本文提出了一种改进的Segment Anything Model（SAM），旨在解决现有模型在遥感图像分析中的泛化性能下降问题。通过集成预训练卷积神经网络，增强了SAM在遥感图像上的识别能力。实验证明，该方法在多个遥感数据集上显著提高了性能，尤其在云检测、建筑物和道路识别等任务中表现优异，展示了其在数据稀缺环境中的潜力。

本文介绍了一种基于量子核心的支持向量机（SVM）算法，应用于卫星数据分析，尤其是云检测。研究表明，该算法在分类准确性上与传统SVM相当，并提出了量子变分核SVM（QVK-SVM），在准确性和性能上优于现有模型，展现出广泛的应用潜力。此外，结合量子计算与SVM的方法在处理大规模数据时表现出良好的性能和可扩展性。

本研究探讨了机载人工智能在卫星图像多类别分割中的应用，提出了轻量级深度学习模型1D-Justo-LiuNet，准确率达到0.93。研究强调在L1b辐射计校准后进行图像分割的重要性，并开发新算法以应对领域差异问题，提升云检测和土地覆盖分类的精度。