La segmentación de imágenes de teledetección (RSI) juega un papel crucial en el monitoreo ambiental y el análisis geoespacial. Sin embargo, en aplicaciones prácticas del mundo real, el problema de cambio de dominio entre el dominio fuente y el dominio objetivo a menudo conduce a una degradación severa del rendimiento del modelo. La mayoría de los métodos existentes de adaptación de dominio no supervisados se centran en alinear características de dominio global-local o características de categoría, descuidando las variaciones de categorías de objetos terrestres dentro de escenas locales. Para capturar estas variaciones, proponemos el enfoque de alineación de covarianza de escena (SCA) para guiar el aprendizaje de características a nivel de escena en el dominio. Específicamente, proponemos un modelo de alineación de covarianza de escena para abordar el desafío de adaptación de dominio en la segmentación de RSI. A diferencia de los métodos tradicionales de alineación de características globales, SCA incorpora un módulo de agrupación de características de escena (SFP) y un mecanismo de regularización de covarianza (CR) para extraer y alinear características a nivel de escena de manera efectiva y se centra en alinear regiones locales con diferentes características de escena entre los dominios fuente y objetivo. Los experimentos en los conjuntos de datos de cobertura terrestre LoveDA y Yanqing demuestran que SCA exhibe un excelente rendimiento en tareas de segmentación de RSI entre dominios, superando especialmente a los baselines de vanguardia en diversos escenarios, incluidos diferentes niveles de ruido, resoluciones espaciales y condiciones ambientales.