文章基于适应度地形足迹框架，首次量化分析了不同遥感传感器对神经架构搜索（NAS）过程的影响。以So2Sat LCZ42数据集为基准，对比Sentinel-1（SAR）、Sentinel-2（多光谱）及两者融合的搜索地形特征。研究发现：训练时长增加使所有传感器地形平坦化（崎岖度降低63%）；Sentinel-2支持最高平均适应度（0.97）和最平滑搜索轨迹（自相关长度1.54）；传感器融合导致性能退化（适应度降低8%）。研究揭示搜索空间对传感器的适配性差异，为多模态NAS设计提供理论依据。
文章提出适应度地形足迹量化框架，将神经架构搜索（NAS）建模为三元组\(\mathcal{L}=(S,f,N)\)。其中\(S\)为NASBench-101搜索空间（45.3万种CNN架构），\(f\)为基于Kappa-Cohen指标的适应度函数，\(N\)为汉明距离定义的邻域算子。通过八项指标全面刻画地形特性：适应度分布均值/方差、崎岖度\(\tau\)、局部最优解数量、正负持久性及其曲线下面积（\(Auc\)）。该框架支持跨传感器配置的NAS问题对比。
采用So2Sat LCZ42遥感数据集，包含17类局部气候带标注的Sentinel-1/2协同配准图像。定制二值向量编码NASBench-101架构，拉丁超立方采样100个模型。设置双训练阶段对比：短周期（36轮）和长周期（108轮），测试不同传感器输入下的地形演化规律。
设计三组输入模式：单Sentinel-1（SAR影像）、单Sentinel-2（多光谱影像）、融合输入（堆叠双传感器数据）。保持搜索空间\(S\)和邻域算子\(N\)不变，隔离传感器变量对NAS过程的影响。
短周期训练下，Sentinel-2展现最优适应度分布（\(\mu=0.94,\sigma=0.03\)），显著优于Sentinel-1（\(\mu=0.47,\sigma=0.13\)）。传感器融合导致性能衰退（\(\mu=0.89,\sigma=0.05\)）。长周期训练使所有传感器适应度提升：Sentinel-2达\(\mu=0.97\)（拟合优度提升32%），Sentinel-1提升至\(\mu=0.64\)。分布拟合显示：Sentinel-1服从对数正态分布，Sentinel-2及融合数据符合Beta分布。
短周期地形崎岖度排序：Sentinel-1（\(\tau=17.84\)）>融合（\(\tau=6.03\)）>Sentinel-2（\(\tau=1.54\)）。随机游走轨迹表明：Sentinel-2路径最平滑且适应度最高（\(\mu=0.93\)），而Sentinel-1路径波动剧烈（振幅35%）。长周期训练使所有传感器地形平坦化，Sentinel-2崎岖度降至接近1。
Sentinel-2在短周期即展现清晰优化路径：距全局最优解汉明距离减小伴随适应度单调上升。融合数据出现异常点簇（\(d_{hamming}=7\)时适应度突降），表明搜索空间对融合模式适配不足。Sentinel-1地形在长周期仍呈现未收敛的负斜率特征。
正持久性（前25%排名保持率）指标排序：Sentinel-2（\(Auc=0.14\)）>融合（\(Auc=0.07\)）>Sentinel-1（\(Auc=0.04\)）。负持久性（后25%排名保持率）呈现相同趋势，Sentinel-2达\(Auc=0.26\)。表明适配性强的传感器产生更稳定的架构排名，而Sentinel-1训练过程存在显著排名波动。
研究发现当前搜索空间下传感器融合存在根本矛盾：输入层堆叠双源数据使平均适应度比单Sentinel-2降低8%，标准差扩大67%。地形足迹显示融合模式继承Sentinel-2的平滑轨迹特征，但出现局部性能洼地。证明NASBench-101搜索空间对多模态输入适配不足，需开发专用融合架构。
适应度地形足迹框架量化揭示：