遥感场景分类综述：从传统方法到大型生成式 AI 模型

遥感场景分类经历了从传统手工特征方法向 sophisticated 人工智能系统的范式转变，这些系统已成为现代地球观测应用的支柱。本综述全面审视了方法论的演变过程，系统梳理了从经典纹理描述子和机器学习分类器，到深度学习革命，再到当前主流的基础模型和生成式 AI 方法的演进。我们记载了从手动特征工程向通过卷积神经网络实现的自动化分层表征学习的关键转折，随后追踪了包括 Vision Transformer、图神经网络及混合框架在内的 advanced 架构。综述深入覆盖了自监督基础模型和视觉语言系统的突破性发展，突出其在零样本和少样本学习场景中的卓越性能。特别强调了通过合成数据生成和 advanced 特征学习策略解决持久挑战的生成式 AI 创新。我们分析了当前面临的挑战，包括标注成本、多模态数据融合的复杂性、可解释性需求以及伦理考量，同时探讨了边缘计算部署、联邦学习框架及可持续 AI 实践的最新趋势。基于对近期进展与空白的综合分析，确定了未来研究的关键优先事项：提升高光谱和多时序分析能力、发展稳健的跨域泛化方法，以及建立标准化评估协议以加速遥感场景分类系统的科学进步。