近期，由中国科学院地理科学与资源研究所、资源与环境信息系统国家重点实验室的李连发研究员、杨晓梅研究员、葛咏研究员共同组织的《RemoteSensing》(IF:4.,JCR分区Q1)专刊：SpecialIssue"MachineLearningforSpatiotemporalRemoteSensingData"，欢迎同行们积极踊跃投稿。
专刊介绍
监测土地覆盖、土地利用和气象等地理空间特征的时空变化对遥感数据的实际应用至关重要。然而，由于云或其他具有高反射率、时空相关性不一致和异质性的地理空间特征，导致遥感数据的时空建模具有挑战性。虽然传统的机器学习方法可以在模型中包含时间变量来解释时间方差，但由于它们缺乏或限制显式的时空相关性，时空协变量的混合可能会引入混淆偏差，特别是在遥感数据分类时。现代深度学习为我们提供了新的机遇，包括3DCNN、CNN-lstm、CovLSTM、CNN-transformer等灵活的网络结构，可以实现显式的时空相互依赖建模和高效的并行计算，处理海量时空数据输入。深度学习在计算机视觉、自然语言处理、气象学等时空预测领域得到了广泛的应用，但由于地理空间特征的特殊性和复杂性，其在遥感数据时空预测中的应用还存在许多有待探索的问题。专刊主题
本特刊旨在涵盖机器学习方法及其在遥感数据时空回归和分类的各个领域的应用。主题可以涵盖从数据结构和处理，时空融合，时空相互依赖的建模，机制和预测解释。特别是深度学习方法及其与其他机器学习方法的比较是受欢迎的。文章可能涉及但不限于以下主题:1、遥感时空建模;2、利用遥感监测土地使用或土地覆盖情况;3、地理空间参数的时空反演;4、遥感中的时空深度学习;5、遥感预测;6、遥感天气预报。截止日期：年11月15日投稿链接
转载请注明：http://www.0431gb208.com/sjszlfa/78.html
