GRSM2026
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。