1. 项目背景与核心挑战

在气候变化加剧的当下，地球观测卫星已成为监测自然灾害和支持灾害响应的关键工具。其中，热红外遥感技术在野火探测、城市热岛监测和农业干旱评估等应用中发挥着不可替代的作用。然而，传统卫星系统面临一个根本性矛盾：高时空分辨率难以兼得。Landsat-7 ETM+传感器虽然提供60米的空间分辨率，但重访周期长达16天；而MODIS等仪器虽能实现准每日重访，但热红外空间分辨率仅为1公里。

立方星（CubeSat）星座的出现为这一困境提供了创新解决方案。以德国OroraTech公司的FOREST-2立方星为例，其能够实现全球范围内每日两次重访的热红外成像。但这类微型卫星面临独特的工程挑战：

硬件限制 ：立方星通常仅搭载单一热红外波段（FOREST-2使用10.5-12.6µm的LWIR2波段），缺乏多光谱数据支持。同时，其计算资源极其有限（如NVIDIA Jetson Nano级处理器），内存通常不超过4GB。

数据瓶颈 ：新兴立方星任务在早期阶段往往缺乏足够的标注数据（本研究中仅有528张标注图像），而传统云检测方法（如阈值法、多光谱指数）严重依赖丰富的光谱信息。

关键发现：在热红外单波段场景下，薄云与寒冷地表（如雪地、水体）的辐射特性高度相似，使得传统算法难以实现可靠分割。这是我们选择深度学习方法的根本原因。

2. 技术方案设计思路

2.1 迁移学习的特殊价值

迁移学习的核心思想是通过源域（source domain）训练获得的知识，提升目标域（target domain）的任务性能。在本项目中：

• 源域 ：Landsat-7 Cloud Cover Assessment Dataset（6000张标注图像）
• 目标域 ：FOREST-2立方星热红外数据（528张标注图像）

选择Landsat-7作为源域的关键考量：

1. 光谱匹配性 ：Landsat-7 Band 6（10.4-12.5µm）与FOREST-2 LWIR2波段（10.5-12.6µm）的SRF（光谱响应函数）高度吻合
2. 数据质量 ：Landsat-7提供全球分布、经过专业标注的验证数据集
3. 分辨率适配 ：通过双线性下采样可将60m分辨率适配至FOREST-2的200m

2.2 模型架构选型

采用UNet+MobileNetV3-large的组合基于以下实验验证：

架构	参数量(M)	mF1(Val)	推理时延(ms)
ResNet50+UNet	29.4	0.842	58
EfficientNetB0+UNet	5.3	0.831	42
MobileNetV3+UNet	3.8	0.850	27

关键设计决策：

1. 编码器冻结 ：保持ImageNet预训练的MobileNet权重固定，仅微调解码器
2. 输入处理 ：单波段输入经Z-score标准化（均值/标准差基于各数据集单独计算）
3. 损失函数 ：二元交叉熵（BCE）应对类别不平衡（约2:1的晴空/云像素比）

3. 实现细节与优化技巧

3.1 跨域训练策略

我们对比了三种迁移学习模式：

1. 纯Landsat训练（l7-l7）

   • 作为性能上限参考（mF1=0.903）
   • 揭示模型在理想数据条件下的潜力

2. 零样本迁移（l7-f2）

   • 直接应用Landsat模型到立方星数据
   • 达到mF1=0.796，证明跨平台泛化可能性

3. 联合训练（joint-f2）

   • Landsat与FOREST-2数据按9:1混合
   • 关键技巧：采用空间块交叉验证（6-fold）避免空间自相关

实测发现：联合训练时，Landsat数据能显著提升对薄云的识别能力。因其包含更多样的云相态样本，弥补了立方星数据的不足。

3.2 星上部署优化

针对Jetson Nano的硬件限制，我们实施了三层优化：

1. 计算图优化

# PyTorch -> ONNX -> TensorRT转换流程
torch.onnx.export(model, dummy_input, "cloud_seg.onnx") 
trt_engine = tensorrt.Builder(TRT_LOGGER).build_engine(
    network, config)

2. 分块推理策略

• 输入图像（2691×1762）划分为重叠512×512块
• 仅保留中心256×256区域避免边缘效应
• 通过CUDA流实现异步并行处理

3. 内存管理

• 采用FP16精度（仅损失0.3% mF1）
• 固定输入尺寸避免动态内存分配
• 预加载TensorRT引擎减少初始化延迟

优化前后性能对比：

指标	原始PyTorch	TensorRT优化
峰值内存	3.2GB	1.7GB
推理时间	18.7s	4.3s
能耗	12.8W	6.3W

4. 关键问题与解决方案

4.1 领域偏移处理

尽管光谱波段相近，Landsat与FOREST-2仍存在系统差异：

1. 辐射响应差异 ：

   • 解决方案：实施直方图匹配（Histogram Matching）

   J = imhistmatch(I, reference)
   

2. 空间分辨率差异 ：

   • 采用MTF（调制传递函数）补偿滤波
   • 通过PSF（点扩散函数）模拟实现分辨率对齐

3. 场景分布偏差 ：

   • Landsat覆盖全球，而FOREST-2侧重火灾高发区
   • 对策：在联合训练时对立方星数据过采样

4.2 类别不平衡应对

实验发现三个影响模型性能的关键因素：

1. 评估指标选择 ：

   • 弃用准确率（受晴空主导）
   • 采用macro-F1平衡考量云/晴空类

2. 损失函数改进 ：

   • 测试Dice Loss、Focal Loss等变体
   • 最终保留BCE+类别权重（云:1.5，晴空:1）

3. 数据增强策略 ：

   • 对云像素实施旋转/弹性变换增强
   • 随机添加辐射噪声模拟传感器变异

5. 实际应用验证

在FOREST-2在轨测试中，该系统表现出色：

1. 野火监测场景 ：

   • 云掩膜准确率提升使火点误报率降低37%
   • 实现<5分钟的火情检测响应时间

2. 数据下行优化 ：

   • 通过云检测过滤无效数据
   • 节省62%的下行带宽（实测均值）

3. 长期稳定性 ：

   • 连续6个月在轨运行无故障
   • 辐射定标漂移<0.3K（通过月度微调补偿）

典型分割效果对比：

（左）原始热红外图像 （中）传统阈值法结果 （右）本文方法结果

6. 经验总结与延伸思考

经过项目实践，我们提炼出几条核心经验：

1. 迁移学习的黄金法则 ：

   • 源域数据量应至少10倍于目标域
   • 光谱匹配度比空间分辨率更重要
   • 联合训练时建议保持源域数据占比>70%

2. 嵌入式部署心得 ：

   • TensorRT的FP16模式是内存/精度最佳平衡点
   • 分块尺寸需匹配GPU共享内存大小（Jetson Nano为64KB）
   • 预热推理（warm-up）可消除首次推理延迟

3. 未来改进方向 ：

   • 探索基于物理的域适应方法（如辐射传输模型）
   • 试验知识蒸馏进一步压缩模型（目标<1MB）
   • 引入时序信息提升薄云检测（需星间链路支持）

这个项目证实了：通过精心设计的迁移学习方案，即使在严苛的星载环境下，也能实现接近地面服务器的AI处理能力。这种技术路径特别适合新兴的商用遥感星座，为其快速形成业务能力提供了关键支持。