从物理到基础模型：AI 驱动定量遥感反演综述
计算机视觉与模式识别
2025-07-15 v1
摘要
定量遥感反演旨在从卫星观测中估计连续的表面变量，如生物量、植被指数和蒸散量，支持生态系统监测、碳核算和土地管理等应用。随着遥感系统的演进和人工智能技术的发展，传统的基于物理的范式正向数据驱动和基础模型（Foundation Model, FM）方法转变。本文系统性地综述了反演技术的方法演进，从物理模型（如 PROSPECT、SCOPE、DART）到机器学习方法（如深度学习、多模态融合），进一步到基础模型（如 SatMAE、GFM、mmEarth）。我们比较了每种范式的建模假设、应用场景和局限性，重点强调近期 FM 在自监督预训练、多模态集成和跨任务适应方面的最新进展。我们还指出了在物理可解释性、域泛化、有限监督和不确定性量化方面仍面临的持久挑战。最后，我们展望了下一代遥感反演基础模型的发展，强调统一的建模能力、跨域泛化和物理可解释性。
引用
@article{arxiv.2507.09081,
title = {From Physics to Foundation Models: A Review of AI-Driven Quantitative Remote Sensing Inversion},
author = {Zhenyu Yu and Mohd Yamani Idna Idris and Hua Wang and Pei Wang and Junyi Chen and Kun Wang},
journal= {arXiv preprint arXiv:2507.09081},
year = {2025}
}