应众多读者的需求和建议，遥感地理视界创建了学习交流群，想加入交流的可扫描下方二维码添加。请进群后按照群公告备注如“学位-学校(或机构)-昵称”格式（详情请查看公众号置顶推文）。![]()
标题：Review of synthetic aperture radar with deep learning in agricultural applications
期刊：《ISPRS Journal of Photogrammetry and Remote Sensing》(中科院1区Top, IF=10.6)
作者：Mahya G.Z. Hashemi et al.
doi：https://doi.org/10.1016/j.isprsjprs.2024.08.018
合成孔径雷达（SAR）的观测因其一致的采集计划以及不受云层遮挡和昼夜变化的影响而在农业应用中得到了广泛的使用。深度学习的出现使得从SAR观测中提取显著特征成为可能。本研究回顾了使用SAR和深度学习进行作物分类/制图、监测、产量估计的最新技术状态以及两者结合检测农业管理实践的潜力。通过深入探讨SAR在农业中的应用，强调了当前的局限性和挑战，并探索了深度学习技术作为解决这些问题和增强SAR在农业应用能力的解决方案。本研究讨论了SAR观测、数据处理技术、常见和新兴的深度学习算法与SAR图像结合使用的实施考虑，以及农业应用的各个方面。包括光学和SAR数据的融合、数据增强技术、验证和测试方法，以及开源参考数据集的介绍。研究中还探讨了SAR技术在农业应用中的关键技术，如后向散射、极化和干涉测量，这些技术通过检验每种技术的原理和应用，旨在提供如何利用SAR数据提取关键信息的全面理解。研究发现，虽然深度学习技术已经成功地应用于多光谱传感器的各种农业任务，如作物分类、监测和产量预测，但SAR图像的集成开辟了通过提供一致的采集时间表以及不受云层覆盖和昼夜循环影响的新可能性，从而增强这些应用。然而，SAR数据的使用带来了多重挑战，例如斑点效应、信息复杂性（包括振幅和相位）、几何畸变以及SAR侧视天性固有的时间去相干等。讨论了深度学习如何在克服这些障碍和提取大量SAR图像中的宝贵信息方面发挥重要作用。本研究总结了通过SAR与深度学习结合的主要见解和发现。尽管面临技术挑战，但结合SAR和深度学习在农业管理实践中的潜力是显著的，包括种植和收获日期估计、草坪修剪监测、作物残留物和耕作检测。这些研究成果不仅扩大了对SAR特定研究的讨论，而且通过集成SAR和光学数据，提供了在农业应用中使用这些数据的深入概述，这是以前的文献中经常被忽视的领域。文章来源 ：
Hashemi, M. G., Jalilvand, E., Alemohammad, H., Tan, P. N., & Das, N. N. (2024). Review of synthetic aperture radar with deep learning in agricultural applications. ISPRS Journal of Photogrammetry and Remote Sensing, 218, 20-49.
免责声明 ：
本公众号发布的内容仅供学习交流使用，内容版权归原作者所有。如有侵犯您的权益，请及时与我们联系。
