好文推荐｜深度学习在环境遥感中的应用：进展与挑战

原创张良培团队遥感学报 2021-09-20

收录于话题 #专辑丨好文推荐 32个内容

遥感人的成长家园

官网

主题词

环境遥感，深度学习

神经网络，参数反演

图片来源“量子位”公号

在过去几十年，神经网络模型在环境遥感领域得到了广泛应用。深度学习作为第二代神经网络，以其强大的非线性特征表征与刻画能力，在系列遥感应用中体现出更加凸显的技术优势。

武汉大学张良培教授团队等近期发表论文《Deep learning in environmental remote sensing: Achievements and challenges》，从传统的神经网络出发，系统总结深度学习在环境遥感中的应用现状，并展望其未来的发展前景。

研究内容

图片来源网络

随着人工智能、大数据等技术的快速发展，基于数据驱动的遥感数据处理与应用模型已成为一个重要的发展方向。特别是在神经网络与深度学习方面，国内外学者已经进行了大量的遥感应用研究，并取得了颇具前景的研究成果。前期研究已对深度学习在遥感信息处理中的应用进行了归纳，本文则更加侧重其在环境遥感应用中的总结与展望。主要内容包括：

（1）概述了深度学习在环境遥感领域的主要应用方向，包括土地覆盖制图、定量参数反演、数据融合与降尺度、信息重建与预测等。

（2）归纳了遥感应用中常用或具有潜力的网络模型，包括BP网络、自编码网络、广义回归网络、深度置信网络、卷积神经网络、循环神经网络、长短期记忆网络、门控循环单元网络等。

（3）总结了神经网络与深度学习在典型环境参数获取中的应用，包括土地覆盖、植被定量参数、农作物估产、地表和大气温度、大气环境参数、降水、土壤湿度、积雪覆盖、蒸散发、辐射参数、水色遥感参数等。

（4）展望了深度学习的遥感应用前景，包括学习模型与物理模型的结合、网络模型中地学准则的融入、迁移学习及小样本学习等。

深度学习在环境遥感领域的应用：进展和挑战

论文标题

Deep learning in environmental remote sensing: Achievements and challenges

作者

Qiangqiang Yuan, Huanfeng Shen, Tongwen Li, Zhiwei Li, Shuwen Li, Yun Jiang, Hongzhang Xu, Weiwei Tan, Qianqian Yang, Jiwen Wang, Jianhao Gao, Liangpei Zhang

发表期刊

Remote Sensing of Environment, Volume 241, 2020

论文全文链接

https://www.sciencedirect.com/science/article/abs/pii/S0034425720300857

团队介绍

武汉大学张良培教授团队，近年来深入开展深度学习的遥感分类、目标识别、变化检测、参数反演、环境应用等研究。该团队主持两个以人工智能环境应用为核心内容的重点研发项目，构建了国际上最大规模的高分遥感图像解译知识库，研究成果获得IEEE TGRS数据融合大赛、MICCAI图像分割大赛等多项国际大赛冠军，在国内牵头组织举办了遥感智能分析竞赛。

相关论文推荐

L. Zhang, L. Zhang and B. Du, "Deep Learning for Remote Sensing Data: A Technical Tutorial on the State of the Art," in IEEE Geoscience and Remote Sensing Magazine, vol. 4, no. 2, pp. 22-40, June 2016. doi:10.1109/MGRS.2016.254079

https://ieeexplore.ieee.org/abstract/document/7486259

Zhu, X. X., Tuia, D., Mou, L., Xia, G-S., Zhang, L., Xu, F., & Fraundorfer, F. (2017). Deep Learning in Remote Sensing: A Comprehensive Review and List of Resources. IEEE Geoscience and Remote Sensing Magazine, 5(4), 8-36. https://doi.org/10.1109/MGRS.2017.2762307.

https://ieeexplore.ieee.org/abstract/document/8113128

H. Shen, Y. Jiang, T. Li, Q. Cheng, C. Zeng, L. Zhang, Deep learning-based air temperature mapping by fusing remote sensing, station, simulation and socioeconomic data, Remote Sensing of Environment, Volume 240,2020, https://doi.org/10.1016/j.rse.2020.111692.

https://www.sciencedirect.com/science/article/abs/pii/S0034425720300614

Q. Yuan, H. Xu, T. Li, H. Shen, L. Zhang, Estimating surface soil moisture from satellite observations using a generalized regression neural network trained on sparse ground-based measurements in the continental U.S, Journal of Hydrology,Volume 580,2020.

https://www.sciencedirect.com/science/article/pii/S0022169419310868

Shen, H., Li, T., Yuan, Q., & Zhang, L. ( 2018). Estimating regional ground‐level PM2.5 directly from satellite top‐of‐atmosphere reflectance using deep belief networks. Journal of Geophysical Research: Atmospheres, 123, 13,875– 13,886.

https://doi.org/10.1029/2018JD028759.

https://agupubs.onlinelibrary.wiley.com/doi/abs/10.1029/2018JD028759

J. Wang, Q. Yuan, H. Shen, T. Liu, T. Li, L. Yue, X. Shi, L. Zhang, Estimating snow depth by combining satellite data and ground-based observations over Alaska: A deep learning approach, Journal of Hydrology, Volume 585,2020.

https://www.sciencedirect.com/science/article/pii/S0022169420302882

Li, T., Shen, H., Yuan, Q., Zhang, X., & Zhang, L. (2017). Estimating ground‐level PM2.5 by fusing satellite and station observations: A geo‐intelligent deep learning approach. Geophysical Research Letters, 44, 11,985– 11,993. https://doi.org/10.1002/2017GL075710

https://agupubs.onlinelibrary.wiley.com/doi/full/10.1002/2017GL075710

曹琼,马爱龙,钟燕飞,赵济,赵贝,张良培.2019. 高光谱-LiDAR多级融合城区地表覆盖分类.遥感学报, 23(5): 892-903

张良培,沈焕锋.2016. 遥感数据融合的进展与前瞻.遥感学报, 20(5): 1050-1061

张良培,李家艺.2016. 高光谱图像稀疏信息处理综述与展望.遥感学报, 20(5): 1091-1101

科研战疫

图片来源微博“马可菠萝包W”

人类同疾病较量

最有力的武器就是科学技术

武汉大学张良培教授带团队，充分发挥遥感、人工智能、计算机视觉等领域的技术优势，夜以继日科研攻关，以最快的速度研发了新冠肺炎CT影像人工智能处理系统和医疗服务机器人系统。

1. 新冠肺炎CT影像人工智能处理系统

能够基于胸部CT影像，更加快速的辅佐医生检出新冠肺炎，并能初筛普通型和重症型。目前已在武汉人民医院放射科应用，降低了医生的劳动强度，提高了检测效率。

图片来源网络