遥感数据价值链中的特征提取：方法与应用的系统综述
计算机视觉与模式识别
2026-04-17 v3
摘要
地球观测涉及收集、分析和处理不断增长的海量数据。这些行星数据对于应对相关的社会、经济和环境挑战至关重要，涵盖从环境监测到城市规划和灾害管理等多个领域。然而，其高维度带来了显著的特征冗余和计算开销，限制了机器学习模型的有效性。特征提取（FE）技术通过保留基本数据属性、减少冗余并增强遥感（RS）中的任务，来应对这些挑战。RS 中 FE 的领域是多样化、无序且快速演进的。我们通过引入一个 FE 框架，为这一领域提供了一份实用指南。利用该框架，我们追溯了 RS 数据价值链中 FE 的演进。最后，我们综合了这些趋势，并展望了 RS 中 FE 的未来：首先刻画了从单任务模型到统一表示的这种转变，随后指出了基础模型时代的两个视角：对鲁棒且可解释的 FE 的需求，以及将经典 FE 与现代表示学习相桥接的潜力。
引用
@article{arxiv.2510.18935,
title = {Feature Extraction in the Remote Sensing Data Value Chain: A Systematic Review of Methods and Applications},
author = {Nathan Mankovich and Kai-Hendrik Cohrs and Homer Durand and Vasileios Sitokonstantinou and Tristan Williams and Gustau Camps-Valls},
journal= {arXiv preprint arXiv:2510.18935},
year = {2026}
}