综述：从传统模型到基础模型：土地利用与土地覆盖高光谱图像分类的研究综述

《Wiley Interdisciplinary Reviews-Data Mining and Knowledge Discovery》：From Traditional to Foundation Models: A Survey for Land Use and Land Cover Hyperspectral Image Classification

高光谱遥感图像分类面临高维数据、复杂结构及样本稀缺挑战，传统方法难以有效提取特征。本研究系统综述了深度学习模型，涵盖CNN、迁移学习、注意力网络、图神经网络及Transformer架构（如Mamba、视觉语言模型），强调其在土地覆盖分类中的应用，支持农业、环境监测等领域实时处理。对比前沿方法，指出轻量化模型与可解释性框架的发展方向，为该领域提供技术参考路径。

　　

摘要

高光谱遥感图像分类是遥感领域的研究重点之一。数据的高维性、复杂的结构以及有限的训练样本数量限制了分类性能。传统的机器学习方法主要侧重于高光谱图像的分类特征提取，但无法有效处理像素之间的复杂关系、非线性以及物质本身的复杂性，因此在训练样本较少时无法获得最优的分类结果。深度学习架构的最新进展为提高分类性能和分析复杂模式提供了有效手段，这是传统方法难以实现的。本文系统地介绍了从基础卷积神经网络到迁移学习、集成学习、注意力网络和图网络等多种深度学习模型，特别关注了用于土地利用和土地覆盖制图的高光谱图像处理。这些先进方法具备高效的分类能力和实时处理能力，可应用于农业、城市规划、林业和环境监测等实际场景。文章还比较了现有的先进技术，指出了研究挑战，并提出了未来提升分类效率与准确性的方向。此外，本文提倡整合多源数据、为资源受限环境开发轻量级模型，以及改进可解释性深度学习框架以提升分类性能。对于高光谱遥感领域的研究人员而言，本文具有重要的参考价值，有助于选择最适合特定应用场景的分类技术。

本文属于以下分类：

• 技术 > 分类
• 技术 > 机器学习
• 技术 > 人工智能

图形摘要

本文展示了高光谱图像分类方法的发展历程，重点介绍了方法论和技术的重大变革。

利益冲突

作者声明不存在利益冲突。

数据获取说明

数据可向作者索取。