xshell远程安装深度学习_深度学习在环境远程遥感中的应用

最新推荐文章于 2022-09-06 15:38:23 发布

Venny Dun

最新推荐文章于 2022-09-06 15:38:23 发布

阅读量158

点赞数

文章标签： xshell远程安装深度学习

本文链接：https://blog.csdn.net/weixin_31437055/article/details/112496428

版权

本文是关于深度学习在环境远程遥感方面的应用研究进展及面临的挑战。简要介绍由武汉大学张良培教授团队的这篇综述文章。

本文的主框架

此篇综述主要从以下几个方面介绍了深度学习在环境远程遥感方面的应用研究进展和面临的挑战，并讨论了深度学习在环境远程遥感方面可能的研究方向。

深度学习在环境远程遥感能做什么？
基础深度学习框架
当前深度学习在远程遥感方面的应用
讨论及推荐的研究方向

深度学习在环境远程遥感能做什么深度学习在遥感图像中应用不同于在自然图像中的应用。遥感图像通常具有更复杂多样的模式，以及更丰富的时空光谱信息。因此对遥感图像的处理方法提出了更高的要求。由于DL在特征表示方面的强大能力，它被引入到环境遥感中，并在土地覆盖制图、环境参数检索、数据融合与降尺度、信息构建与预测等方面得到了广泛的应用。

文中对如下方面进行了更为详细的介绍：

Land cover mapping
Environmental parameter retrieval
Data fusion and downscaling
Information construction and prediction

基础深度学习框架

虽然神经网络具有很好的通用性，但是单一的网络框架并不能解决所有的问题。迄今为止，已经开发了许多不同的神经网络框架来处理各种类型的问题，从而证明了网络框架的重要性。

反向传播神经网络(BPNN)和广义回归神经网络(GRNN)是传统神经网络框架中的两个典型例子。本文包含了以下四种主流的DL架构包括自动编码器(AE)、CNN、深度信念网络(DBN)和递归神经网络(RNN)。

GRNN框架

当前深度学习在远程遥感方面的应用此部分展开介绍了深度学习在远程遥感方面的应用研究进展，包括了陆面覆盖、植被参数、农业产量预测、陆面和空气温度、气溶胶、颗粒物、降水、土壤湿度、雪盖、蒸发量、辐射参数、海洋颜色参数等。

PM2.5估计的DBN网络示意图

讨论及推荐的研究方向

此部分探讨了深度学习和物理模型的协同作用、耦合地理学定律到深度学习模型、小样本量和迁移学习。

深度学习和物理模型的协同作用主要讨论了1)深度学习模拟物理模型；2)深度学习校正物理模型输出；3)物理指导的深度学习框架设计；4)物理限制的深度学习模型。总的来说，混合物理模型和深度学习不仅可以改善环境远程遥感方面的模型准确率，而且可以改善物理理解。

耦合地理学定律到深度学习模型讨论了引入时空自相关最为深度学习模型的输入变量和时空限制深度学习模型。

小样本量和迁移学习部分主要讨论了基于区域的迁移学习和基于数据的迁移学习。

总结近年来，深度学习技术已应用于遥感信息分类和定量参数检索，包括土地覆盖制图和环境参数检索。研究结果表明，深度学习技术在环境遥感方面取得了巨大的成就。最后，对环境遥感应用中深度学习工具的改进提出了一些新的见解。例如，物理模型和深度学习模型的结合是一个很有前途的方向。另一个潜在的研究点是将地理规律融入到智能深度学习体系结构中。传统的深度学习模型在很大程度上也依赖于大量的训练样本。将迁移学习和动态学习相结合，可以使这些模型在有限的样本条件下有效地工作。

Yuan Q, Shen H, Li T, et al. Deep learning in environmental remote sensing: Achievements and challenges[J]. Remote Sensing of Environment, 2020, 241: 111716.