.png){kind=icon}
返回
Preface: Advancing deep learning for remote sensing time series data analysis
.png){kind=icon}
PRE
AI
DOI：10.1016/j.rse.2025.114711.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本期特刊探讨了用于遥感时间序列分析的深度学习新兴领域。20篇投稿论文展示了多样化的应用，包括土地覆盖制图、变化检测、大气和生物物理/生物化学参数反演以及灾害监测。文章展示了多种方法来应对不规则时间序列的挑战，如数据合成、谐波建模以及使用循环和基于注意力机制的神经网络（例如LSTMs和Transformers）直接处理不规则数据。多项研究强调了将物理模型与深度学习相结合以提升模型可信度和可解释性的潜力。展望未来，我们确定了关键的未来发展方向：开发具有时间序列标签的全球代表性基准数据集；创建易于获取的、可操作的时序产品和模型；探索针对遥感时间序列的多模态和基础模型；以及更复杂的物理知识在深度学习框架内的集成。本合集突出了当前进展，并推动面向地球观测的时间感知深度学习领域的创新。
Keyword:
CARBON-DIOXIDE
EARTH
CLASSIFICATION
LANDSAT
ATTENTION
FLUXNET
NETWORK
ARCHIVE
FLUXES
SITES
期刊
IF:
11.4
论文数:
1.1W
被引数:
9.4W
机构
引用论文
.png){kind=icon}
分享收藏
A review of large area monitoring of land cover change using Landsat data利用Landsat数据大面积监测土地覆盖变化的研究进展
PREAI
分享收藏Bridging optical and SAR satellite image time series via contrastive feature extraction for crop classification通过对比特征提取桥接光学和SAR卫星图像时间序列，用于作物分类
PREAI
分享收藏
查看更多内容