联邦学习是一种机器学习方法，它允许多个组织或设备在保持数据本地化的情况下，共同学习一个共享模型。在遥感领域，这种技术尤其有价值，因为它使得不同实体，如卫星运营商或环境监测机构，能够改善用于分析地理数据的模型，而不必分享敏感的原始数据。这一点非常重要，因为存在隐私问题、数据所有权问题以及遥感数据集庞大的规模。
联邦学习在遥感中的一个实际应用可以在土地覆盖分类中看到。不同组织可能拥有来自不同地区的遥感数据，但由于隐私法规或专有利益，分享原始影像可能会面临挑战。通过使用联邦学习，每个组织可以在自己的数据上训练共享神经网络的一部分，只共享模型更新（梯度），而不是数据本身。这些更新随后在中央服务器中聚合，从而优化模型。这个过程可以通过结合来自不同地理位置的见解来改善土地覆盖地图，同时确保每个组织的数据安全。
另一个例子是监测环境变化，如森林砍伐或城市扩张。联邦学习允许来自多个国家的组织构建模型，使用其独特的数据集检测变化，例如，拍摄的不同城市区域的卫星图像。每个组织都可以为模型做出贡献，而无需公开其原始数据，从而促进跨国的更好合作。通过利用联邦学习，遥感应用可以通过集体学习提升其模型准确性，同时尊重数据隐私和完整性。