卫星图像时间序列分析中的深度学习：综述
计算机视觉与模式识别
2024-10-27 v2 机器学习
图像与视频处理
摘要
地球观测(EO)卫星任务已提供了关于地球及其陆地覆盖状态的详细图像，已超过50年。诸如NASA的Landsat、Terra和Aqua卫星，以及近期ESA的Sentinel任务，记录整个世界每几天获取一次图像。虽然单张图像提供了瞬时数据，但对同一区域的重复图像，即卫星图像时间序列(SITS)，则提供了关于植被和土地利用变化状态的信息。SITS对于建模动态过程和季节性变化（如植物现象学）具有潜在价值。它们在农业、森林、水资源、灾害管理、城市规划和采矿等众多领域具有潜在优势。然而，SITS数据复杂，涉及时序、空间和光谱三个维度的信息。因此，常常部署深度学习方法来分析这些复杂关系。本综述总结了利用深度学习方法从SITS数据中对环境、农业及其他地球观测变量进行建模的前沿方法。我们的目标是为远程感知专家提供资源，使其能够利用深度学习技术增强具有时序信息的地球观测模型。
引用
@article{arxiv.2404.03936,
title = {Deep Learning for Satellite Image Time Series Analysis: A Review},
author = {Lynn Miller and Charlotte Pelletier and Geoffrey I. Webb},
journal= {arXiv preprint arXiv:2404.03936},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication