基于多源自监督表征学习与相关性建模的城市土地利用分类

基于摘要分析。本文研究城市地块的土地利用功能分类，提出 LUSC 框架，利用高分辨率遥感（HRS）图像与兴趣点（POIs）进行多源自监督表征学习，并通过相关性建模联合利用不同来源的信息。原研究对象是城市地块及其功能，而非 EEG 或 BCI。 方法针对既有方法忽略模态不完整地块、未充分探索多源数据相关性的问题，结合地块特征学习表征，并设计多源信息联合学习模块（MIL）以探索来源间相关性、促进信息一致性。摘要未说明自监督任务、损失形式、模态缺失时的训练与推理流程，因此尚不能确认 LUSC 如何具体处理不完整模态。 作者报告，在覆盖中国 34 个省级城市的土地利用数据集上，比较实验与消融实验显示 LUSC 优于所比较的先进基线。摘要未提供具体指标、数值、基线名称及划分方式；实验协议、消融及统计信息尚未验证，尤其需核对地块或城市的训练测试划分，以及不完整模态的评估条件。 平台推测（待验证）：其多源表征与一致性建模思路，可能对应 EEG 与其他生理信号联合分析中的模态缺失问题，但这只是迁移假设。原方法依赖地块层面的图像与 POIs 关联，迁移时需将输入编码与样本配对改为时序信号结构，并验证相关性约束是否误抑制模态特有信息。EEG 的低信噪比、跨被试差异、通道变化及小数据规模均可能使该机制失效。可在配对多模态数据上固定跨被试划分，设置受控模态缺失，对比单模态、简单融合与加入相关性约束的方案，以检验该模块是否带来稳定增益；具体复现需取得全文实现细节。已有 EEG 相关工作尚未检索确认。