展望海冰遥感基础模型、物理信息引导学习、多样化监督学习策略、不确定性建模及面向海冰演变过程的可解释分析等未来研究方向，为构建具有更强泛化能力、物理一致性与可信度的北极海冰遥感智能监测体系提供系统性的技术参考与发展思路。

合成孔径雷达自动目标识别五十年：未来之路

针对合成孔径雷达（SAR）自动目标识别（Automatic Target Recognition，ATR）长期面临成像机理复杂、目标散射特征变化显著、数据资源受限及跨场景泛化能力不足等挑战，以及大模型与人工智能智能体快速发展背景下现有SAR目标识别技术尚未充分释放人工智能潜力等问题，开展SAR自动目标识别技术发展历程、关键方法及未来研究方向的系统性综述。该研究围绕SAR目标识别近五十年的技术演进，系统梳理代表性研究成果与重要发展节点，从核心技术挑战、典型数据集、目标识别方法、性能评价指标及先进技术水平等维度构建综合分析框架，归纳不同技术路线的基本原理、优势与局限，探讨SAR成像物理特性与人工智能表征学习之间的内在联系。在此基础上，重点分析大模型、人工智能智能体等新兴技术为SAR图像理解带来的发展机遇，强调人工智能与SAR目标识别双向赋能的重要性，并提出高质量大规模数据集建设、公平全面的基准评价体系构建及安全开放的开源生态培育三项关键发展方向。该研究为推动SAR自动目标识别从传统特征驱动与深度学习方法向大模型赋能的智能理解范式演进，以及构建更加鲁棒、可信和具有泛化能力的SAR目标识别技术体系提供了系统性的研究参考与发展思路。

海岸带遥感：海岸可持续发展的日益重要议题

针对全球沿海地区人类活动强度持续增加、海岸带自然生态过程与人类活动之间的相互作用日益复杂，以及传统观测与分析方法难以满足海岸带可持续发展研究对多尺度、动态化和综合性信息需求等问题，开展面向海岸带可持续发展的遥感技术应用与发展趋势综述研究。该研究从遥感技术视角出发，系统回顾海岸带遥感的发展历程、典型应用及其在海岸带资源调查、生态环境监测、自然过程分析和人类活动影响评估等方面的重要贡献，梳理海岸带研究从自然环境观测向人地系统协同分析及可持续发展评估转变的演进过程。在此基础上，围绕海岸带可持续发展面临的复杂环境变化与多维监测需求，综合分析新型遥感观测数据、先进信息处理技术及多源数据融合方法的发展现状，探讨遥感技术在刻画海岸带动态演变、揭示人类活动与自然过程耦合关系及支撑综合管理决策方面的应用潜力与现存挑战。进一步结合地球系统科学研究视角，提出面向海岸带可持续发展的遥感观测与分析技术发展方向，强调遥感数据获取能力、综合分析方法与跨学科研究需求的协同发展，为海岸带生态环境保护、资源可持续利用及人地关系协调管理提供系统性的技术参考与研究思路。

重新思考高光谱图像分类中的人工智能：范式、表示与可解释性

针对人工智能驱动的高光谱图像分类研究快速发展，但现有综述多聚焦特定算法或研究方向，缺乏对分类范式演进、特征表征机制与模型可解释性之间内在联系的系统梳理等问题，开展面向高光谱图像分类技术演进与可解释学习的综合性综述研究。该研究构建融合分类范式、特征表征与可解释学习三个层次的统一分析框架，系统梳理高光谱图像分类从模型驱动向数据驱动及可解释学习发展的技术演进过程，揭示特征表征方式由人工设计特征向深度网络自主学习的隐式特征，再向可追溯内部表征转变的内在规律。进一步围绕先验知识嵌入、深度展开与事后解释分析三类主流技术路线，分析不同可解释学习方法的基本原理、技术特点及其与深度学习模型的融合机制，阐明特征表征机制演变对分类范式发展的推动作用，以及揭示模型内部特征学习过程对提升算法透明性与可信度的重要意义。在此基础上，探讨可解释性定量评价体系、多模态遥感数据融合的可解释机制及可信人工智能智能体等未来研究方向，为构建兼具分类精度、可解释性与可信度的高光谱遥感智能解译方法提供系统性的理论参考与技术发展思路。

用于全球云内风场反演的新兴星载多普勒雷达：进展与未来方向

针对全球云内风场观测能力不足、传统遥感技术难以穿透云层获取内部风速信息，以及星载观测条件下多普勒测速与风场反演面临的技术挑战，系统综述星载多普勒微波雷达在全球云内风场探测领域的研究进展与关键技术。该研究围绕星载多普勒雷达云内风场探测原理，重点梳理多普勒径向速度估计、星载天线扫描策略及三维风场反演算法等核心技术，分析卫星平台运动、观测几何及系统资源约束对风场探测精度与空间覆盖能力的影响。在此基础上，探讨面向新一代全球云内风场观测任务的关键发展方向，包括构建任务级相控阵多波束雷达一体化仿真系统、开展机载原理样机性能验证、研发人工智能辅助的高分辨率风场反演算法，以及利用观测系统模拟试验（OSSE）评估云内多普勒风场观测对数值天气预报的潜在改进作用。该研究为未来星载多普勒雷达系统设计、全球云内风场高精度反演及气象卫星观测体系优化提供了系统性的技术参考，对深化大气水分与能量循环过程认识、提升数值天气预报能力具有重要意义。

遥感变化检测基础模型：范式转变与未来机遇

针对遥感变化检测任务中跨时相特征对齐、时序一致性建模、变化区域判别及语义理解等关键挑战，以及传统方法在多源、多尺度遥感数据下特征表征能力和跨场景泛化能力不足的问题，系统综述基础模型（Foundation Models，FMs）在遥感变化检测领域的研究进展与应用潜力。该研究围绕基础模型驱动的遥感变化检测（FM4CD），梳理大规模预训练模型在变化特征提取、跨时相信息交互、变化模式建模及语义推理等方面的技术优势，系统归纳代表性方法的核心思想、技术特点与适用场景，并从预训练数据规模、模型适配策略及跨域泛化能力等维度分析影响基础模型变化检测性能的关键因素。同时，探讨基础模型在提升遥感变化检测数据利用效率、复杂场景适应性及多源信息融合能力方面的发展潜力，为构建具有更强鲁棒性、迁移能力和语义理解能力的遥感变化检测方法提供系统性的技术参考，并为基础模型在城市管理、灾害监测、资源调查及生态环境评估等领域的应用拓展提供研究思路。

遥感与深度学习在立枯木检测和制图中的应用：进展、挑战与未来方向综述