基于克里金法的伪标签生成增强地面 PM2.5 预测
内容提要
该文综述遥感领域利用半监督与生成模型缓解标注数据不足的研究，包括伪标签、GAN扩充数据集、地理知识预训练及主动学习，以提升分类、分割、生物量预测等任务性能，部分方法在遥感数据集上较监督基准提高数个百分点。
延伸解读
伪标签与生成模型：两条互补的少标注路径
文章梳理了遥感领域缓解标注不足的两类思路：一是伪标签，如利用预测地图生成伪目标训练数据，或通过众包与主动学习精化标注；二是生成模型，如用GAN扩充数据集。两者并非替代关系——伪标签侧重挖掘未标注数据，生成模型侧重合成新样本，实际应用中可根据任务类型和数据条件选择或组合。
性能提升有数据，但幅度因任务而异
文中给出的量化结果差异明显：GAN扩充约10%数据即可改善分类性能；地理知识预训练在fMoW上使F1提高4.5%；半监督FixMatch仅用30%标注数据即比监督基准高7.1%。这些数字说明方法有效，但提升幅度受数据集、任务和基准选择影响，读者不宜将某一任务的增益直接外推到其他场景。
克里金与半监督的结合点：KITS的启示
文章提到KITS模型将图神经网络引入克里金，通过虚拟节点融合特征并构建可靠伪标签，缩小训练图与推理图的差距。这提示地面PM2.5预测中，伪标签质量比数量更关键；若伪标签与真实观测分布偏差过大，反而可能引入噪声。因此，评估伪标签的可靠性机制应成为方法设计的重点。
Q&A
半监督学习如何缓解遥感标注数据不足的问题？
文章综述了多种半监督与生成模型方法，包括伪标签、GAN扩充数据集、地理知识预训练及主动学习，这些方法能利用未标注数据提升分类、分割、生物量预测等任务性能，部分方法在遥感数据集上较监督基准提高数个百分点。
GAN在遥感图像分类中具体能带来什么提升？
使用GAN（如DCGAN、WGAN-GP）为土地利用与覆盖分类任务扩充EuroSAT数据集，增加约10%的数据集即可改善模型性能，并提高深度分类模型在卫星图像上的泛化能力。
地理知识预训练如何减少遥感任务对标注的依赖？
通过将地理参考维基百科文章与对应位置的卫星图像配对构建WikiSatNet数据集，并提出两种学习卫星图像表示的策略，该预训练方法在fMoW数据集上可将ImageNet预训练模型的F1分数提高4.5%，从而减少对注释数据的需求。
主动学习在遥感语义分割标注中如何应用？
文章提出一种低成本标记方法：先通过众包或预训练网络标记图像，再利用主动学习策略在第二步精细化标注图像。实验表明，对语义分割网络进行主动标注精化能够提高性能。
KITS模型如何解决克里金预测中训练与推理图不一致的问题？
KITS是一种基于图神经网络的克里金模型，通过在训练图中添加虚拟节点并与观测节点融合特征，同时构建可靠的伪标签，成功缩小了训练图与推理图之间的差距，从而在预测中表现出较高性能优势。
半监督FixMatch框架在遥感数据上能达到什么精度？
通过适应FixMatch框架并消除训练数据中的偏差，仅使用30%的已标记数据，在遥感数据集上相较基准监督学习方法提供了7.1%的准确度提升，相较监督学习最新方法CDS提供了2.1%的准确度提升。
