From Physics to Foundation Models: A Review of AI-Driven Quantitative Remote Sensing Inversion
作者: Zhenyu Yu, Mohd Yamani Idna Idris, Hua Wang, Pei Wang, Junyi Chen, Kun Wang
分类: cs.CV
发布日期: 2025-07-11
💡 一句话要点
综述：AI驱动的定量遥感反演，从物理模型到基础模型
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 遥感反演 定量遥感 基础模型 机器学习 物理模型
📋 核心要点
- 传统遥感反演方法依赖物理模型，但存在模型假设强、泛化能力弱等问题。
- 论文综述了遥感反演技术从物理模型到机器学习再到基础模型的演进历程。
- 重点分析了基础模型在遥感反演中的应用，并指出了未来发展方向和挑战。
📝 摘要（中文）
定量遥感反演旨在从卫星观测数据中估计连续的地表变量，如生物量、植被指数和蒸散量，从而支持生态系统监测、碳核算和土地管理等应用。随着遥感系统和人工智能的发展，传统的基于物理的范式正逐渐被数据驱动和基于基础模型（FM）的方法所取代。本文系统地回顾了反演技术的方法演变，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），再到基础模型（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，重点关注了最近FM在自监督预训练、多模态集成和跨任务适应方面的进展。我们还强调了物理可解释性、领域泛化、有限监督和不确定性量化方面持续存在的挑战。最后，我们设想了下一代遥感反演基础模型的发展，强调统一建模能力、跨领域泛化和物理可解释性。
🔬 方法详解
问题定义：定量遥感反演旨在利用遥感数据反演出地表的各种物理化学参数，例如生物量、植被指数等。传统方法依赖于物理模型，这些模型通常基于对辐射传输过程的简化假设，难以准确描述复杂的地表环境，导致反演精度受限，且泛化能力较差。此外，获取高质量的地面实测数据进行模型校正是一个耗时耗力的过程。
核心思路：论文的核心思路是系统地回顾和分析遥感反演技术的发展历程，从传统的物理模型到新兴的机器学习和基础模型方法。通过对比不同方法的建模假设、应用场景和局限性，为研究人员提供一个全面的视角，从而更好地理解和选择合适的反演方法。特别强调了基础模型在遥感反演中的潜力，例如利用自监督学习进行预训练，从而提升模型的泛化能力。
技术框架：论文的整体框架是按照时间顺序和技术发展脉络，将遥感反演方法分为三个主要阶段：物理模型、机器学习方法和基础模型。首先介绍了经典的物理模型，如PROSPECT、SCOPE和DART，分析了它们的原理和适用范围。然后，讨论了机器学习方法在遥感反演中的应用，包括深度学习和多模态融合等技术。最后，重点介绍了近年来出现的遥感领域基础模型，如SatMAE、GFM和mmEarth，并分析了它们在自监督预训练、多模态集成和跨任务适应方面的优势。
关键创新：论文的关键创新在于对遥感反演领域的基础模型进行了系统性的综述和分析。与以往的综述文章不同，本文不仅关注了传统方法，还深入探讨了基础模型在遥感反演中的应用潜力，并指出了未来发展方向。此外，本文还强调了物理可解释性、领域泛化、有限监督和不确定性量化等关键挑战，为未来的研究提供了重要的参考。
关键设计：论文并没有提出新的算法或模型，而是一篇综述文章，因此没有具体的参数设置、损失函数或网络结构等技术细节。但是，论文对不同方法的建模假设、应用场景和局限性进行了详细的比较和分析，为研究人员提供了选择合适方法的指导。例如，论文讨论了自监督预训练在遥感基础模型中的应用，强调了如何利用大量的无标签遥感数据来提升模型的泛化能力。
🖼️ 关键图片
📊 实验亮点
论文重点突出了基础模型在遥感反演中的潜力，例如SatMAE、GFM、mmEarth等模型在自监督预训练、多模态集成和跨任务适应方面表现出显著优势。尽管文中没有提供具体的性能数据，但强调了这些模型在提升泛化能力和处理复杂地表环境方面的潜力，为未来的研究方向提供了重要参考。
🎯 应用场景
该研究对生态系统监测、碳核算和土地管理等领域具有重要应用价值。通过提升遥感反演的精度和效率，可以更准确地获取地表参数，为相关决策提供科学依据。未来，结合基础模型的遥感反演技术有望实现更大范围、更高精度的地表参数监测，为应对气候变化和可持续发展提供有力支持。
📄 摘要（原文）
Quantitative remote sensing inversion aims to estimate continuous surface variables-such as biomass, vegetation indices, and evapotranspiration-from satellite observations, supporting applications in ecosystem monitoring, carbon accounting, and land management. With the evolution of remote sensing systems and artificial intelligence, traditional physics-based paradigms are giving way to data-driven and foundation model (FM)-based approaches. This paper systematically reviews the methodological evolution of inversion techniques, from physical models (e.g., PROSPECT, SCOPE, DART) to machine learning methods (e.g., deep learning, multimodal fusion), and further to foundation models (e.g., SatMAE, GFM, mmEarth). We compare the modeling assumptions, application scenarios, and limitations of each paradigm, with emphasis on recent FM advances in self-supervised pretraining, multi-modal integration, and cross-task adaptation. We also highlight persistent challenges in physical interpretability, domain generalization, limited supervision, and uncertainty quantification. Finally, we envision the development of next-generation foundation models for remote sensing inversion, emphasizing unified modeling capacity, cross-domain generalization, and physical interpretability.