≥ ≥≥软件X 22（2023）101369原始软件出版物rsdtlib：遥感与深时数据库Georg Zitzlsberger，Michal Podhoranyi，Jan MartinovieniIT4Innovations，VSB-ar t i cl e i nf o文章历史记录：收到2022年收到修订版，2023年2月25日接受，2023年关键词：遥感深度学习机器学习时间序列a b st ra ct十多年来，基于卫星的遥感数据已被广泛用于深度学习（DL），以帮助识别土地覆盖（LC）和土地利用（LU），并检测城市和植被变化。通常，这些任务是在样本很少或时间序列短且低维的情况下进行的。在最近一项展示城市变化检测和监测的研究中，利用了一个加窗的高维大时间序列（深时间），不仅考虑了大量的观测，而且还结合了多种模式以获得更高的时间分辨率。在这种方法中使用的预处理软件，称为rsdtlib，在底层工作中描述。它可以帮助遥感领域的其他人将这种方法用于深度和机器学习（ML）解决方案。该软件可扩展以支持广泛的需求，包括提供单个观测样本、观测对、多种模式以及加窗深时间序列的构建。其输出数据采用DL/ML培训就绪格式，软件解决方案与现有遥感工具和服务集成良好。rsdtlib软件作为一个开源项目托管在Github上，邀请遥感领域的其他研究人员和从业人员使用它。版权所有©2023作者。由爱思唯尔公司出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）中找到。代码元数据当前代码版本v1.0用于此代码版本的代码/存储库的永久链接https://github.com/ElsevierSoftwareX/SOFTX-D-22-00357Code Ocean compute capsule法律代码许可证GPL v3使用Git的代码版本控制系统软件代码语言，工具和服务使用Python，eo-learn，Tensorflow，Sentinel Hub编译要求，操作环境&依赖性Python3。8，eo-learn 1. 0，Tensorflow2.5如果可用，链接到开发人员文档/手册https://it4innovations.github.io/rsdtlib/_build/html/index.html问题支持电子邮件georg. vsb.cz1. 动机和意义数字遥感存在了近60年[1]，并通过不同的传感器技术使用地球表面的卫星观测几十年来，许多处理、分析和使用这些数据的方法此外，在最近的深度学习和深度神经网络（DNN）的出现中，大型数据集变得必要。现代平台已经发展到可以轻松访问这些数据，如Sentinel Hub[2]，主题探索平台（TEP）（例如，城市TEP[3]），美国。地质调查局（USGS）地球探测器[4]，数据和信息访问服务（DIAS），如CREODIAS [5]，以及其他。它们共同*通讯作者。电子邮件地址：georg. vsb.cz（Georg Zitzlsberger）.https://doi.org/10.1016/j.softx.2023.101369提供对具有各种处理级别、元数据和附属信息的不同观测产品的访问（例如，云掩模、质量信息和索引数据）。尽管遥感包含许多不同类型的数据，但最常见的两种是多光谱数据和合成孔径雷达数据。前者被动地收集反射的太阳光谱，而后者主动地发射微波信号并检测它们的后向散射能量和极化。光学飞行任务的例子包括大地卫星5号专题制图仪（LS5 TM）和哨兵2号，而合成孔径雷达飞行任务的例子包括欧洲遥感1号和哨兵1号。除了它们的二维空间范围外，这些观测还包含不同数量的波段。例如，LS5 TM的多光谱光学数据包含从可见光谱到红外光谱的七个波段，2352-7110/©2023作者。 由Elsevier B.V.出版。这是一篇开放获取的文章，使用CC BY许可证（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表SoftwareX期刊主页：www.elsevier.com/locate/softxGeorg Zitzlsberger、Michal Podhoranyi和Jan Martinovieni软件X 22（2023）1013692∈×i、ji、ji、j×=∈⊆Fig. 1. 数据处理管道：从遥感数据源到可训练数据分三个 阶段。热能哨兵2号任务数据包含更多的波段（多达13个）。另一方面，合成孔径雷达观测提供了具有不同极化的后向散射能量的强度。ERS-1/2传感器包含一种偏振，即垂直-垂直（VV），而哨兵1号是一种双偏振系统，即VV和垂直-水平（VH）。因此，可以考虑这些模式的每次观察 一个三维的样本此外，时间序列数据包含多个观测值，这增加了另一个（第四）维度。这个维度延伸到考虑的最大时间段，即窗口。总的来说，多维空间数据样本s可以是描述为SRx×y×b，空间范围为xy和每个模式B的频带数量。因此，时空窗口可以包含这些样本的倍数。不同的遥感方法在不同程度上利用了这些样本。例如，Siamese DNN [6，7]已经使用具有b带的单峰样本进行成对sam。简单分析（R2×x×y×b）。其他ML/DL方法也已被建议用于结合SAR（bSAR）的多模态数据[8，9]而光学（bOPT）波段则对应于一个窗口R2×x×y×（bSAR+bOPT）。另一不同的接口，以获得低级别的数据产品。在这种情况下需要进一步处理，用于正射校正、配准或重投影，使用诸如ESA的SNAP的工具遥感领域的主流数据格式是GeoTIFF，其中包含数据本身和任务参数和区域坐标等元数据。然而，Sentinel Hub两个数据路径都将获得的观测值转换为eo- learn数据类型，称为EOPatch。EOPatch是一个包含序列化Python NumPy数组的目录。尽管时间序列可以保存在一个EOPatch中，但我们每次观察仅使用一个EOPatch，并在稍后阶段合成时间序列。这是因为处理大的多维时间序列将导致更难处理的极大的EOPatch文件;另外，当存在多个EOPatch实体时，文件访问可以并行化，这在仅使用单个EOPatch实体的情况下是不可能的。每个EOPatch按观察时间枚举，并按模式（光学（ot）或SAR）进行分离。我们的解决方案还分开了两个轨道方向，上升和下降不标准差示扫描量热法Ienco等人的研究[10]使用SAR的多模态时间序列和光学观测。然而，这些时间序列在时间上没有对齐，并且每个序列都被馈送到DNN，而不考虑采样时间。我们在最近的工作中考虑到了这一点[11]，并在一个时间线上关联了两种类型，同时保持观察模式作为单独的波段单独具有下限ω和上限Ω的可变数量的观测可以描述R[ω，Ω]×x×y×（bSAR+bOPT）。 为简单起见，我们将其称为R×x×y×b完成剩下的工作这种形式主义也可以作为一个通用的表示，能够表达前面提到的窗口配置，以及其他。尽管大多数ML/DL相关研究使用自己的实现来处理上述遥感样本和窗口，但存在专用的框架和格式;它被称为eo-learn[12]，我们也在工作中使用它。该软件包是根据地球观测（EO）数据创建的，并提供了处理它的方法，以及一种名为EOPatch的数据格式，旨在存储多维EO数据，包括时间序列数据。2. 软件描述在这项工作中，我们介绍了Python模块rsdtlib，旨在为遥感EO数据创建任意时间序列窗口。它描述了一个处理流水线，分为三个不同的阶段，如图所示。1.一、第一阶段从不同的遥感源获取观测样本。这可以是手动下载和处理，也可以是自动下载已经预处理的数据。在手动路径中，可以使用USGS、ESA或CREODIAS等源。他们的服务提供了几个t，对于SAR模式。如果来自两个不同轨道的数据由于方向是混合的，因此方向是如此不同，以至于甚至正射校正也不能对其进行补偿，特别是如果存在较大的高程差。第二阶段和第三阶段在Tensorflow中实现[14]，并进一步处理观测值以生成最终的时间序列。这两个阶段的详细描述图。二、在第二阶段中，在观测被组装和平铺之前，观测首先在时间上被堆叠，对于每个模式单独地。堆叠会考虑被掩蔽的像素（由于云覆盖年龄或在测绘带之外），并使用 前面的观察。对于每种观测模式，我们收到的时间序列没有间隙，O，SASC，和SDSC，光学和SAR数据在上升和下降轨道方向，分别。组合将不同的模式合并在一起，其中所有波段都连接到一个最后，平铺将较大的感兴趣区域（AoI）分解为更容易用于ML的补丁或DL应用（例如，32 32像素块）。平铺将时间t处的组合观测at转换为具有y和x坐标i和j的片at。在第三阶段，个人都是有窗口的窗口化考虑特定持续时间（单位：秒）的较小时间序列。结果，窗口wtWi，jRxxxyxb被创建，持续时间为n，并且从时间步长t开始。此外，根据应用程序的需要，窗口可以通过固定数量的观测值（ρ）相互偏移（步幅）。图2，δ >1 s，因此在该范围内的观测值再加上时间叠加此外，仅使用每隔一个窗口（ρ2）的情况。 应该澄清的是，δ和δ是以秒为单位的，而ρ是故意以数字为Georg Zitzlsberger、Michal Podhoranyi和Jan Martinovieni软件X 22（2023）1013693=-=-i、jˆi、jB|（）下一页图二、数 据 准 备 的两步程序：从可用观测序 列 到DL就绪时间序列窗口。的观察。这允许窗口偏移一定的天数，例如δ10天和ρ1个窗口偏移 提前十天。或者，这可以是δ1 s，1和ρ10 其将所有观测视为单个窗口的开始，但仅选择每第十个窗口。为了检索训练和验证（和测试）数据集，可以采用可选的标记。如果是，则窗口用标签yt注释。然后，将标记或未标记的窗口写入文件系统，以便在训练环境中直接使用。rsdtlib目前支持两种文 件 系 统 存 储 格 式 ; 它 们 是 默 认 的 TFRecord 和 序 列 化 的tf.data.Dataset，后者需要Tensorflow2.5及更高版本。用于配置创建窗口的处理步骤的完整参数集如表1所示，并附有简短说明及其相应单位。表1用于创建窗口的 参 数 。参数助记单元使用的传感产品。相反，我们展示了使用Sentinel Hub的端到端解决方案。第一阶段检索观察图像并将其以EOPatch格式存储在目标目录中。以下示例使用Sentinel Hub下载2017年初至2017年中期间的Sentinel 2 1级观测，并使用shconfig中的凭据为形状文件中定义的AoI提供凭证。从你的手开始。PARSERIMPARSEI ST阶段从第一个hubimp ortSHConfg从一个中心到一个中心，importrsdtlibshconfig=S HConfig（）#SentinelHubcrentialshconfig. instance_id=““shconfig.sh_client_id=““shconfig.sh_client_secret=“CLIENTSECRET>“数据[ascdsc]SARSAR波段数retrieve=rsdtlib。Retrieve（b被占领土光学波段#个波段xx维度像素数yy维像素数δ阶跃观察V·ation秒窗口周期（秒）#periodtorerieveobservationsfrommstarttime=isoparse（“20170101T000000“），endme=isoparse（“20170701T000000“），aoi=“SHAPEFILE>“，#pathtooshapefile shconfig=shconfig）Windowsρstride#观测值ωmin。窗口大小#观察值最大的。 窗口大小#观察值#RetriveeaspicicprocttasEOPat ectes我的意思是，我的意思是，我的意思是，2019 - 05 -22 00：01：01（dat acol l ec tion=DataCol ect ion。SENTINEL2_L1C，3. 用法、参数和示例每个阶段在rsdtlib中都有一个专用的类。类Stack实现时间叠加、组装和平铺，类Window创建带有可选标签的窗口化样本可以使用Convert类应用转换，由于它依赖于远程1 假设没有两个观测具有相同的时间戳。dst_path=“TARGET>“）#destinatinrectory第二阶段堆叠、组装和平铺EOPatch观察结果，并将其存储为TFRecord文件，每个平铺一个在下面的示例中，EOPatch路径在数据和数据掩码的EOPatch记录名称以及输出目录之后指定堆叠的开始和结束时间分别设置为2017- 01-01和2017-07-01。开始时间之前的观测用于填充遮罩像素，但不创建观测。在结束时间和以后的每个观察都被忽略。对于时间叠加，步长δ设置为两天。对于平铺，生成大小为32× 32的切片，并进行组装瓷砖Georg Zitzlsberger、Michal Podhoranyi和Jan Martinovieni软件X 22（2023）1013694i、ji、j∗∗ ∗∗∗ ∗ˆ指定的光学和SAR波段的数量。图块大小和波段数作为元数据存储在JSON文件中，供下一阶段使用。文件系统通过不不断地产生相同的样本来最小化处理所需的资源。库rsdtlib使用户能够将这些集合存储到各个位置，并选择它们的瓦片。2从第二阶段开始importrsdtlib其他标签ytW可以分配给每个窗口wt∈stack=rsdtlib. C++（#pathsofS1（asc. /dsc. ）和S2EOPatches“S1ASC>“，“S1DSC>“，“S2>“，#S1EOPatchdata/masname“L1_GND“，“dataMask“，i，j时写入TFRecord文件。生成标签所需的参数和描述窗口标签元组构造的lambda函数都可以传递。如果启用了三元组的生成，则可以完全访问所有三个窗口;如果禁用，则只能访问当前窗口服务器租用-美国服务租用 在下面的示例中，是后者（当前窗口是窗口[0]）和标签y= t只被创造出来#S2EOPatchdata/masname“L1C_data“，“dataMask“，“TPUTPATH>“，#outtputtTFRecordpath值为1。i、j写入带标签的窗口#期间的观测datet ime（2017，1，1，0，0，0），datet ime（2017，7，1，0，0，0），60 6024 2，#三角洲（秒）32、32、#瓦片大小x/y（像素）2，13）#stack。proces（）#Executeprocessing第三阶段是窗口化过程，包括可选的标记。它采用以前生成的TFRecord文件，并在一组新的TFRecord文件中创建窗口样本，如窗口相关参数所述在下面的示例中，输入和输出目录与窗口一起指定gen_label=lambdawindow，label_args：\（tf.concat（#window[window[0][1][：，：]，#SARasc.window[0][2][：，：]，#SARdsc.window[0][3][：，：]]，#opticalaxis=−1），tf。ensure_shape（#labeltf.ones（[32，32]），[32，32]））我不知道。write_tf_iles（“TPUTPATH>“，lambdaj，i：（j+i/2）%2==0，label_args_ds=#argsviatf. datata。Datasetgen_label=gen_label）相关参数ρ、ρ、ω和Ω来构造窗口。窗口可以创建为一个或三个，后者返回三个连续的窗口（前一个、当前和下一个）而不仅仅是关注的窗口这对于为当前窗口提供附加上下文是有用的，例如，创建标签。这里没有生成标签，就像推理用例一样，处理是多线程的两次。TFrecord文件是为具有正评估lambda函数的坐标的图块编写的。importrsdtlib3rdstagewindow=rsdtlib.Window（#inputTFRecordpaths“INPUTPATH>“，60602430，#Delta（inseconds）1，#rho10，16，#omega/OmegaFalse，#generateripletn_threads=2）#hreadstouse的数量#将该消息写入到#“”（例如，训练，验证）seleector=lambdaj，i：（j+i/2）%2==0）window. write_tf_files（“TPUTPATH>“，selectorr）3.1. 培训、验证和测试数据集DNN的训练需要使用不同的数据集。训练数据用于更新网络的参数，在每个时期内重复。验证数据的目的是监测网络的性能训练3.2. 在线和离线推理对于推理，有两种不同的模式是可能的：在线或离线处理。离线处理创建窗口化的样本并将它们存储到文件系统。如果推理数据被重用，这是有用的，并且表示处理和存储之间的折衷。这与创建训练、验证和测试数据集的方式相同，但无需添加标签。如果每个样本只进行一次推理，则在线（交互）模式更合适。它返回 一 个 Tensorflowtf.data.DatasetExtract Transform and Load（ETL）对象，以直接通过窗口进行数据传输。这可以直接与tf.keras.Model.predict一起使用，以便于使用。因此，它不会将样本存储到文件系统中，而是提供了一种运行推理的有效方法。下面，演示了用于加载模型和在线窗口生成的瓦片（10，5）#检索一个可对象化的在线推理#（tf. datata。对于（10，5）[（y，x）]的D（t）s_ds=window. get_infer_dataset（（10，5））#wws_dselementsaquadruplewitharyng#numberofobservations#：#（timestamps[#]，编号S1asc. [#，y，x，b_sar]，编号S1dsc等[#，是的，x，b_sar]，#S2[#，y，x，b_opt]）model=#tf. 克雷拉斯。我的天啊我的天啊pred=model. prdict（windows_ds）并且在每个时期结束时被馈送到网络以收集不同的指标。测试数据在每次训练后使用比较不同的模型，并评估推广训练DNN的能力。由于它们的使用，这些数据集被反复迭代。因此，它们通常存储在2 选择不同的窗口是不太有意义的，因为这在不同的时间呈现相同的空间位置，这可以引入偏差。Georg Zitzlsberger、Michal Podhoranyi和Jan Martinovieni软件X 22（2023）1013695====-i、j∈⊆表2为不同作品创建窗口时间序列的参数示例特区特区特区特区4. 影响近年来，由于Sentinel Hub等服务，获取遥感领域的数据变得更加容易。以前，单个样品需要手动处理，这导致大量且昂贵的劳动力。它还需要如何使用处理工具和理解原始数据类型的领域知识。借助eo-learn等工具，这些服务允许访问不同的预处理遥感产品，而无需深入了解所涉及的数据转换过程。然而，当涉及到时间序列数据时，需要进一步处理以将单个观测转换和排列成所需格式的有序集需求可以广泛变化，从单个或几个较低维度的观测开始，直到携带单个观测的完整维度空间的长（深）时间序列。例如，在变化检测任务中，通常考虑成对观察[16，17]，很少有工作一次考虑更多[18，19]。在作物产量预测任务中，一些工作[20，21]通过计算直方图来降低维度，并在该空间上构建时间序列。虽然低维或短时间序列方法占主导地位，但一些具有长时间序列和高维数据的方法变得更加常见[10，11，22]。我们的解决方案是对现有Sentinel Hub和eo-learn的利用遥感数据创建参数化高维时间序列的服务和工具。它结合了检索ML/DL就绪样本所需的时间序列处理的常用原理。上述情况代表不同的ML/DL任务，我们的解决方案通过简单地更改参数值来覆盖例如，使用观测对的最简化情况是使用参数ω1为每个观测创建一个窗口。参数ρ设置为数字可以单独分配。参数δ1 s考虑了所有可用的观测值，参数δ1 s描述了一秒的时间范围。因此，它返回只有一个观察的窗口，随后两个窗口可以成对使用。 或者，观测对的距离可以用δ来定义，ρ1。 与使用观测对相反，Ienco等人使用的是最复杂的场景[10]在我们的以前的工作[11]。这些工作需要窗口WtWi，jR×x×y×b。表2显示了rsdtlib参数，因为它们将被设置为不同的作品。这表明了我们的方法的灵活性和不同的配置很容易为自定义切片大小（x，y）、更短或更长的窗口（x）以及用于单模态或多模态数据的变化的频带数量。标签的可选集成使我们的解决方案适用于无监督和监督设置。标签的注释可以在逐个窗口的基础上提供高水平的控制。每个窗口的附加上下文可以通过生成窗口三元组来提供，这对于标记或过滤目的是有用的相同的方法还能够提取子集，将高维输入转换为所需的频带和特征，以及降低维数。因此，所提出的解决方案可以从用于分割任务的单个图像扩展到在监督和非监督设置中为多任务/标签项目构建深时间时间序列观测。该解决方案已经在BLENDED [23]项目中使用，该项目创建了一个基于区块链的深度学习平台，并考虑了数据隐私和访问控制。在我们以前的工作[11]中，描述了该平台的展示;它使用具有非平凡处理，内存和存储要求的深时遥感数据。5. 结论通过我们的工作，我们引入了一种方法来描述遥感领域的窗口时间序列，可以覆盖广泛的用例。我们的软件解决方案，称为rsdtlib，利用这种方法，并实现了一个端到端的处理工具来检索参数化ML/DL准备多模态遥感数据的时间序列。其与现有服务和工具的结合使得能够对最先进的遥感数据进行预处理，包括自动请求特定区域和时间范围在遥感领域的先验知识是不必要的，这使得更广泛的用户群应用ML/DL解决方案，遥感时间序列数据。rsdtlib库是开源的，托管在Github上，以邀请其他人为时间序列遥感数据的应用做出贡献并使其更加民主化尽管当前的实现使用TensorflowETL，但未来的扩展将提供Pytorch接口来支持这两种常见的深度学习框架。我们还计划在未来的工作中扩展此解决方案，以支持窗口的聚合和减少。竞合利益作者声明了以下可被视为潜在竞争利益的经济利益/个人关系：Georg Zitzlsberger报告说，欧空局提供了财政支持描述数据瓷砖Windows工作b被占领土b [asc|差示扫描量热法Xyδ∆ρωΩ只有光学观测对13015151 s1 s每对个体数11克劳德等人[6、15]光学和SAR观测对13basc：2（VV+VH）96961 s1 s每对个体数11Ebel等人[9]第一章光学和SAR观测对4、乐队：2-4、81（振幅）1381251 s1 s每对个体数11Benedetti等人[八]《中国日报》分离光学和SAR时间序列102（VV+VH）55长达2天1年12334延科等人[10个国家]深时间多模态时间序列：ERS-1/2 LS5 TM，713b[asc|dsc]：1（VV）323232321 S2 天1年6个月随机[1-10]随机253511092我们的工作[11]Georg Zitzlsberger、Michal Podhoranyi和Jan Martinovieni软件X 22（2023）1013696数据可用性我们的软件提供端到端解决方案，还包括从Sentinel Hub下载遥感数据。为此，需要在Sentinel Hub上创建一个帐户致谢这项研究由IT 4 Innovations基础设施资助，该基础设施由捷克共和国教育，青年和体育部通过e-INFRA CZ（ID：90140）和开放获取资助竞赛（OPEN-21-31和OPEN- 25-24）提供支持。作者要感谢欧空局资助该软件作为区块链使能空间数据深度学习（BLENDED）项目（SpaceApps分包合同号4000129481/ 19/I-IT 4I）的一部分。此外，作者还要感谢数据提供商（欧空局，哨兵枢纽和美国地质勘探局）免费提供所使用的遥感数据。引用[1] ASHBINDUSingh.使用遥感数据的数字变化检测技术。Int J Remote Sens1989;10（6）：989-1003.得双曲正切值.doi.org/10.1080/01431168908903939网站。[2] Sinergise 地 理 信 息 系 统 实 验 室 哨 兵 枢 纽 。 2023 ，URLhttps://www.sentinel-hub.com/。[2023年2月16日访问]。[3] DLR、 Consult B 、Terradue、 Gisat、IT4Innovations 。城市TEP 。2023，URLhttps://urban-tep.eu/。[2023年2月16日访问]。[4] 美国地质调查局.地球探索者。2023，URL https://earthexplorer.usgs。gov/.[2023年2月16日访问]。[5] 云铁克瑞俄狄亚斯。2023，URLhttps://creodias.eu/。[2023年2月[6] Caye Daudt R，Le Saux B，Boulch A.用于变化检测的全卷积连体网络。2018年 第 25 届 IEEE 图 像 处 理 国 际 会 议 2018 年 ， 第 4063-7 页 。http://dx.doi.org/10.1109/ICIP.2018.8451652网站。[7] 陈华，吴春，杜波，张玲，王玲。基于深度连体卷积多层递归神经网络的多分辨 率VHR图 像变 化检 测 。 IEEE Trans Geosci Remote Sens2020;58 （ 4） ：2848-64.[8] 张晓刚，王晓刚，王晓刚.Sentinel-1和Sentinel-2数据融合用于城市变化检测。在：IGARSS 2018 - 2018 IEEE国际地球科学与遥感研讨会。2018年，第1962-5页。得双曲正切值. doi.org/10.1109/IGARSS.2018.8517586网站。[9] Ebel P，Saha S，Zhu XX.融合多模态数据进行监督变化检测。国际摄影测量、遥感和空间信息科学档案。第XLIII-B3-2021卷。2021，第243-9页。http://dx.doi.org/10.5194/isprs-archives-XLIII-B3-2021-243-2021，URLhttps：inf-sci.net/XLIII-B3-2021/243/2021/。[10] 杨伟，王伟. 组合-Sentinel-1和Sentinel-2卫星图像时间序列通过多源深度 学 习 架 构 进 行 土 地 覆 盖 制 图 。 ISPRS J Photogramm Remote Sens2019;158：11-22.http://dx.doi.org/10.1016/j的网站。isprsjprs.2019.09.016，URLhttps://www.sciencedirect.com/science/article/pii/S0924271619302278。[11]Zitzlsberger G ， Podhoranyi M ， Svatoregon V ， Lazecksman M ，Martinovidian J.基于神经网络的城市变化监测与深时多光谱和SAR遥感数据。远程传感器2021;13（15）.网址：//dx.doi.org/10.3390/rs13153000，URLhttps://www.mdpi.com/2072-4292/13/15/3000。[12] 哨兵枢纽。电子学习2023，URLhttps://github.com/sentinel-hub/eo-learn/.[2023年2月16日[13]欧空局。SNAP工具箱。2023，URLhttps://step.esa.int/main/toolboxes/snap/。[2023年2月16日访问]。[14]Google. Tensorflow。2023，URLhttps://www.tensorflow.org/。[2023年2月[15]陈文辉，陈文辉.使用卷积神经网络进行多光谱地球观测的城市变化检测。IEEE International Geoscience and Remote Sensing Symposium. 2018年[16]郑志，马阿，张玲，钟艳。变化无处不在：遥感图像中的单时间监督对象变化检 测 。 2021 IEEE/CVF 计 算 机 视 觉 国 际 会 议 2021 ， 第 15173-82 页 。http://dx.doi.org/10.1109/ICCV48922.2021.01491网站。[17]Chen H，Qi Z，Shi Z.利用变压器进行遥感图像变化检测。IEEE TransGeosciRemoteSens2022;60：1-14.http://dx.doi的网站。org/10.1109/TGRS.2021.3095166。[18]放大图片作者：J. J.深度多任务学习框架耦合语义分割和完全卷积LSTM网络用于城市变化检测。IEEE TransGeosci Remote Sens 2021;59（9）：7651-68.http://dx.doi.org/10.1109/TGRS.2021的网站。3055584。[19] Manzoni M，Monti-Guarnieri A，Molinari ME.联合利用星载SAR图像和GIS 技 术 进 行 城 市 相 干 变 化 检 测 。 远 程 传 感 环 境 2021;253 ： 112152 。http://dx.doi.org/10.1016/j.rse.2020.112152，URLhttps://www.sciencedirect.com/science/article/pii/S0034425720305253。[20]李克，李克，刘明，李文.基于遥感数据的深高斯过程作物产量预测。在：第三十一届AAAI人工智能会议的会议记录。AAAI Press; 2017，p. 4559 -65[21]Yli-Heikkila M，Wittke S，Luotamo M，Puttonen E，Sulkava M，PellikkaP ， et al. Scalable Crop Yield Prediction with Sentinel-2 Time Series andTemporalConvolutionalNetwork. 远 程 传 感 器 2022;14 （ 17 ） .http://dx.doi.org/10的网站。3390/rs14174193，URLhttps://www.mdpi.com/2072-4292/14/17/4193。[22]杨波，秦玲，刘杰，刘翔. IRCNN：一种用于卫星时间序列变化检测的不规则时间距离递归卷积神经网络。IEEE Geosci Remote Sens Lett 2022;19：1-5.http://dx.doi.org/10.1109/LGRS的网站。2022.3154894。[23]Valentin B ， Gale L ， Boulahya H ， Charalampopoulou B ， ChristianK.BLENDED - 使 用 区 块 链 和 深 度 学 习 进 行 空 间 数 据 处 理 。 In ： Soille P ，Loekken S，Albani S，editors. 2021年太空大数据会议论文集JRC 125131，欧盟出版物办公室; 2021，第97-100页。http://dx.doi.org/10.2760/125905网站。
我的内容管理
展开
