密歇根州立大学为第一署名单位在遥感领域顶级期刊ISPRS发表长篇综述：合成孔径雷达与深度学习在农业应用中的综述

水滴分割线

编辑：不止GIS

文章简介

论文名称：Review of synthetic aperture radar with deep learning in agricultural applications（合成孔径雷达与深度学习在农业应用中的综述）
第一作者及单位：Mahya G.Z. Hashemi（博士生|美国密歇根州立大学土木与环境工程系）
通讯作者及单位：Associate Professor（副教授|美国密歇根州立大学土木与环境工程系）
文章发表期刊：《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》（中科院1区Top期刊|最新影响因子：10.6）
期刊平均审稿速度：9个月(参考)

1.研究内容

合成孔径雷达（SAR）观测因其一致的采集时间表以及不受云层覆盖和昼夜变化影响的特性，在农业应用中得到了广泛应用。深度学习的出现使得能够从SAR观测数据中捕获重要特征，这通过识别SAR数据中的空间和时间关系来实现。该研究回顾了当前SAR与深度学习结合用于作物分类/制图、监测和产量估计的应用现状（图1，2），并探讨了利用两者检测农业管理实践的潜力。

图1|堆积柱状图展示了与深度学习（DL）结合用于各种农业应用的SAR平台的分布情况，每个条形表示特定应用的数量，条形的高度指示了多个SAR平台上的累计数量。

该综述介绍了SAR的基本原理及其在农业中的应用，突出当前的限制和挑战。它探讨了深度学习技术作为解决这些问题的方案，并增强SAR在农业应用中的能力。综述涵盖了SAR观测数据的各个方面、光学数据与SAR数据融合的方法、常见及新兴的深度学习架构、数据增强技术、验证和测试方法，以及开源参考数据集，所有这些都是为了提高SAR与深度学习结合在农业应用中的精度和实用性。

图2|SAR与深度学习（DL）在农业应用中的集成过程。流程图突出显示了三个主要组成部分：（1）基于SAR影像的像素级作物分类，（2）特征选择、多模态融合以及适当的深度学习架构的选择和实施，（3）对作物分类模型参数进行微调，以实现稳健的作物物候估计、生物物理参数（BPs）检索和产量预测。

2.文章引用

文章信息：Mahya G.Z. Hashemi, Ehsan Jalilvand, Hamed Alemohammad, Pang-Ning Tan, Narendra N. Das,Review of synthetic aperture radar with deep learning in agricultural applications,ISPRS Journal of Photogrammetry and Remote Sensing,Volume 218, Part A,2024,Pages 20-49,SSN 0924-2716,https://doi.org/10.1016/j.isprsjprs.2024.08.018.