یادگیری عمیق در سنجش از دور محیط زیست

اشکال مختلف روش های بادگیری ماشین (ML) از لحاظ تاریخی نقش ارزشمندی در تحقیقات سنجش از دور محیطی داشته اند. با افزایش مقدار"داده های بزرگ" از رصد زمین و پیشرفت های سریع در ML، فرصت های فزاینده ای برای روش های جدید برای کمک به نظارت بر محیطزیست زمین پدید آمده است. در طول دهه گذشته. یک چارچوب معمولی و پیشرفته ML به نام یادگیری عمیق (DL)، که از شبکه عصبیسنتی (NN) توسعه یافته است. با بهبود قابل توجهی در عملکرد. از مدل های سنتی بهتر عمل کرده است. پیشرفت قابل توجهی در توسعه روشDL برای انواع کاربردهای علوم زمین مشاهده شده است. بنابراین. این بررسی بر روی استفاده از روش های سنتی NN و DL برای پیشبرد فرآیندسنجش از دور محیطی متمرکز خواهد شد.ابتد، پتانسیل DL در سنجش از دور محیطی, از جمله نقشه برداری پوشش زمین, بازیبی پارامترهایمحیطی ترکیب داده ها و کاهش مقیاس, و بازسازی و پیش بینی اطلاعات. تحلیل خواهد شد. سپس یک ساختار شبکه معمولی معرفی خواهد شد.پس از آن. کاربردهای نظارت محیطی DL در اتمسفر، پوشش گیاهی، هیدرولوژی، دمای هوا و سطح زمین تبخیر و تعرق, تابش خورشیدی ورنگ اقیانوس به طور خاص بررسی می شوند. در نهایت، چالش ها و چشم اندازهای آینده به طور جامع مورد تجزیه و تحلیل و بحث قرار خواهندگرفت.