遥感跨分辨率主动观测：当LR全局可见、HR只覆盖局部时，主动观测应该优先“看哪里”，才能让下游任务收益最大？

1. 导语：从“融合”到“选择”的范式转移

过去十年，跨分辨率遥感研究的主线是“融合”：把 HR 的空间细节注入 LR 影像，得到兼具大幅宽与高细节的产品，典型代表包括全色锐化（pansharpening）、超分辨率重建与多源时空融合。这条路线隐含一个假设——HR 数据已经存在，问题只是如何用好它。但在真实业务中，更常见的约束是：HR 数据并不存在，或只存在一小块，而且下一次获取需要付出星上存储、下行带宽、任务编排与机会成本。

于是问题从“如何融合”转向“如何选择”：在 LR 全局可见的前提下，有限的 HR 采集预算应当投向哪些区域，才能使下游任务（地物分类、变化检测、目标识别、灾害评估等）的最终收益最大。这正是主动观测（active observation）要处理的问题。它与主动学习（active learning）共享“选择最有价值样本”的思想，但约束更强：样本不是从已有池子里挑，而是需要真实触发一次物理获取，带有不可忽略的时延与代价。

笔者认为，跨分辨率主动观测的本质是一个“带物理代价的序贯决策问题”，而非单纯的采样问题。把它当作主动学习的遥感变体，会系统性低估获取代价与时序耦合，从而高估策略收益。本文后续所有讨论都围绕这一判断展开。

2. 背景与问题定义：跨分辨率主动观测的边界条件

2.1 概念界定

跨分辨率主动观测：给定一幅（或一景）已获取的 LR 影像覆盖研究区，以及一个可对任意子区域发起 HR 获取的观测系统，在预算约束下序贯选择子区域集合，使得下游任务在“LR 全局 + HR 局部”数据组合上的期望性能最优。这里的“分辨率”是广义的，既指空间分辨率，也可指光谱、时间分辨率。

下游任务敏感度：下游模型输出对某区域 HR 信息注入的响应强度，可用损失下降、指标提升或不确定度降低来度量。它是主动观测收益的“分子”之一，且随任务与模型而变，不存在与任务无关的通用敏感度。

2.2 形式化描述

设研究区被划分为候选单元集合 \(\mathcal{U}=\{u_1,\dots,u_N\}\)，LR 观测为 \(X^{L}\)，已获取的 HR 子集为 \(S\subseteq\mathcal{U}\)，对应 HR 观测 \(X^{H}_{S}\)。下游任务损失为 \(\mathcal{L}(f(X^{L},X^{H}_{S}),Y)\)。主动观测在预算 \(B\)（可获取的 HR 单元数或面积）下求解：

S* = argmax_{S, |S|≤B}  E[ L(f(X^L, X^H_∅), Y) − L(f(X^L, X^H_S), Y) ]

即“相对于完全不获取 HR 的基线，期望损失下降多少”。若逐单元贪心，则每一步选择边际收益最大的单元：

u* = argmax_{u∈U\S}  ΔL(u | S) / c(u)

其中 \(c(u)\) 为获取代价，\(\Delta L(u|S)\) 为在已有集合 \(S\) 基础上追加 \(u\) 的边际损失下降。本文把 \(\Delta L(u|S)/c(u)\) 称为收益密度，它是贯穿全文的分析主线。本文评述：这一形式化看似平凡，但它把“看哪里”拆成了三个可分别建模、可分别验证的因子——信息增益（\(\Delta L\) 的期望近似）、任务敏感度（损失对信息的响应）与获取代价（\(c\)）。工程上任何一步的粗糙近似，都会在预算紧张时被放大。

2.3 边界条件与不适用的场景

3. 原理与技术路线：收益密度的分解与近似

3.1 信息增益：从不确定度到期望损失下降

信息增益的经典度量包括熵、互信息与 Fisher 信息。在主动学习语境下，常用“模型预测不确定度”作为信息量的代理。但在跨分辨率主动观测中，不确定度代理存在两个偏差：其一，LR 影像本身可能已经“很确定但很错”，即高置信度错误，此时不确定度低但收益可能高；其二，HR 注入带来的信息增益依赖于LR 与 HR 的互补性，而非 HR 自身的复杂度。

更稳健的做法是直接估计期望损失下降：对候选单元 \(u\)，用代理模型模拟“注入 HR 后”的预测变化。工程上可用两类近似：一是特征空间近似，用 LR 与 HR 特征的距离或重建误差衡量互补性；二是模型响应近似，用集成模型或 MC Dropout 的预测方差变化衡量。本文评述：特征空间近似计算便宜但解释性弱，模型响应近似更贴近任务但依赖代理模型质量，实践中建议二者交叉验证，而非二选一。

3.2 任务敏感度：被低估的关键因子

同样一块 HR 信息，对不同下游任务的边际价值差异巨大。以城市地物分类为例，HR 对“建筑—道路”边界区域的价值远高于大片均质农田；以变化检测为例，HR 对“疑似变化斑块”的价值远高于稳定区域。任务敏感度可通过对下游模型做局部扰动分析近似：在候选单元上人为注入不同质量的 HR 代理（如从邻近区域借样、或用超分结果模拟），观察损失变化。

3.3 获取代价：不只是面积

获取代价 \(c(u)\) 至少包含四项：面积/数据量（下行带宽）、机会成本（占用星上任务窗口）、时延（从指令到可用数据的延迟）、质量风险（云覆盖、成像条件）。工程中常把 \(c(u)\) 简化为面积，这会系统性偏向选择“小而碎”的区域，忽视任务窗口的整块约束。笔者认为，代价建模应当与任务编排系统对齐，至少区分“可立即获取”与“需排队获取”两类，否则收益密度会失真。

3.4 技术路线总览

4. 候选区域生成：从像素到对象的打分单元

4.1 粒度选择的三条准则

候选单元粒度直接决定收益密度的可分辨性。粒度过细，打分噪声大且获取代价碎片化；粒度过粗，则无法区分单元内部的高价值子区。笔者认为可遵循三条准则：与任务输出粒度对齐（分类对齐地块、检测对齐目标尺度）、与获取最小单元对齐（不小于一次 HR 成像的最小可裁剪块）、与代价模型对齐（同一单元内代价近似恒定）。

4.2 对象级候选生成流程

输入: LR 影像 X_L, 下游任务模型 f, 预算 B, 最小获取块尺寸 m
1. 对 X_L 做多尺度分割, 得到对象集合 O = {o_1..o_k}
2. 过滤: 面积 < m 的对象并入邻接对象; 面积 > 阈值 的对象二次切分
3. 对每个对象计算三类代理分数:
   s_info(o)  = 特征互补度 (LR-HR 代理特征距离)
   s_task(o)  = 任务敏感度 (边界密度/变化先验/目标热图)
   c(o)       = 获取代价 (面积, 排队等级, 云风险)
4. 收益密度 rho(o) = s_info(o) * s_task(o) / c(o)
5. 输出候选列表按 rho 降序, 供采样模块使用

该流程的关键在于第 3 步的代理分数必须可在线计算，否则无法支撑近实时决策。工程上常把重计算部分离线预跑，在线只做轻量更新。本文评述：对象级候选相比固定网格的优势在于尊重地物边界，但会引入分割误差的传播；在分割质量不稳定的区域，建议回退到网格并叠加边界权重，而非强行对象化。

5. 采样策略与预算分配：贪心、序列与批量

5.1 贪心基线为何仍然重要

若收益函数近似次模（submodular），贪心可给出 \((1-1/e)\) 的近似保证。跨分辨率主动观测中，次模性并不严格成立——两个相邻高价值单元同时获取时，信息可能高度冗余，边际收益递减快于次模假设。但贪心仍是必要的基线：它计算简单、可解释、易于在线部署，且在很多任务上接近最优。笔者认为，任何复杂策略都应报告“相对贪心的增益”，否则难以判断复杂度是否值得。

5.2 冗余抑制：从独立打分到联合打分

独立打分忽略单元间相关性，容易在相邻区域重复获取。常用抑制手段包括：空间抑制（已选单元邻域降权）、特征抑制（已选单元特征空间近邻降权）、任务抑制（已选单元对下游损失的边际贡献递减）。三者可组合为乘性惩罚项。工程经验是：空间抑制半径取 HR 幅宽的 1/4 至 1/2 较为稳健，过大则退化为稀疏随机采样。

5.3 序贯决策与批量获取

真实系统往往一次下达一批获取指令（batch），而非逐单元串行。批量策略需在“批内多样性”与“批间适应性”之间权衡：批内用行列式点过程（DPP）或聚类多样性约束避免冗余，批间根据上一批返回结果更新打分。本文评述：批量大小是重要的超参数，批过大则丧失适应性，批过小则调度开销高；在云遮挡频繁的区域，建议批大小取预算的 1/3 左右，为失败重试留余量。

5.4 预算分配的两种视角

6. 工程实现：星上约束、时延与流水线

6.1 星上 vs 地面的算力分工

主动观测的打分环节若全部放在地面，会引入“LR 下行—地面打分—指令上行—HR 成像—HR 下行”的长链路，时延可能达到小时级甚至天级。对时效敏感的任务（灾害、应急），需把轻量打分模型部署到星上，实现“在轨初筛 + 地面精排”。星上模型受算力与功耗约束，通常采用蒸馏后的小模型或手工特征。笔者认为，星上初筛的目标不是“选得准”，而是“不漏掉高价值候选”，因此召回优先于精度。

6.2 流水线设计要点

表中时延为工程示意量级，实际取决于星座构型、地面站分布与数据链路，不应作为性能承诺。本文评述：流水线的瓶颈通常在“任务编排”而非“打分”，因为编排涉及多星多任务冲突消解；主动观测策略若不能与编排系统对接，再好的打分也无法落地。

6.3 可复现的最小实现

下面给出一个与框架无关的最小伪代码，便于在公开数据上复现基线。它刻意省略了星上约束，只保留“打分—选择—评估”的核心闭环。

def active_observe(lr, task_model, budget, block):
    cands = make_candidates(lr, block)          # 网格或对象
    selected = []
    while len(selected) < budget:
        scores = []
        for u in cands:
            if u in selected: continue
            s_info = info_gain_proxy(lr, u)      # 特征互补度
            s_task = task_sensitivity(task_model, lr, u)
            c      = cost(u)                     # 面积/排队/云风险
            rho    = s_info * s_task / max(c, 1e-6)
            rho   *= redundancy_penalty(u, selected)
            scores.append((rho, u))
        _, best = max(scores)
        selected.append(best)
    return selected

该实现便于做消融：去掉冗余惩罚、把 \(s_{info}\cdot s_{task}\) 换成单一不确定度、把代价设为常数，即可分别量化各因子的贡献。

7. 评估协议：指标、基线与常见陷阱

7.1 固定预算对比是底线

主动观测的评估必须在相同预算下比较，否则“多获取”自然更好，结论无意义。预算可用面积、块数或数据量度量，三者需在报告中明确。推荐同时报告“预算—收益曲线”，而非单点数字，以观察边际收益递减的形态。

7.2 必报的基线集合

7.3 常见陷阱

信息泄漏：用 HR 真值参与打分，再在同一 HR 上评估，会高估收益。正确做法是打分只用 LR 与代理模型，HR 仅用于最终评估。基线不公平：给主动策略调参而基线用默认参数，结论不可信。单次随机种子：主动策略方差较大，应报告多次运行的中位数与四分位距。本文评述：评估协议的重要性不亚于方法本身，很多“显著提升”在规范协议下会大幅缩水。

8. 案例与数据：公开数据集与可复现实验设计

8.1 可用公开数据集与预处理

上述数据集的划分与预处理细节应以原始文献与官方说明为准；本文仅给出通用要点，不替代官方协议。涉及下采样构造 LR 时，建议同时报告双三次与真实传感器降质两种设置，以检验策略对降质模型的敏感性。

8.2 一个可复现的实验设计（模拟数据说明）

为便于读者快速验证，下面给出一个不依赖真实星上系统的实验设计。所有“收益”数值均为模拟数据，仅用于说明协议，不代表任何真实系统性能。

设置: 研究区 4096x4096, LR 为 4 倍下采样, HR 块 256x256, 预算 16 块
任务: 二分类语义分割 (建筑/背景)
基线: 随机, 均匀网格, 纯不确定度, 纯任务先验
策略: 收益密度 (本文主线)
评估: 5 次随机种子, 报告 mIoU 中位数与 IQR
预期(模拟): 收益密度 > 纯任务先验 > 纯不确定度 > 均匀 > 随机
注: 排序为模拟推演, 真实排序需以复现实验为准

该设计的价值在于把“策略比较”与“绝对性能”解耦：即使绝对 mIoU 不高，只要排序稳定，就能说明策略的相对有效性。本文评述：模拟推演只能用于设计实验，不能用于宣称结论；任何排序都必须在真实数据上复现后才可引用。

8.3 拓展学习资源

以下链接指向公开的教程与课程页面，便于读者补充背景知识（外链，新窗口打开）：

• scikit-learn 官方示例库：主动学习与采样策略的工程实现参考。
• PyTorch 官方教程：下游任务模型训练与不确定度估计。
• OSGeo 开源地理空间基金会：遥感数据处理工具链。
• NASA Earthdata：公开遥感数据获取入口。
• ESA Sentinel 在线手册：多分辨率传感器参数与产品说明。

9. 对比与局限：方法谱系与失效边界

9.1 方法谱系对比

9.2 局限与开放问题

其一，代理偏差不可完全消除。收益密度依赖对 HR 注入效果的估计，而真实 HR 在获取前不可知，任何估计都有误差。其二，时序耦合。多轮主动观测中，前一轮获取会改变后一轮的打分，策略需在线更新，离线评估难以完全反映。其三，多任务冲突。不同下游任务的敏感度可能指向不同区域，预算分配缺乏公认的公平准则。其四，可解释与可审计。业务系统需要解释“为什么看这里”，而复杂打分模型往往难以给出直观理由。

笔者认为，上述局限中“时序耦合”最值得投入：它把主动观测从静态选择推向序贯决策，也正是收益密度主线能自然延伸的方向——每一轮用新数据更新打分模型，而非一次性选完。

10. 结论与展望：可验证的下一步

回到标题的问题：当 LR 全局可见、HR 只覆盖局部时，主动观测应该优先“看哪里”？本文给出的回答是：优先看收益密度最高的地方，即单位代价下期望损失下降最大的区域。这一回答把问题拆成三个可建模、可验证的因子——信息增益、任务敏感度、获取代价，并强调三者必须联合估计，任何单一因子的极端化都会导致次优。

可操作的下一步包括：第一，在公开数据上建立固定预算的评估基线，报告预算—收益曲线而非单点；第二，把冗余抑制与批量获取纳入策略，贴近真实调度；第三，尝试星上轻量初筛与地面精排的分工，量化时延对收益的侵蚀；第四，建立“探索预算”机制，用少量获取校准打分模型，降低长期代理偏差。

展望而言，随着星上算力提升与任务编排接口标准化，主动观测有望从“离线规划”走向“在线闭环”。但笔者提醒：闭环的收益上限由下游任务敏感度决定，而非由算法复杂度决定；在任务本身对 HR 不敏感的场景，最理性的策略可能是“不主动获取”。这一判断看似消极，却是收益密度主线给出的诚实结论。

主要参考文献