地球观测中的机器学习信息融合：方法、应用与数据源综述
计算机视觉与模式识别
2020-12-11 v1 机器学习
摘要
本文综述了基于机器学习（ML）技术、面向地球观测问题的最重要的信息融合数据驱动算法。如今，我们以丰富的观测来观察和建模地球，这些观测来自大量不同传感器，以空前的空间和时间分辨率测量状态、通量、过程和变量。地球观测配备了装载于卫星和航空平台的遥感系统，但也涉及原位观测、数值模型和社会媒体数据流等其他数据源。数据驱动方法，特别是 ML 技术，是从这一数据洪流中提取有意义信息的自然选择。本文对地球观测信息融合的最新工作进行了详尽综述，具有实用意图，不仅聚焦于描述该领域最相关的已有工作，也关注 ML 信息融合已取得显著成果的最重要的地球观测应用。我们还综述了一些当前最常用的地球观测数据集、模型和源，描述了它们的重要性以及如何在需要时获取这些数据。最后，我们用一组代表性案例研究说明了 ML 数据融合的应用，并讨论和展望了该领域的近期未来。
引用
@article{arxiv.2012.05795,
title = {Machine Learning Information Fusion in Earth Observation: A Comprehensive Review of Methods, Applications and Data Sources},
author = {S. Salcedo-Sanz and P. Ghamisi and M. Piles and M. Werner and L. Cuadra and A. Moreno-Martínez and E. Izquierdo-Verdiguier and J. Muñoz-Marí and Amirhosein Mosavi and G. Camps-Valls},
journal= {arXiv preprint arXiv:2012.05795},
year = {2020}
}