Transfer learning in environmental remote sensing

可解释性 计算机科学 遥感 环境监测 水准点(测量) 领域(数学分析) 比例(比率) 学习迁移 基本事实 土地覆盖 数据科学 机器学习 环境科学 土地利用 地理 地图学 数学分析 土木工程 工程类 环境工程 数学
作者
Yuchi Ma,Shuo Chen,Stefano Ermon,David B. Lobell
出处
期刊:Remote Sensing of Environment [Elsevier]
卷期号:301: 113924-113924 被引量:70
标识
DOI:10.1016/j.rse.2023.113924
摘要

Machine learning (ML) has proven to be a powerful tool for utilizing the rapidly increasing amounts of remote sensing data for environmental monitoring. Yet ML models often require a substantial amount of ground truth labels for training, and models trained using labeled data from one domain often demonstrate poor performance when directly applied to other domains. Transfer learning (TL) has emerged as a promising strategy to address domain shift and alleviate the need for labeled data. Here we provide the first systematic review of TL studies in environmental remote sensing. We start by defining the different forms of domain shift and then describe five commonly used TL techniques. We then present the results of a systematic search for peer-reviewed articles published between 2017 and 2022, which identified 1676 papers. Applications of TL in remote sensing have increased rapidly, with nearly 10 times more publications in 2022 than in 2017. Across seven categories of applications (land cover mapping, vegetation monitoring, soil property estimation, crop yield prediction, biodiversity monitoring, water resources management, and natural disaster management) we identify several recent successes of TL as well as some remaining research gaps. Finally, we highlight the need to organize benchmark datasets explicitly for TL in remote sensing for model evaluation. We also discuss potential research directions for TL studies in environmental remote sensing, such as realizing scale transfer, improving model interpretability, and leveraging foundation models for remote sensing tasks.
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
充电宝应助Steven采纳,获得10
4秒前
arpeggione完成签到,获得积分10
6秒前
琦qi完成签到 ,获得积分10
11秒前
lx完成签到,获得积分10
22秒前
Pauline完成签到 ,获得积分10
24秒前
简奥斯汀完成签到 ,获得积分10
25秒前
cugwzr完成签到,获得积分10
25秒前
卞卞完成签到,获得积分10
25秒前
31秒前
认真的小懒虫完成签到 ,获得积分10
34秒前
燕山堂完成签到 ,获得积分10
35秒前
爱撒娇的孤丹完成签到 ,获得积分10
36秒前
小彭陪小崔读个研完成签到 ,获得积分10
36秒前
俗丨完成签到,获得积分10
45秒前
akakns完成签到 ,获得积分10
45秒前
CWC完成签到,获得积分10
46秒前
伶俐安萱完成签到,获得积分10
48秒前
Wen完成签到 ,获得积分10
50秒前
小女子常戚戚完成签到,获得积分10
51秒前
懂得珍惜发布了新的文献求助10
52秒前
jue完成签到 ,获得积分10
54秒前
卓初露完成签到 ,获得积分10
55秒前
55秒前
123321完成签到,获得积分10
56秒前
呆呆的猕猴桃完成签到 ,获得积分10
57秒前
美丽依波完成签到 ,获得积分10
1分钟前
tmobiusx完成签到,获得积分10
1分钟前
Air完成签到 ,获得积分10
1分钟前
CAST1347完成签到,获得积分10
1分钟前
蓝景轩辕完成签到 ,获得积分10
1分钟前
宗师算个瓢啊完成签到 ,获得积分10
1分钟前
今夜不设防完成签到,获得积分10
1分钟前
奔奔完成签到 ,获得积分10
1分钟前
emxzemxz完成签到 ,获得积分10
1分钟前
ymxlcfc完成签到 ,获得积分10
1分钟前
cuicy完成签到 ,获得积分10
1分钟前
徐悦完成签到,获得积分10
1分钟前
Even9完成签到,获得积分10
1分钟前
阿豪要发文章完成签到 ,获得积分10
1分钟前
风趣青槐完成签到,获得积分20
1分钟前
高分求助中
The late Devonian Standard Conodont Zonation 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 1000
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
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 3244791
求助须知:如何正确求助?哪些是违规求助? 2888434
关于积分的说明 8252925
捐赠科研通 2556928
什么是DOI,文献DOI怎么找? 1385522
科研通“疑难数据库(出版商)”最低求助积分说明 650176
邀请新用户注册赠送积分活动 626303