近年来,各种形式的机器学习方法在环境遥感研究中发挥了重要作用。随着地球观测大数据的增加,以及机器学习方法的迅猛发展,出现了更多新方法用于协助地球环境监测。在过去十年中,深度学习作为一种从传统神经网络中发展出的典型的、先进的机器学习框架,在性能上相较传统模型已经有了相当大的提高。在发展面向各种地球科学应用的深度学习算法方面已经取得了实质性的进展。因此,本综述将着眼于传统神经网络与深度学习方法的使用,以及二者在推进环境遥感进程中发挥的作用。本文首先分析了深度学习方法在环境遥感中的潜力,包括土地覆盖制图、环境参数反演、数据融合与降尺度,以及信息重建与预测。然后,本文将会介绍典型的网络结构。之后,本文将对深度学习环境监测方法在大气、植被、水文学、气温和陆地表面温度、蒸散发量、太阳辐射和海洋颜色等方面的应用进行专门的综述。最后,本文将对深度学习在环境遥感应用中的挑战以及前景作全面的分析与讨论。

image

图1.本文的框架

        查看详细>>    Q. Yuan, H. Shen, T. Li, and et al, “Deep Learning in Environmental Remote Sensing: Achievements and Challenges,” Remote Sensing of Environment, vol. 231, p. 111224, 2019.