Deep Learning for Satellite Image Time-Series Analysis: A review

遥感 系列(地层学) 卫星 卫星图像 时间序列 计算机科学 深度学习 人工智能 地质学 气象学 地理 机器学习 工程类 航空航天工程 古生物学
作者
Lynn Miller,Charlotte Pelletier,Geoffrey I. Webb
出处
期刊:IEEE Geoscience and Remote Sensing Magazine [Institute of Electrical and Electronics Engineers]
卷期号:: 2-45 被引量:1
标识
DOI:10.1109/mgrs.2024.3393010
摘要

Earth observation (EO) satellite missions have been providing detailed images about the state of Earth and its land cover for over 50 years. Long-term missions, such as those of NASA's Landsat, Terra, and Aqua satellites, and more recently, the European Space Agency's (ESA's) Sentinel missions, record images of the entire world every few days. Although single images provide point-in-time data, repeated images of the same area, or satellite image time series (SITS), provide information about the changing state of vegetation and land use. These SITS are useful for modeling dynamic processes and seasonal changes, such as plant phenology. They have potential benefits for many aspects of land and natural resource management, including applications in agricultural, forest, water, and disaster management; urban planning; and mining. However, the resulting SITS are complex, incorporating information from the temporal, spatial, and spectral dimensions. Therefore, deep learning (DL) methods are often deployed, as they can analyze these complex relationships. This review article presents a summary of the state-of-the-art methods of modeling environmental, agricultural, and other EO variables from SITS data using DL methods. We aim to provide a resource for remote sensing experts interested in using DL techniques to enhance EO models with temporal information.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
rita_sun1969发布了新的文献求助20
刚刚
中草药发布了新的文献求助10
刚刚
打打应助汉堡上的鸽子粪采纳,获得10
刚刚
刚刚
相濡以沫发布了新的文献求助10
1秒前
章鱼发布了新的文献求助30
1秒前
Tonnyjing应助skyinner采纳,获得10
1秒前
1秒前
1秒前
1秒前
任风发布了新的文献求助10
1秒前
2秒前
小琦琦发布了新的文献求助10
2秒前
2秒前
ssssssss完成签到,获得积分10
2秒前
尤水绿发布了新的文献求助10
3秒前
乐观冥幽发布了新的文献求助10
3秒前
Jiang完成签到,获得积分10
4秒前
ASUKA完成签到,获得积分10
4秒前
SciGPT应助郭女侠在江湖采纳,获得10
4秒前
4秒前
古渡关注了科研通微信公众号
5秒前
甜甜玫瑰应助斯文谷秋采纳,获得10
5秒前
芋你呀完成签到,获得积分10
5秒前
月夜发布了新的文献求助10
5秒前
wubo完成签到,获得积分10
5秒前
Lily发布了新的文献求助10
6秒前
ZJHYNL应助上岸采纳,获得10
6秒前
汉堡包应助Sci采纳,获得10
6秒前
小乐完成签到 ,获得积分10
6秒前
王晓发布了新的文献求助10
6秒前
www268完成签到 ,获得积分10
7秒前
小易发布了新的文献求助10
7秒前
俊逸幻柏发布了新的文献求助10
7秒前
高小歌发布了新的文献求助10
8秒前
哆啦完成签到 ,获得积分10
8秒前
8秒前
hoongyan完成签到 ,获得积分10
8秒前
文艺裘发布了新的文献求助10
9秒前
高分求助中
【此为提示信息,请勿应助】请按要求发布求助,避免被关 20000
【本贴是提醒信息,请勿应助】请在求助之前详细阅读求助说明!!!! 20000
Evolution 5000
좌파는 어떻게 좌파가 됐나:한국 급진노동운동의 형성과 궤적 2500
Sustainability in Tides Chemistry 1500
La Chine révolutionnaire d'aujourd'hui / Van Min, Kang Hsin 1000
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3044087
求助须知:如何正确求助?哪些是违规求助? 2701275
关于积分的说明 7383057
捐赠科研通 2345240
什么是DOI,文献DOI怎么找? 1241363
科研通“疑难数据库(出版商)”最低求助积分说明 603809
版权声明 595493