闫凯,1,2,3, 徐健明1,2, 王桥,1,2
1.北京师范大学卫星应用前沿交叉研究院，北京 100875
2.北京师范大学地理科学学部，北京 100875
3.遥感与数字地球全国重点实验室，北京 100875
摘要
在全球变化和城市化进程中，自然灾害、环境污染及非法开发等地表异常事件的影响范围与程度不断扩大，使得及时准确的地表异常探测成为国家需求和研究热点。遥感技术具有观测范围大且能周期性重访的优势，成为地表异常探测的关键手段。然而，现有地表异常探测方法多依赖地面大算力运算，涉及复杂的任务规划、卫星运控、星地传输和异常提取等环节，难以实现地表异常的快速识别。此外，已有方法通常面向特定异常类型，依赖专家知识和人工解译，难以用于通用化和智能化业务部署。为此，本文提出一种基于轻量化大模型特征的地表异常遥感自动探测方法，以提升地表异常探测的通用性、即时性和智能化部署能力。该方法包含3个环节：①采用视觉大模型作为特征提取器，以增强特征泛化性和算法通用性，通过高斯混合模型和贝叶斯信息准则实现自动化特征压缩，生成便于星地传输和在轨储存的轻量级先验知识；②利用高效字典查找法实现地表异常分值的快速推理，以适用于计算资源有限的星上环境；③在异常分值基础上，通过提示词和深度分割模型进行地表异常边界提取，提高提取的精细化和自动化程度。试验表明，与传统方法相比，本文方法表现更优且稳定，具有更好的通用性。试验案例中，先验知识库的平均压缩率约为100倍，大幅提升了在轨存储和星地传输更新的能力。同时，本文方法利用提示词和深度分割模型解决了固定阈值用于异常边界提取时自动化程度低、抗噪声能力差的问题，实现了精细化地表异常对象级提取。总体而言，本文方法具有数据存储量小、算力要求低、探测精度高等优势，具备成为通用化地表异常在轨即时探测业务化算法的潜力。
关键词
基金项目
国家自然科学基金重大项目(42192580)
作者简介
第一作者：闫凯（1988—），男，博士，副教授，研究方向为即时遥感、定量遥感。E-mail：kaiyan@bnu.edu.cn
通信作者：王桥 E-mail：wangqiao@bnu.edu.cn
本文引用格式
闫凯, 徐健明, 王桥.
YAN Kai, XU Jianming, WANG Qiao.
阅读全文
http://xb.chinasmp.com/article/2025/1001-1595/1001-1595-2025-09-1664.shtml
地表异常是指与所在地时空分布特征不符的地物，通常因自然灾害、环境污染和违规开发等事件产生，对人民生命财产安全和社会稳定构成严重威胁[1]。在全球气候变化及人类活动加剧的背景下，地表异常呈现出分布广、频发性高、演变迅速、影响范围大及经济损失显著等特点[2]。因此，地表异常的及时探测与有效治理已成为国家发展的重大战略需求，是我国新发展阶段推动物质文明与生态文明建设的重要支撑。为此，学术界针对地表异常探测开展了广泛研究，初步构建了较为系统的理论与技术框架。从技术路径上看，主要形成了基于地面监测网络和卫星遥感的两大方法体系，已在非法排污、地面沉降及空气污染等领域取得重要进展[3-5]，为应急响应、紧急处置及执法监管提供了坚实的科学依据。
目前，遥感技术快速发展并逐渐成为地表异常探测的主要研究方向和技术手段。首先，遥感在大范围地表异常及时发现中，具备数据覆盖度和时效性优势。地表异常的空间分布具有随机性，而传统方法依赖地面监测网和现场实测，观测范围有限且部署成本高昂，通常仅适用于重点区域的局部观测，无法进行大尺度的地表异常及时发现。较之传统方法，遥感具备大范围观测和周期性重访的数据特性，可以在大尺度、甚至全球范围内监测地表异常。近年来，如东方慧眼、Planet Scope等[6]星座技术更是可以将重复观测周期压缩至1天左右，遥感的时效性优势得到显著提高。因此，遥感是目前大范围、高频次地表异常探测的最有效手段。更为重要的是，遥感技术与机器学习、大数据分析及深度学习等前沿技术的深度融合，形成了“人工智能+遥感”（AI+RS）模式，为地表异常探测提供了更加丰富、精准且智能化的方法体系。如，文献[7]结合支持向量数据描述（SVDD）探测地震和海啸造成的建筑物损毁；文献[8]则利用卷积神经网络（CNN）实现了多种地表异常的准确分类。目前，遥感技术已在植被扰动、自然灾害等多种大尺度监测及洲际、全球尺度制图中取得初步成果[9-12]。
然而，现行遥感应用体系下，地表异常探测涉及任务规划、卫星运控、星地传输、异常提取和异常知识生成等多个环节，整个流程通常需要1～3天才能完成，无法满足抢险救灾、应急处置和污染管理等需要即时响应的任务需求[13]。为了克服时效性短板，有学者提出了向在轨计算转变的必要性[14]。太空云计算、“通信-导航-遥感”一体化等技术的发展为地表异常的即时探测提供了硬件基础[6]。特别是智能卫星的发射，如2023年发射的珞珈三号01星，配备了高性能图形处理器（GPU），并成功实现了深度目标识别等复杂算法的星上运行，标志着国内已初步具备在轨大算力应用部署的硬件基础[15-16]。此外，激光通信、星载路由器和中继卫星星座等技术的进步，也使得建立高效的数据传输网络成为可能。目前，星地激光通信的上/下行速度已分别达到10 Mbit/s和10 Gbit/s，低轨卫星间和低轨-静止轨星间通信速率已分别达到100 Gbit/s和2.88 Gbit/s[17-18]。该通信条件已基本满足在轨地表异常探测对模型更新和数据传输的要求。在信息发布方面，我国的北斗短报文系统已具备将在轨地表异常信息直接发送至用户终端的能力[19]。综上，现有的卫星硬件设施已可支撑以“模型即时更新-在轨即时提取-知识即时发布”为特征的短链条地表异常即时探测体系。
尽管实现地表异常即时智能探测的硬件和算法条件已初步具备，但两者的发展仍相对独立，尤其是算法仍面向传统遥感体系的设计，导致无法直接配套使用。对此，国内外已展开多项研究。如，文献[1]通过量化技术降低先验知识的在轨存储压力；文献[20]通过引入轻量化模型降低在轨运算的计算压力。然而，目前还存在两个重要瓶颈有待解决：数据量瓶颈和智能化瓶颈（图1）。首先，在星上计算体系中，为确保算法时效性，需要进行“地面站-计算卫星”的高频次数据上传，以更新算法参数和辅助信息。然而，由于这些数据的体量庞大而地面站分布有限，加之“地面-卫星”数据上传速率较低，难以实现模型的即时更新[21-25]。其次，在星上计算体系下，异常区域的提取需高度自动化，但现有方法在这两个阶段仍需人工参与，无法实现完全的业务化运行。
图1 在轨条件下传统地表异常探测的问题
Fig. 1 The bottlenecks of traditional surface anomaly detection methods in on-orbit computing environment
针对上述问题，本文提出了一种基于轻量化大模型特征的地表异常遥感探测方法。该方法旨在通过优化数据传输效率和提高算法稳健性来突破现有瓶颈。首先，通过采样方法压缩算法运行参数，降低星地通信的数据体量，以应对数据传输瓶颈。其次，利用视觉大模型提取特征，增强了方法的稳健性和泛化性，减少了对高级数据和应用场景的依赖，从而提高了智能化程度。最后，摒弃传统的阈值分割体系，引入提示词分割模型进行异常区域提取，降低了对参数调优的依赖，实现了更高的自动化水平。综上所述，本文为地表异常的在轨智能化即时探测提供了一种可行的思路。
1 问题建模及现有方法
1.1 地表异常探测问题建模
理论上，地表异常探测可抽象为正常ω1和异常ω2的二分类问题。假设x为待检测像素，当其所在空间分析单元o（x）的状态与正常状态的差异超过预设阈值τ时，即可判定为地表异常。该过程可以归结为数学形式
(1)式中，P是先验知识，用于表征正常状态；d为差异度量函数，用于量化o（x）当前状态与P偏离程度。基于该模型，地表异常探测方法需围绕以下3个核心组件展开。
（1）先验知识提取，即通过分析历史影像Ih构建P的过程，可形式化为
(2)式中，f指特征提取器，其泛化能力直接影响先验知识的数据兼容性和时空异质性的适应度；K指知识提取模型，其压缩效率决定知识表示的紧凑性，紧凑性越高数据冗余越少，可有效提升存储与计算效率。典型的知识表示形式包括统计特征量、概率分布模型、特征查找表等。
（2）异常分值量化，根据P形式不同，设计差异度量函数d实现异常分值计算，用于表达异常的可能性或强度。常用的度量方法包括：余弦相似度、欧氏距离、马氏距离、KL散度等。
（3）异常区域提取，通过阈值分割将连续的异常分值映射转化为离散的正常/异常类别，即实例化o（x）和τ的过程。具体来讲，o（x）和τ之间存在耦合关系：基于像素的分析单元易受影像噪声干扰，通常需要设置较为严格的阈值；而基于图像块的分析对噪声的稳健性较强，可适当放宽阈值选取范围。典型阈值确定方法包括标准差法、大津法和专家经验阈值等。
在轨部署的问题如下。
（1）共性问题：①要求历史影像与探测影像严格空间配对；②未凝练知识，数据量大，在轨传输、存储困难。
（2）低阶方法问题：①特征泛化性弱，应用范围小；②基于像素分析，对噪声敏感。
（3）高阶方法问题：①基于影像块分析，对噪声仍比较敏感；②基于卷积网络特征，在复杂多样的遥感场景中，泛化能力仍有欠缺；③基于像素进行分析，对噪声敏感。
1.2 现有方法及其问题
根据先验知识提取方式的不同，现有方法大致可分为变化检测和异常检测两大类。其中，变化检测方法以几何配对的历史图像（P=Ih）或其特征图（P=f（Ih））作为先验知识，通过向量空间度量（如曼哈顿距离、欧几里得距离等）计算输入像元值或特征值与先验知识的差异，差异越大，异常分数越高。依据特征提取器f的差异，变化检测可进一步细分为基于像元值或低阶特征（如光谱代数运算、边缘纹理特征等）的低阶方法，以及基于深度神经网络特征（如感知机、卷积神经网络、自编码器等）的高阶方法[26]。而异常检测方法则以历史影像的统计分布作为先验知识，即P=K｛f（Ih）｝，通过概率空间度量评估待检测像素是否符合先验分布，输入像素相较概率分布的偏离越大，其异常分数则较高。
当前，遥感地表异常探测在地面条件下取得了显著成效，但在星上部署中面临两大挑战。
（1）数据量瓶颈（如图1先验知识更新链路）：星上计算体系中，确保先验知识时效性需要频繁的数据传输，但现有方法中的先验知识数据量较大，特别是历史影像或其特征图的变化检测方法，受限于传输链路带宽和速率，数据上传效率低，难以满足实时更新需求[27]。
（2）智能化瓶颈（如图1异常提取与决策链路）：星上计算体系中，异常分值计算和异常区域提取无法有效实现人机交互，现有方法在异常分值计算和区域提取阶段存在不足，依赖光谱、空间及卷积网络特征[22,28-30]，稳健性和泛化能力差，且常需人工干预[31-32]；在区域提取阶段，阈值分割方法受噪声影响较大，需要调优才能获得理想结果（表1）。
表1 现有方法实例化方法及问题
Tab. 1
综上所述，现有方法难以实现星上环境中的智能化部署。为实现轨道上的地表异常探测，需要解决3个问题：先验知识的轻量化、提高先验知识的泛化性、降低阈值选取的难度。
2 研究方法与数据
2.1 轻量化先验知识地面构建
2.1.1 视觉大模型特征提取
本文方法采用（segment anything model，SAM）中的（vision transformer，ViT）编码器[33-34]进行特征提取，如图2所示。假设Ix，y，t∈1024×1024×3是在经纬度（x，y）和时间t获取的影像，通过ViT后可获得特征图Fx，y，t∈64×64×256。该特征图具备高稳健性、高泛化能力和高语义优势，能够从以下两个方面提升方法的智能化水平：①数据层面的通用性。深度特征具有更高的语义信息，相较于低阶特征，它对噪声和观测条件变化的敏感性较低。因此，基于深度特征的方法在处理不同等级的数据时更具兼容性，能够减少数据预处理等人工干预，从而提高智能化程度。②应用层面的通用性。ViT具有标度律特性[35]，即其测试集表现与模型参数量、训练数据量和训练计算量正相关。在SAM的训练过程中，使用了海量的数据和计算资源，因此该编码器理论上应具备较强的泛化能力。试验结果也表明，SAM在遥感数据上的迁移能力较强，能够在不同场景下有效工作。综上所述，基于SAM编码器开发的地表异常探测方法能够更好地适应多样化的数据和应用场景，减少算法选择等烦琐步骤，从而进一步提升智能化水平。
图2 本文方法流程
Fig. 2 Flowchart of the proposed method
2.1.2 大模型特征采样压缩
由于遥感影像属于高维、连续数据，其冗余性极高[36]。此外，图像中通常包含大量均质区域，即大部分像素描述相似的地物，这进一步增加了数据的冗余性。因此，本文提出通过采样方法[37]提取代表性地物特征作为先验知识，从而降低数据冗余性并压缩先验知识的存储量。具体流程如下。
首先，假设图像中包含M种代表性地物，其特征分布符合混合高斯分布，表达式为
(3)式中，pM是指拟合的图像特征分布；是均值为、协方差矩阵为的高斯分布；πm是第m个高斯分布的混合比例。
由于在实际应用中，代表性地物的数量通常未知，假设最小峰数为1，最大峰数为100，本文采用期望最大化（EM）算法求解100个高斯混合模型，生成候选集P=｛p1，p2，…，p100｝。接下来，利用贝叶斯信息准则（BIC）进行模型选择。BIC的计算公式为
(4)式中，k是估计的参数量；n是求解模型的样本数；＾L是模型似然函数的最大值。BIC反映了模型对原始数据分布的刻画能力，BIC越小代表模型对原始数据分布的近似能力越强。因此，计算P中所有模型的BIC，取BIC最小的那个模型Popt作为采样模型。
最终，构建轻量化先验知识库。使用Popt对特征图进行聚类，得到特征图上代表性地物的位置分布图。考虑到使用位置分布图作为先验要求待检测图像与先验图像配准，同时储存数据量大，因此采用代表性地物的均值和方差作为先验知识。假设Popt=PK，则先验知识库可以表达为
(5)式中，和分别表示特征图上所有属于第1类地物的特征均值和方差。值得注意的是，尽管协方差矩阵能够更精确地刻画分布，但可能会出现奇异矩阵（即无逆矩阵的情况），从而导致方法失效。因此，为确保方法的稳定性，本文采用方差作为先验知识。
2.2 地表异常在轨智能探测
2.2.1 地表异常强度在轨计算
针对在轨计算资源受限的应用场景，本文采用了一种高效、轻量化的基于字典查找的异常检测方法。具体而言，首先提取待检测图像块的特征向量，随后将其与先验知识库中的特征进行相似度计算。若待检测特征与知识库中所有特征的相似度低，则判定异常可能性高并赋予高异常分值。
假设在经纬度（x′，y′）和时间t′获得一幅遥感图像首先通过SAM编码器计算其特征图；然后，查询时空最邻近的先验知识库，即可计算异常强度
(6)式中，d是曼哈顿距离；是i行j列的特征向量；si，j是该空间位置的异常分数，si，j越高越可能发生异常。
2.2.2 异常区域在轨自动化提取
在获取异常分数后，传统方法一般通过阈值确定异常区域。然而，阈值方法存在如下问题：①不同类型的地表异常需要不同的阈值体系。如，探测植被异常需要设定较低的阈值，而滑坡、火灾等异常则需要较高的阈值。②阈值方法依赖异常分值图的质量，难以兼顾查全率和查准率。为提高查准率，需要调高阈值，若异常分值图质量不足，容易导致大量异常区域的漏检。反之，为了提高查全率而降低阈值，又容易引入大量虚警，影响检测结果的可靠性。综合来看，基于阈值的方法往往需要人工参与才能得到更符合预期的结果。
为了避开复杂的阈值选取问题，本文提出了一种自动化提取方法。该方法首先使用高阈值排除虚警，提高识别的准确性。随后，将筛选出的异常区域作为提示输入SAM，顾及了查全率，并实现精细的异常区提取。方法具体步骤如下：①高阈值初筛。认为异常分数前20%的像素是潜在异常，建立统一的阈值体系，同时较高的阈值确保了潜在异常的查准率。②提示自动化生成。对筛选的潜在异常进行连通性分析，获取外包矩形作为提示词。③异常区分割。将原始图像及潜在异常外包矩形输入SAM进行异常区的自动化提取。④错检测筛除。一般来讲，异常分值图中的虚警是局部的，而它们所处在的对象异常分数不高。因此，进行潜在异常区分割后，统计异常区域的平均异常分数进一步筛除错检测。在本文中，平均分数阈值设置为0.6。
3 试验验证与分析
3.1 试验数据
为验证方法有效性，使用5个案例进行试验分析（图3第1～3列和表2）。试验数据特点如下：①数据组织。每个案例由Landsat-8或EO-1卫星影像对构成，影像尺寸为1024×1024×3，采用真彩色（红-绿-蓝波段）或标准假彩色（近红外-红-绿）波段组合。异常发生前的影像定义为先验图，异常发生后的影像定义为异常图。②数据等级。影像均为表观反射率产品，未经大气校正，可验证方法在低级数据上的有效性，体现在轨及自动化部署潜力。③案例异常类型。含滑坡、野火、水体异常及火山活动4种代表性地表异，且不同异常间遥感响应差异很大，可验证方法通用性。④标注规则。目视解译滑坡区域、燃烧及浓烟区域、显著水质变化区域和火山羽流区域作为异常真值。
图3 可视化结果对比
Fig. 3 Visual detection results comparison among different methods
表2 数据集介绍
Tab. 2
3.2 试验设置
本文设置如下3类试验。
（1）精度对比试验。比较本文方法与传统方法在探测不同类型地表异常事件时的效果，旨在验证方法的通用性及对算法性能作综合评定。在此试验中，使用F1值进行定量评价，其定义如下
(7)
(8)
(9)
式中，TP表示被正确检测的异常像元数；FP指被误判为异常的正常像元数；FN指未被检测出的异常像元数；P为查准率；R为查全率。F1值越高代表检测结果越好。综合来看，F1值能够同时反映查准率和查全率，适合作为异常检测的定量评价指标。另外，由于传统方法依赖阈值，使用它们最高的F1值进行评定。
（2）先验知识轻量化试验。使用原始深度特征、孤立森林、层次聚类模型与本文方法分别构建先验知识库，并对比其大小及探测精度，以验证算法在轨部署潜力。
（3）自动化提取试验。比较基于阈值方法与使用SAM的方法进行异常区提取的精度，主要验证算法的自动化程度。
3.3 精度对比试验
本节对比了本文方法与传统变化检测方法（基于余弦距离和欧氏距离的方法）[38-39]、异常检测方法（高斯混合模型、主成分分析、频数直方图法、孤立森林）[40-41]、深度变化检测[20]（欧氏距离、余弦距离）及在轨地表异常探测方法[27]。图3展示了各方法的可视化对比结果：第1、2列分别为先验图和异常图；第3列为人工标注的真值图；第4、5列分别呈现传统变化检测方法和异常检测方法中F1值最高的检测结果；第6列为深度变化检测方法中F1值最优者的检测结果；第7列为在轨地表异常探测方法检测结果；第8列为本文方法的检测结果。图4则展示了各方法在不同案例中定量指标（F1值）的对比情况。、
图4 定量精度对比结果
Fig. 4 Quantitative comparison on detection accuracy
在滑坡案例中，传统变化检测方法F1值仅为0.110和0.131，无法有效提取滑坡区；异常检测方法难以区分阴影与滑坡区，误提取较多；深度变化检测方法引入高语义特征后F1值提升，虚警减少，但边界粗糙。本文方法表现最佳，F1值最高，虚警少，异常区轮廓精细。在野火案例中，尽管变化检测和异常检测方法定量表现较好，但存在精度差异、区域不连续和椒盐噪声等问题。深度学习方法精度较高，异常区提取完整、虚警少，边界粗糙。本文方法仍表现最好。在水体异常案例中，传统方法难以捕捉弱异常，虚警较多；深度特征提升F1值，但只能提取一个异常区。本文方法避免虚警，精细提取出两个水体异常区。在火山案例中，传统方法未能提取火山羽流，深度学习方法及在轨地表异常探测方法边界粗糙。本文方法精确提取火山1中的异常区，并能灵活处理非配对影像，表现优异。
试验表明，本文方法在轻量化条件下仍具优异性能，且具有两大优势：①引入大模型特征提升通用性；②摒弃阈值方案并采用SAM提取异常区，结果更精确且边界更细。
3.4 先验知识轻量化试验
本文的创新之一是提出了一种轻量化的先验知识提取方法，本节将从检测精度、先验知识数据量和压缩率3个方面，与基于深度特征的变化检测、凝聚法聚类及孤立森林进行比较，定量结果见表3。
表3 先验知识构造方法对比
Tab. 3
（1）深度变化检测：虽然深度变化检测方法具有流程直观、部署成熟等优点，但先验数据量过大，限制了数据传输和更新。以SAM编码器特征为例，1024×1024的先验图像数据量为4096 KB，精度较低，且无法处理非配对图像，显示出轻量化先验提取的必要性。
（2）对比方法：孤立森林虽为常用异常检测方法，但压缩SAM特征后数据量减少不明显，且F1值下降，证明其不适合作为轻量化先验提取方法。凝聚法聚类能够有效降低数据量并提升F1值，证明提取代表性地物特征的有效性。
（3）本文方法：假设特征符合混合高斯分布，通过BIC和EM算法提取代表性地物。试验表明，压缩率最低达到87.15%，平均数据量为40 KB，远低于原始的4096 KB，大大增强了移动部署潜力。本文方法的F1值大多数情况下优于对比方法，证明其在轻量化和探测精度上的优势。
3.5 自动化提取试验
传统地表异常探测方法往往依赖单一阈值对所有像元进行分割，但这类方法对噪声较为敏感，且阈值的设定需要人工干预，难以实现自动化。为此，本文提出了一种结合提示词和SAM的自动化异常区域提取方案，有效降低阈值选取难度，从而提高了自动化程度，并降低结果对异常分值图质量的依赖。
在传统方法中，异常区域的提取主要依赖于预设阈值，而这种方法对异常分数图中的噪声极为敏感。为验证这一点，本文采用在轨地表异常探测方法计算异常分数，并对其探测精度（F1值）随阈值变化的敏感性进行了分析。图5展示了相关敏感性分析结果：图5（a）呈现了不同阈值下的F1值变化；图5（b）显示了相应的异常分数图；图5（c）为在最优阈值下得到的提取结果。分析表明：①阈值对异常提取精度具有显著影响如，在滑坡案例中，稍高的阈值会导致F1值显著下降；而在火山案例中，过低阈值同样会影响检测精度。不同案例之间最优阈值的差异较大，表明基于阈值的方法需要人工干预，难以实现自动化；②尽管异常分数图质量较好，基于阈值的提取方法仍易受到图像质量变化的影响，常伴随着较多虚警现象。
图5 阈值分析试验结果
Fig. 5 Threshold analysis experimental results
基于上述问题，对本文方法进行了敏感性分析。具体而言，在不同潜在异常像元比例及目标平均阈值分数下对检测结果进行了对比分析。考虑到在初筛阶段应采用较高阈值以降低虚警率，分别选取了前25%、20%和15%的高异常分数像元作为潜在异常区域进行分析；其中，在20%初筛比例下，进一步设置了平均异常分数阈值为0.5、0.6及0.7，以探讨其对最终检测结果的影响。
如图6所示，试验主要结果包括：①在将前25%异常值像元视为潜在异常区域时，候选区域覆盖范围相对扩大，但大多数案例的提取结果与默认参数设置下基本一致，仅在水体异常（图6第2行、第3列）出现轻微的过度提取；②当初筛比例设为20%时，不同平均分数阈值下的检测结果表现出较高的一致性和稳定性；③进一步将比例缩小至前15%时，候选矩形区域范围略有收缩，但大多数案例的分割结果仍与默认设置基本吻合，仅在滑坡场景（图6第1行、第9列）中出现一定程度的漏检，整体检测效果依然理想。
图6 本文方法阈值敏感性分析
Fig. 6 Threshold sensitivity analysis of the proposed method
分析表明，初筛阈值主要影响候选区域的覆盖范围，并进而对最终检测结果产生一定影响；然而，由于SAM在候选区域内具有较强的目标提取稳健性，候选区域细微变化仅引起轻微的漏检或过检。在候选区域基本一致的情况下，提取出的目标轮廓保持一致，同时，由于目标与背景之间存在明显差异，平均分数阈值对最终结果的影响较为有限。综上所述，尽管部分超参数设置对候选区域存在一定影响，但整体检测结果具有较好的稳健性，表明本文方法对阈值选取的敏感性较低，具备较强的自动化探测潜力。
4 结论
针对现有地表异常遥感探测方法数据体量大、智能化程度低导致在轨部署困难的问题，本文设计了一种基于轻量化大模型特征的地表异常遥感探测方法。首先，利用视觉大模型进行影像特征提取，确保特征的泛化性和方法的通用性。该方法将地表异常探测分为两个阶段：在地面通过高斯混合模型和贝叶斯信息准则计算复杂先验知识，保留主要地物特征，去除冗余信息，生成便于传输和存储的轻量化先验知识；在探测阶段，采用字典查找法判断每个图像块异常的概率，生成异常分值图。最终，通过异常分值图生成提示词，结合SAM进行异常地物分割，避免使用阈值方法，从而提高异常提取的精细化和自动化程度。试验结果表明，本文方法在不同地表异常案例中均表现优异，先验知识得到了极大压缩，异常提取效果优于传统阈值方法。
然而，目前的工作主要集中在强异常提取上，后续需要进一步研究如何利用大模型的浅层特征以增强弱异常的提取效果。此外，方法体系在实际在轨部署中仍面临多方面挑战：其一，在轨计算资源（尤其是功率与内存）受限，现有大模型难以直接部署，需结合模型剪枝、知识蒸馏等技术压缩模型规模，降低推理复杂度；其二，星地及星间通信链路受限于带宽与误码率，需设计结构化、可压缩的异常知识表达机制，提升信息传输的稳健性与效率；其三，现有平台多为单星被动观测，缺乏协同响应能力，未来可探索多星组网、星座重构等机制，构建具备星间通信、智能任务调度与目标重访能力的业务模式。
京公网安备 11010802031220号