结论：这一轮最值得单独跟踪的是 A Fast Methane Detection Pipeline on Board Satellites Based on Mag1c-SAS and LinkNet。它不是继续把高光谱甲烷检测做成更重的地面后处理模型，而是把问题倒过来问：如果卫星下行带宽、CPU、内存和功耗都很紧，能不能在星上先把 3D 高光谱立方体压成可用的甲烷候选图，再只下传真正值得看的区域？论文给出 Mag1c-SAS 这个加速版甲烷增强产品，再用轻量 LinkNet 清噪；在 STARCOP 和作者新构建的 EMIT-MSeg 上验证，并发布 PyPI 库、实验代码、模型和数据。对遥感 AI 来说，它的价值不在于“又一个分割网络”，而在于给高光谱星上智能提供了一个可部署、可复现、可替换目标谱的工程模板。

我按 2026-06-14 21:00 +08 检索公开来源，过滤 SAR、PolSAR、InSAR、radar-only、microwave-only 和 SAR-optical fusion 主线工作。本篇选择 2026-06-02 提交 arXiv 的高光谱光学遥感工作。它使用 AVIRIS-NG 和 EMIT 这类 imaging spectroscopy / hyperspectral 数据，不属于雷达方向；同时有 arXiv HTML、PyPI 包、GitHub 项目和 Hugging Face 模型页可核验，适合进入“多源数据融合、效率部署与应用落地”。

这篇也值得和最近一批 VLM / GeoFM 文章区分开。VLM 方向的热点是“让模型看懂遥感图像并会说话”，而这篇关注的是“卫星真的能不能在轨先算出有用结果”。它提醒我们：遥感 AI 不只是在云端跑更大的模型，很多高价值任务最后要落到带宽、功耗、处理器和任务调度上。对于甲烷、火点、船舶、云雪、灾害初筛等任务，星上先做低成本筛选，再把有限下行资源留给异常区域，可能比一味追求地面模型精度更接近系统收益。

背景

甲烷点源检测是高光谱遥感里很典型的“数据量大、信号弱、响应要快”的任务。甲烷在短波红外有明确吸收特征，尤其在约 2100-2500 nm 范围内可被 AVIRIS-NG、EMIT、PRISMA、EnMAP、CHIME 等成像光谱数据利用。但高光谱图像不是 RGB 三通道，而是几十到几百个波段的立方体。把完整数据下传到地面再处理，延迟和带宽成本都高；如果卫星只拍人工指定区域，又容易错过突发泄漏。