结论：这一轮最值得补进雷达的是 2026-06-11 更新到 arXiv v2 的 Scalable Deep Learning Framework for Global High-Resolution Land Use Reconstruction。它提出 AI4Land，用 U-Net 把粗分辨率 LUH2 土地利用情景、地形/土壤等静态地理变量和相邻年份高分辨率先验融合起来，生成 1 km 全球土地利用/土地覆盖重建与未来投影。论文报告平均 mIoU 为 0.805、总体分类准确率 94.67%；2014 年全球推理验证达到 94.88% accuracy 和 0.8569 mIoU；分布式训练在 MareNostrum5 上从 1 到 8 个节点扩展，8 节点 32 张 H100 下弱扩展效率仍约 97.7%。这篇文章的重点不是“又一个遥感分割模型”，而是把遥感 AI 推向气候数字孪生所需要的长时间、全球尺度、可耦合边界条件生产流程。

我按 2026-06-16 05:00 +08 检索公开来源，并过滤 SAR、PolSAR、InSAR、radar-only、microwave-only 与 SAR-optical fusion 主线工作。本篇选择的是土地利用/土地覆盖重建，输入以 LUH2、HILDA+、地形和土壤变量为主，不依赖 SAR backscatter、coherence、interferometry 或 SAR-optical fusion。同期本地文章已经覆盖 Clay-CNN Hybrids、TTABC、RPC-GS、OSMGraphCLIP、TUE-CD、GeoFM layer probing、MaskWAM、ShearFuse-UNet、LALE、CoastlineVLM、Stateful Visual Encoders、LG-SAM、LPM、CSI-Net、VecLang、TerraBench、OSTB、BCP、UltraVR、ABot-Earth 等方向，因此不重复写这些条目。