从模型迁移到知识泛化：定量遥感反演中的迁移学习研究进展

张立福; 赵淑馨; 刘永欣; 孙雪剑; 童庆禧

doi:10.13203/j.whugis20260044

您当前的位置：

首页 >

文章列表页 >

从模型迁移到知识泛化：定量遥感反演中的迁移学习研究进展

摄影测量与遥感 | 更新时间：2026-11-05

- 从模型迁移到知识泛化：定量遥感反演中的迁移学习研究进展
- From Model Transfer to Knowledge Generalization： Research Progress of Transfer Learning in Quantitative Remote Sensing Inversion
- 武汉大学学报（信息科学版） 2026年51卷第8期页码：1630-1645
- 作者机构：
  
  1.中国科学院空天信息创新研究院，北京，100094
  2.中国科学院大学，北京，100049
- 作者简介：
  
  张立福，博士，研究员，研究方向为高光谱遥感。zhanglf@radi.ac.cn
  刘永欣，博士，助理研究员。liuyongxin@aircas.ac.cn
- 基金信息：
  
  深地国家科技重大专项(2024ZD10021);河北省重大科技支撑计划项目(252S4201D)
- DOI：10.13203/j.whugis20260044
  中图分类号： P237
- 收稿：2026-02-03，
  
  纸质出版：2026-08-05
- 稿件说明：
移动端阅览
张立福,赵淑馨,刘永欣，等.从模型迁移到知识泛化：定量遥感反演中的迁移学习研究进展[J].武汉大学学报（信息科学版）,2026,51(8):1630-1645.

ZHANG Lifu,ZHAO Shuxin,LIU Yongxin,et al.From Model Transfer to Knowledge Generalization: Research Progress of Transfer Learning in Quantitative Remote Sensing Inversion[J].Geomatics and Information Science of Wuhan University,2026,51(8):1630-1645.
张立福,赵淑馨,刘永欣，等.从模型迁移到知识泛化：定量遥感反演中的迁移学习研究进展[J].武汉大学学报（信息科学版）,2026,51(8):1630-1645. DOI：10.13203/j.whugis20260044

ZHANG Lifu,ZHAO Shuxin,LIU Yongxin,et al.From Model Transfer to Knowledge Generalization: Research Progress of Transfer Learning in Quantitative Remote Sensing Inversion[J].Geomatics and Information Science of Wuhan University,2026,51(8):1630-1645. DOI：10.13203/j.whugis20260044

摘要

遥感定量反演是地表环境监测与资源评估的关键技术。传统反演算法受分布一致性假设的限制，且受限于样本数量少、分布偏移等问题，跨域泛化能力有限。迁移学习为应对上述问题提供了有效途径，并在定量遥感反演中的应用得到广泛关注。首先，系统阐述了迁移学习的基本概念，对协变量偏移、先验偏移与概念偏移三类分布差异及其在遥感中的表现形式等进行了系统分类与总结。接着，从迁移策略角度出发，归纳总结了主流迁移学习方法的研究思路和适用场景。然后，通过对迁移学习在植被、水环境、土壤和大气等领域定量遥感反演场景的文献分析，探讨了迁移学习在定量遥感领域的应用成效，分析了面临的问题和挑战。最后对迁移学习技术的发展趋势进行了展望，以期为今后的相关研究提供参考。

Abstract

Quantitative remote sensing inversion aims to estimate surface parameters using satellite observations

which play a crucial role in environmental monitoring and resource assessment. This process involves pixel-level estimation of continuous variables that describe surface structure

function

and state

offering high spatial precision essential for accurate environmental analysis. However

traditional quantitative inversion algorithms often assume consistent distribution between the training and application domains and are heavily reliant on large

representative datasets. As a result

model generalization performance can degrade when faced with spatiotemporal distribution shifts or data scarcity. Transfer learning

an approach that involves transferring knowledge from a source domain to a target domain

offers a promising solution to this problem. This method has gained increasing popularity in the field of quantitative remote sensing as it enables models to adapt to new domains with limited data by leveraging knowledge from similar domains. First

a systematic review of transfer learning applications in quantitative remote sensing inversion is provided

starting with an explanation of the basic concepts of transfer learning. The review classifies and summarizes three main types of distribution shifts: covariate shift

prior shift

and concept shift

and discusses how these shifts manifest in remote sensing. This offers a comprehensive understanding of the challenges and solutions associated with applying transfer learning in this field. Second

a detailed classification and summary of transfer learning solution strategies are provided from a methodological perspective. Third

a literature analysis evaluates the use of transfer learning across various remote sensing domains

including vegetation

aquatic environments

soils

and the atmosphere. The review emphasizes the effectiveness of transfer learning in addressing issues such as data scarcity and domain adaptation

providing valuable insights into the practical challenges and successes encountered. Finally

future trends in transfer learning technology are explored

with suggestions for ongoing research and development to further enhance its applicability in remote sensing tasks.

关键词

Keywords

references

杨倩倩，靳才溢，李同文，等 . 数据驱动的定量遥感研究进展与挑战［J］. 遥感学报， 2022 ， 26 （ 2 ）： 268 - 285 .

YANG Qianqian ， JIN Caiyi ， LI Tongwen ， et al . Research Progress and Challenges of Data-Driven Quantitative Remote Sensing ［J］. Journal of Remote Sensing ， 2022 ， 26 （ 2 ）： 268 - 285 .

YU Z Y ， IDRIS M Y I ， WANG H ， et al . From Physics to Foundation Models： A Review of AI-Driven Quantitative Remote Sensing Inversion ［PP/OL］. arXiv （ 2025-07-11 ）［ 2025-08-22 ］. https：//doi.org/10.48550/arXiv.2507.09081 https://doi.org/10.48550/arXiv.2507.09081 .

马秀梅，周可法，王金林，等 . 高光谱遥感定量反演成矿元素含量的研究进展［J］. 地质找矿论丛， 2018 ， 33 （ 4 ）： 644 - 650 .

MA Xiumei ， ZHOU Kefa ， WANG Jinlin ， et al . Hyperspectral Remote Sensing Quantitative Inversion of Ore-Forming Element Content ［J］. Contributions to Geology and Mineral Resources Research ， 2018 ， 33 （ 4 ）： 644 - 650 .

成永生，周瑶 . 土壤重金属高光谱遥感定量监测研究进展与趋势［J］. 中国有色金属学报， 2021 ， 31 （ 11 ）： 3450 - 3467 .

CHENG Yongsheng ， ZHOU Yao . Research Progress and Trend of Quantitative Monitoring of Hyperspectral Remote Sensing for Heavy Metals in Soil ［J］. The Chinese Journal of Nonferrous Metals ， 2021 ， 31 （ 11 ）： 3450 - 3467 .

MA Y C ， CHEN S ， ERMON S ， et al . Transfer Learning in Environmental Remote Sensing ［J］. Remote Sensing of Environment ， 2024 ， 301 ： 113924 .

GHOLIZADE M ， SOLTANIZADEH H ， RAHMANIMANESH M ， et al . A Review of Recent Advances and Strategies in Transfer Learning ［J］. International Journal of System Assurance Engineering and Management ， 2025 ， 16 （ 3 ）： 1123 - 1162 .

ZHANG W ， DENG L F ， ZHANG L ， et al . A Survey on Negative Transfer ［J］. IEEE/CAA Journal of Automatica Sinica ， 2023 ， 10 （ 2 ）： 305 - 329 .

WANG J D ， LAN C L ， LIU C ， et al . Generalizing to Unseen Domains： A Survey on Domain Generalization ［J］. IEEE Transactions on Knowledge and Data Engineering ， 2023 ， 35 （ 8 ）： 8052 - 8072 .

ZHOU K Y ， LIU Z W ， QIAO Y ， et al . Domain Generalization： A Survey ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2023 ， 45 （ 4 ）： 4396 - 4415 .

YU F C ， XIU X C ， LI Y H . A Survey on Deep Transfer Learning and Beyond ［J］. Mathematics ， 2022 ， 10 （ 19 ）： 1 - 27 .

NIKZAD-LANGERODI R ， ANDRIES E . A Chemometrician’s Guide to Transfer Learning ［J］. Journal of Chemometrics ， 2021 ， 35 （ 11 ）： e3373 .

BASHATH S ， PERERA N ， TRIPATHI S ， et al . A Data-Centric Review of Deep Transfer Learning with Applications to Text Data ［J］. Information Sciences： An International Journal ， 2022 ， 585 ： 498 - 528 .

WANG M ， JIANG H Y ， SHI T Y ， et al . PSR-Nets： Deep Neural Networks with Prior Shift Regularization for PET/CT Based Automatic， Accurate， and Calibrated Whole-Body Lymphoma Segmentation ［J］. Computers in Biology and Medicine ， 2022 ， 151 ： 106215 .

PANG S L ， SUN L ， TIAN Y N ， et al . Convolutional Neural Network-Driven Improvements in Global Cloud Detection for Landsat 8 and Transfer Learning on Sentinel-2 Imagery ［J］. Remote Sensing ， 2023 ， 15 （ 6 ）： 1706 .

IMAN M ， ARABNIA H R ， RASHEED K . A Review of Deep Transfer Learning and Recent Advancements ［J］. Technologies ， 2023 ， 11 （ 2 ）： 40 .

COVER T ， HART P . Nearest Neighbor Pattern Classification ［J］. IEEE Transactions on Information Theory ， 1967 ， 13 （ 1 ）： 21 - 27 .

章永来，周耀鉴 . 聚类算法综述［J］. 计算机应用， 2019 ， 39 （ 7 ）： 1869 - 1882 .

ZHANG Yonglai ， ZHOU Yaojian . Review of Clustering Algorithms ［J］. Journal of Computer Applications ， 2019 ， 39 （ 7 ）： 1869 - 1882 .

BEN-DAVID S ， BLITZER J ， CRAMMER K ， et al . A Theory of Learning from Different Domains ［J］. Machine Learning ， 2010 ， 79 （ 1 ）： 151 - 175 .

BEN-DAVID S ， BLITZER J ， CRAMMER K ， et al . Analysis of Representations for Domain Adaptation ［C］// The 20th Annual Conference on Neural Information Processing Systems ， Vancouver， British Columbia， Canada， 2007 .

SALTON G ， WONG A ， YANG C S . A Vector Space Model for Automatic Indexing ［J］. Communications of the ACM ， 1975 ， 18 （ 11 ）： 613 - 620 .

ENDRES D M ， SCHINDELIN J E . A New Metric for Probability Distributions ［J］. IEEE Transactions on Information Theory ， 2003 ， 49 （ 7 ）： 1858 - 1860 .

LIN J . Divergence Measures Based on the Shannon Entropy ［J］. IEEE Transactions on Information Theory ， 1991 ， 37 （ 1 ）： 145 - 151 .

NIELSEN F . On the Jensen-Shannon Symmetrization of Distances Relying on Abstract Means ［J］. Entropy ， 2019 ， 21 （ 5 ）： 485 .

PFISTER N ， BÜHLMANN P ， SCHÖLKOPF B ， et al . Kernel-Based Tests for Joint Independence ［J］. Journal of the Royal Statistical Society： Series B （Statistical Methodology）， 2018 ， 80 （ 1 ）： 5 - 31 .

VAN ERVEN T ， HARREMOS P . Rényi Divergence and Kullback-Leibler Divergence ［J］. IEEE Transactions on Information Theory ， 2014 ， 60 （ 7 ）： 3797 - 3820 .

BORGWARDT K M ， GRETTON A ， RASCH M J ， et al . Integrating Structured Biological Data by Kernel Maximum Mean Discrepancy ［J］. Bioinformatics ， 2006 ， 22 （ 14 ）： e49 - e57 .

SRIPERUMBUDUR B K ， GRETTON A ， FUKUMIZU K ， et al . Hilbert Space Embeddings and Metrics on Probability Measures ［J］. Journal of Machine Learning Research ， 2010 ， 11 ： 1517 - 1561 .

SHEN Z F ， RAMIREZ-LOPEZ L ， BEHRENS T ， et al . Deep Transfer Learning of Global Spectra for Local Soil Carbon Monitoring ［J］. ISPRS Journal of Photogrammetry and Remote Sensing ， 2022 ， 188 ： 190 - 200 .

LI Z P ， CHENG Q ， CHEN L ， et al . Novel Spectral Indices and Transfer Learning Model in Estimat Moisture Status Across Winter Wheat and Summer Maize ［J］. Computers and Electronics in Agriculture ， 2025 ， 229 ： 109762 .

YU R Y ， YAO Y J ， TANG Q X ， et al . Transfer Learning in Junction with a Light Use Efficiency Model for Estimating Grassland Gross Primary Production ［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing ， 2025 ， 18 ： 9738 - 9754 .

BERGER K ， RIVERA CAICEDO J P ， MARTINO L ， et al . A Survey of Active Learning for Quantifying Vegetation Traits from Terrestrial Earth Observation Data ［J］. Remote Sensing ， 2021 ， 13 （ 2 ）： 287 .

AMITRANO D ， CICALA L ， DE MIZIO M ， et al . UAV Hyperspectral Characterization of Vegetation Using Entropy-Based Active Sampling for Partial Least Square Regression Models ［J］. Applied Sciences ， 2023 ， 13 （ 8 ）： 4812 .

ZHAO S X ， LIU Y X ， ZHANG L F ， et al . A Few-Shot ResNet Transfer Learning Method for Robust Chlorophyll-a Retrieval in Optically-Variable Waters Under Distribution Shift and Data Scarcity ［J］. International Journal of Applied Earth Observation and Geoinformation ， 2026 ， 149 ： 105294 .

TSELE P ， RAMOELO A . Hybrid Retrieval of Grass Biophysical Variables Based on Radiative Transfer， Active Learning and Regression Methods Using Sentinel-2 Data in Marakele National Park ［J］. Geocarto International ， 2024 ， 39 （ 1 ）： 2387087 .

DE CLERCK E ， KOVÁCS D D ， BERGER K ， et al . Optimizing Hybrid Models for Canopy Nitrogen Mapping from Sentinel-2 in Google Earth Engine ［J］. ISPRS Journal of Photogrammetry and Remote Sensing ， 2024 ， 218 ： 530 - 545 .

CHEN D H ， WANG B Y ， YANG X ， et al . Improving Recognition Accuracy of Pesticides in Groundwater by Applying TrAdaBoost Transfer Learning Method ［J］. Sensors ， 2023 ， 23 （ 8 ）： 3856 .

HUANG S B ， WANG R ， YU Y D ， et al . Construction and Application of Effluent Quality Prediction Model with Insufficient Data Based on Transfer Learning Algorithm in Wastewater Treatment Plants ［J］. Biochemical Engineering Journal ， 2023 ， 191 ： 108807 .

YANG Y ， TIAN Q Z ， BAI H ， et al . Time-Domain Transfer Learning for Accurate Heavy Metal Concentration Retrieval Using Remote Sensing and TrAdaBoost Algorithm： A Case Study of Daxigou， China ［J］. Water ， 2024 ， 16 （ 10 ）： 1439 .

GUPTA S ， BI J Z ， LIU Y ， et al . ISTRBoost： Importance Sampling Transfer Regression Using Boosting ［PP/OL］. arXiv （ 2022-04-26 ）［ 2025-12-09 ］. https：//doi.org/10.48550/arXiv.2204.12044 https://doi.org/10.48550/arXiv.2204.12044 .

HE H X ， KHOSHELHAM K ， FRASER C . A Multiclass TrAdaBoost Transfer Learning Algorithm for the Classification of Mobile LiDAR Data ［J］. ISPRS Journal of Photogrammetry and Remote Sensing ， 2020 ， 166 ： 118 - 127 .

HUANG J ， SMOLA A J ， GRETTON A ， et al . Correcting Sample Selection Bias by Unlabeled Data ［C］// The 20th Annual Conference on Neural Information Processing Systems ， Vancouver， British Columbia， Canada， 2007 .

LONG M S ， ZHU H ， WANG J M ， et al . Deep Transfer Learning with Joint Adaptation Networks ［PP/OL］. V2. arXiv （ 2017-08-17 ）［ 2025-06-10 ］. https：//doi.org/10.48550/arXiv.1605.06636 https://doi.org/10.48550/arXiv.1605.06636 .

DAI W Y ， YANG Q ， XUE G R ， et al . Boosting for Transfer Learning ［C］// The 24th International Conference on Machine Learning ， Corvalis， Oregon，USA， 2007 .

YAO Y ， DORETTO G . Boosting for Transfer Learning with Multiple Sources ［C］// IEEE Computer Society Conference on Computer Vision and Pattern Recognition ， San Francisco， CA， USA， 2010 .

SUGIYAMA M ， NAKAJIMA S ， KASHIMA H ， et al . Direct Importance Estimation with Model Selection and Its Application to Covariate Shift Adaptation ［C］// The 21st International Conference on Neural Information Processing Systems ， Vancouver， Columbia， Canada， 2007 .

MOLINA-CABANILLAS M A ， JIMÉNEZ-NAVARRO M J ， ARJONA R ， et al . DIAFAN-TL： An Instance Weighting-Based Transfer Learning Algorithm with Application to Phenology Forecasting ［J］. Knowledge-Based Systems ， 2022 ， 254 ： 109644 .

LEE K ， HAN S ， PHAM V H ， et al . Multi-objective Instance Weighting-Based Deep Transfer Learning Network for Intelligent Fault Diagnosis ［J］. Applied Sciences ， 2021 ， 11 （ 5 ）： 2370 .

PAN S J ， TSANG I W ， KWOK J T ， et al . Domain Adaptation via Transfer Component Analysis ［J］. IEEE Transactions on Neural Networks ， 2011 ， 22 （ 2 ）： 199 - 210 .

LONG M S ， WANG J M ， DING G G ， et al . Transfer Feature Learning with Joint Distribution Adaptation ［C］// IEEE International Conference on Computer Vision ， Sydney， New South Wales， Australia， 2013 .

WANG J D ， CHEN Y Q ， HAO S J ， et al . Balanced Distribution Adaptation for Transfer Learning ［C］// IEEE International Conference on Data Mining （ICDM）， New Orleans， LA， USA， 2017 .

WANG J D ， CHEN Y Q ， FENG W J ， et al . Transfer Learning with Dynamic Distribution Adaptation ［J］. ACM Transactions on Intelligent Systems and Technology ， 2020 ， 11 （ 1 ）： 1 - 25 .

WAN L ， ZHOU W J ， HE Y ， et al . Combining Transfer Learning and Hyperspectral Reflectance Analysis to Assess Leaf Nitrogen Concentration Across Different Plant Species Datasets ［J］. Remote Sensing of Environment ， 2022 ， 269 ： 112826 .

GONG B Q ， SHI Y ， SHA F ， et al . Geodesic Flow Kernel for Unsupervised Domain Adaptation ［C］// IEEE Conference on Computer Vision and Pattern Recognition ， Providence， RI， USA， 2012 .

FERNANDO B ， HABRARD A ， SEBBAN M ， et al . Subspace Alignment for Domain Adaptation ［PP/OL］. V2. arXiv （ 2014-10-23 ）［ 2025-08-22 ］. https：//doi.org/10.48550/arXiv.1409.5241 https://doi.org/10.48550/arXiv.1409.5241 .

WANG J D ， FENG W J ， CHEN Y Q ， et al . Visual Domain Adaptation with Manifold Embedded Distribution Alignment ［PP/OL］. V2. arXiv （ 2018-07-28 ）［ 2025-06-10 ］. https：//doi.org/10.48550/arXiv.1807.07258 https://doi.org/10.48550/arXiv.1807.07258 .

YANG M D ， HSU Y C ， LIU T T ， et al . Enhancing Grain Moisture Prediction in Multiple Crop Seasons Using Domain Adaptation AI ［J］. Computers and Electronics in Agriculture ， 2025 ， 231 ： 110058 .

TZENG E ， HOFFMAN J ， ZHANG N ， et al . Deep Domain Confusion： Maximizing for Domain Invariance ［PP/OL］. arXiv （ 2014-12-10 ）［ 2025-06-10 ］. https：//doi.org/10.48550/arXiv.1412.3474 https://doi.org/10.48550/arXiv.1412.3474 .

GE P F ， REN C X ， XU X L ， et al . Unsupervised Domain Adaptation via Deep Conditional Adaptation Network ［J］. Pattern Recognition ， 2023 ， 134 ： 109088 .

ZHONG Z Z ， WANG D Y ， ZHOU Q ， et al . Deep Joint Subdomain Alignment for Unsupervised Domain Adaptation ［J］. Expert Systems with Applications ， 2025 ， 262 ： 125602 .

LIN H W ， TSAI Y ， LIN H J ， et al . Unsupervised Domain Adaptation with Deep Network Based on Discriminative Class-Wise MMD ［J］. AIMS Mathematics ， 2024 ， 9 （ 3 ）： 6628 - 6647 .

LI J ， XIAO Z Q ， SUN R ， et al . Retrieval of the Leaf Area Index from Visible Infrared Imaging Radiometer Suite （VIIRS） Surface Reflectance Based on Unsupervised Domain Adaptation ［J］. Remote Sensing ， 2022 ， 14 （ 8 ）： 1826 .

TANG H ， JIA K . Discriminative Adversarial Domain Adaptation ［J］. Proceedings of the AAAI Conference on Artificial Intelligence ， 2020 ， 34 （ 4 ）： 5940 - 5947 .

LI J ， XIAO Z Q ， SUN R ， et al . Retrieval of Leaf Area Index from the Landsat Surface Reflectance Using Multi-task Adversarial Transfer Learning ［J］. International Journal of Digital Earth ， 2025 ， 18 （ 1 ）： 2520002 .

MARSOCCI V ， AUDEBERT N . Cross-Sensor Self-Supervised Training and Alignment for Remote Sensing ［PP/OL］. V2. arXiv （ 2025-06-24 ）［ 2025-08-22 ］. https：//doi.org/10.48550/arXiv.2405.09922 https://doi.org/10.48550/arXiv.2405.09922 .

ZHOU G Q ， QIAN L H ， GAMBA P . Advances on Multimodal Remote Sensing Foundation Models for Earth Observation Downstream Tasks： A Survey ［J］. Remote Sensing ， 2025 ， 17 （ 21 ）： 3532 .

JAKUBIK J ， YANG F ， BLUMENSTIEL B ， et al . TerraMind： Large-Scale Generative Multimodality for Earth Observation ［C］// IEEE/CVF International Conference on Computer Vision （ICCV）， Honolulu， HI， USA， 2025 .

WANG C G ， TANG G Q ， XIONG W T ， et al . Infrared Precipitation Estimation Using Convolutional Neural Network for FengYun Satellites ［J］. Journal of Hydrology ， 2021 ， 603 ： 127113 .

HUANG Y R ， CHEN W Q ， TAN W ， et al . Transfer Learning for Enhancing the Generality of Leaf Spectroscopic Models in Estimating Crop Foliar Nutrients Across Growth Stages ［J］. International Journal of Applied Earth Observation and Geoinformation ， 2025 ， 139 ： 104481 .

JAKUBIK J ， ROY S ， PHILLIPS C E ， et al . Foundation Models for Generalist Geospatial Artificial Intelligence ［PP/OL］. V2. arXiv （ 2023-11-08 ）［ 2026-04-24 ］. https：//doi.org/10.48550/arXiv.2310.18660 https://doi.org/10.48550/arXiv.2310.18660 .

NEDUNGADI V ， KARIRYAA A ， OEHMCKE S ， et al . MMEarth： Exploring Multi-modal Pretext Tasks for Geospatial Representation Learning ［PP/OL］. V2. arXiv （ 2024-07-29 ）［ 2025-08-22 ］. https：//doi.org/10.48550/arXiv.2405.02771 https://doi.org/10.48550/arXiv.2405.02771 .

BURKE M ， CONG Y Z ， ERMON S ， et al . SatMAE： Pre-Training Transformers for Temporal and Multi-spectral Satellite Imagery ［C］// Advances in Neural Information Processing Systems 35 ， New Orleans， Louisiana， USA， 2022 .

YU Z Y ， IDRIS M Y I ， WANG P . SatelliteCalculator： A Multi-task Vision Foundation Model for Quantitative Remote Sensing Inversion ［PP/OL］. arXiv （ 2025-04-18 ）［ 2026-01-24 ］. https：//doi.org/10.48550/arXiv.2504.13442 https://doi.org/10.48550/arXiv.2504.13442 .

QIN X L ， YANG J ， LI P X ， et al . A Novel Relational-Based Transductive Transfer Learning Method for PolSAR Images via Time-Series Clustering ［J］. Remote Sensing ， 2019 ， 11 （ 11 ）： 1358 .

ZHANG Y X ， LI W ， ZHANG M M ， et al . Graph Information Aggregation Cross-Domain Few-Shot Learning for Hyperspectral Image Classification ［J］. IEEE Transactions on Neural Networks and Learning Systems ， 2024 ， 35 （ 2 ）： 1912 - 1925 .

LI Y S ， KONG D Y ， ZHANG Y J ， et al . Robust Deep Alignment Network with Remote Sensing Knowledge Graph for Zero-Shot and Generalized Zero-Shot Remote Sensing Image Scene Classification ［J］. ISPRS Journal of Photogrammetry and Remote Sensing ， 2021 ， 179 ： 145 - 158 .

ZHAO Z H ， ALZUBAIDI L ， ZHANG J L ， et al . A Comparison Review of Transfer Learning and Self-Supervised Learning： Definitions， Applications， Advantages and Limitations ［J］. Expert Systems with Applications ， 2024 ， 242 ： 122807 .

胡泽文，孙建军，武夷山 . 国内知识图谱应用研究综述［J］. 图书情报工作， 2013 ， 57 （ 3 ）： 131 - 137 .

HU Zewen ， SUN Jianjun ， WU Yishan . Research Review on Application of Knowledge Mapping in China ［J］. Library and Information Service ， 2013 ， 57 （ 3 ）： 131 - 137 .

XIAO Q L ， TANG W T ， ZHANG C ， et al . Spectral Preprocessing Combined with Deep Transfer Learning to Evaluate Chlorophyll Content in Cotton Leaves ［J］. Plant Phenomics ， 2022 ， 2022 ： 9813841 .

ZHANG S H ， QI X H ， DUAN J Z ， et al . Comparison of Attention Mechanism-Based Deep Learning and Transfer Strategies for Wheat Yield Estimation Using Multisource Temporal Drone Imagery ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2024 ， 62 ： 4407723 .

CHEN S Y ， HUANG J L ， WANG P ， et al . A Coupled Model to Improve River Water Quality Prediction Towards Addressing Non-stationarity and Data Limitation ［J］. Water Research ， 2024 ， 248 ： 120895 .

CHEN X L ， SUN W ， JIANG T ， et al . Enhanced Prediction of River Dissolved Oxygen Through Feature- and Model-Based Transfer Learning ［J］. Journal of Environmental Management ， 2024 ， 372 ： 123310 .

LIU Y X ， WU H ， WANG S L ， et al . Evaluation of Trophic State for Inland Waters Through Combining Forel-Ule Index and Inherent Optical Properties ［J］. Science of the Total Environment ， 2022 ， 820 ： 153316 .

LIU L F ， JI M ， BUCHROITHNER M . Transfer Learning for Soil Spectroscopy Based on Convolutional Neural Networks and Its Application in Soil Clay Content Mapping Using Hyperspectral Imagery ［J］. Sensors ， 2018 ， 18 （ 9 ）： 3169 .

CAI H T ， LIU J ， CHEN J Y ， et al . Soil Nutrient Information Extraction Model Based on Transfer Learning and near Infrared Spectroscopy ［J］. Alexandria Engineering Journal ， 2021 ， 60 （ 3 ）： 2741 - 2746 .

HUANG J Y ， LENG G ， LIU S Y ， et al . Multi-scale Transfer Learning Improves Soil Calcium Carbonate Equivalent Measurement in Data-Limited Regions Using vis-NIR Spectroscopy ［J］. Chemometrics and Intelligent Laboratory Systems ， 2025 ， 263 ： 105436 .

ZHANG J X ， WANG M Y ， YING H ， et al . A Partial Transfer Component Regression Framework for Standard-Free Calibration Transfer of NIR Spectroscopic Data for Soil Analysis ［J］. Computers and Electronics in Agriculture ， 2024 ， 223 ： 109015 .

NJAIME M ， ABDALLAH F ， SNOUSSI H ， et al . Transfer Learning Based Solution for Air Quality Prediction in Smart Cities Using Multi-modal Data ［J］. International Journal of Environmental Science and Technology ， 2025 ， 22 （ 3 ）： 1297 - 1312 .

FU D S ， SHI H R ， GUEYMARD C A ， et al . A Deep-Learning and Transfer-Learning Hybrid Aerosol Retrieval Algorithm for FY4-AGRI： Development and Verification over Asia ［J］. Engineering ， 2024 ， 38 ： 164 - 174 .

JAIRI I ， BEN-OTHMAN S ， CANIVET L ， et al . Enhancing Air Pollution Prediction： A Neural Transfer Learning Approach Across Different Air Pollutants ［J］. Environmental Technology & Innovation ， 2024 ， 36 ： 103793 .

TANG C Q ， SHI C ， LETU H S ， et al . Development of a Hybrid Algorithm for the Simultaneous Retrieval of Aerosol Optical Thickness and Fine-Mode Fraction from Multi-spectral Satellite Observation Combining Radiative Transfer and Transfer Learning Approaches ［J］. Remote Sensing of Environment ， 2025 ， 319 ： 114619 .

LEHMANN M K ， GURLIN D ， PAHLEVAN N ， et al . GLORIA—A Globally Representative Hyperspectral in Situ Dataset for Optical Sensing of Water Quality ［J］. Scientific Data ， 2023 ， 10 ： 100 .

BASENER B . Classifying Crop Types Using Gaussian Bayesian Models and Neural Networks on Ghisaconus USGS Data from NASA Hyperspectral Satellite Imagery ［C］// The 12th Workshop on Hyperspectral Imaging and Signal Processing： Evolution in Remote Sensing ， Rome， Italy ， 2022 .

SHEPHERD K D ， FERGUSON R ， HOOVER D ， et al . A Global Soil Spectral Calibration Library and Estimation Service ［J］. Soil Security ， 2022 ， 7 ： 100061 .

AYSEL H I ， CAI X H ， PRUGEL-BENNETT A . Explainable Artificial Intelligence： Advancements and Limitations ［J］. Applied Sciences ， 2025 ， 15 （ 13 ）： 7261 .

ALIKHANOVA S ， TARANTINO C ， BULL J W . Tracking Vegetation Dynamics in Drylands with MSAVI： Insights from the South Aral Sea ［J］. Earth Systems and Environment ， 2026 ， 10 （ 2 ）： 1687 - 1699 .

GUI S D ， LI J M ， CHEN G P ， et al . Identification of Abandoned Cropland and Global-Local Driving Mechanism Analysis via Multi-source Remote Sensing Data and Multi-objective Optimization ［J］. Remote Sensing ， 2025 ， 17 （ 17 ）： 3086 .

WIRATSIN I O ， RAGKHITWETSAGUL C . Effectiveness of Explainable Artificial Intelligence （XAI） Techniques for Improving Human Trust in Machine Learning Models： A Systematic Literature Review ［J］. IEEE Access ， 2025 ， 13 ： 121326 - 121350 .

BROWN C F ， KAZMIERSKI M R ， PASQUARELLA V J ， et al . AlphaEarth Foundations： An Embedding Field Model for Accurate and Efficient Global Mapping from Sparse Label Data ［PP/OL］. V2. arXiv （ 2025-09-08 ）［ 2025-08-22 ］. https：//doi.org/10.48550/arXiv.2507.22291 https://doi.org/10.48550/arXiv.2507.22291 .

ZHAO B Y ， LI W ， WANG J J ， et al . Alliance： All-in-One Spectral-Spatial-Frequency Awareness Foundation Model ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2026 ， 48 （ 3 ）： 3586 - 3603 .

罗毅，田中群，李景虹，等 . 基于谱学大模型的物质科学认知［J］. 中国科学基金， 2025 ， 39 （ 4 ）： 542 - 554 .

LUO Yi ， TIAN Zhongqun ， LI Jinghong ， et al . Substance Science Insight Based on Spectroscopic Large Model ［J］. Bulletin of National Natural Science Foundation of China ， 2025 ， 39 （ 4 ）： 542 - 554 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

利用模拟数据进行遥感图像目标检测模型训练

资源枯竭型城市热环境空间网络的自然与人类活动影响量化评估

基于BERT迁移学习模型的地震灾害社交媒体信息分类研究

差分信息引导的三分支洪涝水淹道路检测网络

低轨巨型星座遥感信息“云-边-端”智能服务关键技术