面向城市土地利用分类的多源地理数据自监督联合表示学习

基于摘要分析。该研究面向城市土地利用分类，针对高分辨率遥感（HRS）影像与社会感知数据分布不均、多源配对样本有限的问题，提出自监督联合表示学习框架 SJRL，结合模态内表示学习与跨模态融合，学习地块的功能表示。 在 HRS 影像侧，方法通过语义感知采样识别包含显著视觉信息的区域，以提高自监督表示学习效率；在兴趣点（POIs）侧，采用上下文感知自监督学习，获得适用于土地利用分类的预训练 POI 模型。随后，跨模态对齐模块 CMA 用于对齐不同模态的共有信息，模态增强模块 MEM 用于自适应学习互补信息，两者被嵌入土地利用分类模型。摘要未披露语义区域识别方式、上下文构造、损失函数或训练阶段之间的具体衔接。 作者报告，在来自中国 34 个省级城市的多源样本，以及北京、上海、武汉、成都城市区域上的实验支持 SJRL 的有效性与泛化能力。摘要未给出具体指标、提升幅度、基线及数据划分，因此不能将其泛化结论进一步解释为已经验证的跨城市迁移效果；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的机制假设是，先分别利用各模态未配对数据学习表示，再用有限配对数据分离共有信息与互补信息，可能适用于配对 EEG 与其他模态数据稀缺的研究场景。需保留可对应的采样单位与同步或语义监督，并将地理区域采样、POI 上下文编码改造成适合神经信号的时间片段与上下文建模。低信噪比、通道差异和跨被试变化可能使对齐捕获伪相关，小样本下互补分支也可能过拟合。可在固定跨被试划分和配对样本预算下，比较独立预训练后直接融合、加入 CMA、再加入 MEM 的结果，以检验模块是否带来稳定增益。相关 EEG 工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。