推进自监督学习在遥感数据分析（SSL-RS）中的应用

《International Journal of Remote Sensing》：Advancing applications of Self-Supervised Learning in Remote Sensing data analysis (SSL-RS)

地球观测技术进步推动多模态遥感数据增长，但标注样本稀缺制约机器学习模型训练。自监督学习通过自动提取数据特征解决瓶颈，并在环境监测、地理空间智能等领域展现创新应用，该特刊汇集六篇论文探讨其方法与实例。

　　

摘要

地球观测技术的最新进展使得多种模式和尺度下的遥感数据量实现了前所未有的增长（Gómez-Chova等人，引用2015）。尽管这些数据集在环境监测、气候分析、农业和地理空间决策支持方面具有巨大潜力，但一个长期存在的挑战是用于训练现代机器学习和深度学习模型的标注样本稀缺。自监督学习（SSL）作为一种变革性方法应运而生，它能够从原始数据中自动提取出稳健且可迁移的表示（Akiva、Purri和Leotta，引用2022；Tao等人，引用2023；Wang等人，引用2022）。本期特刊汇集了六篇论文，展示了如何应用SSL来推进遥感研究和实践，涵盖环境监测、地理空间智能和方法创新等领域。