遥感域适配要处理传感器、地区与季节差异

遥感模型常在一个地区或传感器上训练，却要部署到另一地区、季节或产品版本。即使类别名称相同，光谱响应、空间分辨率、太阳角度、土地覆盖和标注政策都可能变化。这些差异构成源域与目标域之间的分布偏移。

域适配试图利用已有模型和数据减少目标域标注成本，但不能假定所有差异都可通过特征对齐消除。目标域评价和少量可信标签仍是判断是否有效的基础。

域首先由观测链和任务共同定义

源域不只是某个数据集名称。传感器波段响应、处理级别、分辨率、成像时间、地区和类别体系都影响输入与标签分布。目标域应按同样维度描述，才能分析差异来源。

同一传感器跨季节可能比不同传感器同季节差异更大；城市扩张又会改变类别基准率。把所有变化统称传感器差异，会选择错误适配方法。

任务也可能变化。源域区分耕地与林地，目标域需要细分作物，这属于标签空间变化，不只是输入分布偏移，原模型输出层和训练数据都需调整。

先统一可确定的预处理与物理量

在学习域不变表示前，应先校正明确的工程差异：波段顺序、缩放、单位、CRS、网格、NoData 和质量掩膜。模型不应被要求学习一个产品用整数 DN、另一个用地表反射率的偶然差异。

CEOS ARD 等产品约定有助于建立几何和测量一致性，但不同传感器光谱响应与分辨率仍然存在。波段映射要基于响应函数和任务，不是按颜色名称机械对应。

归一化统计应考虑目标域。直接沿用源域均值可能产生偏移，完全用目标数据重算又可能改变模型预期。两种方案需在目标验证集比较。

直接迁移提供必须保留的基线

在做复杂适配前，先让源模型直接预测目标域，按类别、地区和条件统计性能。这揭示真实域差距，也防止适配方法只带来小变化却增加大量复杂度。

目标域需要空间独立参考样本。若只人工挑选模型看起来错误的点，评价分布会偏；应使用概率抽样或明确分层，并报告样本权重。

错误分析要区分类别先验变化、光谱变化、分辨率混合和标签定义差异。不同原因对应重新校准、重采样、微调或重建类别体系。

有监督微调通常最直接可靠

若能获得目标域标签，可以冻结部分层后微调，或用较小学习率更新全模型。浅层常学习纹理与光谱，高层偏向任务语义，但这一经验不保证对所有传感器成立。

目标样本少时，微调容易记住地点。按地块或区域切分，使用增强和早停，并保留源域回归测试。混合源目标批次可以减轻遗忘，但采样比例会影响两域表现。

微调数据应覆盖目标域重要条件，而不只是容易标注区域。少量有代表性的标签通常比大量相邻重复像元更有价值。

无监督适配依赖更强假设

特征对齐方法让模型难以区分源域和目标域，希望保留类别信息同时消除域差异。如果域差异与类别相关，例如目标地区特有作物只出现在某种光谱条件，对齐可能把有用信号消掉。

统计匹配、对抗训练和风格转换都可能让整体分布接近，却不保证每个类别正确对应。需要类条件检查和目标域小型验证集，不能只看域判别器准确率。

没有目标标签时，性能不可直接测量。任何提升结论都依赖代理指标，应明确不确定性并限制自动发布。

自训练会放大伪标签中的系统错误

自训练用源模型为目标数据生成高置信伪标签，再将其加入训练。它能利用大量无标签数据，但高置信并不等于正确，域外模型可能对错误类别非常自信。

阈值应按类别设置，避免多数类占满伪标签。教师—学生更新、数据增强一致性和多轮筛选可以稳定训练，但也可能逐轮强化偏见。

抽样人工复核伪标签是重要门禁。若错误集中在某地区或类别，应停止该部分自训练，而不是只提高全局阈值。

负迁移意味着适配后反而更差

当源目标关系弱、标签不一致或对齐方法错误时，迁移会损害目标表现。平均指标可能提高，关键小类却下降，因此要定义不可退化的守护指标。

与从头训练、小规模目标模型和简单校准比较，才能判断适配是否值得。复杂方法若只比未经调参的源模型好，证据不足。

源域表现也要保留。统一模型若在目标域提升、在原服务区域显著退化，可能需要域路由或多个模型，而不是强求一个表示覆盖所有条件。

部署要识别样本属于哪个域

目标域不是一次性固定。新卫星处理版本、极端天气和土地利用变化会继续改变分布。输入监控应按传感器、地区、月份和质量标志分层，而非只看总体直方图。

域标签和模型版本应进入数据谱系，使错误能追溯到适配训练和输入产品。若系统动态选择域专用模型，路由错误也要独立监控。

当输入超出已验证域，系统应降低自动化程度、标记不确定或进入人工复核。强行选择最接近类别会把域外问题隐藏成普通分类结果。

目标域评价是发布的最终证据

评价集要覆盖真实部署的空间、时间和传感器组合，并避免与训练瓦片相邻泄漏。报告每类指标、校准、面积偏差和区域间方差，而不只给单一总体精度。

跨域实验应明确源与目标定义、可用标签量和所有预处理。否则所谓无监督适配可能在参数选择中使用了目标测试标签。

遥感域适配的目标不是让两个特征分布看起来相似，而是让目标地区的地理结论更可靠。先统一物理与产品语义，再用有限适配，并以目标域独立样本验证，才能避免把迁移能力变成新的未知偏差。

资料依据

• Ian Goodfellow、Yoshua Bengio、Aaron Courville：Deep Learning，https://www.deeplearningbook.org/
• Committee on Earth Observation Satellites：Analysis Ready Data，https://ceos.org/ard/