TerraMAE：基于自适应掩码自编码器学习高光谱地球观测数据中的时空-光谱表征
计算机视觉与模式识别
2025-08-12 v1 机器学习
摘要
高光谱卫星图像以亚30米的视角呈现地球表面数百个连续光谱波段，使其能够对土壤、作物和土地覆盖进行精细制图。虽然自监督掩码自编码器在RGB和低波段多光谱数据上表现出色，但在200多个波段的高光谱图像中难以利用其复杂的时空关联。我们提出TerraMAE，这是一个专为学习多样化地理空间分析任务中高度代表性时空-光谱嵌入而设计的新型高光谱图像编码框架。TerraMAE采用基于统计反射率特性的自适应通道分组策略，以捕获光谱相似性，并引入包含空间和光谱质量指标的增强重构损失函数。我们通过在高保真图像重建中保持优异的时空信息保存，证明了TerraMAE的有效性。进一步通过在三个关键下游地理空间任务上的优异性能（作物识别、土地覆盖分类和土壤纹理预测），验证了其实际应用价值及所学表征的质量。
引用
@article{arxiv.2508.07020,
title = {TerraMAE: Learning Spatial-Spectral Representations from Hyperspectral Earth Observation Data via Adaptive Masked Autoencoders},
author = {Tanjim Bin Faruk and Abdul Matin and Shrideep Pallickara and Sangmi Lee Pallickara},
journal= {arXiv preprint arXiv:2508.07020},
year = {2025}
}