文献笔记5 review on RS & Hydrology

本文主要记录水文遥感方面的综述文献笔记。

2018年发表在environmental research letters期刊（2020年影响因子6.096/Q1）上的一篇综述文章How can big data and machine learning benefit environment and water management: A survey of methods, applications, and future directions，主要介绍大数据和机器学习在水资源管理方面的发展情况和未来。

大数据特征（4V）：
high volume 数据采集、计算、存储量非常庞大。
high velocity 数据增长速度快，处理速度也快，获取数据的速度也要快。
high variety 种类和来源多样化。种类有：结构化、半结构化和非结构化数据等，常见的来源有：网络日志、音频、视频、图片等等。
high veracity 数据的准确性和可信赖度，即数据的质量。

3H：
high dimension 多维性
high complexity 高复杂性
high uncertainty 高不确定性

环境与水资源管理大数据包括：
（1）来自地球观测系统的高频数据产品；
（2）地面监测网收集的多传感器数据；
（3）通过多种仪器从野外实验中收集的大规模数据集；
（4）大型地球系统模型模拟的数据；
（5）来自社交媒体和公民科学的众包数据。

遥感格网数据格式一般包括：ASCII、GRIB(网格二进制)、netCDF(网络通用数据格式)和HDF(层次数据格式)。
格网数据：也被称为网格数据，是指计算机中以栅格结构存贮的内部数据，是扫描式数字化仪的直接产物，适用于屏幕显示和行式打印输出。在格网数据中，把研究范围分成大小均匀的格网矩阵。存贮的信息可以是点、线、面实体，也可以是指向该单元有关属性的指针。格网越小，精度越高， 但存贮量越大。因格网是有规则排列的，故实体的坐 标位置可隐含在格网的存储地址中。（https://www.osgeo.cn/post/7588g）

大数据在环境与水资源管理方面的应用：

• 遥感大数据
• 分布模式
• 分布式光纤传感器
• 社交媒体数据
• 遥感器网络数据

【注】图片源自论文Figure 6。

用于地表水监测的数据
（1）公共数据：
遥感数据源包括MODIS (250 - 1000 m)、Landsat8 (15 - 80 m)和sentinel -1,2,3 (10 - 300 m)卫星等。
（2）商业数据：
IKONOS、RapidEye、Worldview、FY -3、Quickbird和GF-1/2可以提供米甚至亚米分辨率的空间分辨率图像，但仅限于小场景覆盖和较长的重新访问间隔。

环境与水资源管理数据管理分析平台：
（1）谷歌地球引擎Google Earth Engine 对研究、教育和非营利组织都是免费的，它提供了大量的地球观测数据，以及api，可以在谷歌云上分析这些大型数据集，而无需下载数据。
谷歌最近发布谷歌数据集搜索(https://toolbox.google.com/datasetsearch)，以促进数据共享和发现。
（2）亚马逊的云服务。
（3）微软，与环境系统研究合作研究所(ESRI)，为地理空间分析提供地理ai数据科学虚拟机服务。
（4）Plenar.io是一个开放的数据门户，用于共享和分析来自智慧城市应用程序的数据流。
（5）Cloudera和Hortonworks提供基于云的软件和服务，用于执行数据分析。

深度学习DL在环境与水资源管理中的应用：
（1）地球数据分类：包括场景分类、语义分割、目标跟踪、变化检测等。
（2）空间和时间数据融合：属于一种特殊的回归问题。
（3）混合建模和降阶建模。

DL技术已经在解决许多问题方面表现出了卓越的性能，特别是在遥感图像分类、高维时空数据融合和多源数据预测分析等领域。