知识卡片：基于 Sentinel-2 的湖泊叶绿素-a 预测演化架构搜索

一句话结论

据 arXiv 摘要，在固定任务、特征和湖级训练/测试划分的前提下，用正则化演化搜索扩展 MLP 架构空间，可把 Sentinel-2 藻华分类器的留出 AUC 从 0.790 提升到 0.820、准确率从 0.733 提升到 0.748，同时仅使用 409 个可训练参数（比最强手工设计参考少 26 倍），模型约 1.6 kB，论文将其定位为可作星上筛选触发的小模型。

事件概述或研究问题

• 研究背景：业务化地球观测中常见小规模表格数据集加专家设计光谱特征，所用网络通常手工设计。
• 研究问题：在一个已发表的 Sentinel-2 藻华分类器上，若保持任务、特征和湖级 train/test split 不变，架构搜索能带来什么增益？
• 基线：原研究已发表的 Sentinel-2 藻华分类器，涉及叶绿素-a 预测任务。具体网络结构、输入特征清单与原始训练细节待核实。

方法/产品要点

• 搜索空间：扩展的多层感知机（MLP）空间。
• 搜索算法：正则化演化（regularized evolution）。
• 选择准则：仅依据内层交叉验证 AUC（inner-cross-validation AUC）选择架构。
• 搜索收敛配方：单个窄层、RMS normalisation、$\tanh$ 激活、step-decayed RMSprop、权重平均。
• 模型规模：409 个可训练参数；约 1.6 kB。
• 代码：https://github.com/VU-AIML/automl4eo-bloom-nas
• 搜索计算预算、硬件、耗时、重复运行次数等：待核实。

主要结果或产业意义

• 留出 AUC：0.790 -> 0.820。
• 准确率：0.733 -> 0.748。
• 参数效率：409 个可训练参数，比最强手工设计参考少 26 倍。
• 模型体积：1.6 kB，摘要称小到足以作为星上筛选触发（onboard screening trigger），这也是该工作的动机场景。
• 产业含义：在业务化地球观测的小表格模型上，自动化架构搜索可能同时带来精度提升与大幅压缩，为星上或边缘端预筛提供候选路径；实际星上部署收益待核实。

为什么重要

• 它把“架构搜索是否值得”放在一个受控的地球观测任务上检验：不改变任务、特征和湖级划分，只搜索模型架构。
• 结果同时展示精度提升和极端参数压缩，对资源受限的遥感分类与星上筛选有参考价值。
• 与已有相关卡片（如“Transformer引导的节俭神经架构搜索”）相比，本条不是提出通用 NAS 框架，而是在既有 Sentinel-2 藻华分类任务上做受控复查；增量在于固定数据划分、只按内层 CV AUC 选型，并给出 409 参数/1.6 kB 的具体压缩结果。

局限与不确定性

• 目前材料只来自 arXiv 摘要与元数据摘录，未包含全文实验细节。
• 原始研究的数据集、湖泊分布、光谱特征、原模型结构、训练细节：待核实。
• 是否在多个湖泊、季节、传感器或外部数据集上验证：待核实。
• 搜索的计算预算、重复运行波动、统计显著性：待核实。
• “可用于星上筛选触发”是摘要中的定位；真实星载硬件上的延迟、功耗、内存与鲁棒性：待核实。
• 代码仓库链接已给出，但未在本次材料中独立验证其可运行性与复现结果。

可用于图书/PPT/简报的角度

• “小数据 + 专家特征”场景下，NAS 仍可能带来可观增益。
• 精度提升与 26 倍参数压缩：0.790→0.820 AUC、0.733→0.748 accuracy、409 参数、1.6 kB。
• 自动搜索发现的“反直觉配方”：单窄层、RMS norm、tanh、step-decayed RMSprop、权重平均。
• 地球观测模型走向星上或边缘端筛选触发。
• 受控实验设计：固定任务、特征与湖级划分，只按内层交叉验证 AUC 选型。

原始材料

• 英文标题：Evolutionary Architecture Search for Chlorophyll-$a$ Prediction in Lakes using Sentinel-2
• 英文关键词：待核实（提供的来源材料未列出关键词；仅有 arXiv 分类 cs.NE, cs.LG）
• 作者：Kursat Komurcu, Linas Petkevicius
• arXiv ID：2610.10496v1
• 发布/更新：2026-10-07T17:47:17Z
• 主分类：cs.NE；分类：cs.NE, cs.LG
• 摘要页：https://arxiv.org/abs/2610.10496v1
• PDF：https://arxiv.org/pdf/2610.10496v1
• 代码：https://github.com/VU-AIML/automl4eo-bloom-nas