- 拟定标题: An End-to-End MLOps Pipeline for Parameter-Efficient Fine-Tuning of Geospatial Foundation Models on Heterogeneous Satellite Imagery
- (面向异构卫星影像的地理空间基础大模型高效参数微调端到端 MLOps 管线)
- 目标期刊/顶会: ISPRS Journal of Photogrammetry and Remote Sensing, Computers & Geosciences, 或 ACM SIGSPATIAL
- 核心定位: 解决工程痛点，提出新型的“算力-数据-大模型”解耦与调度架构。
目前（2025-2026年）虽然开源的遥感基础大模型（如 IBM/NASA 的 Prithvi-100M/300M）已经发布，但在真实的政府、国防和商业测绘落地场景中，面临着巨大的“最后一公里”工程断层：
- 输入锁死: 预训练模型强制要求标准化的多光谱复合波段（如 HLS 6 波段），而真实用户手里往往是未经预处理的、只有 4 波段的高分辨率涉密 L1A 级影像（如 ZY3, GF2）。
- 算力与 I/O 瓶颈: 传统 GIS 软件处理正射校正（RPC）和空间裁剪通常需要写盘操作（生成海量中间 TIFF），导致数据准备时间远大于大模型的推理时间。
- 微调门槛过高: 缺乏一套能让业务人员直接参与、可视化的闭环 MLOps 平台，导致大模型只能停留在 AI 实验室的代码脚本里。
- 架构创新: 提出了首个空间流与张量流一体化的 Geo-MLOps 平台架构。该架构深度融合了 PostGIS 矢量引擎与 PyTorch 分布式训练引擎，实现了地理空间裁剪到内存张量转换的零拷贝（Zero-copy）。
- 动态融合管线 (DataFusionPipeline): 设计了一种自适应的张量对齐与通道填充机制。它允许系统在内存中直接读取无坐标系的高分卫星 RPC 参数进行动态正射投影，并自动与云端（GEE）拉取的 Sentinel-1 雷达波段进行精准的空间对齐。
- 大模型本地化 PEFT 平台: 实现并开源了一个基于 WebSocket 的参数高效微调（PEFT）调度系统，使得预训练视觉 Transformer（ViT）可以在几十秒内（仅需几十个 Epoch）完成区域特征的适配，并自动通过云对象存储（OBS）完成模型资产的存算分离。
- 实验组设置:
- Baseline: 传统 Python 脚本处理管线（先用 GDAL/QGIS 裁剪写盘，再用 DataLoader 读取）。
- Ours (AE Pipeline): 本文提出的端到端内存直通对齐与训练管线。
- 性能指标 (Metrics):
- 端到端延迟 (End-to-End Latency): 测量从“选定行政区多边形”到“模型完成 50 Epoch 微调”的总耗时。证明本架构减少了 70% 的 I/O 阻塞时间。
- 吞吐量 (Throughput): 测量 DataFusionPipeline 生成 128x128 训练张量的速率（Patches/sec）。
- 显存利用率 (GPU Memory Utilization): 对比不同 Batch Size 下，本系统的资源调度效率。
本系统成功跨越了 GIS 数据工程与 AI 深度学习框架之间的鸿沟。实验证明，该 MLOps 管线不仅能无缝吞吐异构的私有高分影像，还能在降低 70% 数据准备时间的前提下，实现 Prithvi 等亿级参数大模型的极速本地化微调，为基础大模型在遥感工业界的规模化落地提供了范式参考。