地理空间分析的损失神经压缩：一项评估

于红博

摘要: 在过去的几十年里，地球观测（EO）数据的数量爆炸性增长。卫星图像对地球表面和大气的前所未有覆盖导致产生了大量数据，这些数据必须传输到地面站，存储在数据中心，并分发给最终用户。现代地球系统模型（ESMs）面临着类似的挑战，以高空间和时间分辨率运行，每天模拟产生的数据量达到PB级。在过去的十年中，数据压缩变得越来越重要，神经压缩（NC）从深度学习和信息论中出现，使得EO数据和ESM输出成为理想的候选者，因为它们具有大量未标记的数据。在本综述中，我们概述了应用于地理空间数据的NC的最新发展。我们介绍了NC的基本概念，包括其在传统图像和视频压缩领域的开创性工作，重点放在有损压缩上。我们讨论了EO和ESM数据的独特特征，将它们与“自然图像”进行对比，并解释了它们提出的额外挑战和机遇。此外，我们回顾了跨各种EO模态的NC的当前应用，并探讨了迄今为止在ESM压缩方面的有限努力。自监督学习（SSL）和基础模型（FM）的出现推动了从大量未标记数据中高效提取表示的方法。我们将这些发展与EO的NC联系起来，突出了这两个领域之间的相似之处，并详细阐述了将压缩特征表示传递给机器之间通信的潜力。根据本综述得出的见解，我们制定了与EO和ESM应用相关的未来方向。

更新时间: 2025-10-08 17:10:10

领域: eess.SP,cs.AI,cs.CV,cs.LG,physics.geo-ph

下载: http://arxiv.org/abs/2503.01505v2